Machine Learning / AI

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

Kas bija state objekts (TypedDict vai cits)?

Kā šie četri aģenti rakstīja kopējā stāvoklī, lai nepārrakstītu citu stāvokli?

Tu teici, ka instrumenti ir tikai lasīšanai — vai sistēmā nebija ierakstu?

Vai tika apsvērts prompt injection risks ReAct aģentā un kā ar to cīnījās?

Kāpēc izmantojāt četrus aģentus daudzagentu sistēmā, nevis vienu aģentu ar rīkiem (kā ReAct)? Kādas ir šādas sadalīšanas priekšrocības?

Kas ir LoRA un kam tā ir nepieciešama?

Kā novērtējāt ģenerēšanas kvalitāti (ne retrieval)?

Kā pareizi sadalīt train, val un test dokumentu NER?

Ja viens no aģentiem pieļāva kļūdu, vai visa diagramma sabojājās vai nonāca līdz kopsavilkuma agentam degradācijai?

Kādus LoRA hiperparametrus jūs zināt?

Vai pilnībā var uzbūvēt atgūšanas daļu tikai ar kros-encoder, bez bi-encoder?

Vai tika mērīti tokeni un latentums vienā pārejas laikā, lai novērtētu risinājuma izmaksas?

Kā tika mērīts informācijas meklēšanas laika samazinājums (metriks minūtēs)?

Kas ir LayoutLM un kā tas atšķiras no BERT dokumentiem?

Pastāsti par savu pieeju: kā veido arhitektūru ar AI palīdzību, kā validē kodu un raksti testus?

Ko ierakstīja dokumentu metadatos vektoru glabāšanā?

Pastāstiet par sevi un savu atbilstošo tehnisko pieredzi (projekti banku jomā: ML modeļi, anti-fraud, RAG, daudzagentu sistēmas).

Kura rankera izvēlējās rerankingam?

Kāpēc tika izmantots tieši vietējais toolcalling, nevis JSON shēmas nodošana?