MoyenneChoix multiples

Question d'entraînement AI-102

Quels sont les TROIS composants nécessaires pour implémenter une solution RAG (Retrieval-Augmented Generation) avec Azure OpenAI Service ? (Choisissez-en trois.)

Choisissez toutes les bonnes réponses.

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.

Pourquoi chaque option est juste ou fausse

A

Juste

Un modèle d'embedding (par exemple, text-embedding-ada-002)

Les modèles d'embedding convertissent les documents en représentations vectorielles.

B

Fausse

Un modèle fine-tuné

Le fine-tuning n'est pas requis pour RAG.

C

Juste

Un modèle Azure OpenAI Service (LLM)

Le LLM génère des réponses basées sur le contexte récupéré.

D

Fausse

Azure AI Content Safety

Content Safety est optionnel, non requis pour RAG.

E

Juste

Une base de données vectorielle (par exemple, Azure AI Search)

Les bases de données vectorielles stockent les embeddings et permettent la recherche de similarité.

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.