Domande sull'AI

Che cos'è la Generazione potenziata dal recupero (RAG)?

• Una tecnica per addestrare i Modelli Linguistici di Grandi Dimensioni (LLM) da zero su nuovi dataset.

• Un metodo che combina sistemi di recupero con modelli generativi per creare risposte più accurate.

• Un processo esclusivamente per la generazione di immagini da descrizioni testuali.

• Un tipo di fine-tuning che modifica i pesi interni di un LLM.

Qual è uno dei principali vantaggi della RAG nelle applicazioni di AI generativa?

• Elimina la necessità di qualsiasi pre-addestramento degli LLM.

• Aumenta la dimensione massima della finestra di contesto (token window) degli LLM.

• Riduce la probabilità che gli LLM generino output inaccurati o fuorvianti (allucinazioni).

• Sostituisce la revisione umana nelle applicazioni AI critiche.

Come si confronta la RAG con il fine-tuning tradizionale per l'aggiornamento delle informazioni negli LLM?

• Il fine-tuning è generalmente più conveniente e rapido per gli aggiornamenti.

• La RAG richiede risorse computazionali significativamente maggiori rispetto al fine-tuning.

• La RAG consente l'introduzione di nuovi dati semplicemente caricando un documento, evitando costosi riaddestramenti completi dell'LLM.

• Il fine-tuning viene utilizzato principalmente per ridurre le allucinazioni, mentre la RAG si concentra sulla funzionalità del modello.

Quale delle seguenti NON è una delle tre fasi principali dell'architettura RAG?

• Preparazione dei dati.

• Recupero.

• Analisi dell'output.

• Generazione.

Qual è lo scopo del "chunking" nella fase di preparazione dei dati della RAG?

• Convertire i documenti in un formato compatibile come il PDF.

• Applicare operazioni matematiche per stabilire somiglianze tra i dati.

• Suddividere il testo in unità più piccole per un recupero più agile.

• Salvare i dati combinati da diverse fonti in un unico repository.

Secondo la ricerca citata, quale strategia di chunking si dimostra spesso più efficiente e affidabile per le applicazioni RAG pratiche su documenti del mondo reale?

• Chunking semantico, grazie alla sua capacità di catturare la diversità degli argomenti.

• Chunking ibrido, che combina metodi a dimensione fissa e semantici.

• Chunking a dimensione fissa, grazie alla sua efficienza e affidabilità.

• Chunking sensibile al contesto, basato sul feedback degli agenti AI.

Qual è la funzione degli "embeddings" nella fase di integrazione della RAG?

• Archiviare i documenti grezzi nel loro formato originale.

• Convertire testo (o immagini) in vettori numerici che catturano il significato essenziale.

• Estrarre, trasformare e caricare i dati dai documenti.

• Eseguire ricerche semantiche su Internet.

Come vengono organizzati i vettori in un database vettoriale per la RAG?

• Casualmente, per prevenire bias.

• Per data di creazione, per il recupero cronologico.

• In modo che concetti simili siano archiviati in coordinate adiacenti.

• In base al numero di token che contengono.

Come affronta la RAG le preoccupazioni relative alla sovranità e alla privacy dei dati?

• Criptando tutti i dati prima che vengano utilizzati per l'addestramento degli LLM.

• Utilizzando sempre LLM open-source che non archiviano i dati degli utenti.

• Mantenendo i dati sensibili on-premise e limitando l'accesso in base a livelli di autorizzazione.

• Eliminando tutti i dati recuperati immediatamente dopo.

Che cos'è un' "allucinazione" nel contesto dell'Intelligenza Artificiale?

• Un bug software che causa il crash di un LLM.

• Una risposta generata da un'AI che contiene dati falsi o fuorvianti presentati come fatti.

• Un'illusione visiva creata da un generatore di immagini AI.

• Una vulnerabilità di sicurezza nell'architettura di un LLM.