Machine Learning / AI
A cosa serve una chiave primaria?
Cos'è l'overfitting?
Come viene valutata la rilevanza della risposta nel modello?
Come scegliere il formato di quantizzazione per inferenza su CPU vs GPU?
Cos'è l'addestramento a precisione mista (FP16, BF16)?
Cos'è Lucene e quali sono le sue strutture chiave?
Quali metriche sono adatte per valutare modelli con classi sbilanciate?
Cosa succede all'albero quando c'è un numero molto grande o molto piccolo di oggetti minimi nel foglio?
Cosa aggiunge BERT all'architettura del trasformatore?
Perché RAG è migliore del fine-tuning per il compito di QA sulla documentazione interna?
Cos'è Triton (OpenAI) e dove è più comodo di CUDA C++?
Cosa succede alle code delle liste dopo il ciclo principale e come gestirle?
Quali strati funzionano in modo diverso durante l'addestramento e l'inferenza?
Qual è la differenza tra dropout e normalizzazione batch?
Cos'è una rappresentazione continua?
Perché il contesto è importante in un compito di classificazione del testo?
Cosa sono i modelli di divergenza dalla casualità?
Cos'è Isolation Forest e perché è veloce?
Cos'è la previsione grasp e quali sono gli approcci?
Come si calcola il coefficiente di Gini e come è collegato all'ROC AUC?