როგორ მუშაობს ტოკენიზაცია? რატომ იყენებენ სუბვორდ-ტოკენებს სრული სიტყვების ნაცვლად?
Machine Learning / AI
გააზიარეთ BGE-M3-ის შესახებ: სამი წარმოდგენა — სქელი, სუსტი, მრავალ-ვექტორული.
რა არის Recall და Precision? ამოცანა: 50 ხილი, 30 ვაშლი და 20 გოჯი, რობოტმა სწორად იპოვა 20 ვაშლი, მაგრამ 15 გოჯი შეცდომით ვაშლად აღიქვა. გამოთვალეთ მეტრიკები.
თქვენ გეცოდინებათ LoRA და fine-tuning მეთოდები?
როგორ შეირჩა ჰიბრიდული ძიებისთვის კოეფიციენტები?
რატომ გჭირდებოდათ 12,000 კითხვა-პასუხის წყვილი, თუ მხოლოდ 15 შაბლონი იყო?
რატომ იპოვეთ დოკუმენტები როგორც სურათები, ნაცვლად იმისა, რომ შექმნათ პარსერი?
როგორ შექმენით ტესტის მონაცემთა ნაკრები: იმავე 12 ათას წყვილიდან თუ ახალი მონაცემებიდან?
კლასტერიზაციის შესახებ ისაუბრეთ: რა პრობლემას გადაჭრით, რა მეთოდს იყენებდით, როგორ ზომავდით ხარისხს?
რა არის სქელი ვექტორი (dense embedding)? როგორ მიიღება? რა ზომისაა?
როგორ მუშაობს ტრანსფორმატორი? მითხარით BERT და GPT-ის შესახებ.
მოდელები რომელი ეტაპზე გამოიყენეს? ობიექტების ამოღებისთვის, ვექტორიზაციისთვის, თუ გენერაციისთვის?
როგორ შეაფასეთ RAG სისტემის ხარისხი? რა მეტრიკებს იყენებდით?
რა იგზავნებოდა თქვენს სისტემაში საბოლოო მომხმარებელთან?
რა არის cross-encoder და სად გამოიყენეთ?
რატომ არის საჭირო ლექსიკონის ზომის შემცირება? რატომ არის დიდი ლექსიკონი ცუდი? რომელ ფუნქციაში ხდება დატვირთვა?
რა არის GET და POST მოთხოვნების განსხვავება?
რა არის sparse ვექტორი? რა განსხვავებაა მას dense-ვექტორთან?
სისტემის მუშაობა ერთ მომხმარებელზე მარტივ სიტყვებით, ასინქრონობის გარეშე, ახსენით.
ერთი მოთხოვნისთვის ერთ-ერთი 12 ათასი პასუხი ხომ არ არის საკმარისი, თუ ბევრი?