Machine Learning / AI
Vertel me over observability en tracing in het project.
Vindt u het goed als we beginnen met verduidelijkende vragen over het cv?
Hoe verloopt over het algemeen de weg van een ML/LLM-toepassing vanaf Dockerfile en broncode tot een uitgeruste service en gebruikersverkeer in Kubernetes?
Hoe gaan we de parameters afstemmen in gradient boosting? Welke parameters zijn er en wat ga je als eerste aanpassen?
Waarom is het nodig om datatypes op te splitsen in wijzigbare en onwijzigbare?
Wat is ColBERT en wat is late interaction?
Na token-ID en embeddings, wat komt er precies in de decoder: wat is de vorm van de representaties, hoe wordt de positionele informatie toegevoegd en wat gebeurt er daarna?
Wat is CV-leak en wat zijn de bronnen?
Hoe controleer je de statistische significantie van de leiderschap van de partij [nummer] uit [nummer] stemmen?
Wat is de complexiteit van het controleren of een element in een set aanwezig is in het slechtste geval, wanneer alle elementen dezelfde hash hebben?
Welke belofte-methode wordt gebruikt om het resultaat van de eerste voltooide aanvraag te krijgen?
Hoe test je het identificatiesysteem in echt verkeer?
Wat is continu leren en wat is het probleem van catastrophisch vergeten?
Waarom wordt de F1-score beschouwd als het harmonisch gemiddelde van precisie en recall, en niet als het rekenkundige gemiddelde?
Waarom is het nodig om modellen te kwantiseren voordat ze worden gedeployed?
Wat is het verschil tussen semantische, instantie- en panoptische segmentatie?
Wat is de mean-field benadering?
Waarvoor dient RAG in een nieuwsbot op basis van LLM?
Wat is een probabilistisch conversiemodel?
Kunnen we de waarde voor een sleutel in een woordenboek wijzigen, waarbij de sleutel een string is en de waarde een tuple? Wat zal er gebeuren?