Respuesta correcta
- BImplementar generación aumentada por recuperación (RAG) con la base de datos de productos
Explicación
La generación aumentada por recuperación (RAG) es la mejor técnica porque recupera dinámicamente especificaciones de productos relevantes y actualizadas de una base de datos confiable en el momento de la inferencia, fundamentando la salida del modelo en hechos verificados. Esto aborda directamente la inconsistencia fáctica al garantizar que la descripción generada se base en datos de origen autorizados en lugar de depender únicamente de la memoria paramétrica del modelo.
Para profundizar
La generación aumentada por recuperación fundamenta la salida del modelo mediante la obtención de registros relevantes de un almacén autorizado, como una base de datos de productos, e insertándolos en el contexto del mensaje antes de la generación. Esto restringe el modelo a los hechos que se acaban de proporcionar en lugar de depender de una memoria paramétrica que pueda estar desactualizada o presentar alucinaciones. Reducir la temperatura a 0.0 reduce la aleatoriedad pero no agrega los hechos faltantes, y el enriquecimiento de los mensajes solo ayuda si los detalles ya se proporcionan. El ajuste fino enseña el estilo y el formato más que la recuperación fáctica confiable, y aún puede generar alucinaciones. Una sutileza: la calidad de RAG depende de la precisión de la recuperación y la fragmentación, por lo que los embeddings y los filtros de metadatos importan. Este patrón se adapta a catálogos dinámicos donde las especificaciones cambian con frecuencia y la precisión es contractual.
Sobre estas preguntas de práctica
Esta es una de las preguntas de práctica originales de Generative AI Leader 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.