MédiaMúltipla escolha

Questão de prática de AIF-C01

Uma empresa está criando um chatbot usando o Amazon Bedrock para responder a perguntas de clientes sobre o seu catálogo de produtos. O chatbot deve usar apenas informações da base de conhecimento interna da empresa e não deve gerar respostas baseadas nos dados de pré-treinamento do modelo. Qual recurso deve ser ativado?

Escolha a melhor resposta.

Resposta correta

  • BConfigurar uma base de conhecimento com Geração Aumentada por Recuperação (RAG).

Explicação

Configurar uma base de conhecimento com Geração Aumentada por Recuperação (Retrieval Augmented Generation ou RAG) permite que o chatbot recupere documentos relevantes da base de conhecimento interna da empresa e os utilize como contexto para gerar respostas. Isso garante que as respostas do modelo sejam fundamentadas exclusivamente nos dados fornecidos, evitando a dependência de seu conhecimento de pré-treinamento.

Por que cada alternativa está certa ou errada

A

Incorreta

Usar engenharia de prompt (prompt engineering) para instruir o modelo a usar apenas a base de conhecimento.

A engenharia de prompt apenas direciona o modelo; ela não pode garantir que as respostas venham exclusivamente da base de conhecimento, já que os dados de pré-treinamento continuam disponíveis. É tentadora como um ajuste de baixo esforço e serve para moldar o tom ou o formato quando a fundamentação não é um requisito rígido.

B

Correta

Configurar uma base de conhecimento com Geração Aumentada por Recuperação (RAG).

O RAG fundamenta as respostas na base de conhecimento fornecida ao recuperar documentos relevantes e injetá-los no contexto do prompt, de modo que o modelo responde a partir dos dados da empresa e não de seus pesos de pré-treinamento. Isso atende diretamente à restrição de que as respostas devem vir apenas do catálogo interno.

C

Incorreta

Ativar o registro de invocação de modelos (model invocation logging) para revisar as respostas.

O registro de invocações (logging) grava prompts e respostas para fins de auditoria; ele não restringe a geração à base de conhecimento, de modo que as respostas de pré-treinamento ainda aparecem. É tentador para conformidade ou depuração, onde capturar o tráfego é o objetivo em vez de controlar quais fontes o modelo utiliza.

D

Incorreta

Ajustar finamente (fine-tune) o modelo com os dados do catálogo de produtos.

O ajuste fino (fine-tuning) altera os pesos do modelo, portanto as respostas ainda se baseiam em dados de pré-treinamento e não podem ser restritas à base de conhecimento. É tentador quando você deseja que o modelo absorva o estilo ou a terminologia do domínio, o que se adapta à adaptação de tom em vez de fundamentar as respostas em documentos recuperados.

Para se aprofundar

A Geração Aumentada por Recuperação (RAG) nas Bases de Conhecimiento do Amazon Bedrock funciona dividindo (chunking) os documentos de origem, convertendo-os em embeddings e armazenando vetores em um repositório vetorial (vector store). No momento da consulta, o serviço recupera os trechos semanticamente mais semelhantes e os injeta no prompt como contexto, fundamentando a resposta do modelo no material fornecido. Isso reduz alucinações e mantém as respostas atreladas ao catálogo interno em vez de aos dados de pré-treinamento. Uma sutileza é que o RAG não impede totalmente que o modelo utilize conhecimento paramétrico; as instruções do prompt e as citações ajudam, mas a qualidade da recuperação, o tamanho do trecho e o número de passagens retornadas influenciam fortemente a fundamentação. Isso importa quando as respostas precisam ser auditáveis em relação a um corpus controlado, como especificações de produtos ou documentação de conformidade.

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.