데이터브릭스 생성형 AI 엔지니어 자격증 기출 문제 덤프 2/6 (45문제)

지난 덤프 1번에 이어 데이터브릭스 Gen AI 엔지니어 Associate 자격증 취득의 일등 공신이었던 두 번째 기출문제를 정리했습니다. 실제 시험 유형과 가장 유사한 엄선된 문제들인 만큼 합격에 큰 도움이 될 것입니다.

화면에서 문제를 확인하고 정답 버튼을 클릭하면 실시간으로 오답 유무가 직관적으로 표시되어 바쁜 직장인 분들도 출퇴근 길에 스마트폰으로 빠르게 학습할 수 있습니다. 꼼꼼히 확인하셔서 한 번에 합격하세요!

데이터브릭스 생성형 AI 엔지니어 자격증 기출 문제 덤프 2/6 (45문제)

Question 1

생성형 AI 엔지니어가 재고 정보에 대한 사용자 문의에 대해 JSON 기반 응답을 생성하는 프롬프트를 설계하고 있습니다. 각 응답에는 품목명, 재고 수준 및 위치 필드가 포함되어야 합니다. 어떤 프롬프트가 이러한 요구 사항을 충족할까요?

1. 조회 내용을 바탕으로 재고 정보를 요약하세요.

2. 주식에 대한 세부 정보를 포함하되, 특정 형식을 강요하지는 마십시오.

3. 쿼리에 따라 품목명, 재고량, 위치를 포함하는 JSON 응답을 생성합니다.

4. 재고에 대한 정보를 제공하십시오.

Question 2

생성형 AI 엔지니어가 보험 관련 문의에 답변하는 챗봇을 개발하고 있습니다. 회사 정책에 따라 챗봇은 정치 관련 질문에는 답변하지 않고 “죄송합니다. 해당 질문에는 답변할 수 없습니다. 저는 보험 관련 질문에만 답변할 수 있는 챗봇입니다.”라는 표준 메시지를 제공해야 합니다. 이 문제를 해결하기 위해 어떤 프레임워크 유형을 구현해야 할까요?

1. 안전 난간

2. 일반 안전장치

3. 규정 준수 안전장치

4. 상황적 안전장치

Question 3

생성형 AI 엔지니어는 고객 서비스 문의 응대를 지원하는 LLM 애플리케이션을 디지털 마케팅 회사에 배포했습니다. 이 애플리케이션의 실제 성능을 평가하기 위해 어떤 지표를 모니터링해야 할까요?

1. 쿼리당 에너지 사용량.

2. 모델 학습에 대한 최종 퍼플렉시티 점수.

3. HuggingFace 리더보드 기본 LLM 값입니다.

4. 단위 시간당 처리된 고객 문의 건수.

Question 4

한 팀이 기술적인 질문에 답변하는 RAG 시스템을 구축하고 있습니다. 강력한 검색 엔진을 갖추고 있음에도 불구하고, 시스템의 답변은 구체성이 부족합니다. 답변의 질을 어떻게 향상시킬 수 있을까요?

1. 간결성에 집중하려면 더 작은 LLM을 사용하세요.

2. 분류 작업에 맞게 검색기를 세밀하게 조정합니다.

3. 더욱 정확하고 관련성 있는 답변을 제공하기 위해 문맥 인식 요약 기능을 검색 기능에 추가합니다.

4. 리트리버 인덱스의 크기를 늘리세요.

Question 5

생성형 AI 엔지니어는 고객 피드백 시스템에서 개인 식별 정보(PII)를 처리하기 위해 마스킹 기술을 구현해야 합니다. 이러한 접근 방식의 주요 이점은 무엇일까요?

1. 마스킹은 민감한 데이터를 익명화하여 개인 정보 보호 위험을 줄이는 동시에 피드백 처리의 분석적 가치를 유지합니다.

2. 마스킹은 사용자 데이터 처리 응답 시간을 단축합니다.

