Respuesta correcta
- BImplementar Retrieval-Augmented Generation (RAG) anclando los prompts con una base de conocimiento.
Explicación
Retrieval-Augmented Generation (RAG) fundamenta la respuesta del modelo en una base de conocimiento externa y confiable, proporcionando contexto factual que reduce directamente las alucinaciones. Al recuperar documentos relevantes e inyectarlos en el prompt, el modelo genera respuestas basadas en información verificada en lugar de depender únicamente de su memoria paramétrica, la cual es la causa principal de las imprecisiones fácticas en Azure OpenAI Service.
Para profundizar
Internamente, RAG funciona incorporando consultas de usuarios y documentos de una base de conocimiento en un espacio vectorial utilizando modelos como text-embedding-ada-002, para luego realizar una búsqueda de similitud (por ejemplo, similitud de coseno) y recuperar los fragmentos más relevantes. Estos fragmentos se anteponen al prompt, limitando efectivamente la generación del modelo al contexto recuperado, lo que reduce la probabilidad de alucinación al disminuir la dependencia de la distribución de los datos de entrenamiento. En un escenario del mundo real, un catálogo de productos con miles de SKUs puede indexarse en Azure Cognitive Search, y el flujo de RAG garantiza que cada descripción generada haga referencia a las especificaciones reales del producto desde la base de datos.
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.