DifficileChoix unique

Question d'entraînement AI-102

Une organisation déploie une solution d'IA conversationnelle utilisant Azure OpenAI. Elle souhaite s'assurer que les réponses du modèle sont ancrées dans les documents de sa propre base de connaissances afin de réduire les hallucinations. Quelle approche doit-elle mettre en œuvre ?

Choisissez la meilleure réponse.

Bonne réponse

  • AIntégrer Azure Cognitive Search pour la génération augmentée par récupération (RAG).

Explication

La génération augmentée par récupération (RAG) avec Azure Cognitive Search permet au modèle de récupérer dynamiquement des fragments pertinents à partir des documents de la base de connaissances de l'organisation au moment de l'inférence. Cela ancre les réponses dans un contenu faisant autorité et à jour, réduisant directement les hallucinations en fournissant un contexte factuel plutôt que de s'appuyer uniquement sur la mémoire paramétrique du modèle.

Pourquoi chaque option est juste ou fausse

A

Juste

Intégrer Azure Cognitive Search pour la génération augmentée par récupération (RAG).

La génération augmentée par récupération interroge Azure Cognitive Search pour récupérer des passages pertinents des documents de l'organisation, puis les transmet à l'invite Azure OpenAI comme contexte d'ancrage. Cela répond directement à l'exigence de réduire les hallucinations en ancrant les réponses dans la base de connaissances plutôt que de s'appuyer uniquement sur la mémoire paramétrique du modèle.

B

Fausse

Ajuster (fine-tune) le modèle sur les documents de la base de connaissances.

Le réglage fin intègre le contenu des documents dans les poids du modèle, de sorte qu'il ne peut pas citer de sources ni refléter les mises à jour en direct, et il hallucine toujours. Il convient pour enseigner un style ou un format cohérent. L'ancrage nécessite une génération augmentée par récupération, où Azure AI Search fournit des passages pertinents au moment de la requête.

C

Fausse

Implémenter les filtres Azure AI Content Safety.

Content Safety classe les catégories nuisibles telles que la violence ou la haine ; il ne récupère ni ne vérifie les faits, de sorte que les hallucinations persistent. C'est le contrôle approprié pour filtrer les entrées et sorties toxiques. L'ancrage nécessite une génération augmentée par récupération, injectant des passages de la base de connaissances via Azure AI Search avant que le modèle ne réponde.

D

Fausse

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

Les instructions d'invite seules ne peuvent pas injecter le contenu de documents que le modèle n'a jamais reçu, de sorte que les réponses restent non ancrées et invérifiables. L'ingénierie d'invite convient pour façonner le ton, le format et les contraintes. L'ancrage nécessite une génération augmentée par récupération, où Azure AI Search transmet des passages de documents pertinents dans l'invite.

Pour aller plus loin

La génération augmentée par récupération fonctionne en intégrant la requête de l'utilisateur, en recherchant dans un index vectoriel des fragments de documents sémantiquement similaires et en injectant ces fragments dans l'invite (prompt) en tant que contexte d'ancrage avant que le modèle ne génère une réponse. Azure Cognitive Search fournit la couche de récupération vectorielle et hybride, tandis qu'Azure OpenAI fournit la génération, de sorte que les réponses citent le contenu récupéré au lieu de s'appuyer uniquement sur la mémoire paramétrique. Une subtilité intéressante à connaître : le RAG réduit mais n'élimine pas les hallucinations, car le modèle peut toujours mal interpréter ou généraliser à l'excès les passages récupérés ; la stratégie de découpage (chunking), le choix du modèle d'incorporation (embedding) et le réclassement (reranking) affectent matériellement la fidélité de la réponse. C'est important lorsque les politiques d'une organisation changent fréquemment, car la mise à jour de l'index reflète immédiatement les nouveaux faits, tandis que le réglage fin (fine-tuning) intègre les connaissances dans les poids et nécessite un réentraînement pour rester à jour.

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.