Este browser já não é suportado.
Atualize para o Microsoft Edge para tirar partido das mais recentes funcionalidades, atualizações de segurança e de suporte técnico.
Qual é o principal objetivo da geração aumentada por recuperação (RAG)?
Reeducar um modelo de linguagem sempre que a informação da fonte muda.
A respostas geradas no terreno em informação relevante recolhida de uma fonte de dados.
Para substituir um modelo de linguagem por um motor de busca.
Porque é que documentos grandes são frequentemente divididos em blocos antes de serem indexados?
Assim, a solução pode recuperar passagens focadas que encaixam eficientemente num prompt.
Assim, cada bloco pode ser usado para treinar um modelo de linguagem separado.
Assim, os documentos originais já não precisam de ser guardados.
O que representa um embedding numa solução RAG?
Um vetor numérico que capta características semânticas do conteúdo.
Um conjunto de instruções que define o comportamento do modelo.
Uma resposta final gerada para um utilizador.
Que abordagem de pesquisa pode encontrar uma passagem sobre 'custos de viagem da empresa' quando a pergunta pergunta sobre 'despesas de viagem de negócios', mesmo que as palavras sejam diferentes?
Pesquisa vetorial semântica.
Um nome de ficheiro corresponde exatamente.
Seleção aleatória de documentos.
Uma resposta RAG é fluente, mas contém um limite de política incorreto. O que deve ser examinado primeiro?
Se a passagem correta e atual da política foi recuperada e fornecida como contexto.
Se o modelo de linguagem consegue produzir uma resposta mais longa.
Se mais documentos não relacionados podem ser adicionados ao enunciado.
Tem de responder a todas as questões antes de verificar o seu trabalho.
Esta página foi útil?
Precisa de ajuda com este tópico?
Quer tentar utilizar o perguntar e Aprender para obter esclarecimentos ou orientações ao longo deste tópico?