или авторизуйтесь, если у вас он уже есть
- Проблемы косинусной близости для многомерных данных - например, фразы "с первоначальным взносом" и "без первоначального взноса" очень близки. Также зачастую у продуктов есть поля "от" и "до" - при поиске продукта со значением внутри интервала у традиционного RAG возникнут сложности;
- Выбор LLM - почему локальная некрупная языковая модель с возможностью function calling - оптимальный выбор для текущей задачи;
- Реализация собственных tools и pydantic-валидация - про то, как реализовать tools для своих конкретных задач - пример написания функций оберток, с которыми работает LLM-агент, на базе готовых API сайта;
- Декомпозиция задач для повышения точности модели - пример разбиения задачи поиска продуктов на систему с несколькими агентами и роутером выбора конкретного агента.
Предлагаемый доклад является логическим продолжением статьи "Как мы вкатывались в генеративный ИИ и куда катимся дальше" - https://habr.com/ru/articles/1010572/
На текущий момент презентации нет, поскольку ранее этот доклад нигде не рассказывался.