Respuestas correctas
- AUn modelo de embedding (por ejemplo, text-embedding-ada-002)
- CUn modelo de Azure OpenAI Service (LLM)
- EUna base de datos vectorial (por ejemplo, Azure AI Search)
Explicación
Un modelo de embedding como text-embedding-ada-002 es esencial para convertir las consultas de los usuarios y los fragmentos de documentos en representaciones vectoriales densas. Estos vectores permiten la búsqueda de similitud semántica en una base de datos vectorial, que es el paso central de recuperación en RAG. Sin embeddings, el sistema no puede hacer coincidir la intención del usuario con el contenido relevante.
Para profundizar
Un patrón RAG con Azure OpenAI Service necesita tres partes móviles. Un modelo de embedding como text-embedding-ada-002 convierte los fragmentos de origen y la consulta del usuario en vectores en el mismo espacio semántico. Un almacén de vectores, comúnmente Azure AI Search con un índice vectorial, realiza una búsqueda de similitud para recuperar los fragmentos principales relevantes. A continuación, un modelo de chat o completado de Azure OpenAI recibe esos fragmentos como contexto de fundamentación en el aviso y genera la respuesta. El ajuste fino no es requerido porque RAG inyecta conocimiento en el momento de la inferencia en lugar de cambiar pesos, y Azure AI Content Safety es un guardarraíl opcional en lugar de un requisito previo funcional. Un límite sutil es que las dimensiones de embedding y el esquema del índice deben coincidir, o las consultas devolverán silenciosamente vecinos deficientes.
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.