MoyenneChoix unique

Question d'entraînement AIF-C01

Une entreprise crée un chatbot utilisant Amazon Bedrock pour répondre aux questions des clients sur son catalogue de produits. Le chatbot ne doit utiliser que les informations de la base de connaissances interne de l'entreprise et ne doit pas générer de réponses basées sur les données de pré-entraînement du modèle. Quelle fonctionnalité doit être activée ?

Choisissez la meilleure réponse.

Bonne réponse

  • BConfigurer une base de connaissances avec la génération augmentée par récupération (RAG).

Explication

La configuration d'une base de connaissances avec la génération augmentée par récupération (RAG) permet au chatbot de récupérer des documents pertinents de la base de connaissances interne de l'entreprise et de les utiliser comme contexte pour générer des réponses. Cela garantit que les réponses du modèle sont ancrées uniquement dans les données fournies, évitant ainsi la dépendance à l'égard de ses connaissances de pré-entraînement.

Pourquoi chaque option est juste ou fausse

A

Fausse

Utiliser l'ingénierie d'invite (prompt engineering) pour instruire le modèle de n'utiliser que la base de connaissances.

L'ingénierie d'invite oriente uniquement le modèle ; elle ne peut pas garantir que les réponses proviennent uniquement de la base de connaissances, car les données de pré-entraînement restent disponibles. Elle est tentante en tant qu'ajustement à faible effort et convient pour façonner le ton ou le format lorsque l'ancrage n'est pas une exigence absolue.

B

Juste

Configurer une base de connaissances avec la génération augmentée par récupération (RAG).

Le RAG ancre les réponses dans la base de connaissances fournie en récupérant des documents pertinents et en les injectant dans le contexte de l'invite, de sorte que le modèle répond à partir des données de l'entreprise plutôt que de ses poids de pré-entraînement. Cela satisfait directement la contrainte selon laquelle les réponses doivent provenir uniquement du catalogue interne.

C

Fausse

Activer la journalisation des invocations de modèles (model invocation logging) pour examiner les réponses.

La journalisation des invocations enregistre les invites et les réponses à des fins d'audit ; elle ne restreint pas la génération à la base de connaissances, de sorte que les réponses de pré-entraînement apparaissent toujours. Elle est tentante pour la conformité ou le débogage, où la capture du trafic est l'objectif plutôt que le contrôle des sources utilisées par le modèle.

D

Fausse

Affiner (fine-tune) le modèle sur les données du catalogue de produits.

L'affinage (fine-tuning) modifie les poids du modèle, de sorte que les réponses s'appuient toujours sur les données de pré-entraînement et ne peuvent pas être restreintes à la base de connaissances. Il est tentant lorsque vous souhaitez que le modèle absorbe le style ou la terminologie du domaine, ce qui convient pour adapter le ton plutôt que pour ancrer les réponses dans des documents récupérés.

Pour aller plus loin

La génération augmentée par récupération (Retrieval Augmented Generation ou RAG) dans les bases de connaissances Amazon Bedrock fonctionne en découpant (chunking) les documents source, en les convertissant en représentations vectorielles (embeddings) et en stockant les vecteurs dans un magasin de vecteurs. Au moment de la requête, le service récupère les fragments les plus sémantiquement similaires et les injecte dans l'invite (prompt) en tant que contexte, ancrant la réponse du modèle dans le matériel fourni. Cela réduit les hallucinations et maintient les réponses liées au catalogue interne plutôt qu'aux données de pré-entraînement. Une subtilité est que le RAG n'empêche pas totalement le modèle d'utiliser des connaissances paramétriques ; les instructions d'invite et les citations aident, mais la qualité de la récupération, la taille des fragments et le nombre de passages renvoyés influencent fortement l'ancrage. Cela importe lorsque les réponses doivent pouvoir être auditées par rapport à un corpus contrôlé, tel que des spécifications de produits ou de la documentation de conformité.

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.