возможности Claude: Claude в Amazon Bedrock

О чём урок

Проверьте свои знания по материалам раздела.

1. Какую основную проблему решает подход Retrieval Augmented Generation (RAG) для больших языковых моделей (LLM), таких как Claude?

1. Ускорение скорости генерации ответов Claude за счет использования более крупных моделей.
2. Предоставление Claude доступа к внешней, актуальной и специфической информации, отсутствующей в его исходных обучающих данных.
3. Снижение вычислительных затрат на обучение Claude.
4. Исключительно для улучшения грамматики и стиля ответов Claude.

Ответ: B — RAG позволяет LLM получать доступ к внешней, актуальной и специфической информации (например, внутренним документам компании), которая не была включена в его тренировочные данные, тем самым повышая точность и релевантность ответов.

2. Какова основная цель создания эмбеддингов и их последующего сохранения в векторной базе данных в RAG-пайплайне?

1. Эмбеддинги используются для сжатия исходных текстовых фрагментов, чтобы экономить место в хранилище.
2. Векторная база данных позволяет хранить исходный текст фрагментов для последующего прямого поиска по ключевым словам.
3. Эмбеддинги преобразуют текст в числовые векторы, позволяя векторной базе данных эффективно искать семантически похожие фрагменты.
4. Основная цель — нормализовать длины текстовых фрагментов для единообразного отображения.

Ответ: C — Эмбеддинги — это числовые векторные представления текста, которые улавливают семантическое значение. Векторная база данных оптимизирована для хранения этих эмбеддингов и быстрого поиска семантически похожих векторов, что является ключом к извлечению релевантной информации.

3. В контексте векторных баз данных и поиска сходства, что означает косинусное сходство, близкое к 1?

1. Векторы указывают в противоположных направлениях, что означает низкое сходство.
2. Векторы перпендикулярны, что указывает на отсутствие связи.
3. Векторы очень сильно похожи и указывают в одном направлении.
4. Значение 1 указывает на ошибку в расчете.

Ответ: C — Косинусное сходство измеряет косинус угла между двумя векторами. Чем меньше угол (т.е., векторы указывают в одном направлении), тем больше косинус этого угла и тем ближе он к 1, что означает очень высокое семантическое сходство.

4. Какое ограничение чисто семантического поиска решает алгоритм BM25 в гибридном RAG-конвейере?

1. Семантический поиск не может обрабатывать очень большие…