Machine Learning / AI

რამდენი ინსტრუმენტი ჰქონდა ReAct-აგენტს?

რა იყო state ობიექტი (TypedDict ან სხვა)?

როგორ დაწერეს ეს ოთხი აგენტი საერთო მდგომარეობაში, რომ არ გადაეწერათ ერთმანეთის მდგომარეობა?

თქვი, რომ ინსტრუმენტები მხოლოდ წაკითხვისთვის იყო — სისტემაში ჩანაწერი არ იყო?

რატომ გამოიყენეთ ოთხი აგენტის მულტიგენტული სისტემა, არა ერთი აგენტი ინსტრუმენტებით (ReAct-ის მსგავსად)? რა სარგებელი აქვს ასეთ განყოფილებას?

რა არის LoRA და რა მიზნით არის საჭირო?

თუ ერთ-ერთი აგენტი შეცდებოდა, მთელი გრაფიკი ჩავარდებოდა თუ მისულიყო მიმოხილვის აგენტამდე დეგრადაციისთვის?

როგორ შეაფასეთ გენერაციის ხარისხი (არ არის retrieval)?

რა ჰიპერპარამეტრებს იცნობთ LoRA-ს?

ReAct-აგენტში prompt injection-ის რისკი განიხილეს და როგორ გაუმკლავდნენ მას?

შესაძლებლობის ღირებულების შეფასებისთვის ერთ გადამოწმაზე ტოკენები და ლატენტობა ზომილი იყო?

შესაძლებელია მხოლოდ კროს-ენკოდერის გამოყენებით, ბი-ენკოდერის გარეშე, მთლიანად აღდგენის ნაწილი ააშენო?

როგორ სწორად გავყოთ train, val და test დოკუმენტური NER-ისთვის?

როგორ გაზომეს ინფორმაციის ძებნის დროის შემცირება (მეტრიკა წუთებში)?

თქვენი მიდგომის შესახებ ისაუბრეთ: როგორ აშენებთ არქიტექტურას AI-ის დახმარებით, როგორ ვალიდირებთ კოდს და როგორ ვწერთ ტესტებს?

რა არის LayoutLM და როგორ განსხვავდება დოკუმენტებისთვის განკუთვნილი BERT-დან?

რატომ გამოიყენეს კონკრეტულად ადგილობრივი toolcalling, არა JSON სქემის გადაცემა?

რისთვის აირჩიეს რანქერი reranking-ისთვის?

გთხოვთ, გვითხრათ თქვენი შესახებ და თქვენი შესაბამისი ტექნიკური გამოცდილების შესახებ (ბანკის დომენში პროექტები: ML მოდელები, ანტიფროუ, RAG, მულტიგენტული სისტემები).

თუ ინსტრუმენტი (backend) თვითონ შეცდომას უშვებდა (მაგალითად, სისტემასთან დაკავშირების დროს დროის გასვლისას), გადაეცემოდა თუ არა შეცდომის traceback-ები მოდელებს?