Machine Learning / AI

Kaip dirbote su užklausomis vektorinėje saugykloje (Qdrant) ir kaip jos paveikė agento latentiškumą?

Kas buvo state objektas (TypedDict ar kitas)?

Kodėl naudojote keturių agentų daugiaagentinę sistemą, o ne vieną agentą su įrankiais (kaip ReAct)? Kokios yra tokio padalijimo privalumai?

Kaip šie keturi agentai rašė bendroje būsenoje, kad nepersirašytų vienas kito būsenos?

Jei sakėte, kad įrankiai yra tik skaitymui — ar sistemoje nebuvo įrašų?

Ar buvo svarstomas prompt injection rizika ReAct agente ir kaip su tuo kovota?

Ką įrašydavo dokumentų metaduomenyse vektorinėje saugykloje?

Kas yra LoRA ir kam ji reikalinga?

Jei vienas agentas padarydavo klaidą, ar visa grafika nepavykdavo ar pasiekdavo apibendrinantį agentą dėl degradacijos?

Kaip įvertinote generacijos kokybę (ne retrieval)?

Kaip teisingai padalinti į train, val ir test dokumentiniam NER?

Ar galima visiškai sukurti paieškos dalį tik naudojant kros-encoder, be bi-encoder?

Kokius LoRA hiperparametrus žinote?

Ar buvo matuoti tokenai ir latencija vieno praeities metu, kad įvertinti sprendimo kainą?

Kaip matavo informacijos paieškos laiko sumažėjimą (metrikoje minutėmis)?

Kas yra LayoutLM ir kaip jis skiriasi nuo BERT dokumentams?

Papaskink apie savo požiūrį: kaip kuriate architektūrą su AI pagalba, kaip validuojate kodą ir rašote testus?

Papasakokite apie save ir savo atitinkamą techninę patirtį (projektai bankų srityje: ML modeliai, anti-fraud, RAG, daugiaagentinės sistemos).

Kodėl buvo naudojamas būtent vietinis toolcalling, o ne JSON schemos perdavimas?

Kuris rankeris pasirinktas rerankingui?