MoyenneChoix unique

Question d'entraînement AI-102

Une entreprise utilise Azure OpenAI pour générer des descriptions de produits. Elle souhaite s'assurer que les descriptions ont un style et un ton cohérents. Quelle stratégie doit-elle utiliser ?

Choisissez la meilleure réponse.

Bonne réponse

  • BFournir quelques exemples du style souhaité dans le prompt (few-shot learning).

Explication

L'apprentissage few-shot (option B) est la stratégie correcte car il contrôle directement le style et le ton en fournissant des exemples du résultat souhaité dans le prompt. Cela exploite la capacité d'apprentissage en contexte du modèle sans modifier les poids sous-jacents de celui-ci, ce qui le rend idéal pour garantir la cohérence sans le coût et la complexité du fine-tuning.

Pourquoi chaque option est juste ou fausse

A

Fausse

Effectuer un fine-tuning du modèle sur un jeu de données de descriptions de produits.

Le fine-tuning modifie les poids du modèle à l'aide d'exemples étiquetés, il enseigne donc de nouveaux motifs plutôt que de limiter la sortie à un style existant. C'est tentant car le fine-tuning convient véritablement à l'adaptation de domaine, comme enseigner à un modèle une terminologie ou des formats spécifiques à l'entreprise. Ici, l'exigence est la cohérence du style et du ton, ce que le prompt engineering avec un message système permet d'atteindre sans réentraînement.

B

Juste

Fournir quelques exemples du style souhaité dans le prompt (few-shot learning).

Le few-shot prompting fournit des exemples concrets du style et du ton cibles directement dans le prompt, de sorte que le modèle déduit le registre et la structure souhaités sans réentraînement. Cela satisfait la contrainte de cohérence de manière plus fiable que les instructions zero-shot seules, car les motifs sont démontrés plutôt que décrits.

C

Fausse

Définir max_tokens à une petite valeur pour limiter la longueur de la sortie.

max_tokens limite uniquement la longueur de la réponse ; il ne restreint pas le vocabulaire, la formulation ou le ton, de sorte que le style varie toujours entre les générations. C'est tentant car des sorties plus courtes semblent uniformes, mais l'approche correcte fournit des exemples de style ou un message système définissant le ton souhaité.

D

Fausse

Augmenter la température à 1.0 pour plus de créativité.

La température contrôle le caractère aléatoire de l'échantillonnage ; l'augmenter à 1.0 accroît la variation, compromettant directement la cohérence du style et du ton. C'est tentant car la créativité est souhaitable pour le contenu marketing, mais la cohérence nécessite une température basse combinée à un message système spécifiant la voix souhaitée.

Pour aller plus loin

Le prompting few-shot fonctionne parce que le modèle effectue un apprentissage en contexte : les paires d'exemples que vous placez dans le prompt agissent comme des jetons de conditionnement qui déplacent la distribution de probabilité des jetons suivants vers le modèle démontré, sans modifier aucun poids. C'est transitoire : l'effet disparaît une fois que la fenêtre de contexte est effacée, contrairement au fine-tuning, qui intègre le style dans les paramètres du modèle par des mises à jour de gradient. Une limite pratique est la fenêtre de contexte : les exemples consomment des jetons qui comptent pour le coût et peuvent évacuer la requête réelle, et des prompts très long peuvent diluer le signal. Dans un pipeline de description de produits, intégrer deux ou trois exemples avec une voix cohérente dans le message système oriente de manière fiable le ton pour chaque appel, et vous pouvez échanger des exemples par catégorie de produit sans rien réentraîner.

À propos de ces questions d'entraînement

Cette question fait partie des questions d'entraînement AI-102 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.