MediaOpción múltiple

Pregunta de práctica de AI-102

Una empresa utiliza Azure OpenAI para generar descripciones de productos. Quieren asegurarse de que las descripciones tengan un estilo y un tono coherentes. ¿Qué estrategia deben utilizar?

Elige la mejor respuesta.

Respuesta correcta

  • BProporcionar algunos ejemplos del estilo deseado en el aviso (few-shot learning).

Explicación

El aprendizaje con pocos ejemplos (few-shot learning, opción B) es la estrategia correcta porque controla directamente el estilo y el tono proporcionando ejemplos del resultado deseado dentro del aviso (prompt). Esto aprovecha la capacidad de aprendizaje en contexto del modelo sin modificar los pesos subyacentes del mismo, lo que lo hace ideal para aplicar coherencia sin el coste y la complejidad del ajuste fino (fine-tuning).

Por qué cada opción es correcta o incorrecta

A

Incorrecta

Ajustar (fine-tune) el modelo con un conjunto de datos de descripciones de productos.

El ajuste fino altera los pesos del modelo utilizando ejemplos etiquetados, por lo que enseña nuevos patrones en lugar de limitar la salida a un estilo existente. Es tentador porque el ajuste fino se adapta genuinamente a la adaptación de dominios, como enseñar a un modelo terminología o formatos específicos de la empresa. Aquí, el requisito es la coherencia de estilo y tono, lo cual se logra mediante ingeniería de avisos con un mensaje del sistema sin necesidad de reentrenamiento.

B

Correcta

Proporcionar algunos ejemplos del estilo deseado en el aviso (few-shot learning).

El few-shot prompting proporciona ejemplos concretos del estilo y tono objetivo directamente en el aviso, de modo que el modelo infiere el registro y la estructura deseados sin necesidad de reentrenamiento. Esto satisface la restricción de coherencia de forma más fiable que las instrucciones de zero-shot por sí solas, ya que los patrones se demuestran en lugar de describirse.

C

Incorrecta

Establecer max_tokens en un valor pequeño para limitar la longitud de la salida.

max_tokens limita únicamente la longitud de la respuesta; no restringe el vocabulario, la redacción ni el tono, por lo que el estilo sigue variando entre generaciones. Es tentador porque las salidas más cortas parecen uniformes, pero el enfoque correcto proporciona ejemplos de estilo o un mensaje del sistema que define el tono deseado.

D

Incorrecta

Aumentar la temperatura a 1.0 para mayor creatividad.

La temperatura controla la aleatoriedad del muestreo; elevarla a 1.0 aumenta la variación, socavando directamente un estilo y tono coherentes. Es tentador porque la creatividad es deseable para la redacción publicitaria, pero la coherencia requiere una temperatura baja junto con un mensaje del sistema que especifique la voz deseada.

Para profundizar

El prompting con pocos ejemplos funciona porque el modelo realiza un aprendizaje en contexto: los pares de ejemplos que colocas en el aviso actúan como tokens de condicionamiento que desplazan la distribución de probabilidad de los tokens posteriores hacia el patrón demostrado, sin cambiar ningún peso. Esto es transitorio: el efecto desaparece una vez que se borra la ventana de contexto, a diferencia del ajuste fino, que incorpora el estilo en los parámetros del modelo mediante actualizaciones de gradiente. Un límite práctico es la ventana de contexto: los ejemplos consumen tokens que cuentan para el coste y pueden desplazar a la solicitud real, y los avisos muy largos pueden diluir la señal. En una canalización de descripción de productos, integrar dos o tres ejemplos con una voz coherente en el mensaje del sistema orienta de forma fiable el tono para cada llamada, y puedes intercambiar ejemplos por categoría de producto sin reentrenar nada.

Sobre estas preguntas de práctica

Esta es una de las preguntas de práctica originales de AI-102 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.