Machine Learning / AI

Aproximadamente quantos tokens havia numa passagem end-to-end?

Qual ferramenta foi usada para o segmentação estrutural de documentos?

Qual modelo foi usado sob o capô do agente ReAct e por que exatamente esse foi escolhido?

O que é desequilíbrio de classes em NER e como lidar com isso?

Quais são os desvantagens da abordagem multiagente?

Quantos candidatos foram enviados para o reranker e quantos foram selecionados após ele?

Fala-me sobre o retrieval híbrido no RAG — qual modelo escolheste para os vetores densos?

Qual é a diferença entre um cross-encoder (ranker) e um bi-encoder?

Como foram combinados os valores do BM25 e dos embeddings densos antes de serem passados para o reranker (hibridização)?

Foi um JSON-objeto ou um esquema JSON através da API? Qual é a diferença na utilização?

Que tipo de chunking foi utilizado e que tipo de documentos eram (Word, PDF, Excel, etc.)?

O modelo estava no seu próprio contorno ou passava por uma API externa?

Por que escolheram o Qdrant como armazenamento vetorial?

Descreva brevemente o que faz cada um dos quatro agentes do sistema multiagente de ponta a ponta.

Como validou os argumentos da chamada da função antes de a executar?

Depois verificas o código que a ferramenta de IA gerou?

Que métricas podem ser usadas para avaliar o NER em documentos?

Como trabalharam com as consultas no armazenamento vetorial (Qdrant) e seu impacto na latência do agente?

O que entendes por erro (na abordagem de prompt)?

Quantas ferramentas tinha o agente ReAct?