무료 온라인 액세스 Databricks.Databricks-Generative-AI-Engineer-Associate.v2025-04-18.q15 모의 시험 (Page 4)

Databricks-Generative-AI-Engineer-Associate 문제 11

생성 AI 엔지니어가 LLM 기반 질의응답 애플리케이션을 구축하라는 요청을 받았습니다. 이 애플리케이션은 자주 게시되는 새로운 문서를 고려해야 합니다. 엔지니어는 이 애플리케이션을 최소 비용과 최소 개발 노력으로 구축하고 가능한 한 최저 비용으로 운영하기를 원합니다.
이러한 요구 사항을 충족하는 체이닝 구성요소와 구성의 어떤 조합이 있습니까?

A. 응용 프로그램에는 프롬프트, 검색기, LLM이 필요합니다. 검색기 출력은 LLM에 제공되어 답변을 생성하는 프롬프트에 삽입됩니다.

B. LLM은 최신 답변을 제공하기 위해 새로운 문서를 자주 사용해야 합니다.

C. 질의응답 방식의 응용 프로그램의 경우, 답변을 생성하려면 신속한 엔지니어링 지식과 LLM이 필요합니다.

D. 응용 프로그램에는 프롬프트, 에이전트 및 미세 조정된 LLM이 필요합니다. 에이전트는 LLM이 프롬프트에 삽입된 관련 콘텐츠를 검색하여 LLM에 제공되어 답변을 생성하는 데 사용됩니다.

Databricks-Generative-AI-Engineer-Associate 문제 12

어떤 회사는 자사 웹사이트에 RAG를 활용한 고객 대응형 챗봇을 구축하고 있습니다.

최종 출력이 반환되기 전에 사용자의 질문이 거치는 올바른 구성 요소 순서를 선택하세요. 위의 다이어그램을 참조로 사용하세요.

A. 1. 임베딩 모델, 2. 벡터 검색, 3. 컨텍스트 증강 프롬프트, 4. 응답 생성 LLM

B. 1. 컨텍스트 증강 프롬프트, 2. 벡터 검색, 3. 임베딩 모델, 4. 응답 생성 LLM

C. 1. 응답 생성 LLM, 2. 벡터 검색, 3. 컨텍스트 증강 프롬프트, 4. 임베딩 모델

D. 1. 응답 생성 LLM, 2. 컨텍스트 증강 프롬프트, 3. 벡터 검색, 4. 임베딩 모델

정답: A

일반적인 RAG 기반 고객 대면 챗봇이 사용자의 질문을 처리하는 방식을 이해하기 위해 다이어그램에 표시되고 옵션 A에서 설명된 대로 올바른 순서를 살펴보겠습니다.
* 임베딩 모델(1): 첫 번째 단계는 사용자의 질문이 임베딩 모델을 통해 처리되는 것을 포함합니다. 이 모델은 텍스트를 텍스트를 숫자로 표현하는 벡터 형식으로 변환합니다. 이 단계는 후속 벡터 검색이 효과적으로 작동할 수 있도록 하는 데 필수적입니다.
* 벡터 검색(2): 임베딩 모델에서 생성된 벡터는 벡터 검색 메커니즘에 사용됩니다. 이 검색은 데이터베이스에 벡터 형식으로 저장된 가장 관련성 있는 문서 또는 이전에 답변된 질문을 식별합니다.
* 컨텍스트 증강 프롬프트(3): 벡터 검색에서 검색된 정보는 컨텍스트 증강 프롬프트를 만드는 데 사용됩니다. 이 단계는 생성된 응답이 가능한 한 정확하고 유익하도록 하기 위해 수집된 추가 관련 정보로 기본 사용자 쿼리를 향상시키는 것을 포함합니다.
* 응답 생성 LLM(4): 마지막으로, 컨텍스트 증강 프롬프트는 응답 생성 대규모 언어 모델(LLM)에 공급됩니다. 이 LLM은 프롬프트를 사용하여 일관되고 컨텍스트적으로 적절한 답변을 생성한 다음 최종 출력으로 사용자에게 전달합니다.
다른 옵션이 덜 적합한 이유:
* B, C, D: 이러한 옵션은 RAG 시스템이 일반적으로 쿼리를 처리하는 방식과 일치하지 않는 잘못된 시퀀스를 제안합니다. 이는 효과적인 정보 검색 및 응답 생성을 용이하게 하지 않는 순서로 임베딩 모델, 벡터 검색 및 응답 생성의 역할을 잘못 배치합니다.
따라서 올바른 시퀀스는 임베딩 모델, 벡터 검색, 컨텍스트 증강 프롬프트, 응답 생성 LLM이며, 이는 옵션 A입니다.