3. 마스킹은 학습 중 모델의 과적합을 방지합니다.

4. 마스킹은 데이터셋을 암호화하여 저장 중에 보호합니다.

Question 6

생성형 AI 엔지니어가 은행 애플리케이션용 대화형 에이전트를 개발하고 있습니다. 이 에이전트는 민감한 정보를 안전하게 처리해야 합니다. 데이터 보안을 보장하는 가장 좋은 접근 방식은 무엇일까요?

1. 익명화된 데이터가 포함된 데이터셋으로 LLM을 학습시키세요.

2. 민감한 데이터는 암호화하고, LLM안전장치를 사용하여 데이터 유출을 방지하십시오.

3. 반응의 변동성을 줄이려면 온도를 낮추십시오.

4. 요약 모델을 사용하여 데이터 양을 줄이세요.

Question 7

생성형 AI 엔지니어가 연구 논문을 요약하는 시스템을 개발하고 있습니다. 논문에는 복잡한 도표와 표가 자주 포함되어 있습니다. 요약 안내 문구를 설계할 때 무엇을 우선시해야 할까요?

1. 요약을 위해 다이어그램을 텍스트 설명으로 변환합니다.

2. 도표와 표는 무시하고 텍스트 내용 요약에만 집중하세요.

3. 요약된 부분만 우선적으로 요약하세요.

4. 도표와 표를 질문에 직접 포함시키세요.

Question 8

생성형 AI 엔지니어는 LLM이 의료 관련 질문에 답변할 때 발생하는 환각 현상을 방지해야 합니다. 가장 효과적인 기술은 무엇일까요?

1. 다양한 데이터셋으로 모델을 학습시키세요.

2. 검증된 의료 자료에 연결된 검색 증강 생성(RAG) 파이프라인을 사용하여 LLM의 응답을 검증합니다.

3. 추론 시 온도 설정을 낮추십시오.

4. 답변의 복잡성을 줄이기 위해 더 짧은 질문을 사용하세요.

Question 9

어떤 온도 설정값이 대규모 언어 모델이 창의적이고 다양한 반응을 생성하도록 유도할까요?

1. 온도를 1.0 이상으로 높이세요.

2. 온도를 0에 가까운 값으로 낮추십시오.

3. 온도를 정확히 0.5로 설정하세요.

4. 제한 없는 출력에 대한 온도 제어 기능을 비활성화하십시오.

Question 10

생성형 AI 엔지니어가 금융 애플리케이션에 사용할 JPG 형식의 스캔된 송장에서 텍스트를 추출해야 합니다. 이 작업에 가장 적합한 Python 패키지는 무엇일까요?

1. pdfplumber를 사용하여 이미지를 파싱합니다.

2. PyPDF2를 사용하여 이미지에서 텍스트를 추출합니다.

3. pytesseract 패키지를 통한 Tesseract OCR.

4. 텍스트 구문 분석을 위한 BeautifulSoup.

Question 11

생성형 AI 엔지니어가 RAG 애플리케이션에 사용할 LLM을 선택하고 있습니다. 이 애플리케이션은 긴 문서를 검색하고, 모델은 핵심 내용을 정확하게 요약해야 합니다. LLM 선택 시 어떤 요소를 고려해야 할까요?

1. 검색 정밀도 및 재현율.

2. 토큰 제한 및 BLEU 점수.

3. 모델 크기와 훈련 데이터셋의 다양성.

4. 문맥 길이, 요약 품질 및 추론 속도.

Question 12

생성형 AI 엔지니어는 MLflow를 사용하여 배포된 모델을 Unity 카탈로그에 등록해야 합니다. 올바른 워크플로는 무엇입니까?

1. MLflow에 로그를 남기지 않고 모델을 Unity 카탈로그에 직접 배포합니다.

2. 모델을 학습시키고, MLflow에 로그를 기록하고, 메타데이터를 구성하고, Unity 카탈로그에 등록합니다.

