Machine Learning / AI

როგორ უნდა განავითაროთ აგენტი, რომელიც პასუხობს მომხმარებელს ტრანზაქციური ბაზის მონაცემებზე დაყრდნობით: რა ტექნოლოგიური სტეკი და არქიტექტურა სჭირდება, და ღირს თუ არა გამოიყენოთ მულტიგენტი?

რა ოპტიმიზაციებს შეიძლება შემოგთავაზოთ სტანდარტული LLM-ის ინფერენციისთვის, თუ კორპორატიული GPT ნელი მუშაობს?

რა არის სპეკულაციური დეკოდირება და როგორ აჩქარებს ის გენერაციას?

MLP ფენის გამოსვლის ზომა რა არის?

რას ხდება შემდეგ Transformer ბლოკში, როდესაც ყურადღება გამოსავალ ვექტორს იძლევა?

რა არის MoE (მხატვრული ექსპერტების ნაზავი) და რატომ შეიძლება ეს არქიტექტურა იყოს სასარგებლო inference-ისთვის?

განსხვავებით განიხილეთ prefill და decode: Q/K/V, მატრიცის ფორმები და ფაზების განსხვავებები.

რატომ არ უნდა გამოიყენოს ვექტორული RAG როგორც ძირითადი მექანიზმი ტრანზაქციური SQL ბაზებში პასუხებისთვის?

როგორ არის ზოგადად მოწყობილი ML/LLM-პროგრამის გზა Dockerfile-დან და წყაროს კოდიდან განთავსებულ სერვისამდე და მომხმარებლის ტრეფიკამდე Kubernetes-ში?

დარწმუნებული სიგნალების სწორი სია გავრცელებული სიგნალების სია, რომელიც შედგება წრიული, კვადრატული და ფორმის სიგნალებისგან '{', '}', '[', ']'. პროგრამამ უნდა განსაზღვროს, არის თუ არა ეს სიგნალების სია სწორი. - ცარიელი სია სწორია. - თუ A სწორი სიაა, მაშინ (A), [A], {A} სწორი არიან. - თუ A და B სწორი სიაა, მაშინ AB სწორია. შესავალი ფორმატი: მხოლოდ ერთი ხაზი, სადაც სიგნალების სიაა, რომელიც არ აჭარბებს 100000 სიგნალს. გამოსვლის ფორმატი: თუ სია სწორია, პროგრამა უნდა დაბეჭდოს 'yes', წინააღმდეგ შემთხვევაში 'no'.

Token ID და embeddings-დან შემდეგ, decoder-ში ზუსტად რა შედის: წარმოდგენების ფორმა რა არის, როგორ ემატება პოზიციური ინფორმაცია და რა ხდება შემდეგ?

რა გაკეთდა RAG სისტემაში შესაბამისობასთან დაკავშირებით?

სემპლინგის წინ რა კეთდება ლოგიტებთან და რა სემპლინგის პარამეტრებს იცნობ?

დეკოდირების დროს Q-ვექტორი რა არის გამრავლებული და რა მიიღება?

რა მნიშვნელოვანი თემებია თქვენი შესახებ ან თქვენი სამუშაო სტილის შესახებ, რომელთა დამატებით ხაზგასმა გსურთ ხელმძღვანელისთვის?

რომელი IDE ან გარემო გამოიყენეთ AI ინსტრუმენტებთან მუშაობისთვის?

რა გამოიყენეს დოკუმენტების სუფთავებისა და ნორმალიზაციისთვის: Redis თუ regex?

რა ტიპის ყურადღებები არსებობს, რომლებიც საშუალებას აძლევენ თავიდან აიცილონ სრული თვითმმართველობის კვადრატული სირთულე გრძელ კონტექსტში?

რატომ შეიძლება კვანტიზებული LLM სწრაფად მუშაობდეს და რატომ ზოგჯერ კვანტიზაცია, პირიქით, აჩერებს ინფერენსს?

import unittest class Solution: def isvalid(self, s:str) -> bool: matching_brackets = { ")": "(", "]": "[", "}": "{", } stack: list[str] = [] for bracket in s: if bracket in "([{": stack.append(bracket) continue if bracket not in matching_brackets: return False if not stack or stack[-1] != matching_brackets[bracket]: return False stack.pop() return not stack class SolutionTest: def __init__(self): self.Solution = Solution() def run(self): test_cases = [ ("", True), ("()", True), ("(){}[]", True), ("(({}))", True), ("(", False), (")", False), ("(((", False), ("{[]}", False), ] for brackets, expected in test_cases: actual = self.Solution.isvalid(brackets) assert actual == expected, ( f"შეცდომა {brackets!r}" f"მოსალოდნელი იყო {expected}, მაგრამ მიიღეს {actual}" ) print(f"ყველა ტესტი წარმატებით ჩატარდა: {len(test_cases)}") if __name__ == "__main__": SolutionTest().run()