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.
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.