FacileChoix unique

Question d'entraînement AIF-C01

Une entreprise souhaite créer une application d'IA générative capable de résumer des tickets de support client. Elle doit s'assurer que le modèle reste à jour avec la dernière documentation produit sans réentraînement. Quel service AWS répondrait le mieux à ce besoin ?

Choisissez la meilleure réponse.

Bonne réponse

  • AAmazon Bedrock avec Retrieval Augmented Generation (RAG)

Explication

Amazon Bedrock avec RAG est le choix idéal car il permet au modèle d'IA générative d'accéder à la documentation produit la plus récente provenant d'une base de connaissances externe et de l'intégrer sans réentraînement. Le RAG fonctionne en récupérant des segments de documents pertinents au moment de l'inférence et en les injectant dans le contexte du modèle, garantissant ainsi que les résumés reflètent les informations actuelles. Cela répond directement à l'exigence de rester à jour avec une documentation évolutive tout en évitant le coût et la latence d'un réentraînement complet du modèle.

Pourquoi chaque option est juste ou fausse

A

Juste

Amazon Bedrock avec Retrieval Augmented Generation (RAG)

Amazon Bedrock avec RAG récupère la documentation produit actuelle à partir d'une base de connaissances au moment de l'inférence et injecte les passages pertinents dans le prompt, de sorte que les résumés reflètent le contenu le plus récent sans réentraînement. Cela satisfait directement la contrainte de l'énoncé consistant à rester à jour sans réentraînement, puisque la mise à jour du stockage de données sous-jacent actualise immédiatement les résultats.

B

Fausse

Amazon Comprehend

Comprehend extrait des entités, des sentiments et des expressions clés à partir de texte existant, mais ne peut pas récupérer ou ancrer la génération dans la documentation actuelle. Il est tentant car il s'agit d'un service de NLP géré ne nécessitant aucun réentraînement, pourtant résumer des tickets par rapport à des documents produit en direct nécessite une génération augmentée par récupération, que Knowledge Bases for Amazon Bedrock fournit à la place.

C

Fausse

Amazon Rekognition

Rekognition effectue une analyse d'images et de vidéos telle que la détection d'objets et de visages, n'offrant aucune récupération de texte ni ancrage documentaire. Il est tentant car il s'agit d'un service d'IA géré qui ne nécessite aucun entraînement de modèle, mais le scénario nécessite d'injecter de la documentation produit actuelle dans la génération de texte, ce que la génération augmentée par récupération via Knowledge Bases for Amazon Bedrock fournit.

D

Fausse

Amazon SageMaker Ground Truth

Ground Truth élabore des jeux de données d'entraînement étiquetés pour le réglage supervisé de modèles, ce qui nécessite un réentraînement et ne fournit pas de documentation en direct au moment de l'inférence. Il est tentant car il alimente les modèles avec des données fraîches, mais l'exigence est un ancrage augmenté par récupération, satisfait par Knowledge Bases for Amazon Bedrock interrogeant des documents actuels sans réentraînement.

Pour aller plus loin

Le modèle RAG d'Amazon Bedrock dissocie les connaissances des poids du modèle : le modèle de fondation reste figé tandis qu'un magasin de vecteurs (généralement Amazon OpenSearch Serverless, Aurora pgvector ou Knowledge Bases for Amazon Bedrock) contient des segments de votre documentation produit vectorisés. Lors de l'inférence, la requête de l'utilisateur est vectorisée à l'aide du même modèle d'embedding (par exemple Amazon Titan Embeddings ou Cohere Embed), une recherche de similarité récupère les meilleurs passages, et ces passages sont injectés dans le prompt comme contexte avant que le FM ne génère le résumé. Étant donné que l'index est actualisé indépendamment, la mise à jour de la documentation implique de réingérer et de ré-encoder les fichiers modifiés, et non de réentraîner. Une limite subtile à connaître : la qualité de la récupération est limitée par la stratégie de découpage et la dimensionnalité des embeddings, et des segments obsolètes ou dupliqués dégradent silencieusement les réponses. Cela importe lorsque les tickets de support font référence à des fonctionnalités récemment livrées postérieures à la date limite d'entraînement du 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.