Resposta correta
- AImplementar Retrieval-Augmented Generation (RAG) com uma base de conhecimento de produtos.
Explicação
Retrieval-Augmented Generation (RAG) fundamenta a saída do modelo em uma base de conhecimento externa e confiável, recuperando documentos de produtos relevantes antes de gerar texto. Isso aborda diretamente as imprecisões factuais porque o modelo faz referência a dados confiáveis em vez de depender apenas de sua memória paramétrica, que pode conter informações desatualizadas ou incorretas.
Para se aprofundar
Os modelos de base do Amazon Bedrock geram texto puramente a partir de conhecimento paramétrico aprendido durante o pré-treinamento, de modo que não têm conhecimento dos fatos de produtos específicos de uma empresa e alucinarão detalhes que parecem plausíveis, mas estão errados. O Retrieval-Augmented Generation resolve isso incorporando a consulta do usuário, pesquisando em um armazenamento vetorial (por exemplo, Amazon OpenSearch Serverless ou Aurora pgvector) preenchido com documentos de produtos e injetando os principais trechos recuperados no prompt como contexto de fundamentação. O modelo então condiciona sua saída a essas passagens, em vez de apenas à memória. Isso importa porque a temperatura e o comprimento do prompt não adicionam fundamentação factual, e o ajuste fino (fine-tuning) ensina estilo e formato mais do que a recuperação confiável de fatos que mudam com frequência. Um cenário realista é uma equipe de marketing cujo catálogo muda semanalmente; o RAG permite que eles atualizem a base de conhecimento sem retreinar o modelo.
Sobre estas questões de prática
Esta é uma das questões de prática originais de AIF-C01 da Courseiva, escrita para o aprendizado e nunca copiada de provas reais nem de dumps.
Traduzida do original em inglês com IA e conferida quanto ao sentido. Códigos de exame, comandos e nomes de produtos são mantidos como aparecem na prova.