Machine Learning / AI

Jak działa tokenizacja? Dlaczego używa się subword tokenów zamiast pełnych słów?

Opowiedz o BGE-M3: trzy reprezentacje — gęsta, rzadka, wielowektorowa.

Czym są Recall i Precision? Zadanie: 50 owoców, 30 jabłek i 20 gruszek, robot poprawnie znalazł 20 jabłek, ale 15 gruszek rozpoznał jako jabłka. Oblicz metryki.

Czy znasz LoRA i metody fine-tuning?

Jak wybrano współczynniki dla wyszukiwania hybrydowego?

Dlaczego potrzebowałeś 12 000 par pytań i odpowiedzi, skoro było tylko 15 szablonów?

Dlaczego rozpoznawałeś dokumenty jako obrazy, zamiast stworzyć parser?

Jak utworzyłeś zestaw danych testowych: z tych samych 12 tysięcy par czy z nowych danych?

Opowiedz o klasteryzacji: jakiego problemu rozwiązaliście, jaką metodę użyliście, jak mierzyliście jakość?

Czym jest gęsty wektor (dense embedding)? Jak jest uzyskiwany? Jaki ma rozmiar?

Jak działa transformator? Opowiedz o BERT i GPT.

Jakie modele używano na każdym etapie? Do wydobywania jednostek, do wektoryzacji, do generowania?

Czym jest cross-encoder i gdzie go używałeś?

Jak oceniłeś jakość systemu RAG? Jakie metryki użyłeś?

Co było wysyłane do końcowego użytkownika w Twoim systemie?

Dlaczego trzeba zmniejszyć rozmiar słownika? Dlaczego duży słownik jest złym rozwiązaniem? W jakiej funkcji dochodzi do obciążenia?

Jaka jest różnica między żądaniami GET i POST?

Czym jest wektor rzadki? Czym różni się od wektora gęstego?

Wyjaśnij w prostych słowach, jak działa Twój system dla jednego użytkownika, bez asynchroniczności.

Czy na jedno zapytanie pasuje jedna z 12 tysięcy odpowiedzi, czy wiele?