Machine Learning / AI

Ile mniej więcej tokenów było na jedno przejście end-to-end?

Jakim narzędziem dokonywano strukturalnego dzielenia dokumentów?

Czym jest nierównowaga klas w NER i jak sobie z tym radzić?

Jakie są wady podejścia wieloagentowego?

Jakiego modelu użyto pod maską agenta ReAct i dlaczego wybrano właśnie ten?

Ile kandydatów wysłano do rerankera i ile z nich zostało po nim?

Czy to był JSON-objekt czy schemat JSON przez API? Jaka jest różnica w użyciu?

Jak łączono wartości BM25 i gęstych osadzeń przed przekazaniem do rerankera (hybrydyzacja)?

Czym różni się cross-encoder (ranker) od bi-encoder?

Opowiedz o hybrydowym retrieval w RAG — jaki model wybrałeś dla wektorów gęstych?

Jakie chinking zostało użyte i jakie to były dokumenty (Word, PDF, Excel itp.)?

Dlaczego wybraliście Qdrant jako magazyn wektorowy?

Czy model był w swoim własnym konturze, czy korzystał z zewnętrznego API?

Jak zweryfikowałeś argumenty wywołania funkcji przed jej wykonaniem?

Krótko opisz, co robi każdy z czterech agentów systemu wieloagentowego end-to-end.

Czy potem sprawdzasz kod wygenerowany przez narzędzie AI?

Jakie metryki można wykorzystać do oceny NER na dokumentach?

Co rozumiesz przez błąd (w podejściu promptowym)?

Jak pracowaliście z zapytaniami w magazynie wektorowym (Qdrant) i ich wpływem na opóźnienie agenta?

Czym był obiekt state (TypedDict lub inny)?