Machine Learning / AI

Cik aptuveni bija žetonu vienā end-to-end pārbaudē?

Ar ko tika veikts dokumentu strukturālais sadalījums?

Kāds modelis tika izmantots zem ReAct aģenta motora pārsega un kāpēc tieši šo izvēlējāties?

Kas ir klases nelīdzsvarotība NER un kā ar to strādāt?

Pastāsti par hibrīdo meklēšanu RAG — kādu modeli izvēlējies blīvajiem vektoriem?

Kādi ir daudzagentu pieejas trūkumi?

Cik kandidātus nosūtīja reranker un cik no tiem tika ņemti pēc tam?

Kādas ir atšķirības starp cross-encoder (ranker) un bi-encoder?

Kā tika apvienotas BM25 vērtības un blīvie iekļāvumi pirms to nodošanas rerankerim (hibridizācija)?

Vai tas bija JSON objekts vai JSON shēma caur API? Kāda ir atšķirība lietošanā?

Kāds chunking tika izmantots un kādi tie dokumenti bija (Word, PDF, Excel utt.)?

Vai modelis bija savā kontūrā vai caur ārēju API?

Īsi aprakstiet, ko katrs no četriem daudzagentu sistēmas aģentiem dara no sākuma līdz beigām.

Kāpēc izvēlējāties Qdrant kā vektoru glabātuvi?

Kā jūs pārbaudījāt funkcijas izsaukuma argumentus pirms to izpildes?

Kuras metriku var izmantot NER novērtēšanai dokumentos?

Vai pēc tam pārbaudāt kodu, ko ģenerēja AI rīks?

Ko saproti ar kļūdu (pievienošanas pieejā)?

Kā jūs strādājāt ar vaicājumiem vektoru glabātuvē (Qdrant) un kā tas ietekmēja aģenta latentumu?

Ko izmantojat, lai ātri prototipētu kodu aģentus? Kā izmantojat AI izstrādē?