3. 회원가입 시 메타데이터 설정을 건너뛰세요.

4. 모델을 MLflow에 기록하되 Unity 카탈로그에 등록하는 과정은 건너뜁니다.

Question 13

생성형 AI 엔지니어는 지식 관리 시스템을 위해 대규모 벡터 데이터베이스에 쿼리를 수행하는 임무를 맡았습니다. 성능과 정확도를 높이기 위해 쿼리 프로세스를 어떻게 최적화해야 할까요?

1. 더 작은 임베딩 모델을 사용하여 쿼리 복잡성을 줄이세요.

2. 정확한 검색을 위해 적절한 거리 측정 기준을 사용하는 최근접 이웃 검색 알고리즘을 사용하십시오.

3. 임베딩 최적화를 건너뛰고 원시 텍스트 검색에 의존합니다.

4. 최선의 정확도를 위해 무차별 대입 검색을 수행합니다.

Question 14

생성형 AI 엔지니어는 생성 모델이 응답 과정에서 민감한 데이터를 유출하지 않도록 안전장치를 마련해야 합니다. 가장 효과적인 전략은 무엇일까요?

1. 답변을 간결하게 하기 위해 요약 모델을 적용하세요.

2. 메타프롬프트를 사용하여 모델이 민감한 데이터를 포함하지 않도록 명시적으로 지시하십시오.

3. 모델의 온도를 낮추면 무작위성이 감소합니다.

4. 민감한 정보를 제거하려면 후처리 필터를 사용하십시오.

Question 15

생성형 AI 엔지니어는 대규모로 배포되는 RAG 애플리케이션의 기능을 제공하는 데 필요한 리소스를 파악해야 합니다. 어떤 리소스가 핵심적입니까? (두 가지를 선택하세요)

복수 선택

1. 임베딩 및 검색에 필요한 충분한 컴퓨팅 성능, 벡터 데이터 저장 공간, 그리고 성능 모니터링 도구가 필요합니다.

2. 응답 지연 시간을 최소화하는 일괄 처리 도구.

3. LLM 미세 조정 기능이 추가되었습니다.

4. 지연 시간을 최소화하기 위한 고속 인터넷 연결.

5. 토큰화 최적화 도구.

Question 16

생성형 AI 엔지니어는 금융 서비스 회사를 위한 개인 맞춤형 저축 계획을 설계하는 임무를 맡았습니다. 이 계획에는 사용자의 소득, 지출, 목표에 따라 개인화된 저축 계획을 추천해야 합니다. 어떤 내용을 포함해야 할까요? (두 가지를 선택하세요)

복수 선택

1. 수입, 지출, 목표 등의 세부 정보를 입력하고 실행 가능한 권장 사항을 요청하세요. 예: “수입: 5,000달러, 지출: 3,000달러. 목표: 휴가 자금 마련. 저축 방법을 추천해 주세요.”

2. “저축 계획을 세우세요”와 같은 일반적인 안내 메시지를 사용하세요.

3. 목표를 구체적으로 명시하지 않음으로써 유연성을 높이세요.

4. 성공적인 저축 계획의 예를 들어보세요.

Question 17

생성형 AI 엔지니어는 고객 피드백 분석에 사용되는 언어 학습 모델(LLM)에 대한 안전장치를 구축하는 임무를 맡았습니다. 이 시스템은 공격적인 언어가 포함된 답변을 차단해야 합니다. 어떤 구현 방식이 가장 효과적일까요?

1. 중립적인 언어 데이터셋을 사용하여 LLM을 미세 조정합니다.

2. 생성 후 공격적인 응답을 표시하도록 분류기를 학습시키세요.

3. 콘텐츠 필터링 기능을 통합하여 출력물에서 불쾌한 언어를 감지하고 차단합니다.

4. 무작위 출력을 최소화하려면 모델의 온도를 낮추십시오.

