Bonne réponse
- BImplémenter Retrieval-Augmented Generation (RAG) en ancrant les prompts avec une base de connaissances.
Explication
Retrieval-Augmented Generation (RAG) fonde la réponse du modèle sur une base de connaissances externe et fiable, fournissant un contexte factuel qui réduit directement les hallucinations. En récupérant des documents pertinents et en les injectant dans le prompt, le modèle génère des réponses basées sur des informations vérifiées plutôt que de s'appuyer uniquement sur sa mémoire paramétrique, qui est la principale cause des inexactitudes factuelles dans Azure OpenAI Service.
Pour aller plus loin
En arrière-plan, RAG fonctionne en intégrant les requêtes des utilisateurs et les documents d'une base de connaissances dans un espace vectoriel à l'aide de modèles tels que text-embedding-ada-002, puis en effectuant une recherche de similarité (par exemple, la similarité cosinus) pour récupérer les fragments les plus pertinents. Ces fragments sont préfixés au prompt, ce qui contraint efficacement la génération du modèle au contexte récupéré, réduisant ainsi la probabilité d'hallucination en limitant la dépendance du modèle vis-à-vis de la distribution de ses données d'entraînement. Dans un scénario réel, un catalogue de produits comportant des milliers de SKU peut être indexé dans Azure Cognitive Search, et le pipeline RAG garantit que chaque description générée fait référence aux spécifications réelles du produit issues de la base de données.
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.