Como a Geração Aumentada por Recuperação melhora as respostas de um grande modelo de linguagem?
Questão
Como a Geração Aumentada por Recuperação melhora as respostas de um grande modelo de linguagem?
Alternativas
Aumentando o tamanho do conjunto de dados de treinamento.
Usando uma rede neural maior para processar os dados de entrada.
Otimizando os parâmetros internos do modelo com mais frequência.
Ao incorporar dados relevantes recuperados de um banco de dados vetorial.
Explicação
A Geração Aumentada por Recuperação (RAG) melhora as respostas de um grande modelo de linguagem porque busca informações externas relevantes (por similaridade semântica) em uma fonte como um banco de dados vetorial e insere esse conteúdo no contexto do prompt antes (ou durante) a geração.
Passo a passo do porquê isso melhora as respostas:
- Recuperação (retrieval): a pergunta do usuário é convertida em embedding e usada para localizar trechos/documentos mais relevantes em uma base vetorial.
- Aumento de contexto (augmentation): os trechos recuperados são adicionados ao contexto que o modelo “vê”.
- Geração (generation): o modelo responde ancorado nessas evidências, o que tende a aumentar precisão, atualidade (dependendo da base) e reduzir alucinações.
As outras alternativas não descrevem RAG: ele não aumenta diretamente o dataset de treinamento, não exige uma rede maior, e não é sobre otimizar parâmetros internos com mais frequência, e sim sobre adicionar conhecimento externo recuperado no momento da resposta.
Alternativa correta: (D).