Machine Learning / AI
Kokia buvo didžiausia klaidų šaltinis?
Kas yra DSSM, žinai?
Kuriame srityje jaučiatės labiausiai pasitikintis, savo ekspertize ar žiniomis, atsižvelgiant į plačią įgūdžių skalę?
Kaip tai teoretškai veiktų boosting'e, jei tikslas būtų minus vienas? Tarkime, turime teigiamą ir neigiamą, jei teigiamam nustatome tikslą 10 vietით 1, kas nutiktų, niekas nesikeistų?
Paaiškinkite, kodėl dviejų bokštų tinklas (two-tower) padės išspręsti pirmojo lygio lubų problemą — kuo būtent tai naudinga?
Kaip spręsti konteksto augimo problemą aktyvaus dialogo metu su vartotoju?
Peržvelkime sąlygas: kokį atlyginimo diapazoną svarstai, nuotoliniu būdu/biure/hibridinis?
Šioje schemoje, jei naudotojas parašys žodį „labas“, jis eis į RAG ir gaus atsakymą per RAG su žodžiu „labas“. Kaip galime tai pamatyti/užkirsti kelią?
Norėtumėte likti būtent Node.js ir React, ar esate pasiruošęs kitam stack'ui (ML kontekste)?
Ką darė su atitiktimi RAG sistemoje?
Papasakok išsamiau, kaip buvo suorganizuotas RAG sistemos pipeline (filtravimas, re-ranking), ką padarei asmeniškai ir ką kolegos?
Kaip išmokyti LLM neatsakyti, kai nėra informacijos kontekste?
Kas vyksta toliau Transformer bloke, kai dėmesys duoda išėjimo vektorių?
Apibendrinant, papasakokite, kaip dirbote paskutinėje darbovietėje (DOM.RF), už ką atsakėte, kaip vyko jūsų darbo diena, kokie yra dabartiniai uždaviniai projekte CorpGPT (įmonių RAG)?
Kodėl vektorinį RAG nereikėtų naudoti kaip pagrindinį mechanizmą atsakymams tranzakcinėse SQL duomenų bazėse?
Papaskink apie regresijos projektą, skirtą nekilnojamojo turto rinkos vertės prognozei, ir naudotą modelį.
Ką naudota dokumentų valymui ir normalizavimui: Redis ar regex?
Ir tai dabar pridėtum į produktą, ar ne? (DUK talpyklos paaiškinimas)
Yra 10 000 matematikos operacijų su math biblioteka. Kas geriau naudoti spartinimui: multithreading ar multiprocessing?
Kaip veikia dviejų lygių ir dviejų sienų rekomendatorius ir kam jis reikalingas?