DifficileChoix unique

Question d'entraînement AIF-C01

Une entreprise de marketing utilise Amazon Bedrock pour générer des textes publicitaires. Elle remarque que le texte généré comprend souvent des inexactitudes factuelles concernant ses produits. Quelle technique réduirait le plus efficacement ces inexactitudes ?

Choisissez la meilleure réponse.

Bonne réponse

  • AMettre en œuvre Retrieval-Augmented Generation (RAG) avec une base de connaissances sur les produits.

Explication

Retrieval-Augmented Generation (RAG) fonde la sortie du modèle sur une base de connaissances externe et fiable en récupérant des documents de produits pertinents avant de générer du texte. Cela traite directement les inexactitudes factuelles car le modèle fait référence à des données faisant autorité plutôt que de s'appuyer uniquement sur sa mémoire paramétrique, qui peut contenir des informations obsolètes ou incorrectes.

Pourquoi chaque option est juste ou fausse

A

Juste

Mettre en œuvre Retrieval-Augmented Generation (RAG) avec une base de connaissances sur les produits.

Retrieval-Augmented Generation ancre chaque réponse dans des faits de produits récupérés, de sorte que le modèle se conditionne sur un contenu faisant autorité plutôt que de s'appuyer uniquement sur la mémoire paramétrique. Cela cible directement les inexactitudes factuelles décrites, étant donné que la base de connaissances sur les produits fournit des détails vérifiés au moment de l'inférence, satisfaisant la contrainte de précision de l'énoncé.

B

Fausse

Utiliser des invites plus longues et plus détaillées.

Des invites plus longues ajoutent du contexte mais n'ancrent pas le modèle dans des faits de produits vérifiés, de sorte que les hallucinations persistent. C'est tentant car l'ingénierie des invites est rapide et gratuite, et cela serait correct pour améliorer le ton, la structure ou les détails lorsque le modèle possède déjà les connaissances requises.

C

Fausse

Augmenter le paramètre de température à 0.9.

L'augmentation de la température à 0.9 accroît le caractère aléatoire de l'échantillonnage, produisant des résultats plus variés et moins factuels. C'est tentant car la température est un paramètre de réglage familier, et une valeur plus élevée serait correcte pour le brainstorming de variations créatives plutôt que pour l'exactitude factuelle.

D

Fausse

Affiner (fine-tune) le modèle sur un jeu de données de textes publicitaires précédents.

L'affinage sur des textes publicitaires précédents enseigne le style et la phraséologie, et non des faits de produits vérifiés, de sorte que les inexactitudes persistent. C'est tentant car l'affinage adapte le comportement du modèle, et il serait correct pour correspondre à la voix d'une marque lorsque l'ancrage factuel est déjà géré ailleurs.

Pour aller plus loin

Les modèles de base Amazon Bedrock génèrent du texte purement à partir de connaissances paramétriques acquises lors de la pré-formation, de sorte qu'ils n'ont aucune connaissance des faits produits spécifiques d'une entreprise et hallucineront des détails qui semblent plausibles mais faux. Retrieval-Augmented Generation résout ce problème en intégrant la requête de l'utilisateur, en effectuant des recherches dans un magasin de vecteurs (par exemple, Amazon OpenSearch Serverless ou Aurora pgvector) peuplé de documents de produits et en injectant les principaux passages récupérés dans l'invite comme contexte d'ancrage. Le modèle conditionne ensuite sa sortie sur ces passages plutôt que sur la mémoire seule. Cela est important car la température et la longueur de l'invite n'ajoutent pas d'ancrage factuel, et le réglage fin (fine-tuning) enseigne le style et le format plus que le rappel fiable de faits changeant fréquemment. Un scénario réaliste est une équipe marketing dont le catalogue change chaque semaine ; RAG leur permet de mettre à jour la base de connaissances sans réentraîner le modèle.

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.