Respuesta correcta
- BCombinación de Azure AI Search (recuperación) con Azure OpenAI (generación) para fundamentar las respuestas del LLM en una base de conocimiento
Explicación
La 'Retrieval Augmented Generation' (RAG) es un patrón que combina un paso de recuperación con un paso generativo. En Azure, esto se implementa típicamente utilizando Azure AI Search para recuperar documentos o fragmentos relevantes de una base de conocimiento, y luego pasando esos resultados como contexto a un modelo de Azure OpenAI (por ejemplo, GPT-4) para generar una respuesta fundamentada y basada en hechos. Este enfoque reduce las alucinaciones y garantiza que la salida se base en datos autorizados y no únicamente en los datos de entrenamiento del modelo.
Para profundizar
RAG funciona convirtiendo una consulta de usuario en un 'vector embedding', ejecutando una búsqueda de similitud contra un corpus indexado e inyectando los principales pasajes recuperados en el 'prompt' del LLM como contexto de fundamentación antes de la generación. En Azure, Azure AI Search proporciona el índice vectorial/híbrido y el 'semantic ranker', mientras que Azure OpenAI suministra los modelos de 'embedding' y 'chat completion'; la orquestación normalmente se conecta mediante la característica 'Add your data', Azure AI Studio o Semantic Kernel. Un comportamiento sutil que vale la pena conocer es que la calidad de la recuperación limita la calidad de la respuesta; por lo tanto, el tamaño de los fragmentos ('chunk size'), la superposición y la puntuación híbrida afectan materialmente las tasas de alucinación. Un escenario realista es un asistente de políticas de recursos humanos (HR) interno que debe citar documentos actuales en lugar de depender de conocimientos preentrenados obsoletos.
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.