포괄적이고 자세한 심층 설명 LangChain의 리트리버는 외부 지식 베이스(예: 벡터 저장소)에서 관련 정보(예: 문서, 임베딩)를 가져와 LLM 응답에 대한 맥락을 제공하며, 특히 RAG 환경에서 유용합니다. 따라서 옵션 B가 정답입니다. 옵션 A(훈련)는 리트리버가 추론을 통해 작동한다는 점에서 관련이 없습니다. 옵션 C(작업 분류)는 검색이 아닌 프롬프트 기법과 관련이 있습니다. 옵션 D(파이프라인 조합)는 리트리버가 아닌 체인을 설명합니다. 리트리버는 맥락 인식을 향상시킵니다. OCI 2025 생성 AI 문서에서는 LangChain 구성 요소 아래에 Retriever를 정의할 가능성이 높습니다.
1Z0-1127-25 문제 2
언어 모델 생성에서 존재 페널티는 어떻게 기능합니까?
정답: D
포괄적이고 자세한 심층 설명 존재 페널티는 출력에 이미 나타난 토큰의 확률을 낮추고, 첫 사용 후 다시 나타날 때마다 페널티를 적용하여 반복을 방지합니다. 따라서 옵션 D가 정답입니다. 옵션 A(동일한 페널티)는 이전 출현을 무시합니다. 옵션 B는 정반대입니다. 즉, 사용되지 않은 토큰에 페널티를 적용하는 것이 의도된 바가 아닙니다. 옵션 C(두 번 이상)는 일반적으로 사용되지 않는 임의의 임계값을 추가합니다. 존재 페널티는 출력의 다양성을 향상시킵니다. OCI 2025 생성 AI 문서는 생성 제어 매개변수에 따른 존재 페널티를 자세히 설명합니다.
1Z0-1127-25 문제 3
텍스트 생성 시스템에서 Ranker는 어떤 역할을 하나요?
정답: C
포괄적이고 자세한 심층 설명 RAG와 같은 시스템에서 랭커는 검색자가 검색한 정보(예: 문서 또는 스니펫)를 쿼리와의 관련성을 기준으로 평가하고 정렬하여 가장 관련성 있는 데이터가 생성자에게 전달되도록 합니다. 따라서 옵션 C가 정답입니다. 옵션 A는 생성자의 역할을 설명합니다. 옵션 B는 검색자를 설명합니다. 옵션 D는 랭커가 사용자와 상호 작용하지 않고 검색된 데이터를 처리하므로 옵션 D와는 관련이 없습니다. 랭커는 관련성 있는 콘텐츠의 우선순위를 지정하여 출력 품질을 향상시킵니다. OCI 2025 생성 AI 문서에는 RAG 파이프라인 구성 요소에 따른 Ranker에 대한 자세한 내용이 나와 있을 가능성이 높습니다.
1Z0-1127-25 문제 4
LangChain 프레임워크에서 메모리의 목적은 무엇입니까?
정답: B
포괄적이고 자세한 심층 설명 LangChain에서 메모리는 상황 데이터(예: 채팅 기록)를 저장하고 과거 상호작용을 요약하거나 기억하는 메커니즘을 제공하여 일관되고 상황 인식적인 대화를 가능하게 합니다. 따라서 옵션 B가 정답입니다. 옵션 A는 메모리가 단순한 입출력 처리 이상의 기능을 하기 때문에 너무 제한적입니다. 옵션 C는 메모리가 추상적인 계산이 아닌 상호작용 맥락에 초점을 맞추기 때문에 관련이 없습니다. 옵션 D는 메모리가 정적 데이터베이스가 아니라 동적이기 때문에 부정확합니다. 메모리는 상태 저장 애플리케이션에 필수적입니다. OCI 2025 생성 AI 문서에서는 LangChain의 컨텍스트 관리 기능 하의 메모리에 대해 논의할 가능성이 높습니다.
1Z0-1127-25 문제 5
검색 증강 생성(RAG) 맥락에서 "접지성" 개념은 "답변 관련성"과 어떻게 다를 수 있습니까?
정답: A
포괄적이고 자세한 심층 설명 RAG에서 "근거성"은 응답이 사실적으로 정확하고 검색된 데이터로 뒷받침되는지 여부를 평가하는 반면, "답변 관련성"은 응답이 사용자의 질의를 얼마나 잘 처리하는지 평가합니다. 옵션 A는 이러한 구분을 정확하게 포착합니다. 옵션 B는 근거성이 단순히 문맥적 일치가 아니며, 관련성은 구문과 관련이 없다는 것을 보여줍니다. 옵션 C는 정의를 서로 바꿉니다. 옵션 D는 근거성이 단순히 데이터 무결성이 아니며, 관련성은 어휘적 다양성이 아니라는 것을 보여줍니다. 이러한 구분은 RAG 출력이 참이고 관련성이 있음을 보장합니다. OCI 2025 생성 AI 문서에서는 이를 RAG 평가 지표에 따라 정의할 가능성이 높습니다.
