FácilMúltipla escolha

Questão de prática de Generative AI Leader

Uma empresa de varejo deseja usar IA generativa para gerar descrições de produtos para milhares de itens. Eles precisam garantir que as descrições sejam consistentes com a voz da marca e não contenham imprecisões factuais. Qual é a estratégia mais eficaz?

Escolha a melhor resposta.

Resposta correta

  • BFazer o ajuste fino (fine-tune) de um modelo em descrições de produtos históricas e usar engenharia de prompt (prompt engineering) com diretrizes de marca.

Explicação

O ajuste fino (fine-tuning) de um modelo em descrições de produtos históricas alinha o modelo com a voz da marca específica e a linguagem de domínio da empresa, enquanto a engenharia de prompt (prompt engineering) com diretrizes de marca fornece diretrizes explícitas para cada geração. Essa combinação garante consistência e reduz imprecisões factuais ao fundamentar o modelo em exemplos verificados e instruções estruturadas, o que é mais eficaz do que sistemas baseados em regras ou pós-processamento isolados.

Por que cada alternativa está certa ou errada

A

Incorreta

Usar um sistema baseado em regras para gerar descrições a partir de atributos de produtos.

Um sistema baseado em regras não pode produzir a linguagem natural e variada que a IA generativa oferece, e a qualidade de sua saída é limitada pelos atributos fornecidos. É tentador porque modelos determinísticos garantem a precisão factual a partir de atributos estruturados, o que serviria para descrições altamente reguladas de formato fixo onde a criatividade não é desejada.

B

Correta

Fazer o ajuste fino (fine-tune) de um modelo em descrições de produtos históricas e usar engenharia de prompt (prompt engineering) com diretrizes de marca.

O ajuste fino em descrições históricas incorpora a voz da marca diretamente nos pesos do modelo, enquanto a engenharia de prompt injeta diretrizes de marca no momento da inferência para limitar o tom. Essa combinação atende ao requisito de consistência em milhares de itens, e fundamentar os prompts em cópias aprovadas reduz alegações de produtos fabricadas.

C

Incorreta

Usar um grande modelo de linguagem (LLM) sem filtros de segurança para maximizar a variedade de saídas.

Remover filtros de segurança aumenta o risco de saídas fabricadas ou prejudiciais e não faz nada para alinhar as descrições com a voz da marca. É tentador porque a amostragem não filtrada amplia a variedade estilística, o que serviria para sessões exploratórias de brainstorming criativo onde a precisão factual e a conformidade com a marca são irrelevantes.

D

Incorreta

Usar um modelo pré-treinado sem nenhuma personalização e contar com filtros de pós-processamento.

Um modelo pré-treinado não customizado não pode reproduzir de forma confiável uma voz de marca específica, e os filtros de pós-processamento detectam imprecisões apenas após a geração. É tentador porque evita o custo e o esforço de treinamento, e serviria para conteúdo genérico de baixo risco onde a consistência da marca e a precisão factual não são necessárias.

Para se aprofundar

O ajuste fino (fine-tuning) adapta os pesos de um modelo base a um corpus de domínio, de modo que um modelo ajustado em descrições históricas de produtos aprende o tom, a terminologia e a estrutura típica da marca, enquanto a engenharia de prompt fornece diretrizes e restrições explícitas no momento da inferência. Combinar ambos é eficaz porque o ajuste fino captura padrões estilísticos que são difíceis de expressar em um prompt, e o uso de prompts impõe requisitos por solicitação, como comprimento, alegações proibidas ou atributos obrigatórios. A precisão factual ainda requer fundamentação (grounding), por exemplo, injetando atributos de produtos verificados no prompt, e uma etapa de revisão humana ou automatizada captura erros residuais. Uma sutileza é que o ajuste fino em cópias históricas não verificadas pode propagar imprecisões existentes ou alegações desatualizadas, portanto, o próprio corpus de treinamento deve ser curado antes que o modelo seja confiável para gerar texto voltado para o cliente em escala.

Sobre estas questões de prática

Esta é uma das questões de prática originais de Generative AI Leader 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.