Machine Learning / AI

Ongeveer hoeveel tokens waren er in één end-to-end doorgang?

Met welk hulpmiddel werd de gestructureerde chunking van documenten gedaan?

Wat is class imbalance in NER en hoe ermee omgaan?

Wat zijn de nadelen van de multi-agent aanpak?

Welke model werd onder de motorkap van de ReAct-agent gebruikt en waarom heb je precies dat gekozen?

Hoeveel kandidaten zijn er naar de reranker gestuurd en hoeveel werden er daarna geselecteerd?

Wat is het verschil tussen een cross-encoder (ranker) en een bi-encoder?

Was was het een JSON-object of een JSON-schema via de API? Wat is het verschil in gebruik?

Hoe werden de waarden van BM25 en dense-embeddings gecombineerd voordat ze naar de reranker gingen (hybridisatie)?

Welke chunking werd gebruikt en wat voor documenten waren het (Word, PDF, Excel, enz.)?

Waarom hebben jullie voor Qdrant gekozen als vectoropslag?

Vertel me over hybride retrieval in RAG — welk model heb je gekozen voor de dense vectoren?

Beschrijf kort wat elk van de vier agenten van het end-to-end multi-agent systeem doet.

Hoe hebt u de argumenten van de functieverzoek gevalideerd voordat u deze uitvoerde?

Controleer je later de code die door de AI-tool is gegenereerd?

Was het model binnen zijn eigen contour of ging het via een externe API?

Wat versta je onder een fout (in de prompt-aanpak)?

Welke metrics kunnen worden gebruikt om NER op documenten te evalueren?

Hoe zijn jullie omgegaan met de queries in de vectoropslag (Qdrant) en hun invloed op de latentie van de agent?

Wat gebruik je voor snel prototypen van code-agenten? Hoe gebruik je AI in ontwikkeling?