MediaOpción múltiple

Pregunta de práctica de Generative AI Leader

Una empresa utiliza un modelo generativo para producir descripciones de productos. Las descripciones son fácticamente incoherentes con las especificaciones del producto. ¿Qué técnica garantizaría mejor la precisión fáctica?

Elige la mejor respuesta.

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.

Por qué cada opción es correcta o incorrecta

A

Incorrecta

Mejorar el prompt del sistema con los detalles del producto

Los detalles del prompt del sistema siguen siendo un contexto que el modelo puede ignorar o aplicar mal, y los prompts largos diluyen la atención, por lo que los errores fácticos persisten. Es tentador porque la ingeniería de prompts es rápida y no requiere reentrenamiento, y sería correcta para dar forma al comportamiento o tono en lugar de hacer cumplir hechos precisos según las especificaciones.

B

Correcta

Implementar generación aumentada por recuperación (RAG) con la base de datos de productos

RAG recupera las especificaciones de productos relevantes de la base de datos en el momento de la inferencia y las inyecta en el prompt, fundamentando la descripción generada en datos autorizados. Esto aborda directamente la incoherencia fáctica, a diferencia del ajuste fino o de los cambios en la redacción del prompt por sí solos.

C

Incorrecta

Reducir la temperatura a 0.0

La temperatura 0.0 hace que el muestreo sea determinista, seleccionando el token de mayor probabilidad en cada paso; no puede corregir un modelo que carece de los datos del producto. Es tentador porque una temperatura baja reduce la aleatoriedad y la desviación creativa, y sería correcta para generar resultados repetibles, no para la fundamentación fáctica.

D

Incorrecta

Ajustar (fine-tune) el modelo con las descripciones de los productos

El ajuste fino (fine-tuning) ajusta el estilo y el formato a través de texto de ejemplo; no fundamenta las salidas en especificaciones de productos autorizadas, por lo que las alucinaciones persisten. Es tentador porque el ajuste fino especializa un modelo en datos de dominio, y sería correcto para igualar el tono o la estructura en lugar de garantizar la precisión fáctica.

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.