Modulbewertung

1.

Was ist der Hauptzweck von Retrieval-Augmented Generation (RAG)?

Ein Sprachmodell neu trainieren, wenn sich die Quellinformationen ändern.

Um generierte Antworten auf relevante Informationen zu stützen, die aus einer Datenquelle abgerufen wurden.

So ersetzen Sie ein Sprachmodell durch eine Suchmaschine.

2.

Warum werden große Dokumente häufig in Blöcke unterteilt, bevor sie indiziert werden?

So kann die Lösung fokussierte Passagen abrufen, die effizient in eine Eingabeaufforderung passen.

So kann jeder Block verwendet werden, um ein separates Sprachmodell zu trainieren.

Daher müssen die originalen Dokumente nicht mehr gespeichert werden.

3.

Was repräsentiert ein Embedding in einer RAG-Lösung?

Ein numerischer Vektor, der semantische Merkmale von Inhalten erfasst.

Eine Reihe von Anweisungen, die das Verhalten des Modells definieren.

Eine endgültige Antwort, die für einen Benutzer generiert wurde.

4.

Welcher Suchansatz kann eine Passage über "Reisekosten des Unternehmens" finden, wenn die Abfrage nach "Geschäftsreisekosten" fragt, auch wenn sich die Wörter unterscheiden?

Semantikvektorsuche.

Exakte Übereinstimmung des Dateinamens.

Zufällige Dokumentauswahl.

5.

Eine RAG-Antwort ist fließend, enthält aber einen falschen Richtliniengrenzwert. Was sollte zuerst untersucht werden?

Gibt an, ob die richtige und aktuelle Richtlinienpassage abgerufen und als Kontext bereitgestellt wurde.

Gibt an, ob das Sprachmodell eine längere Antwort erzeugen kann.

Gibt an, ob der Eingabeaufforderung weitere nicht verknüpfte Dokumente hinzugefügt werden können.

Feedback