MédiaMúltipla escolha

Questão de prática de Generative AI Leader

Uma empresa deseja usar GenAI para automatizar o suporte ao cliente. Eles possuem uma grande base de conhecimento. Qual abordagem maximiza o ROI nos primeiros 6 meses?

Escolha a melhor resposta.

Resposta correta

  • BUsar uma plataforma de IA conversacional pré-construída com Retrieval-Augmented Generation (RAG)

Explicação

Maximiza o ROI nos primeiros 6 meses porque aproveita uma plataforma de IA conversacional pré-construída integrada com Retrieval-Augmented Generation (RAG). O RAG permite que o modelo recupere dinamicamente informações relevantes da base de conhecimento existente no momento da inferência, fornecendo respostas precisas e sensíveis ao contexto sem a necessidade de retreinamento dispendioso ou desenvolvimento de modelo personalizado. Esta abordagem equilibra a implantação rápida, o baixo investimento inicial e a alta precisão, tornando-a a solução mais econômica para automatizar o suporte ao cliente rapidamente.

Por que cada alternativa está certa ou errada

A

Incorreta

Implantar um chatbot de propósito geral sem personalização

Um chatbot de propósito geral não pode fundamentar respostas na base de conhecimento da empresa, portanto ele alucina detalhes de políticas e produtos, gerando escalonamentos em vez de desvio. É tentador por ser a implantação mais rápida, mas é a escolha certa apenas para o tratamento genérico de FAQ de baixo risco onde não existe um corpus proprietário.

B

Correta

Usar uma plataforma de IA conversacional pré-construída com Retrieval-Augmented Generation (RAG)

Uma plataforma conversacional pré-construída combinada com Retrieval-Augmented Generation fundamenta as respostas na base de conhecimento existente sem treinar um modelo personalizado, reduzindo o tempo de construção e o custo. Isso atende à restrição de ROI de seis meses do enunciado ao entregar automação funcional rapidamente.

C

Incorreta

Construir um LLM personalizado do zero usando os dados deles

Treinar um LLM personalizado do zero exige meses de curadoria de dados, aquisição de computação e avaliação antes que ocorra qualquer desvio de suporte, portanto nenhum ROI ocorre dentro de seis meses. É tentador onde os dados proprietários nunca devem deixar a organização, mas o retrieval-augmented generation sobre a base de conhecimento existente entrega valor muito antes.

D

Incorreta

Fazer fine-tuning em um modelo base usando tickets de suporte históricos

O fine-tuning em tickets históricos ensina padrões de tom e resolução, mas não fundamenta confiavelmente as respostas na base de conhecimento atual, além de precisar de dados rotulados mais ciclos de retreinamento. É tentador porque os dados de tickets são abundantes, mas serve para adaptação estilística estável, não para um ROI rápido em documentação em mudança.

Para se aprofundar

Retrieval-Augmented Generation fundamenta as respostas de um foundation model em uma base de conhecimento externa incorporando documentos em um vector store, recuperando os trechos mais relevantes para uma consulta e injetando-os no prompt como contexto. Isso evita o custo e o risco de treinar ou ajustar um modelo, mantendo as respostas atualizadas, pois a atualização do índice reflete o novo conteúdo imediatamente. Uma sutileza é que a qualidade do RAG depende fortemente da estratégia de fragmentação, da escolha do modelo de incorporação e da classificação de recuperação; uma fragmentação deficiente produz respostas plausíveis, mas sem suporte. Em um cenário de suporte, uma plataforma conversacional pré-construida com RAG pode ser implantada em semanas, citar artigos da base de conhecimento e ser ajustada com alterações de prompt e recuperação em vez de retreinamento, e é por isso que ela entrega um ROI mensurável mais rápido do que construir um LLM personalizado ou ajustar com tickets históricos.

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.