Resposta correta
- BImplementar Retrieval-Augmented Generation (RAG) fundamentando os prompts com uma base de conhecimento.
Explicação
Retrieval-Augmented Generation (RAG) fundamenta a resposta do modelo em uma base de conhecimento externa e confiável, fornecendo contexto factual que reduz diretamente as alucinações. Ao recuperar documentos relevantes e injetá-los no prompt, o modelo gera respostas com base em informações verificadas em vez de depender exclusivamente de sua memória paramétrica, que é a principal causa de imprecisões factuais no Azure OpenAI Service.
Para se aprofundar
Nos bastidores, o RAG funciona incorporando consultas de usuários e documentos de bases de conhecimento em um espaço vetorial usando modelos como text-embedding-ada-002, realizando em seguida uma busca de similaridade (por exemplo, similaridade de cosseno) para recuperar os principais trechos relevantes. Esses trechos são pré-anexados ao prompt, restringindo efetivamente a geração do modelo ao contexto recuperado, o que reduz a probabilidade de alucinação ao limitar a dependência do modelo da distribuição de seus dados de treinamento. Em um cenário do mundo real, um catálogo de produtos com milhares de SKUs pode ser indexado no Azure Cognitive Search, e o pipeline de RAG garante que cada descrição gerada faça referência às especificações reais do produto no banco de dados.
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.