무료 온라인 액세스 Databricks.Databricks-Generative-AI-Engineer-Associate.v2025-04-18.q15 모의 시험 (Page 2)

Databricks-Generative-AI-Engineer-Associate 문제 1

생성 AI 엔지니어는 최신 뉴스 기사와 주가에 액세스해야 하는 LLM 기반 애플리케이션을 만들고 있습니다.
이 설계에서는 델타 테이블에 저장된 주가를 활용하고, 인터넷 검색을 통해 최신 관련 뉴스 기사를 찾아야 합니다.
생성 AI 엔지니어는 LLM 시스템을 어떻게 설계해야 할까요?

A. LLM을 사용하여 최신 뉴스 기사를 요약하고 요약에서 주식 티커를 조회하여 주가를 찾습니다.

B. 델타 테이블에서 변동성이 큰 주가를 쿼리하고 LLM을 사용하여 검색 쿼리를 생성하여 주가 변동성의 잠재적 원인을 조사합니다.

C. 벡터 스토어에 뉴스 기사와 주가 정보를 다운로드하고 저장합니다. RAG 아키텍처를 사용하여 런타임에 검색하고 생성합니다.

D. 델타 테이블의 SQL 쿼리와 웹 검색을 위한 도구를 갖춘 에이전트를 생성하고, 검색된 값을 LLM에 제공하여 응답을 생성합니다.

정답: D

최신 뉴스 기사와 주가에 접근하는 LLM 기반 시스템을 구축하려면 특정 도구에 접근할 수 있는 에이전트를 만드는 것이 가장 좋은 방법입니다(옵션 D).
* SQL 및 웹 검색 기능을 갖춘 에이전트: 에이전트 기반 아키텍처를 사용하여 LLM은 외부 도구와 상호 작용할 수 있습니다. 에이전트는 SQL을 통해 델타 테이블(최신 주가)을 쿼리하고 웹 검색을 수행하여 최신 뉴스 기사를 검색할 수 있습니다. 이 모듈식 접근 방식은 시스템이 구조화된(주가) 및 구조화되지 않은(뉴스) 데이터 소스에 동적으로 액세스할 수 있도록 합니다.
* 이 접근 방식이 효과적인 이유:
* 주가에 대한 SQL 쿼리: 델타 테이블에는 주가가 저장되어 있으며, 상담원은 최신 데이터를 직접 쿼리하여 확인할 수 있습니다.
* 뉴스에 대한 웹 검색: 뉴스 기사의 경우, 에이전트는 검색어를 생성하고 가장 관련성이 높고 최신 기사를 검색한 다음, 이를 처리를 위해 LLM에 전달할 수 있습니다.
* 다른 옵션이 덜 적합한 이유:
* A (주가를 위한 뉴스 요약): 이 복잡한 접근 방식은 이미 델타 테이블에 구조화되어 저장되어 있는 주가를 검색할 때 정확성을 보장하지 못합니다.
* B (주가 변동성 쿼리): 이는 관련 정보를 검색할 수 있지만, 최신 뉴스 기사를 얻는 방법은 다루지 않습니다.
* C(벡터 스토어): 벡터 스토어에 뉴스 기사와 주가를 저장하는 경우 동적 쿼리가 아닌 기존 데이터에 의존하므로 주식 데이터와 뉴스 업데이트의 실시간 특성을 포착하지 못할 수 있습니다.
따라서 주가를 조회하기 위한 SQL과 뉴스 기사를 검색하기 위한 웹 검색에 모두 접근할 수 있는 에이전트를 이용하는 것이 최신의 정확한 응답을 보장하기 위한 가장 좋은 방법입니다.

Databricks-Generative-AI-Engineer-Associate 문제 2

생성 AI 엔지니어는 기사 내용을 고려하여 하이쿠와 같은 시의 형태로 기사 요약을 생성하는 LLM을 구축하고 있습니다. 그러나 LLM의 초기 출력은 원하는 톤이나 스타일과 일치하지 않습니다.
어떤 접근 방식이 LLM의 원하는 반응을 얻는 데 도움이 되지 않습니까?

A. LLM에 원하는 톤과 스타일로 텍스트를 생성하도록 명시적으로 지시하는 프롬프트를 제공합니다.

B. 중화제를 사용하여 기본 문서의 톤과 스타일을 정규화합니다.

C. LLM 프롬프트에 몇 가지 샷 예제를 포함합니다.

D. 원하는 톤과 스타일의 데이터세트에 대한 LLM 미세 조정

Databricks-Generative-AI-Engineer-Associate 문제 3

생성 AI 엔지니어는 Confluence 페이지나 Google Drive와 같은 내부 지식 기반에서 직원이 답변을 검색하는 데 도움이 되는 RAG 애플리케이션을 만들었습니다. 프로토타입 애플리케이션은 현재 회사 내부 테스터의 긍정적인 피드백을 받아 작동하고 있습니다. 이제 생성 AI 엔지니어는 시스템 성능을 공식적으로 평가하고 시스템을 더욱 개선하기 위해 어디에 노력을 집중해야 할지 파악하고자 합니다.
생성 AI 엔지니어는 시스템을 어떻게 평가해야 합니까?

