შეგიძლიათ მეტი ილაპარაკოთ? (RAG სისტემის დაცვაზე ჰალუცინაციებთან დაკავშირებით)
Machine Learning / AI
განმარტე, რატომ დაეხმარება ორი ცათამბჯენი ქსელი (two-tower) პირველ დონეზე ზღვრის პრობლემის გადაჭრაში — რა précisément არის ამის მიზეზი?
IPS-ის შეფასებაში რა გამოიწვევს დისპერსიას?
მოკლე ავტორეპრეზენტაციის აბზაცი დაწერეთ, სადაც უნდა აღინიშნოს, რომ რეკომენდაციული სისტემები ძალიან ჰგავს RAG-ს - retrieval, re-ranking, არქიტექტურული მსგავსებები და ასე შემდეგ, რათა მე შემიძლია დავიმახსოვრო და ვთქვა.
მოკლედ აღწერეთ, როგორ შეიძლება რაგ-ის გამოცდილების გადაკომპლექტება რეკომენდაციული სისტემებისთვის, და შემდეგ ტიპური კითხვები. არა როგორ უნდა უპასუხო, არამედ რა არის მისი არსი ჩემი გამოცდილებისა და რეზიუმეს მიხედვით.
როგორ მუშაობს კონტრასტული ლოსსი ბეტჩში ნეგატივებთან ერთად?
რა არის ნივთები? როგორ სწორად წარმოთქმა?
შეაფასეთ, რამდენი მონაცემია საჭირო მოდელის დამატებითი სწავლებისთვის წარმოებაში, აღწერეთ დამატებითი სწავლების პროცესი, პარამეტრები, ზარალის ფუნქცია (contrastive/triplet) და რატომ სწორედ ის აირჩიეთ.
როგორ ხორციელდება FAISS-ის ინდექსის ინკრემენტული განახლება წარმოებაში?
სწორად გავიგე: გვაქვს ტრეკერი, რომელსაც აქვს საშუალო ქულა კონტენტ ტრეკერისგან ბლოკის შევსებისთვის, არსებობს მომხმარებლის და ბლოკის ნიშნები, ჩვენ მივიღეთ დადებითი — რა არის ეს ზუსტად?
# ფორმულირეთ და დაწერეთ განსაზღვრება იმისა, რა არის roc auc. # როგორ ითვლება roc_auc_score? # დაწერეთ ფუნქცია, რომელიც ითვლის roc_auc_score-ს დაწერილი განსაზღვრების მიხედვით. # და ნებისმიერი კლასის რაოდენობისთვის, მითითებული პრიორიტეტული წესრიგით? # მოდელი მუშაობს შემდეგნაირად # y_score[i] >= ზღვარი -> y_pred[i] = 1 # y_score[i] < ზღვარი -> y_pred[i] = 0 def test_roc_aur_score(): y_true = [0, 0, 0, 1, 0, 0] y_score = [0.2, 0.4, 0.31, 0.6, 0.3, 0.7] res_metric = roc_auc_score(y_true, y_score) assert res_metric == 0.8 y_true = [0, 1, 0, 0, 0, 1] y_score = [0.7, 0.6, 0.31, 0.31, 0.3, 0.2] res_metric = roc_auc_score(y_true, y_score) assert res_metric == 0.375 y_true = [0, 0, 0, 1, 0, 0] y_score = [0.2, 0.4, 0.31, 0.8, 0.3, 0.7] res_metric = roc_auc_score(y_true, y_score) assert res_metric == 1 y_true = [0, 0, 0, 0, 0, 0] y_score = [0.2, 0.4, 0.31, 0.8, 0.3, 0.7] res_metric = roc_auc_score(y_true, y_score) assert res_metric == 0 # ბონუს ტესტები მრავალკლასიანისთვის y_true = [0, 1, 0, 0.5, 0, 1] y_score = [0.7, 0.6, 0.31, 0.31, 0.3, 0.2] res_metric = roc_auc_score(y_true, y_score) assert res_metric == 0. y_true = [0, 0.1, 0.2, 0.3, 0.4, 0.6] y_score = [0, 0.1, 0.2, 0.3, 0.4, 0.6] res_metric = roc_auc_score(y_true, y_score) assert res_metric == 1
რა უნდა გავაკეთოთ, თუ ბლოკში სხვადასხვა რაოდენობის კონტენტი არსებობს — ინდივიდუალური ბლოკები და 30 ელემენტიანი ბლოკები? როგორ მუშაობთ კონტენტის ქულებთან, რათა მიიღოთ ამ ბლოკის ფუნქცია?
რატომ უნდა იწვრთნებოდეს მაშინ რანქერი? ანუ, ის იქნება კონტენტიდან დამოუკიდებელი — რა არის მისი მიზანი?
გთხოვთ, მოგვიყევით, რა იყო კონკრეტულად ეს პროექტი და რა იყო თქვენი პასუხისმგებლობები.
გააზიარეთ თქვენი გამოცდილება, რა საქმიანობით დაკავდით ბოლო ხუთ წელში?
# მოცემულია მასივი a = [1, 20, 10, 0, 59, 63, 0, 88, 0] -> [0, 0, 0, 1, 20, 10, 59, 63, 88] # საჭიროა დაწეროთ ოპტიმალური ფუნქცია, რომელიც გადაადგილებს ნულებს მასივის დასაწყისში და შეინარჩუნებს სხვა ელემენტების წესრიგს def move_zeros_to_left(a: List[int]) -> List[int]: pass
თუ გექნებათ შეუზღუდავი GPU სისტემის ხარისხის გასაუმჯობესებლად, პირველ რიგში რომელ მიმართულებას აირჩევდით?
DSSM რა არის, იცი?
რატომ განვივითა პროექტი ორი წლის განმავლობაში, თუ შენ ამბობ, რომ ძირითადი ნაწილი უკვე ორი წლის წინ გაკეთდა? ახლა პროექტი მხარდაჭერაშია თუ უფრო განვითარდა?
რომელი სამუშაო ფორმატს განიხილავთ და რომელ ქალაქში ცხოვრობთ?