Bonnes réponses
- AUn modèle d'embedding (par exemple, text-embedding-ada-002)
- CUn modèle Azure OpenAI Service (LLM)
- EUne base de données vectorielle (par exemple, Azure AI Search)
Explication
Un modèle d'embedding tel que text-embedding-ada-002 est essentiel pour convertir les requêtes utilisateur et les segments de documents en représentations vectorielles denses. Ces vecteurs permettent une recherche de similarité sémantique dans une base de données vectorielle, qui constitue l'étape centrale de récupération dans RAG. Sans embeddings, le système ne peut pas associer l'intention de l'utilisateur au contenu pertinent.
Pour aller plus loin
Un modèle RAG avec Azure OpenAI Service nécessite trois éléments mobiles. Un modèle d'embedding tel que text-embedding-ada-002 convertit les segments sources et la requête utilisateur en vecteurs dans le même espace sémantique. Un stockage vectoriel, généralement Azure AI Search avec un index vectoriel, effectue une recherche de similarité pour récupérer les meilleurs segments pertinents. Un modèle de chat ou de complétion Azure OpenAI reçoit ensuite ces segments comme contexte de mise en grounding dans le prompt et génère la réponse. Le fine-tuning n'est pas requis car RAG injecte des connaissances au moment de l'inférence plutôt que de modifier des poids, et Azure AI Content Safety est un garde-fou optionnel plutôt qu'un prérequis fonctionnel. Une limite subtile est que les dimensions d'embedding et le schéma d'index doivent correspondre, sinon les requêtes renvoient silencieusement de mauvais voisins.
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.