WorksheetsDomande sull'AI
Total questions: 26
Worksheet time: 13mins
Che cos'è la Generazione potenziata dal recupero (RAG)?
Una tecnica per addestrare i Modelli Linguistici di Grandi Dimensioni (LLM) da zero su nuovi dataset.
Un metodo che combina sistemi di recupero con modelli generativi per creare risposte più accurate.
Un processo esclusivamente per la generazione di immagini da descrizioni testuali.
Un tipo di fine-tuning che modifica i pesi interni di un LLM.
Qual è uno dei principali vantaggi della RAG nelle applicazioni di AI generativa?
Elimina la necessità di qualsiasi pre-addestramento degli LLM.
Aumenta la dimensione massima della finestra di contesto (token window) degli LLM.
Riduce la probabilità che gli LLM generino output inaccurati o fuorvianti (allucinazioni).
Sostituisce la revisione umana nelle applicazioni AI critiche.
Come si confronta la RAG con il fine-tuning tradizionale per l'aggiornamento delle informazioni negli LLM?
Il fine-tuning è generalmente più conveniente e rapido per gli aggiornamenti.
La RAG richiede risorse computazionali significativamente maggiori rispetto al fine-tuning.
La RAG consente l'introduzione di nuovi dati semplicemente caricando un documento, evitando costosi riaddestramenti completi dell'LLM.
Il fine-tuning viene utilizzato principalmente per ridurre le allucinazioni, mentre la RAG si concentra sulla funzionalità del modello.
Quale delle seguenti NON è una delle tre fasi principali dell'architettura RAG?
Preparazione dei dati.
Recupero.
Analisi dell'output.
Generazione.
Qual è lo scopo del "chunking" nella fase di preparazione dei dati della RAG?
Convertire i documenti in un formato compatibile come il PDF.
Applicare operazioni matematiche per stabilire somiglianze tra i dati.
Suddividere il testo in unità più piccole per un recupero più agile.
Salvare i dati combinati da diverse fonti in un unico repository.
Secondo la ricerca citata, quale strategia di chunking si dimostra spesso più efficiente e affidabile per le applicazioni RAG pratiche su documenti del mondo reale?
Chunking semantico, grazie alla sua capacità di catturare la diversità degli argomenti.
Chunking ibrido, che combina metodi a dimensione fissa e semantici.
Chunking a dimensione fissa, grazie alla sua efficienza e affidabilità.
Chunking sensibile al contesto, basato sul feedback degli agenti AI.
Qual è la funzione degli "embeddings" nella fase di integrazione della RAG?
Archiviare i documenti grezzi nel loro formato originale.
Convertire testo (o immagini) in vettori numerici che catturano il significato essenziale.
Estrarre, trasformare e caricare i dati dai documenti.
Eseguire ricerche semantiche su Internet.
Come vengono organizzati i vettori in un database vettoriale per la RAG?
Casualmente, per prevenire bias.
Per data di creazione, per il recupero cronologico.
In modo che concetti simili siano archiviati in coordinate adiacenti.
In base al numero di token che contengono.
Come affronta la RAG le preoccupazioni relative alla sovranità e alla privacy dei dati?
Criptando tutti i dati prima che vengano utilizzati per l'addestramento degli LLM.
Utilizzando sempre LLM open-source che non archiviano i dati degli utenti.
Mantenendo i dati sensibili on-premise e limitando l'accesso in base a livelli di autorizzazione.
Eliminando tutti i dati recuperati immediatamente dopo.
Che cos'è un' "allucinazione" nel contesto dell'Intelligenza Artificiale?
Un bug software che causa il crash di un LLM.
Una risposta generata da un'AI che contiene dati falsi o fuorvianti presentati come fatti.
Un'illusione visiva creata da un generatore di immagini AI.
Una vulnerabilità di sicurezza nell'architettura di un LLM.
Quale dei seguenti NON è elencato come motivo comune per cui gli LLM hanno allucinazioni?
Richieste ambigue.
Conoscenza obsoleta.
Eccessiva potenza computazionale.
Ragionamento complesso.
Oltre alla RAG, quale altra strategia è consigliata per prevenire le allucinazioni negli LLM?
Utilizzare sempre il zero-shot prompting.
Aumentare la complessità delle query dell'utente.
Implementare processi di revisione umana per applicazioni critiche.
Affidarsi esclusivamente ai controlli di auto-coerenza dell'LLM.
Che cos'è il "Prompt Engineering"?
Il processo di generazione automatica di modelli di machine learning.
L'arte di porre la domanda giusta per ottenere il miglior output da un LLM.
Lo sviluppo di nuovo hardware per i sistemi AI.
La conversione automatica del linguaggio naturale in codice.
Perché il prompt engineering è essenziale per i modelli di AI generativa?
