DifícilMúltipla escolha

Questão de prática de AIF-C01

Uma empresa de marketing usa o Amazon Bedrock para gerar cópias de anúncios. Eles percebem que o texto gerado frequentemente inclui imprecisões factuais sobre seus produtos. Qual técnica reduziria mais efetivamente essas imprecisões?

Escolha a melhor resposta.

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.

Por que cada alternativa está certa ou errada

A

Correta

Implementar Retrieval-Augmented Generation (RAG) com uma base de conhecimento de produtos.

O Retrieval-Augmented Generation fundamenta cada resposta em fatos de produtos recuperados, de modo que o modelo se condiciona a conteúdos confiáveis em vez de confiar apenas na memória paramétrica. Isso visa diretamente às imprecisões factuais descritas, já que a base de conhecimento de produtos fornece detalhes verificados no momento da inferência, satisfazendo a restrição de precisão do enunciado.

B

Incorreta

Usar prompts mais longos e detalhados.

Prompts mais longos adicionam contexto, mas não fundamentam o modelo em fatos de produtos verificados, de modo que as alucinações persistem. É tentador porque a engenharia de prompts é rápida e gratuita, e seria correta para melhorar o tom, a estrutura ou o detalhe quando o modelo já possui o conhecimento necessário.

C

Incorreta

Aumentar o parâmetro de temperatura para 0.9.

Aumentar a temperatura para 0.9 eleva a aleatoriedade da amostragem, produzindo resultados mais variados e menos factuais. É tentador porque a temperatura é um botão de ajuste familiar, e um valor mais alto estaria correto para debater variações criativas, em vez de precisão factual.

D

Incorreta

Ajustar finamente (fine-tune) o modelo em um conjunto de dados de cópias de anúncios anteriores.

O ajuste fino em cópias de anúncios anteriores ensina estilo e fraseado, e não fatos de produtos verificados, de modo que as imprecisões permanecem. É tentador porque o ajuste fino adapta o comportamento do modelo e estaria correto para corresponder à voz de uma marca quando a fundamentação factual já é tratada em outro lugar.

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.