Évaluation du module

1.

Quel est l’objectif principal de la génération augmentée par recherche d’information (RAG) ?

Pour réentraîner un modèle de langage chaque fois que les informations sources changent.

Pour baser les réponses générées dans les informations pertinentes récupérées à partir d’une source de données.

Pour remplacer un modèle de langage par un moteur de recherche.

2.

Pourquoi les documents volumineux sont-ils généralement divisés en blocs avant qu’ils ne soient indexés ?

Ainsi, la solution peut récupérer des passages ciblés qui s’intègrent efficacement dans un prompt.

Ainsi, chaque bloc peut être utilisé pour entraîner un modèle de langage distinct.

Les documents d’origine n’ont donc plus besoin d’être stockés.

3.

Qu’est-ce qu’une incorporation représente dans une solution RAG ?

Vecteur numérique qui capture les caractéristiques sémantiques du contenu.

Ensemble d’instructions qui définissent le comportement du modèle.

Réponse finale générée pour un utilisateur.

4.

Quelle approche de recherche peut trouver un passage sur les « frais de voyage d’entreprise » lorsque la requête demande des « frais de voyage d’affaires », même si les mots diffèrent ?

Recherche vectorielle sémantique.

Correspondance exacte du nom de fichier.

Sélection aléatoire de documents.

5.

Une réponse RAG est fluide, mais contient une limite de politique incorrecte. Qu’est-ce qui doit être examiné en premier ?

Indique si le passage correct et actuel de la stratégie a été récupéré et fourni en tant que contexte.

Indique si le modèle de langage peut produire une réponse plus longue.

Indique si des documents non liés peuvent être ajoutés à l’invite.

Commentaires