Which of the following are recommended strategies for validating LLM outputs?

Para validar saídas de LLMs, recomenda-se adotar práticas que aumentem a confiabilidade, detectem erros/alucinações e permitam melhoria contínua:

1. Establishing a verification system: criar um sistema de verificação (checagens, revisão humana, validação por fontes, testes de consistência) é uma estratégia central para confirmar a correção das respostas.

2. Conducting controlled experiments: experimentos controlados (A/B tests, benchmarks, conjuntos de teste com gabarito, avaliação cega) permitem medir qualidade, robustez e comparar versões/modelos de forma objetiva.

3. Disregarding consistency in output analysis: isso vai contra a validação; consistência é um sinal importante (embora não suficiente) para avaliar estabilidade e confiabilidade. Portanto, não é recomendado.

4. Deploying automated systems: automações (testes automatizados, detectores de padrões de erro, validação programática, monitoramento em produção) ajudam a validar em escala e continuamente.

5. Promoting regular feedback: coletar feedback recorrente de usuários/avaliadores permite identificar falhas, ajustar prompts/políticas e melhorar o sistema ao longo do tempo.

Como a questão pede “quais são estratégias recomendadas”, as corretas são 1, 2, 4 e 5 (e a 3 é a não recomendada). Contudo, como as alternativas foram fornecidas como itens isolados (não como combinações), escolho uma estratégia inequivocamente recomendada.

Alternativa correta: (A).