Databricks-Generative-AI-Engineer-Associate 문제 13

Generative Al 엔지니어는 회사의 내부 헬프데스크 콜센터 팀이 관련 티켓을 더 빨리 찾고 해결책을 제공할 수 있도록 챗봇을 개발할 책임이 있습니다. 이 프로젝트를 위한 GenAI 애플리케이션 작업 분류 작업을 만드는 동안, 그들은 이 애플리케이션에 대해 선택할 수 있는 데이터 소스(Unity Catalog 볼륨 또는 Delta 테이블)를 계획하기 시작해야 한다는 것을 깨달았습니다. 그들은 고려할 후보 데이터 소스를 여러 개 수집했습니다.
call_rep_history: 기본 키인 representative_id, call_id가 있는 Delta 테이블. 이 테이블은 call_duration 및 call start_time 필드에서 담당자의 통화 해결을 계산하기 위해 유지됩니다.
대본 볼륨: 모든 녹음을 *.wav 파일로 정리한 Unity Catalog 볼륨과 텍스트 대본을 *.txt 파일로 정리한 볼륨입니다.
call_cust_history: 기본 키 customer_id, cal1_id가 있는 Delta 테이블. 이 테이블은 내부 고객이 HelpDesk를 얼마나 많이 사용하는지 계산하여 차지백 모델이 실제 서비스 사용과 일관성을 유지하도록 유지 관리됩니다.
call_detail: 매시간 업데이트되는 모든 통화 세부 정보의 스냅샷을 포함하는 Delta 테이블입니다. 여기에는 root_cause 및 resolution 필드가 포함되지만, 해당 필드는 아직 활성화된 통화의 경우 비어 있을 수 있습니다.
maintenance_schedule - HelpDesk 애플리케이션 중단과 예정된 예정된 유지 관리 중단 시간을 모두 나열한 Delta 테이블입니다.
티켓의 근본 원인과 해결책을 가장 잘 식별하기 위해 맥락을 추가할 수 있는 소스가 필요합니다.
어떤 두 가지 출처가 그런 일을 합니까? (두 가지를 선택하세요.)

A. 통화_고객_기록

B. 유지관리 일정

C. 콜_리프_히스토리

D. 전화_세부정보

E. 전사본 볼륨

정답: D,E

회사의 내부 헬프데스크 콜센터를 위한 챗봇을 개발하는 맥락에서 가장 중요한 것은 해결되는 문제에 대한 가장 맥락적이고 자세한 정보를 제공하는 데이터 소스를 선택하는 것입니다. 여기에는 근본 원인을 식별하고 해결책을 제안하는 것이 포함됩니다. 목록에서 가장 적합한 두 가지 소스는 다음과 같습니다.
* 통화 세부 정보(옵션 D):
* 내용: 이 델타 테이블에는 매시간 업데이트된 모든 통화 세부 정보의 스냅샷이 포함되어 있으며, 근본 원인 및 해결 방법과 같은 필수 필드가 포함되어 있습니다.
* 관련성: root_cause 및 해결 필드가 포함되어 있어 이 소스는 특히 가치가 있습니다. 통화에서 논의된 문제를 이해하고 해결하는 데 필요한 정보를 직접 포함하고 있기 때문입니다. 일부 기록이 불완전하더라도 제공된 데이터는 해결 식별을 가속화하는 것을 목표로 하는 챗봇에 필수적입니다.
* 전사본 볼륨(옵션 E):
* 내용: 이 Unity Catalog Volume에는 .wav 형식의 녹음 자료와 .txt 파일의 텍스트 사본이 포함되어 있습니다.
* 관련성: 통화 녹음의 텍스트 대본은 챗봇이 각 문제의 뉘앙스를 이해하기 위해 분석할 수 있는 심층적인 맥락을 제공할 수 있습니다. 챗봇은 자연어 처리 기술을 사용하여 주제를 추출하고, 문제를 식별하고, 대본에 기록된 이전 유사한 상호 작용을 기반으로 해결책을 제안할 수 있습니다.
다른 옵션이 덜 적합한 이유:
* A(통화 고객 내역): 헬프데스크와의 고객 상호작용에 대한 통찰력을 제공하지만, 통화 내용이나 논의된 문제보다는 사용 지표에 더 중점을 둡니다.
* B(유지관리 일정): 이 데이터는 서비스를 이용할 수 없는 시점을 파악하는 데 유용하지만, 사용자 문제를 해결하거나 근본 원인을 식별하는 데 직접적으로 기여하지는 않습니다.
* C(통화 담당자 내역): 성과를 평가하는 데 도움이 될 수 있는 통화 기간과 시작 시간에 대한 데이터를 제공하지만, 해결되고 있는 문제에 대한 직접적인 정보가 부족합니다.
따라서 통화 세부 정보와 대화 내용 양은 헬프데스크 콜센터에서 문제를 식별하고 해결하는 데 도움을 주도록 설계된 챗봇에 가장 관련성 있는 데이터 소스입니다. 이는 이러한 정보가 고객 문제와 관련된 직접적이고 상황에 맞는 정보를 제공하기 때문입니다.

