MédiaVárias respostas

Questão de prática de AI-102

Quais são os TRÊS componentes necessários para implementar uma solução de Geração Aumentada por Recuperação (RAG) com o Azure OpenAI Service? (Escolha três.)

Escolha todas as respostas corretas.

Respostas corretas

  • AUm modelo de embedding (por exemplo, text-embedding-ada-002)
  • CUm modelo do Azure OpenAI Service (LLM)
  • EUm banco de dados vetorial (por exemplo, Azure AI Search)

Explicação

Um modelo de embedding como text-embedding-ada-002 é essencial para converter consultas de usuários e trechos de documentos em representações vetoriais densas. Esses vetores permitem a busca de similaridade semântica em um banco de dados vetorial, que é a principal etapa de recuperação no RAG. Sem embeddings, o sistema não consegue associar a intenção do usuário ao conteúdo relevante.

Por que cada alternativa está certa ou errada

A

Correta

Um modelo de embedding (por exemplo, text-embedding-ada-002)

Modelos de embedding convertem documentos em representações vetoriais.

B

Incorreta

Um modelo ajustado (fine-tuned)

O fine-tuning não é obrigatório para RAG.

C

Correta

Um modelo do Azure OpenAI Service (LLM)

O LLM gera respostas com base no contexto recuperado.

D

Incorreta

Azure AI Content Safety

O Content Safety é opcional, não obrigatório para RAG.

E

Correta

Um banco de dados vetorial (por exemplo, Azure AI Search)

Bancos de dados vetoriais armazena embeddings e permitem busca de similaridade.

Para se aprofundar

Um padrão RAG com o Azure OpenAI Service precisa de três partes móveis. Um modelo de embedding como text-embedding-ada-002 converte trechos de origem e a consulta do usuário em vetores no mesmo espaço semântico. Um armazenamento de vetores, comumente o Azure AI Search com um índice vetorial, realiza busca de similaridade para recuperar os principais trechos relevantes. Um modelo de chat ou complementação do Azure OpenAI recebe esses trechos como contexto de base no prompt e gera a resposta. O fine-tuning não é obrigatório porque o RAG injeta conhecimento no momento da inferência em vez de alterar pesos, e o Azure AI Content Safety é uma barreira de proteção opcional em vez de um pré-requisito funcional. Um limite sutil é que as dimensões de embedding e o esquema do índice devem corresponder, caso contrário, as consultas retornarão silenciosamente vizinhos ruins.

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.