Machine Learning / AI

State nesnesi (TypedDict veya başka bir şey) miydi?

Bu dört ajan, birbirlerinin durumunu üzerine yazmamak için ortak duruma nasıl yazıyordu?

Kod ajanlarının hızlı prototipini yapmak için ne kullanıyorsun? Geliştirmede yapay zekayı nasıl kullanıyorsun?

Araçların sadece okuma modunda olduğunu söyledin, sistemde yazma işlemi yok muydu?

Neden dört ajanlı çok ajanlı bir sistem kullandınız, araçlarla tek bir ajan yerine (ReAct ile benzer şekilde)? Bu bölünmenin avantajları nelerdir?

Üretimin kalitesini nasıl değerlendirdiniz (geri getirme değil)?

LoRA nedir ve neden gereklidir?

LoRA'nın hangi hiperparametrelerini biliyorsun?

Bir ajan hata yaparsa, tüm grafik mi çökerdi yoksa özet ajanına kadar mı düşerdi?

ReAct ajanında prompt enjeksiyon riski üzerinde durdunuz mu ve bununla nasıl mücadele ettiniz?

Tamamen çapraz kodlayıcı kullanarak, bi-encoder olmadan, geri getirme kısmını inşa etmek mümkün mü?

Çözüm maliyetini değerlendirmek için tek bir geçişte tokenlar ve gecikme ölçüldü mü?

Belge NER için eğitim, doğrulama ve test için doğru şekilde nasıl bölünür?

Bilgi arama süresindeki azalmayı nasıl ölçtüler (dakika cinsinden ölçüm)?

LayoutLM nedir ve belgeler için BERT'ten nasıl farklıdır?

Yaklaşımın hakkında bana anlat: Yapay zeka yardımıyla mimariyi nasıl kuruyorsun, kodu nasıl doğruluyor ve testleri nasıl yazıyorsun?

Kendinizden ve ilgili teknik deneyiminizden bahsedin (banka alanındaki projeler: ML modelleri, sahtekarlık önleme, RAG, çok ajanlı sistemler).

Neden özellikle yerel toolcalling kullanıldı, JSON şeması yerine?

Yeniden sıralama için hangi ranker seçildi?

Araç (backend) kendisi hata yapmışsa (örneğin, sisteme erişimde zaman aşımı), hata izleri modellere iletildi mi?