DifícilOpción múltiple

Pregunta de práctica de AIF-C01

Una empresa de marketing utiliza Amazon Bedrock para generar textos publicitarios. Observan que el texto generado a menudo incluye imprecisiones fácticas sobre sus productos. ¿Qué técnica reduciría más eficazmente estas imprecisiones?

Elige la mejor respuesta.

Respuesta correcta

  • AImplementar Retrieval-Augmented Generation (RAG) con una base de conocimiento de productos.

Explicación

Retrieval-Augmented Generation (RAG) fundamenta la salida del modelo en una base de conocimiento externa y confiable mediante la recuperación de documentos de productos relevantes antes de generar texto. Esto aborda directamente las imprecisiones fácticas porque el modelo hace referencia a datos autorizados en lugar de depender únicamente de su memoria paramétrica, que puede contener información desactualizada o incorrecta.

Por qué cada opción es correcta o incorrecta

A

Correcta

Implementar Retrieval-Augmented Generation (RAG) con una base de conocimiento de productos.

Retrieval-Augmented Generation fundamenta cada respuesta en hechos de productos recuperados, por lo que el modelo se condiciona con contenido autorizado en lugar de depender únicamente de la memoria paramétrica. Esto apunta directamente a las imprecisiones fácticas descritas, ya que la base de conocimiento de productos proporciona detalles verificados en el momento de la inferencia, satisfaciendo la restricción de precisión del enunciado.

B

Incorrecta

Utilice prompts más largos y detallados.

Los prompts más largos agregan contexto pero no fundamentan el modelo en hechos de productos verificados, por lo que las alucinaciones persisten. Es tentador porque la ingeniería de prompts es rápida y gratuita, y sería correcta para mejorar el tono, la estructura o el detalle cuando el modelo ya tiene el conocimiento requerido.

C

Incorrecta

Aumente el parámetro de temperatura a 0.9.

Elevar la temperatura a 0.9 aumenta la aleatoriedad del muestreo, produciendo resultados más variados y menos fácticos. Es tentador porque la temperatura es un control de ajuste familiar, y un valor más alto sería correcto para realizar una lluvia de ideas sobre variaciones creativas en lugar de para la precisión fáctica.

D

Incorrecta

Ajuste fino (fine-tune) del modelo en un conjunto de datos de copias de anuncios anteriores.

El ajuste fino en copias de anuncios anteriores enseña estilo y redacción, no hechos de productos verificados, por lo que las imprecisiones permanecen. Es tentador porque el ajuste fino adapta el comportamiento del modelo, y sería correcto para coincidir con la voz de una marca cuando la fundamentación fáctica ya se maneja en otra parte.

Para profundizar

Los modelos de base de Amazon Bedrock generan texto puramente a partir del conocimiento paramétrico aprendido durante el entrenamiento previo, por lo que no tienen conocimiento de los datos específicos de los productos de una empresa y alucinarán detalles que suenan plausibles pero que son erróneos. Retrieval-Augmented Generation resuelve esto incrustando la consulta del usuario, buscando en un almacén vectorial (por ejemplo, Amazon OpenSearch Serverless o Aurora pgvector) poblado con documentos de productos e inyectando los principales pasajes recuperados en el mensaje como contexto de fundamentación. Luego, el modelo condiciona su salida a esos pasajes y no solo a la memoria. Esto importa porque la temperatura y la longitud del prompt no agregan fundamentación fáctica, y el ajuste fino (fine-tuning) enseña el estilo y el formato más que la recuperación confiable de hechos que cambian frecuentemente. Un escenario realista es un equipo de marketing cuyo catálogo cambia semanalmente; RAG les permite actualizar la base de conocimiento sin volver a entrenar el modelo.

Sobre estas preguntas de práctica

Esta es una de las preguntas de práctica originales de AIF-C01 de Courseiva, escrita para aprender y nunca copiada de exámenes reales ni de dumps.

Traducida del original en inglés con IA y revisada para comprobar el sentido. Los códigos de examen, los comandos y los nombres de productos se mantienen tal como aparecen en el examen.