Pular para o conteúdo principal

Questão de Engenharia de Software — Engenharia da Informação — FGV 2024

Engenharia de SoftwareEngenharia da Informação
Código
fg097484
Banca
FGV
Órgão
TCE-PA
Ano
2024
Nível
Superior
Cargo
Auditor de Controle Externo - Área de Informática - Analista de Sistemas
Alguns dos primeiros modelos de linguagem de larga escala desenvolvidos tendiam a gerar resultados incorretos com excesso de confiança, caracterizando o que se convencionou chamar de alucinações dos modelos. Uma estratégia de mitigação das alucinações é o uso da técnica de Geração Aumentada por Recuperação, ou Retrieval-Augmented Generation (RAG).A respeito da RAG, avalie as afirmativas a seguir.I. Baseia-se na combinação de sistemas de recuperação de informações e de modelos generativos capazes de produzir novos textos.II. Permite aos modelos buscarem informações relevantes em bases de dados mais confiáveis durante o processamento das consultas dos usuários (user queries), viabilizando melhor adequação a contextos e melhor qualidade das respostas.III. Não altera os parâmetros dos modelos generativos, e, portanto, não influencia o treinamento das redes neurais com informações recuperadas de bases de dados externas.Está correto o que se afirma em
  1. AI, apenas.
  2. BII, apenas.
  3. CIII, apenas.
  4. DI e II, apenas.
  5. EI, II e III.
Revelar gabarito e comentário

GabaritoE — I, II e III.

Comentário gerado por IA. É um apoio ao estudo, ancorado em fontes, mas pode conter imprecisões — confira sempre na fonte oficial (lei, súmula, edital e gabarito da banca). Encontrou um erro? Use “Reportar”.

RAG (Retrieval-Augmented Generation)

Gabarito: letra E. As três afirmativas estão corretas. A RAG combina um sistema de recuperação de informações com um modelo generativo (I), permite buscar dados confiáveis durante a consulta para melhorar a resposta (II) e não altera os parâmetros do modelo, apenas fornece contexto adicional (III).

1Combinação
Sistema de recuperação (retrieval)
Modelo generativo (LLM)
2Funcionamento
Converte consulta em vetor
Busca documentos semelhantes
Alimenta LLM com contexto
3Características
Acesso a bases confiáveis
Melhora adequação ao contexto
Não altera parâmetros do modelo
Técnica de aumento de prompt
RAG (Retrieval-Augmented Generation)
LEVELsoulevel.com.br
RAG (Retrieval-Augmented Generation): Combinação (Sistema de recuperação (retrieval), Modelo generativo (LLM)); Funcionamento (Converte consulta em vetor, Busca documentos semelhantes, Alimenta LLM com contexto); Características (Acesso a bases confiáveis, Melhora adequação ao contexto, Não altera parâmetros do modelo, Técnica de aumento de prompt)

Item I — ✅ Correto

A RAG realmente se baseia na combinação de um sistema de recuperação (retrieval) com um modelo generativo (LLM). O conteúdo de apoio descreve exatamente isso: primeiro converte a pergunta em vetor, busca documentos semelhantes e depois alimenta o LLM com esse contexto.

Item II — ✅ Correto

Ao recuperar informações de bases de dados externas (como documentos corporativos) durante o processamento da consulta, a RAG permite que o modelo acesse dados mais confiáveis e específicos, melhorando a adequação ao contexto e a qualidade da resposta. O conteúdo de apoio menciona "fundamentando os dados da sua empresa" e usa o termo "fundamentação dos dados".

Item III — ✅ Correto

A RAG é uma técnica de aumento de prompt, não de fine-tuning. Ela não modifica os pesos ou parâmetros do modelo generativo; apenas insere os documentos recuperados no contexto da consulta. O modelo treinado permanece inalterado, como ilustrado no código onde o histórico é adicionado à mensagem, mas não há alteração nos parâmetros do modelo.

Conclusão: Todas as afirmativas I, II e III estão corretas. Portanto, a alternativa que as contém é a letra E.

Link permanente: /questoes/fg097484