MédiaMúltipla escolha

Questão de prática de AI-900

O que é 'geração aumentada por recuperação' (RAG) e quais serviços do Azure normalmente a implementam?

Escolha a melhor resposta.

Resposta correta

  • BCombinar o Azure AI Search (recuperação) com o Azure OpenAI (geração) para fundamentar as respostas do LLM em uma base de conhecimento

Explicação

A Geração Aumentada por Recuperação (RAG) é um padrão que combina uma etapa de recuperação com uma etapa gerativa. No Azure, isso é normalmente implementado usando o Azure AI Search para recuperar documentos ou trechos relevantes de uma base de conhecimento e, em seguida, repassar esses resultados como contexto para um modelo do Azure OpenAI (por exemplo, GPT-4) para gerar uma resposta fundamentada baseada em fatos. Essa abordagem reduz alucinações e garante que a saída seja baseada em dados confiáveis, em vez de depender apenas dos dados de treinamento do modelo.

Por que cada alternativa está certa ou errada

A

Incorreta

Usar o Azure Storage para recuperar dados de treinamento para ajuste fino de modelos

O RAG recupera conteúdo de fundamentação no momento da consulta e o injeta no prompt; ele não busca dados de treinamento para ajuste fino, o que altera os pesos do modelo em vez de aumentar os prompts. É tentador porque ambos envolvem o Azure Storage e modelos de linguagem. Esta opção estaria correta quando o requisito for fazer o ajuste fino de um modelo em dados de treinamento armazenados.

B

Correta

Combinar o Azure AI Search (recuperação) com o Azure OpenAI (geração) para fundamentar as respostas do LLM em uma base de conhecimento

O RAG recupera documentos relevantes de uma base de conhecimento e os fornece como contexto para o modelo de linguagem, de modo que as respostas sejam fundamentadas nesses dados. O Azure AI Search realiza a recuperação e o Azure OpenAI realiza a geração, reduzindo alucinações.

C

Incorreta

Usar o Azure CDN para entregar conteúdo gerado por IA mais rapidamente em todo o mundo

Uma CDN faz cache e distribui geograficamente respostas estáticas ou geradas; ela não realiza recuperação de documentos de fundamentação nem aumento de prompt, portanto, não pode implementar o RAG. É tentador porque os pontos de extremidade RAG se beneficiam da entrega de baixa latência. O Azure CDN seria a escolha certa quando o requisito for acelerar a entrega global de conteúdo já gerado.

D

Incorreta

Um método de compactação de grandes conjuntos de dados antes de treinar modelos de linguagem

O RAG recupera documentos relevantes e os anexa ao prompt no momento da inferência; ele não compacta conjuntos de dados nem altera o treinamento. É tentador porque os índices de recuperação e as incorporações consomem armazenamento, mas a compactação não está relacionada à fundamentação. A compactação de conjuntos de dados seria a abordagem correta quando o objetivo for encolher corpora de treinamento ou reduzir o tamanho do modelo.

Para se aprofundar

O RAG funciona convertendo a consulta de um usuário em uma incorporação vetorial, executando uma busca por similaridade em um corpus indexado e injetando as passagens recuperadas de topo no prompt do LLM como contexto de fundamentação antes da geração. No Azure, o Azure AI Search fornece o índice vetorial/híbrido e o ranqueador semântico, enquanto o Azure OpenAI fornece modelos de incorporação e conclusão de bate-papo; a orquestração geralmente é conectada por meio do recurso 'Adicionar seus dados', do Azure AI Studio ou do Semantic Kernel. Um comportamento sutil que vale a pena conhecer: a qualidade da recuperação limita a qualidade da resposta, portanto, o tamanho dos trechos, a sobreposição e a pontuação híbrida afetam materialmente as taxas de alucinação. Um cenário realista é um assistente de política interna de RH que deve citar documentos atuais em vez de depender de conhecimento pré-treinado desatualizado.

Sobre estas questões de prática

Esta é uma das questões de prática originais de AI-900 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.