MédiaMúltipla escolha

Questão de prática de Generative AI Leader

Uma empresa usa um modelo generativo para produzir descrições de produtos. As descrições são factualmente inconsistentes com as especificações do produto. Qual técnica garantiria melhor a precisão factual?

Escolha a melhor resposta.

Resposta correta

  • BImplementar geração aumentada por recuperação (RAG) com o banco de dados de produtos

Explicação

A geração aumentada por recuperação (RAG) é a melhor técnica porque recupera dinamicamente especificações de produtos relevantes e atualizadas de um banco de dados confiável no momento da inferência, fundamentando a saída do modelo em fatos verificados. Isso aborda diretamente a inconsistência factual, garantindo que a descrição gerada seja baseada em dados de origem confiáveis, em vez de depender apenas da memória paramétrica do modelo.

Por que cada alternativa está certa ou errada

A

Incorreta

Aprimorar o prompt do sistema com detalhes do produto

Os detalhes do prompt do sistema ainda são um contexto que o modelo pode ignorar ou aplicar incorretamente, e prompts longos diluem a atenção, de modo que os erros factuais persistem. É tentador porque a engenharia de prompt é rápida e não requer retreinamento, sendo correta para moldar o comportamento ou o tom, em vez de impor fatos precisos segundo as especificações.

B

Correta

Implementar geração aumentada por recuperação (RAG) com o banco de dados de produtos

O RAG recupera especificações de produtos relevantes do banco de dados no momento da inferência e as injeta no prompt, fundamentando a descrição gerada em dados confiáveis. Isso aborda diretamente a inconsistência factual, ao contrário do ajuste fino ou de alterações isoladas na redação do prompt.

C

Incorreta

Reduzir a temperatura para 0,0

A temperatura 0,0 torna a amostragem determinística, selecionando o token de maior probabilidade a cada passo; isso não pode corrigir um modelo que carece dos fatos do produto. É tentador porque a temperatura baixa reduz a aleatoriedade e o desvio criativo, sendo correta para obter saídas repetíveis, e não para fundamentação factual.

D

Incorreta

Ajustar (fine-tune) o modelo em descrições de produtos

O ajuste fino (fine-tuning) ajusta estilo e formato por meio de texto de exemplo; ele não fundamenta as saídas em especificações de produtos confiáveis, de modo que as alucinações persisten. É tentador porque o ajuste fino especializa um modelo em dados de domínio, sendo correto para corresponder ao tom ou à estrutura, em vez de garantir a precisão factual.

Para se aprofundar

A geração aumentada por recuperação fundamenta a saída do modelo buscando registros relevantes em um repositório confiável, como um banco de dados de produtos, e inserindo-os no contexto do prompt antes da geração. Isso restringe o modelo aos fatos que acabaram de ser fornecidos, em vez de depender de uma memória paramétrica que pode estar desatualizada ou gerar alucinações. Reduzir a temperatura para 0,0 diminui a aleatoriedade, mas não adiciona fatos ausentes, e o enriquecimento de prompts só ajuda se os detalhes já forem fornecidos. O ajuste fino (fine-tuning) ensina estilo e formato mais do que a recuperação factual confiável, e ainda pode alucinar. Uma sutileza: a qualidade do RAG depende da precisão da recuperação e da divisão em blocos (chunking), portanto, embeddings e filtros de metadados são importantes. Esse padrão se adapta a catálogos dinâmicos onde as especificações mudam com frequência e a precisão é contratual.

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.