Kvíz spojený s průvodcem · Střední úroveň

Šiška kvíz

Zahrnuje získávání vektorů a dokumentů, metriky podobnosti, indexy bez serveru a proč načtený kontext stále potřebuje vyhodnocení.

Související vodicí cestyBorová šiška
Otázka 1 z 8

Co šiška primárně ukládá a vyhledává?

Náhled každé otázky8 otázky

Odpovědi a vysvětlení se zobrazují, jak budete v kvízu.

  1. Co šiška primárně ukládá a vyhledává?
    • Vektorové vložení, které představuje význam dat
    • Raw SQL tabulky řádků a sloupců
    • Kompilované váhy modelu strojového učení
    • Šifrovaná uživatelská hesla
  2. Proč se Pinecone běžně spáruje s velkými jazykovými modely?
    • Trénuje jazykový model od nuly
    • Poskytuje externí paměť, takže model může získat relevantní fakta (RAG)
    • Zkomprimuje model pro běh na telefonech
    • Překládá výstup modelu do jiných jazyků
  3. How does Pinecone describe its serverless index algorithms?
    • It uses HNSW for every serverless index
    • Users must manually select one universal algorithm
    • It selects proprietary algorithms such as Ananas, PQFS, or IVF with PQFS by slab size
    • It searches only by exact string match
  4. What architecture change does Pinecone highlight in its serverless database?
    • Every vector must be stored in one local in-memory graph
    • Each user must operate a separate physical database
    • Queries are answered without reading or scoring vectors
    • Storage and compute are decoupled so relevant index portions can be loaded for a query
  5. Jak se typicky měří podobnost mezi dvěma vektory?
    • Kosinusovou vzdáleností nebo bodovým součinem
    • Podle velikosti souboru v megabajtech
    • Podle data, kdy byly vytvořeny
    • Počítáním sdílených přesných klíčových slov
  6. Pro jaký úkol se šiška hodí?
    • Ukládání a vykreslování 3D grafiky videoher
    • Hledání dokumentů, které mají podobný význam jako dotaz
    • Spuštění tabulkových vzorců
    • Kompilace zdrojového kódu
  7. What is a key step before using retrieved Pinecone matches in a generated answer?
    • Assume the nearest vector is always a correct source
    • Ignore metadata and access controls
    • Evaluate whether the retrieved records are relevant and current for the query
    • Treat retrieval as proof the model’s response is correct
  8. What kinds of searchable data do current Pinecone serverless indexes support?
    • Only image files with no metadata
    • Only one fixed embedding model
    • Only SQL tables with no text fields
    • Depending on schema, dense vectors, sparse vectors, and full-text-search fields