MediaOpción múltiple

Pregunta de práctica de AI-900

Un equipo de marketing utiliza Azure OpenAI Service para generar ideas de titulares para una campaña. Encuentran que los titulares generados a menudo son demasiado similares y carecen de creatividad. ¿Qué parámetro deben aumentar para introducir más aleatoriedad en el texto generado?

Elige la mejor respuesta.

Respuesta correcta

  • CTemperature

Explicación

(Temperature) es correcto porque temperature controla la aleatoriedad de la selección de tokens en la distribución de probabilidad del modelo. Aumentar la temperature (por ejemplo, de 0.7 a 1.0) aplana la curva de probabilidad, haciendo que los tokens de menor probabilidad tengan más probabilidades de ser elegidos, lo que introduce más diversidad y creatividad en los titulares generados.

Por qué cada opción es correcta o incorrecta

A

Incorrecta

Frequency penalty

Frequency penalty reduce la repetición del mismo token escalando su logit según la frecuencia con la que ya ha aparecido, por lo que desalienta las palabras repetidas en lugar de aplanar la distribución de probabilidad. Es tentador porque frena los bucles textuales en salidas largas, pero el enunciado pide aleatoriedad, la cual temperature (o top_p) controla.

B

Incorrecta

Top_p (nucleus sampling)

Elevar top_p amplía el núcleo, admitiendo más tokens de baja probabilidad, por lo que aumenta la aleatoriedad, pero la pregunta pregunta qué parámetro aumentar, y top_p es la respuesta correcta, no una opción incorrecta aquí. Temperature es el otro control válido.

C

Correcta

Temperature

Temperature controla la aleatoriedad de la selección de tokens durante el muestreo; elevarla aplana la distribución de probabilidad, por lo que se eligen palabras menos probables y las salidas varían más. Por lo tanto, aumentar la temperature reduce directamente los titulares repetitivos y similares que el equipo está viendo.

D

Incorrecta

Presence penalty

Presence penalty aplica una reducción plana de logits a cualquier token que haya aparecido al menos una vez, fomentando nuevos temas en lugar de aleatorizar la selección de tokens. Se adapta a los prompts que necesitan una cobertura de vocabulario más amplia, pero no puede introducir la aleatoriedad de muestreo que el equipo requiere; temperature rige eso.

Para profundizar

Temperature escala los logits antes de la función softmax, por lo que los valores más bajos agudizan la distribución de probabilidad hacia el token más probable y los valores más altos la aplana, dando a los tokens menos probables más posibilidades de ser seleccionados. Una sutileza es que temperature y top_p interactúan: top_p trunca la masa de probabilidad acumulada, por lo que una temperature alta con un top_p bajo aún limita la aleatoriedad. Frequency penalty reduce la repetición según la frecuencia con la que ya ha aparecido un token, mientras que presence penalty penaliza cualquier token que haya aparecido al menos una vez, por lo que ninguno aumenta directamente la variación creativa de la manera en que lo hace temperature. En la práctica, un equipo de marketing que desee titulares más diversos puede elevar la temperature a alrededor de 1.0 o ligeramente por encima, manteniendo top_p cerca de 0.95 para evitar resultados incoherentes.

Sobre estas preguntas de práctica

Esta es una de las preguntas de práctica originales de AI-900 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.