MédiaMúltipla escolha

Questão de prática de AI-102

Uma empresa usa o Azure OpenAI para gerar descrições de produtos. Eles querem garantir que as descrições tenham um estilo e um tom consistentes. Qual estratégia devem usar?

Escolha a melhor resposta.

Resposta correta

  • BFornecer alguns exemplos do estilo desejado no prompt (few-shot learning).

Explicação

O aprendizado com poucos exemplos (few-shot learning, opção B) é a estratégia correta porque controla diretamente o estilo e o tom, fornecendo exemplos do resultado desejado dentro do prompt. Isso aproveita a capacidade de aprendizado em contexto do modelo sem modificar os pesos subjacentes dele, tornando-o ideal para impor consistência sem o custo e a complexidade do ajuste fino (fine-tuning).

Por que cada alternativa está certa ou errada

A

Incorreta

Fazer um fine-tune do modelo em um conjunto de dados de descrições de produtos.

O ajuste fino altera os pesos do modelo usando exemplos rotulados, portanto ele ensina novos padrões em vez de restringir a saída a um estilo existente. É tentador porque o ajuste fino realmente se adapta bem à adaptação de domínio, como ensinar a um modelo terminologia ou formatos específicos da empresa. Aqui, o requisito é a consistência de estilo e tom, o que a engenharia de prompt com uma mensagem do sistema alcança sem retreinamento.

B

Correta

Fornecer alguns exemplos do estilo desejado no prompt (few-shot learning).

O few-shot prompting fornece exemplos concretos do estilo e tom desejados diretamente no prompt, para que o modelo infira o registro e a estrutura desejados sem retreinamento. Isso satisfaz a restrição de consistência de forma mais confiável do que apenas instruções zero-shot, já que os padrões são demonstrados em vez de descritos.

C

Incorreta

Definir max_tokens com um valor pequeno para limitar o comprimento da saída.

max_tokens limita apenas o comprimento da resposta; ele não restringe o vocabulário, a fraseologia ou o tom, portanto o estilo ainda varia entre as gerações. É tentador porque saídas mais curtas parecem uniformes, mas a abordagem correta fornece exemplos de estilo ou uma mensagem do sistema que define o tom desejado.

D

Incorreta

Aumentar a temperatura para 1.0 para mais criatividade.

A temperatura controla a aleatoriedade da amostragem; aumentá-la para 1.0 eleva a variação, minando diretamente o estilo e o tom consistentes. É tentador porque a criatividade é desejável para textos de marketing, mas a consistência exige uma temperatura baixa somada a uma mensagem do sistema que especifique a voz desejada.

Para se aprofundar

O few-shot prompting funciona porque o modelo realiza aprendizado em contexto: os pares de exemplos que você coloca no prompt agem como tokens de condicionamento que deslocam a distribuição de probabilidade dos tokens subsequentes em direção ao padrão demonstrado, sem alterar nenhum peso. Isso é transitório — o efeito desaparece assim que a janela de contexto é limpa, ao contrário do ajuste fino, que incorpora o estilo nos parâmetros do modelo por meio de atualizações de gradiente. Um limite prático é a janela de contexto: os exemplos consomem tokens que contam para o custo e podem esvaziar a solicitação real, e prompts muito longos podem diluir o sinal. Em um pipeline de descrição de produtos, incorporar dois ou três exemplos com voz consistente na mensagem do sistema direciona de forma confiável o tom para cada chamada, e você pode trocar os exemplos por categoria de produto sem retreinar nada.

Sobre estas questões de prática

Esta é uma das questões de prática originais de AI-102 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.