Machine Learning / AI
U tabeli dijaloga ima 80 miliona poruka, a analitički upit za skup evaluacije traje 25 minuta i ponekad vraća duplikate parova pitanje-odgovor. Šta biste prvo ispravili i zašto?
Kako postići formalizovan, strukturiran odgovor, na primer pri korišćenju strukturiranog izlaza?
Na kom projektu ste radili na implementaciji servisa i razvoju FastAPI servisa: to ste radili sami ili ste samo održavali i nadgledali?
Kako projektovati agenta koji odgovara korisniku na osnovu podataka transakcione baze: koja tehnologija i arhitektura su potrebni, i da li je vredno primenjivati multiagentnost?
Da li ovo sve rade različiti agenti ili različiti alati jednog agenta?
U čemu se uopšteno razlikuje ChatGPT od asistenta unutar kompanije (čat-bot vs asistent)?
Куда би желео да се развијаш у будућности, које професионалне векторе истичеш за себе?
Kako uopšte izgleda put ML/LLM aplikacije od Dockerfile i izvornog koda do implementirane usluge i korisničkog saobraćaja u Kubernetesu?
Kako obezbeđujete poreklo rezultata eksperimenta da biste mogli tačno da razumete odakle potiču metrike?
Koji embedding model odabrati za RAG?
Kako sprečiti situaciju u kojoj mock sistem, na izmenjeno zahtev agenta, pruži nerelevantne istorijske podatke ili ne pronađe podatke za zahtev?
Šta može da se uradi kada se tokom dužeg rada kontekst agenta postepeno popunjava?
Kako u praksi naterati model u određenom polju da generiše samo vrednosti iz kratke liste ID-ova u nizu i nijedne druge simbole?
Kako rast dijaloga i konteksta utiče na brzinu obrade odgovora?
Šta može da se uradi da model ne odgovara ako u kontekstu nema informacija za odgovor na pitanje?
Šta je spekulativno dekodiranje i kako funkcioniše?
Kako izmeriti da li embedding model i retrieval rade ispravno?
Kako na nivou koda preneti šemu modela za strukturirani izlaz?