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.
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.