MoyenneChoix unique

Question d'entraînement Generative AI Leader

Une entreprise utilise un modèle génératif pour produire des descriptions de produits. Les descriptions sont factuellement incohérentes avec les spécifications du produit. Quelle technique garantirait au mieux l'exactitude factuelle ?

Choisissez la meilleure réponse.

Bonne réponse

  • BMettre en œuvre la génération augmentée par récupération (RAG) avec la base de données de produits

Explication

La génération augmentée par récupération (RAG) est la meilleure technique car elle récupère dynamiquement des spécifications de produits pertinentes et à jour à partir d'une base de données de confiance au moment de l'inférence, en ancrant la sortie du modèle dans des faits vérifiés. Cela répond directement à l'incohérence factuelle en garantissant que la description générée est basée sur des données sources faisant autorité plutôt que de s'appuyer uniquement sur la mémoire paramétrique du modèle.

Pourquoi chaque option est juste ou fausse

A

Fausse

Améliorer le prompt système avec les détails du produit

Les détails du prompt système restent du contexte que le modèle peut ignorer ou mal appliquer, et les longs prompts diluent l'attention, de sorte que les erreurs factuelles persistent. C'est tentant car l'ingénierie de prompt est rapide et ne nécessite aucun réentraînement, et serait correcte pour façonner le comportement ou le ton plutôt que d'imposer des faits précis conformes aux spécifications.

B

Juste

Mettre en œuvre la génération augmentée par récupération (RAG) avec la base de données de produits

Le RAG récupère les spécifications de produits pertinentes de la base de données au moment de l'inférence et les injecte dans le prompt, ancrant la description générée dans des données faisant autorité. Cela s'attaque directement à l'incohérence factuelle, contrairement au réglage fin ou aux modifications de la formulation du prompt seules.

C

Fausse

Abaisser la température à 0.0

Une température de 0.0 rend l'échantillonnage déterministe, sélectionnant le jeton ayant la plus haute probabilité à chaque étape ; elle ne peut pas corriger un modèle qui manque des faits sur le produit. C'est tentant car une température basse réduit le caractère aléatoire et la dérive créative, et serait correcte pour obtenir des sorties reproductibles, et non un ancrage factuel.

D

Fausse

Affiner le modèle sur des descriptions de produits

Le réglage fin ajuste le style et le format grâce à du texte d'exemple ; il n'ancre pas les sorties dans des spécifications de produits faisant autorité, de sorte que les hallucinations persistent. C'est tentant car le réglage fin spécialise un modèle sur des données de domaine, et serait correct pour correspondre au ton ou à la structure plutôt que de garantir l'exactitude factuelle.

Pour aller plus loin

La génération augmentée par récupération ancre la sortie du modèle en extrayant des enregistrements pertinents d'un magasin faisant autorité, tel qu'une base de données de produits, et en les insérant dans le contexte du prompt avant la génération. Cela contraint le modèle à des faits qui viennent de lui être fournis plutôt que de s'appuyer sur une mémoire paramétrique qui peut être obsolète ou hallucinée. Abaisser la température à 0.0 réduit le caractère aléatoire mais n'ajoute pas les faits manquants, et l'enrichissement du prompt n'aide que si les détails sont déjà fournis. Le réglage fin enseigne le style et le format plus qu'un rappel factuel fiable, et peut toujours halluciner. Une subtilité : la qualité du RAG dépend de la précision de la récupération et du découpage (chunking), de sorte que les embeddings et les filtres de métadonnées comptent. Ce modèle convient aux catalogues dynamiques où les spécifications changent fréquemment et où l'exactitude est contractuelle.

À propos de ces questions d'entraînement

Cette question fait partie des questions d'entraînement Generative AI Leader 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.