Bonne réponse
- BAssociation d'Azure AI Search (recherche) et d'Azure OpenAI (génération) pour ancrer les réponses du LLM dans une base de connaissances
Explication
La 'Retrieval Augmented Generation' (RAG) est un modèle qui associe une étape de recherche à une étape générative. Sur Azure, cela est typiquement implémenté en utilisant Azure AI Search pour récupérer des documents ou des segments pertinents à partir d'une base de connaissances, puis en transmettant ces résultats comme contexte à un modèle Azure OpenAI (par exemple, GPT-4) pour générer une réponse ancrée et factuelle. Cette approche réduit les hallucinations et garantit que la sortie repose sur des données officielles plutôt que sur les seules données d'entraînement du modèle.
Pour aller plus loin
RAG fonctionne en convertissant une requête utilisateur en un 'vector embedding', en exécutant une recherche de similarité sur un corpus indexé et en injectant les meilleurs passages récupérés dans le 'prompt' du LLM en tant que contexte d'ancrage avant la génération. Sur Azure, Azure AI Search fournit l'index vectoriel/hybride et le 'semantic ranker', tandis qu'Azure OpenAI fournit les modèles d'intégration ('embedding') et de complétion de chat; l'orchestration est généralement connectée via la fonctionnalité 'Add your data', Azure AI Studio ou Semantic Kernel. Un comportement subtil à connaître est que la qualité de la recherche limite la qualité de la réponse, de sorte que la taille des segments ('chunk size'), le chevauchement et le score hybride affectent sensiblement les taux d'hallucination. Un scénario réaliste est un assistant de politique de ressources humaines (HR) interne qui doit citer des documents actuels plutôt que de s'appuyer sur des connaissances pré-entraînées obsolètes.
À propos de ces questions d'entraînement
Cette question fait partie des questions d'entraînement AI-900 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.