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.
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.