Question 18

생성형 AI 엔지니어는 법률 계약 검토를 지원하는 다단계 추론 시스템을 개발하고 있습니다. 이 시스템은 잠재적인 문제를 파악하고, 수정안을 제안하며, 핵심 조항을 강조 표시해야 합니다. 필수적인 도구는 무엇일까요? (두 가지를 선택하세요)

복수 선택

1. 관련 법률 참고 자료 및 판례를 검색하는 리트리버.

2. 계약서 내용을 간략화하는 모델.

3. 강조 표시된 절을 보여주는 시각화 도구 입니다.

4. 계약 조항을 의미론적으로 분석하기 위한 임베딩 모델.

5. 절을 유형별로 분류하는 모델.

Question 19

생성형 AI 엔지니어는 금융 RAG 시스템 학습을 위해 고품질 원본 문서를 우선적으로 확보해야 합니다. 어떤 자료에 집중해야 할까요?

1. 규제 당국에 제출하는 서류 및 공식 재무 보고서.

2. 사용자가 작성한 금융 블로그.

3. 금융 관련 사건들을 요약한 뉴스 기사들.

4. 사용자들이 제출한 금융 포럼 게시글.

Question 20

생성형 AI 엔지니어는 고객 리뷰를 수집하고 요약하는 파이프라인을 구축해야 합니다. 일부 리뷰에는 불쾌한 표현이 포함되어 있습니다. 이러한 리뷰를 어떻게 전처리해야 할까요?

1. 10단어 이상 포함된 모든 리뷰를 제외합니다.

2. 문맥 이해를 위해 불쾌한 표현은 그대로 두십시오.

3. 필터링 없이 요약합니다.

4. 요약하기 전에 불쾌한 표현을 감지하고 제거하는 필터링 기능을 구현하세요.

Question 21

생성형 AI 엔지니어가 배포된 RAG 시스템을 모니터링하고 있는데, 관련성 없는 출력으로 인해 사용자 만족도가 하락하는 현상이 나타나고 있습니다. 검색 시스템의 지연 시간도 매우 높습니다. 엔지니어는 이 문제를 진단하고 해결하기 위해 어떤 지표에 집중해야 할까요?

1. 수요 패턴을 파악하기 위한 사용자 검색 빈도 분석.

2. 토큰 사용량과 응답 시간을 최적화하여 비용을 관리합니다.

3. 출력의 유창성과 정확성을 평가하기 위해 Perplexity와 BLEU를 사용합니다.

4. 관련성을 측정하고 병목 현상을 파악하기 위해 정밀도, 재현율 및 검색 지연 시간을 사용합니다.

Question 22

생성형 AI 엔지니어는 법률 문의를 처리하는 챗봇이 부정확한 법률 자문을 제공하는 것을 방지하기 위해 안전장치를 구현해야 합니다. 어떤 기술이 가장 효과적일까요? (두 가지를 선택하세요)

복수 선택

1. 정확도를 높이기 위해 법률 데이터셋으로 챗봇을 학습시키세요.

2. 메타프롬프트를 사용하여 챗봇이 법률 자문을 피하고 일반적인 정보만 제공하도록 안내하세요.

3. 챗봇 출력에 제한 사항을 명확히 설명하는 면책 조항을 추가하세요.

4. 출력 변동성을 줄이려면 모델 온도를 낮추십시오.

5. 법률 용어가 포함된 사용자 검색어를 차단합니다.

Question 23

생성형 AI 엔지니어는 기술 문서를 검색하고 사용자 질문에 답변하는 파이프라인을 구축하는 임무를 맡았습니다. 어떤 전략이 정확한 답변을 보장하는 데 가장 효과적일까요?

1. 가능한 가장 작은 LLM을 사용하는 데 집중하세요.

2. 문서 검색과 문맥 기반 프롬프트 증강 기능을 결합하여 사용자 쿼리에 관련 세부 정보를 포함시키세요.

3. 문서 매칭에는 사전 학습된 임베딩만 사용하십시오.