A. 코사인 유사도 점수를 사용하여 최종 생성된 답변의 품질을 종합적으로 평가합니다.

B. 시스템의 검색 및 생성 구성 요소를 별도로 테스트할 수 있는 데이터 세트를 큐레이션합니다. MLflow의 기본 제공 평가 메트릭을 사용하여 검색 및 생성 구성 요소에 대한 평가를 수행합니다.

C. 동일한 데이터로 여러 LLM을 벤치마킹하고 해당 작업에 가장 적합한 LLM을 선택합니다.

D. LLM을 심사위원으로 활용하여 생성된 최종 답변의 질을 평가합니다.

Databricks-Generative-AI-Engineer-Associate 문제 4

LLM에 보내기 전에 사용자 정의 코드를 사용하여 프롬프트를 사전 처리하는 효과적인 방법은 무엇입니까?

A. 전처리 단계를 포함하도록 LLM의 내부 아키텍처를 직접 수정합니다.

B. LLM이 전처리된 프롬프트의 예제로 훈련되지 않았으므로 전처리 프롬프트에 사용자 정의 코드를 도입하지 않는 것이 좋습니다.

C. 프롬프트를 사전 처리하는 것보다 LLM 출력을 사후 처리하여 출력을 원하는 결과에 맞추는 것이 더 효과적입니다.

D. 프롬프트를 처리하는 별도의 함수가 있는 MLflow PyFunc 모델을 작성하세요.

정답: D

사용자 정의 코드를 사용하여 프롬프트를 사전 처리하는 가장 효과적인 방법은 MLflow PyFunc 모델과 같은 사용자 정의 모델을 작성하는 것입니다. 이것이 올바른 접근 방식인 이유에 대한 분석은 다음과 같습니다.
* MLflow PyFunc 모델: MLflow는 실험, 재현성 및 배포를 포함하여 머신 러닝 라이프사이클을 관리하는 데 널리 사용되는 플랫폼입니다. APyFuncmodel은 사전 처리 프롬프트를 포함하는 사용자 지정 논리를 구현할 수 있는 일반적인 Python 함수 모델입니다.
* 사전 처리 프롬프트: 사전 처리에는 사용자 입력 정리, 특정 규칙에 따른 포맷팅 또는 LLM에 전달하기 전에 추가 컨텍스트로 보강하는 것과 같은 다양한 작업이 포함될 수 있습니다. 이 사전 처리를 PyFunc 모델의 일부로 작성하면 사용자 지정 코드를 쉽게 관리, 테스트 및 배포할 수 있습니다.
* 모듈식 및 재사용 가능: 전처리 로직을 PyFunc 모델로 분리하면 시스템이 모듈화되어 핵심 LLM을 수정하거나 재교육할 필요 없이 유지 관리 및 업데이트가 더 쉬워집니다.
* 다른 옵션이 덜 적합한 이유:
* A(LLM의 내부 아키텍처 수정): LLM의 아키텍처를 직접 수정하는 것은 매우 비실용적이며 모델의 성능을 방해할 수 있습니다. LLM은 일반적으로 프롬프트 처리와 같은 작업에 대한 블랙박스 모델로 처리됩니다.
* B(사용자 정의 코드 사용 금지): LLM이 전처리된 프롬프트를 통해 명시적으로 학습되지 않은 것은 사실이지만, 전처리를 통해 모델을 혼란스럽게 하지 않고도 원하는 입력 형식에 대한 명확성과 정렬을 개선할 수 있습니다.
* C(출력 사후 처리): 출력 사후 처리가 유용할 수는 있지만, 모델의 응답 품질에 직접적인 영향을 미치는 깔끔하고 잘 구성된 입력에 대한 필요성은 해결하지 못합니다.
따라서 MLflow PyFunc 모델을 사용하면 확장 가능한 방식으로 유연하고 제어된 프롬프트 전처리가 가능하므로 가장 효과적인 방법입니다.

Databricks-Generative-AI-Engineer-Associate 문제 5

암 연구 분야의 소규모이고 비용 의식이 강한 스타트업이 Foundation Model API를 사용하여 RAG 애플리케이션을 구축하고자 합니다.
어떤 전략을 사용하면 스타트업이 비용을 의식하면서도 고객 요구 사항을 충족할 수 있고, 고품질의 RAG 애플리케이션을 구축할 수 있을까요?

A. RAG 애플리케이션에서 검색할 수 있는 관련 문서 수를 제한합니다.

B. 도메인별 소규모 LLM을 선택하세요

C. 고객이 하루에 보낼 수 있는 쿼리 수를 제한합니다.

D. 일반적인 쿼리에 대해 최상의 성능을 제공하기 때문에 가능한 가장 큰 LLM을 사용합니다.