Machine Learning / AI

Ile narzędzi miał agent ReAct?

Czym był obiekt state (TypedDict lub inny)?

Jak ci czterej agenci pisali w ogólnym stanie, aby nie nadpisywać stanu innych?

Mówiłeś, że narzędzia są tylko do odczytu — czy w systemie nie było zapisu?

Dlaczego użyto systemu wieloagentowego z czterema agentami, a nie jednego agenta z narzędziami (w stylu ReAct)? Jakie są zalety takiego podziału?

Czym jest LoRA i do czego jest potrzebna?

Jak ocenialiście jakość generacji (nie retrieval)?

Jeśli jeden z agentów popełniał błąd, czy cały wykres się zawieszał lub docierał do agenta podsumowującego w celu degradacji?

Czy rozważano ryzyko wstrzyknięcia promptów w agencie ReAct i jak z tym walczono?

Jakie hiperparametry LoRA znasz?

Czy zmierzono tokeny i opóźnienie podczas jednego przejścia, aby ocenić koszt rozwiązania?

Czy można w pełni zbudować część wyszukiwania tylko na podstawie cross-encodera, bez bi-encodera?

Jak poprawnie podzielić na train, val i test dla NER dokumentów?

Jak zmierzono skrócenie czasu wyszukiwania informacji (metryka w minutach)?

Czym jest LayoutLM i czym różni się od BERT dla dokumentów?

Opowiedz o swoim podejściu: jak budujesz architekturę za pomocą AI, jak weryfikujesz kod i piszesz testy?

Jaki ranker wybrano do rerankingu?

Opowiedz o sobie i swoim odpowiednim doświadczeniu technicznym (projekty w domenie bankowej: modele ML, antyfraud, RAG, systemy wieloagentowe).

Dlaczego użyto konkretnie natywnego toolcallingu zamiast przekazywania schematu JSON w promptcie?

Co zapisywano w metadanych dokumentów w magazynie wektorowym?