4. 문서별 세부 정보가 포함되지 않은 일반적인 프롬프트를 사용하십시오.

Question 24

생성형 AI 엔지니어는 챗봇의 검색 성능을 평가해야 합니다. 이 시스템은 관련 없는 문서를 많이 검색하는 동시에 일부 중요한 문서를 놓치기도 합니다. 어떤 지표에 집중해야 할까요? (네 가지를 선택하세요)

복수 선택

1. 재현율 (Recall)

2. 코사인 유사도

3. 정밀도 (Precision)

4. F1 점수

5. 감정 분석

Question 25

생성형 AI 엔지니어는 RAG 애플리케이션을 위한 보안 엔드포인트를 배포해야 합니다. 이 엔드포인트는 민감한 법률 문서를 처리하며 데이터 개인정보 보호 규정을 준수해야 합니다. 필수적인 보안 조치는 무엇입니까? (두 가지를 선택하십시오)

복수 선택

1. 엔드포인트 접근을 위해 API 키 기반 인증을 구현하십시오.

2. 접근을 간소화하려면 암호화하지 않은 공개 엔드포인트를 사용하십시오.

3. 민감한 정보를 보호하기 위해 저장 중 및 전송 중인 데이터를 암호화합니다.

4. 모든 사용자가 공유하는 액세스 키를 사용하세요.

5. 인증을 건너뛰고 무제한 액세스를 허용하세요.

Question 26

생성형 AI 엔지니어는 개인 맞춤형 여행 일정을 생성하는 LLM을 배포하기 위한 파이프라인을 구축하고 있습니다. 이 모델은 위치 데이터, 사용자 선호도 및 예산 제약을 처리해야 합니다. 파이프라인에 포함되어야 할 주요 구성 요소는 무엇일까요?

1. 여행 옵션을 간략하게 정리하는 모델.

2. 위치 및 사용자 선호도 표현을 위한 임베딩 모델, 데이터 조회를 위한 리트리버, 그리고 여정 생성을 위한 LLM.

3. 사용자 선호도를 분류하는 분류 모델.

4. 규칙 기반 시스템을 활용한 고정 여행 추천.

Question 27

생성형 AI 엔지니어가 MLflow를 사용하여 RAG 애플리케이션의 성능을 평가하고 있습니다. 검색 효율성을 평가하기 위해 어떤 지표를 추적해야 할까요?

1. 정밀도, 재현율 및 NDCG(정규화 할인 누적 이득).

2. 훈련 중 모델 혼란도.

3. 텍스트 생성 평가를 위한 BLEU 및 ROUGE 점수.

4. 쿼리당 토큰 사용량.

Question 28

생성형 AI 엔지니어는 비정형 법률 문서를 핵심 조항, 위험 요소 및 의무 사항을 강조하는 정형 요약본으로 변환하는 파이프라인을 구축해야 합니다. 이 파이프라인에 어떤 도구들이 포함되어야 할까요?

1. 절을 추출하기 위한 규칙 기반 시스템.

2. 법률 텍스트에 특화된, 구조화된 요약문 생성 능력을 갖춘 법학 석사(LLM) 과정입니다.

3. 유사한 법률 사례를 검색하는 시스템.

4. 일반 텍스트를 학습시킨 요약 모델.

Question 29

생성형 AI 엔지니어는 RAG 시스템에서 사용되는 제품 설명서에서 관련 없는 부분을 걸러내는 작업을 맡았습니다. 설명서에는 마케팅 설명, 면책 조항 및 기술 사양이 포함되어 있습니다. 어떤 부분을 유지해야 할까요?

1. 사용자 문의와 관련된 기술 사양만 보관하십시오.

2. 면책 조항 및 기술 사양을 포함하십시오.

3. 완전성을 위해 모든 항목을 보관하십시오.

4. 모든 섹션을 제거하고 사전 학습된 모델의 지식에만 의존하십시오.