Sostituisce la necessità di grandi dataset di addestramento.
Aiuta l'AI a comprendere l'intento dietro una query per controllare la risposta e ridurre i bias.
Aggiorna automaticamente la base di conoscenza dell'LLM in tempo reale.
Limita la capacità dell'AI di generare contenuti creativi.
Qual è l'idea centrale del "Chain-of-Thought (CoT) prompting"?
Fornire un singolo prompt molto lungo all'LLM.
Guidare l'AI a seguire una progressione logica di passaggi di ragionamento per giungere a una conclusione.
Permettere all'AI di generare più risposte e poi scegliere la più coerente.
Fare il fine-tuning dell'LLM su un dataset specifico di problemi complessi.
Uno dei vantaggi del CoT Prompting è che fornisce:
Una risposta definitiva e immutabile senza ulteriore elaborazione.
Una finestra interpretabile sul comportamento del modello, suggerendo come sia arrivato a una risposta.
La capacità di operare efficacemente con modelli linguistici molto piccoli (LLM).
Un modo per aggirare le considerazioni etiche nello sviluppo dell'AI.
A quale scala di parametri degli LLM il Chain-of-Thought prompting inizia tipicamente a mostrare guadagni positivi di prestazioni?
Per tutti i modelli, indipendentemente dalla dimensione.
Solo per modelli con meno di 1 miliardo di parametri.
Quando utilizzato con modelli di circa 100 miliardi di parametri.
Principalmente con modelli progettati per la generazione di immagini.
A cosa si riferisce il "tokenization limit" negli LLM?
Il numero massimo di epoche di addestramento per un modello.
Il numero massimo di token che un LLM può elaborare in una singola finestra di contesto.
La velocità con cui un LLM può generare token.
Il numero di parole uniche che un LLM conosce.
Qual è l'implicazione di un LLM con una finestra di token più grande?
Riduce significativamente il tempo di addestramento del modello.
Permette una comprensione semantica meno precisa.
Consente una migliore comprensione del contesto e delle dipendenze a lungo raggio, migliorando la qualità delle risposte.
Rende il modello meno versatile per diversi compiti.
Se un documento di input è troppo lungo per la finestra di token di un LLM, quale strategia è suggerita per gestire questo limite?
Suddividere il documento in query separate e indipendenti.
Utilizzare tecniche come la riassunto automatico per ridurre il contenuto prima dell'elaborazione.
Aumentare il numero di parametri di addestramento dell'LLM.
Raddestrare l'LLM con un vocabolario personalizzato più ampio.
Secondo la tesi, quale sfida affrontano gli LLM quando generano diagrammi UML da descrizioni testuali?
Non possono elaborare descrizioni testuali in linguaggio naturale.
Producono sempre diagrammi sintatticamente errati.
A volte faticano a interpretare correttamente il testo, a individuare le informazioni rilevanti e a rispettare regole sintattiche precise.
Sono troppo lenti per la generazione pratica di diagrammi UML.
Quale dei seguenti è uno dei sei criteri utilizzati per valutare la qualità dei diagrammi UML generati automaticamente nello studio?
Efficienza computazionale del processo di generazione.
Attrazione estetica della combinazione di colori del diagramma.
Conformità alla sintassi UML.
Compatibilità con tutti gli strumenti di modellazione commerciali.
Qual è una caratteristica chiave dello strumento Apollon utilizzato nello studio sulla generazione di diagrammi UML?
È uno strumento proprietario esclusivamente per la generazione di codice.
Supporta solo la creazione manuale di diagrammi, senza valutazione automatica.
È uno strumento web-based per la modellazione visiva, che supporta la valutazione automatica e l'importazione/esportazione JSON.
È limitato alla generazione di soli diagrammi di sequenza.
A quale scopo viene utilizzato l'Indice Gulpease nel contesto dello studio sulla generazione UML?
Per misurare la complessità dei diagrammi UML.
Per stimare il costo computazionale di diversi LLM.
Per valutare la leggibilità del testo italiano, stimandone la complessità sintattica e lessicale.
Per classificare gli errori nelle strutture dei file JSON.
Come è stato sviluppato il prompt finale nello studio sulla generazione di diagrammi UML?
Utilizzando un modello di prompt universale predefinito.
Attraverso una singola fase di progettazione da parte di esperti umani.
Attraverso un processo iterativo di raffinamento, aggiornando il prompt dopo ogni errore di generazione, a volte basandosi sul feedback del modello stesso.
Esclusivamente tramite il Model-Driven Prompt Engineering (MDPE).
Secondo i risultati sperimentali presentati nello studio, quale LLM ha dimostrato le prestazioni più affidabili e coerenti nella generazione di diagrammi UML?
Qwen 3.
DeepSeek v3.
Gemini 2.5 Pro.
ChatGPT (GPT-4o).
