Machine Learning / AI

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

Wat was het object van state (TypedDict of ander)?

Hoe schreven deze vier agenten in de gezamenlijke state zodat ze elkaars toestand niet overschreven?

Je zei dat de tools alleen-lezen waren, was er geen schrijfmogelijkheid in het systeem?

Hielden jullie rekening met het risico van prompt-injectie in de ReAct-agent en hoe hebben jullie dit aangepakt?

Waarom hebben jullie een multi-agent systeem met vier agenten gebruikt in plaats van één agent met tools (zoals bij ReAct)? Wat zijn de voordelen van zo'n scheiding?

Wat is LoRA en waar is het voor nodig?

Hoe hebben ze de kwaliteit van de generatie beoordeeld (geen retrieval)?

Hoe verdeel je correct in train, validatie en test voor document NER?

Als een van de agenten een fout maakte, viel de hele grafiek dan uit of bereikte deze de samenvattingsagent voor degradatie?

Welke hyperparameters van LoRA ken je?

Kan de retrieval-deel volledig worden gebouwd met alleen een cross-encoder, zonder bi-encoder?

Zijn de tokens en latentie in één doorgang gemeten om de kosten van de oplossing te beoordelen?

Hoe hebben ze de vermindering van de zoektijd naar informatie gemeten (metriek in minuten)?

Wat is LayoutLM en hoe verschilt het van BERT voor documenten?

Vertel me over je aanpak: hoe bouw je de architectuur met behulp van AI, hoe valideer je de code en schrijf je tests?

Wat werd er vastgelegd in de metadata van documenten in de vectoropslag?

Vertel over jezelf en je relevante technische ervaring (projecten in de banksector: ML-modellen, anti-fraude, RAG, multi-agent systemen).

Welke ranker is gekozen voor de reranking?

Waarom werd specifiek voor native toolcalling gekozen in plaats van het doorgeven van een JSON-schema in de prompt?