Question 30

생성형 AI 엔지니어가 타사 데이터셋을 RAG 애플리케이션에 통합하고 있습니다. 데이터셋의 일부 문서에는 유해한 허위 정보가 포함되어 있는 것으로 표시되어 있습니다. 어떤 완화 전략을 사용해야 할까요?

1. 표시된 문서는 보관하되, 추론 과정에서 해당 문서가 미치는 영향을 모니터링하십시오.

2. 표시된 문서를 사용하되 출력물에 면책 조항을 추가하십시오.

3. 사전 처리 과정에서 플래그가 지정된 문서를 제외하여 잘못된 정보가 애플리케이션에 입력되는 것을 방지하십시오.

4. 플래그가 지정된 문서는 허용하되, 모델이 해당 문서를 무시하도록 학습시킵니다.

Question 31

생성형 AI 엔지니어는 재무 보고서 요약을 생성하는 모델을 선택하고 있습니다. 보고서에는 종종 수치 데이터가 포함된 표가 있습니다. 어떤 부분을 우선시해야 할까요?

1. 수치 추론 및 요약 작업에 최적화된 모델을 선택하십시오.

2. 가장 저렴한 모델을 선택하세요.

3. 개방형 텍스트로 학습된 생성 모델을 사용하세요.

4. 컨텍스트 길이가 가장 긴 모델에 집중하세요.

Question 32

대규모 전자상거래 플랫폼에 사용자 구매 이력을 활용하여 개인화된 상품 추천을 생성하는 추천 엔진이 필요합니다. 이 사용 사례에 가장 적합한 파이프라인 설계는 무엇일까요?

1. 미리 정의된 제품 카테고리에 대해 규칙 기반 필터를 사용하십시오.

2. 무작위로 추출된 제품을 기반으로 추천 상품을 생성합니다.

3. 과거 데이터를 사용하지 않고 순수하게 생성적인 접근 방식을 구현합니다.

4. 구매 내역에 임베딩을 활용하고 유사도 점수를 기반으로 추천 상품을 생성합니다.

Question 33

생성형 AI 엔지니어는 비정형 사용자 피드백을 실행 가능한 작업으로 변환하는 AI 파이프라인을 설계해야 합니다. 이 파이프라인은 피드백에서 우선순위와 마감일을 명확히 제시해야 합니다. 가장 효과적인 접근 방식은 무엇일까요?

1. LLM을 사용하여 사용자 피드백을 분석하고 우선순위와 마감일을 포함한 구조화된 결과물을 생성하세요.

2. 규칙 기반 시스템을 사용하여 키워드를 추출합니다.

3. 피드백을 분류하기 위해 분류 모델을 사용하세요.

4. 피드백을 요약하기 위해 요약 모델을 사용하세요.

Question 34

생성형 AI 엔지니어가 금융 규제에 대한 질문에 답하는 RAG 애플리케이션을 개발하고 있습니다. 그런데 검색된 콘텐츠에 관련 없는 내용이 자주 포함됩니다. 검색 프로세스를 개선할 수 있는 접근 방식은 무엇일까요?

1. 요약 모델을 사용하여 관련 없는 콘텐츠를 줄이세요.

2. 규칙 기반 필터링 시스템을 활용하세요.

3. 검색 배치 크기를 늘려 더 많은 문서를 포함시키세요.

4. 의미적 관련성을 향상시키기 위해 금융 텍스트에 맞춰 세밀하게 조정된 임베딩 모델을 구현합니다.

Question 35

생성형 AI 엔지니어는 사용자 문의에 대한 개인화된 응답을 생성하는 LangChain 체인을 만들어야 합니다. 이 체인은 벡터 저장소의 컨텍스트 정보를 포함하고, 일관성 있는 답변을 생성해야 합니다. 체인에 포함되어야 할 구성 요소는 무엇일까요? (두 가지를 선택하세요)

복수 선택

1. 사용자 의도를 분류하는 모델.

2. 사용자 입력을 요약하는 모델.