Databricks-Generative-AI-Engineer-Associate 문제 14

생성 AI 엔지니어는 LLM이 이메일에서 포맷된 JSON을 생성하기를 원합니다. 이를 위해서는 다음 정보를 구문 분석하고 추출해야 합니다. 주문 ID, 날짜, 발신자 이메일. 다음은 샘플 이메일입니다.

그들은 가장 높은 수준의 출력 정확도로 관련 정보를 JSON 형식으로 추출하는 프롬프트를 작성해야 합니다.
어떤 프롬프트가 그럴까요?

A. 고객 이메일을 받게 되고 날짜, 발신자 이메일, 주문 ID를 추출해야 합니다. 날짜, 발신자 이메일, 주문 ID 정보를 JSON 형식으로 반환해야 합니다.

B. 고객 이메일을 받게 되고 날짜, 발신자 이메일, 주문 ID를 추출해야 합니다. 추출된 정보를 JSON 형식으로 반환합니다.
다음은 예입니다. {"date": "2024년 4월 16일", "sender_email": "[email protected]", "order_id":
"RE987D"}

C. 고객 이메일을 받게 되고 날짜, 발신자 이메일, 주문 ID를 추출해야 합니다. 추출된 정보를 사람이 읽을 수 있는 형식으로 반환합니다.

D. 고객 이메일을 받게 되고 날짜, 발신자 이메일, 주문 ID를 추출해야 합니다. 추출된 정보를 JSON 형식으로 반환합니다.

Databricks-Generative-AI-Engineer-Associate 문제 15

생성 AI 엔지니어는 SnoPen AI 회사의 내부 문서에 대한 질문에 답하는 RAG 애플리케이션을 구축하고 있습니다.
원본 문서에는 광고, 스포츠 뉴스, 연예 뉴스 또는 다른 회사에 대한 콘텐츠 등 관련성 없는 콘텐츠가 상당량 포함되어 있을 수 있습니다.
이러한 불필요한 정보를 필터링하는 목표를 달성하기 위해 RAG 애플리케이션을 구축할 때 어떤 접근 방식이 바람직할까요?

A. RAG 애플리케이션에서는 회사가 아닌 콘텐츠에 대한 질문에 답하지 않고도 해당 콘텐츠를 이해할 수 있으므로 모든 기사를 보관합니다.

B. 데이터 필터링을 수행하지 않더라도 시스템 프롬프트에 SnoPenAI에 대한 정보만 표시된다는 것을 포함합니다.

C. SnoPen Al과 관련 없는 질문에는 해당 애플리케이션이 답변하지 않도록 하는 내용의 시스템 프롬프트에 포함합니다.

D. SnoPen AI 관련 모든 문서를 벡터 데이터베이스의 단일 청크로 통합합니다.

정답: C

특히 데이터 세트에 관련 없는 콘텐츠가 포함되어 있는 경우 내부 문서에 대한 질문에 답하기 위해 구축된 검색 증강 생성(RAG) 애플리케이션에서 시스템이 올바른 정보에 집중하도록 안내하는 것이 중요합니다. 이를 달성하는 가장 좋은 방법은 시스템 프롬프트에 명확한 지침을 포함하는 것입니다(옵션 C).
* 안내로서의 시스템 프롬프트: 시스템 프롬프트는 LLM이 SnoPen AI 관련 콘텐츠에 초점을 맞추도록 지시하는 효과적인 방법입니다. 모델이 SnoPen AI와 관련 없는 질문에 답하지 않도록 명확하게 지정함으로써, 데이터 세트에 관련 없는 콘텐츠가 있더라도 모델이 주제를 벗어나지 않도록 돕는 추가적인 제어 계층을 추가합니다.
* 이 접근 방식이 효과적인 이유: 프롬프트는 모델의 지침 원칙 역할을 하여 특정 도메인에 초점을 맞춥니다. 이를 통해 모델은 SnoPen AI와 관련 없는 광고나 뉴스와 같은 관련 없는 콘텐츠를 기반으로 답변을 생성하지 못합니다.
* 다른 옵션이 덜 적합한 이유:
* A (모든 기사 유지): 필터링 없이 관련성 없는 자료를 포함한 모든 콘텐츠를 유지하면 시스템이 원치 않는 데이터를 기반으로 답변을 생성하기 쉽습니다.
* B(SnoPen AI에 대한 시스템 프롬프트에 포함): 이 옵션은 관련 없는 콘텐츠를 직접 처리하지 않으며, 필터링 없이도 모델이 관련 없는 데이터를 검색하여 사용할 수 있습니다.
* D (문서를 단일 청크로 통합): 문서를 단일 청크로 그룹화하면 검색 프로세스의 효율성이 떨어지고, 관련 없는 내용을 효과적으로 걸러내는 데 도움이 되지 않습니다.
따라서 SnoPen AI와 관련 없는 질문에는 대답하지 않도록 프롬프트에서 시스템에 지시하는 것(옵션 C)이 시스템이 관련 없는 정보를 걸러내도록 하는 가장 좋은 방법입니다.