Questão de Engenharia de Software — Inteligencia Artificial — FGV 2024
Engenharia de Software›Inteligencia Artificial
Código
fg099866
Banca
FGV
Órgão
TJ-RR
Ano
2024
Nível
Superior
Cargo
Analista Judiciário - Ciência de Dados e Analytics
Modelos de linguagem de larga escala (Large Language Models - LLM) são frequentemente utilizados em processamento de linguagem natural, e podem gerar resultados inesperados em resposta às consultas dos usuários. Essas respostas são chamadas de alucinações dos modelos. Uma técnica usada para se evitar tais alucinações consiste em combinar os modelos generativos com sistemas de recuperação de informações, permitindo buscas em bases de dados mais confiáveis e melhorando a qualidade das respostas geradas.A essa técnica dá-se o nome de
ALematização (Lemmatization).
BRecuperação por Análise de Dependência (Dependency Parsing Retrieval).
CRecuperação de Entidades Nomeadas (Named Entity Retrieval).
DGeração Aumentada por Recuperação (Retrieval-Augmented Generation).
EGeração de Partes do Discurso (Part-of-Speech Generation).
Revelar gabarito e comentário▾
GabaritoD — Geração Aumentada por Recuperação (Retrieval-Augmented Generation).
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”.
Técnica para evitar alucinações em LLMs
Gabarito: letra D. A técnica descrita combina modelos generativos com sistemas de recuperação de informações, permitindo buscas em bases de dados confiáveis para melhorar a qualidade das respostas – exatamente o que define a Geração Aumentada por Recuperação (Retrieval-Augmented Generation – RAG).
A banca testa o conhecimento sobre uma das principais abordagens para mitigar alucinações em Large Language Models (LLMs). O RAG funciona em duas etapas: (1) recuperação de informações relevantes de uma base externa, e (2) geração de texto com base nesse contexto enriquecido. As demais alternativas são termos legítimos de Processamento de Linguagem Natural, mas não correspondem à técnica descrita.
Alternativa A — ❌ Incorreta
A Lematização é uma técnica de normalização textual que reduz palavras à sua forma base (ex.: "correndo" → "correr"). Não envolve recuperação de informações nem combinação com geração.
Alternativa B — ❌ Incorreta
Recuperação por Análise de Dependência não é uma técnica estabelecida. A análise de dependência (dependency parsing) é usada para extrair relações gramaticais em uma frase, mas não é um método de recuperação de informações integrado a modelos generativos.
Alternativa C — ❌ Incorreta
Recuperação de Entidades Nomeadas refere-se à extração de entidades (pessoas, lugares, etc.) de um texto. Embora possa ser parte de um sistema de recuperação, não é a técnica que combina geração com recuperação para evitar alucinações.
Alternativa D — ✅ Correta ⟵ GABARITO
A Geração Aumentada por Recuperação (RAG) é exatamente a técnica descrita no enunciado. Conforme o material de apoio, "o RAG (Retrieval-Augmented Generation) é uma técnica de inteligência artificial que combina recuperação de informações com geração de texto" e "melhora a qualidade das respostas de modelos de linguagem ao integrar dados contextuais externos". Essa abordagem reduz alucinações ao fornecer ao modelo fontes confiáveis durante a geração.
Alternativa E — ❌ Incorreta
Geração de Partes do Discurso (Part-of-Speech Generation) não é uma técnica comum. A etiquetagem de partes do discurso (POS tagging) é uma tarefa de classificação, não de geração combinada com recuperação.
PEGA ESSA DICA!
Ao encontrar definições técnicas em questões de IA, destaque os elementos-chave do enunciado: "combinar modelos generativos com sistemas de recuperação de informações" é a assinatura do RAG. Memorize a sigla e o conceito – é um dos tópicos mais recorrentes em provas sobre LLMs e IA generativa.