3. LLM 사용자 쿼리를 구조화하기 위한 프롬프트 템플릿입니다.

4. 벡터 저장소에서 관련 컨텍스트를 가져오는 리트리버입니다.

5. 응답을 하드코딩하는 규칙 기반 시스템.

Question 36

LLM을 문서 요약 파이프라인에 통합할 때 LLM의 컨텍스트 길이를 평가하는 것이 왜 필수적인가요?

1. 모델 학습 효율을 향상시키기 위해.

2. 토큰 사용량과 추론 비용을 줄이기 위해서입니다.

3. 모델이 입력 문서를 잘림 없이 처리하고 핵심 정보를 보존할 수 있도록 합니다.

4. 요약을 더 간결하게 하기 위해서입니다.

Question 37

생성형 AI 엔지니어는 더 나은 관리 및 재현성을 위해 MLflow를 사용하여 Unity 카탈로그에 LLM을 등록해야 합니다. 모델을 등록하려면 어떤 단계를 따라야 할까요?

1. 먼저 Unity 카탈로그에서 입출력 형식을 정의한 다음 MLflow에 모델을 등록하세요.

2. 배포하기 전에 Unity Catalog에서 모델을 세밀하게 조정하세요.

3. 학습된 모델을 MLflow에 기록하고, 모델 서명을 추가하고, 중앙 집중식 관리를 위해 Unity 카탈로그에 등록합니다.

4. 모델을 학습시킨 후 유니티 카탈로그에 바로 업로드하세요.

Question 38

생성형 AI 엔지니어는 기본 모델 API를 사용하는 검색 증강 생성(RAG) 애플리케이션을 지원해야 합니다. 비용 최적화를 위한 핵심 고려 사항은 무엇일까요?

1. 모니터링을 위해 실시간 쿼리 로깅을 활성화하세요.

2. 정확도를 높이려면 더 큰 모델을 사용하십시오.

3. 파이프라인을 단순화하기 위해 리트리버를 제거하세요.

4. 추론 과정에서 여러 사용자 쿼리를 일괄 처리하여 API 호출 횟수를 줄입니다.

Question 39

생성형 AI 엔지니어는 워터마크나 로고와 같은 불필요한 정보가 포함된 스캔된 금융 문서 데이터셋을 정리해야 합니다. 어떤 전처리 단계가 가장 효과적일까요?

1. 텍스트 추출 전에 이미지 전처리 기술을 사용하여 워터마크와 로고를 제거합니다.

2. 텍스트가 누락된 부분을 삭제하세요.

3. 문서의 진위성을 보존하기 위해 모든 데이터를 보관하십시오.

4. 추출된 콘텐츠를 압축하기 위해 요약 모델을 적용합니다.

Question 40

생성형 AI 엔지니어가 LangChain을 사용하여 전자 기기의 기술 사양에 대한 사용자 질문에 답변하는 대화 체인을 설계하고 있습니다. 이 체인은 여러 차례의 대화를 처리하고 상세한 답변을 제공해야 합니다. 이 체인에는 어떤 요소들이 포함되어야 할까요? (두 가지를 선택하세요)

복수 선택

1. 벡터 저장소에서 장치 사양을 가져오는 리트리버입니다.

2. 긴 답변을 간략하게 요약하는 모델.

3. 반복적인 질의에 대해 고정된 답변을 제공하는 규칙 기반 시스템.

4. 사용자 만족도를 감지하는 감정 분석 모델.

5. 대화 기록을 유지하여 맥락을 파악할 수 있도록 하는 프롬프트 템플릿입니다.

Question 41

생성형 AI 엔지니어는 의료 관련 문의를 처리하는 챗봇에 안전장치를 구현해야 합니다. 챗봇은 의료 조언을 제공하지 않으면서도 관련 정보를 제공해야 합니다. 어떤 안전장치 기법이 가장 적합할까요?

1. 모델의 온도를 낮춰 무작위성을 제한하십시오.

