MoyenneChoix unique

Question d'entraînement AIF-C01

Une entreprise utilise Amazon Bedrock pour générer des résumés de rapports longs. Les utilisateurs signalent que les résumés sont trop verbeux et incluent des détails excessifs. Quelle technique d'ingénierie de prompt l'équipe doit-elle appliquer pour résoudre ce problème ?

Choisissez la meilleure réponse.

Bonne réponse

  • DAjouter des contraintes explicites telles que « Fournissez un résumé concis en deux phrases. »

Explication

L'ajout de contraintes explicites telles que « Fournissez un résumé concis en deux phrases » indique directement au modèle de limiter la verbosité et les détails. Cette technique d'ingénierie de prompt utilise des instructions claires et spécifiques pour contrôler la longueur et le style de la sortie, ce qui constitue le moyen le plus efficace de traiter des résumés excessivement verbeux sans modifier les paramètres du modèle ni les données d'entrée.

Pourquoi chaque option est juste ou fausse

A

Fausse

Réduire la longueur du contexte d'entrée pour limiter les informations disponibles.

Raccourcir l'entrée supprime le contenu source, ce qui dégrade la précision du résumé et omet des sections du rapport plutôt de réduire le détail. Le rognage du contexte convient pour respecter les limites de tokens ; la verbosité est régie par les instructions du prompt, donc spécifier une longueur de résumé concise résout le problème sans supprimer d'informations.

B

Fausse

Augmenter le paramètre maxTokens dans la requête d'inférence.

maxTokens plafonne le total des tokens générés, tronquant la sortie au milieu d'une phrase au lieu d'amener le modèle à résumer de manière concise. Il convient pour limiter les coûts ou empêcher une génération incontrôlée ; réduire la verbosité nécessite une instruction au niveau du prompt spécifiant la longueur du résumé, car la troncature produit des phrases incomplètes et non des résumés plus serrés.

C

Fausse

Inclure des exemples few-shot des sorties souhaitées.

Les exemples few-shot façonnent le ton, le format et le style, mais la verbosité provient d'instructions autorisant des détails excessifs, de sorte que les exemples seuls ne contraindront pas la longueur. Le few-shot convient pour enseigner la structure de sortie ou les étiquettes de classification ; ici, une instruction telle que limiter le résumé à un nombre défini de phrases contrôle directement les détails.

D

Juste

Ajouter des contraintes explicites telles que « Fournissez un résumé concis en deux phrases. »

L'ajout de contraintes de longueur explicites contrôle directement la verbosité de la sortie du modèle, qui est le problème déclaré. Contrairement aux instructions vagues telles que « soyez bref », spécifier « deux phrases » donne à Amazon Bedrock une cible concrète que le modèle peut satisfaire lors de la génération, resserrant le résumé sans altérer le contenu du rapport sous-jacent ni nécessiter de réentraînement du modèle.

Pour aller plus loin

Amazon Bedrock transmet les prompts aux modèles de fondation où la longueur de sortie est limitée par maxTokens, mais ce paramètre plafonne la génération plutôt qu'il ne façonne le style, de sorte que l'augmenter aggrave la verbosité. Les contraintes explicites de longueur et de format dans le prompt agissent comme des instructions sur lesquelles le modèle se conditionne, et les exemples few-shot démontrent le modèle de compression cible de manière plus fiable que de la prose seule. Un comportement subtil : les modèles accordent plus de poids aux instructions placées à la fin, placer donc « deux phrases » à la fin du prompt améliore le respect de la consigne. Dans un pipeline de résumé réaliste, combiner une instruction concise avec un ou deux résumés d'exemple réduit le coût en tokens et la latence tout en conservant les faits clés, ce qui importe lors du traitement de milliers de rapports soumis aux quotas de Bedrock.

À propos de ces questions d'entraînement

Cette question fait partie des questions d'entraînement AIF-C01 originales de Courseiva, rédigées pour apprendre et jamais copiées d'examens réels ou de dumps.

Traduite de l'original anglais avec l'IA et vérifiée pour le sens. Les codes d'examen, les commandes et les noms de produits sont conservés tels qu'ils apparaissent à l'examen.