2. 메타프롬프트를 사용하여 챗봇에게 의료 조언은 보류하고 일반적인 정보만 제공하도록 지시하세요.

3. 중립적인 언어로 구성된 데이터셋을 사용하여 LLM을 학습시키세요.

4. 생성 후 위험한 출력을 표시하기 위해 분류기를 적용합니다.

Question 42

생성형 AI 엔지니어는 의료 챗봇이 생성한 답변의 안전성을 평가해야 합니다. 어떤 정성적 지표가 가장 중요할까요?

1. 의학적으로 정확한 답변을 보장하기 위한 사실적 정확성.

2. 사용자 가독성을 위한 응답 길이.

3. 더 나은 몰입을 위한 스타일적인 어조.

4. 응답 속도를 높여 사용자 경험을 개선합니다.

Question 43

RAG 파이프라인에서 응답 생성 LLM을 GPT-4에서 회사에서 자체 호스팅하는 컨텍스트 길이가 더 짧은 모델로 변경한 후, 생성형 AI 엔지니어는 다음과 같은 오류를 수신합니다.
{“error_code”: “BAD_REQUEST”, “message”: “Bad request: rpc error: code = InvalidArgument desc = prompt token count (4595) cannot exceed 4096 … “}
응답 생성 모델을 변경하지 않고 생성형 AI 엔지니어가 구현해야 할 두 가지 해결책은 무엇입니까? (두 가지를 선택하십시오.)

복수 선택

1. 포함된 문서의 청크 크기를 줄이세요

2. 더 작은 임베딩 모델을 사용하여 임베딩을 생성합니다.

3. 벡터 데이터베이스에서 검색되는 레코드 수를 줄입니다.

4. ALiBi를 사용하여 응답 생성 모델을 재학습합니다.

5. 새 모델의 최대 출력 토큰 수를 줄입니다.

Question 44

생성형 AI 엔지니어는 RAG 시스템에 사용할 뉴스 기사 데이터셋을 정리해야 합니다. 이 기사들에는 관련 없는 광고와 중복된 메타데이터가 포함되어 있습니다. 어떤 전처리 단계가 필요할까요?

1. 일관성 유지를 위해 모든 문서를 하나의 파일로 병합하세요.

2. 각 기사의 내용을 더 짧은 형식으로 요약하세요.

3. 광고와 메타데이터를 제거하여 기사 본문 내용만 남깁니다.

4. 원래 구조를 보존하기 위해 데이터 세트의 모든 부분을 유지합니다.

Question 45

생성형 AI 엔지니어는 개인 맞춤형 여행 일정을 생성하는 파이프라인을 설계해야 합니다. 이 시스템은 예산 제약, 사용자 선호도 및 목적지 정보를 고려해야 합니다. 어떤 구성 요소가 중요합니까? (두 가지를 선택하세요)

복수 선택

1. LLM을 사용하여 상세한 여행 일정을 동적으로 생성하세요.

2. 분류 모델을 사용하여 목적지를 유형별로 분류합니다.

3. 규칙 기반 시스템을 사용하여 사용자를 미리 정의된 여정과 연결하세요.

4. 요약 모델을 사용하여 사용자 입력을 핵심 요점으로 압축합니다.

5. 목적지와 선호도를 의미론적으로 표현하기 위해 임베딩 모델을 사용합니다.

데이터브릭스 AI 엔지니어 자격증 합격 팁 표시된 정답은 학습 참고용이므로 실제 시험의 출제 의도와 일부 다를 수 있으니 공식 가이드를 함께 교차 검증하시는 것을 추천합니다. 다음 단계인 [데이터브릭스 생성형 AI 엔지니어 덤프 3/6] 포스팅에서 다음 문제를 이어 푸실 수 있습니다.

데이터브릭스 생성형 AI 엔지니어 자격증 기출 문제 덤프 2/6 (45문제)

✅ 관련 글을 읽어보세요

Leave a Comment 응답 취소