Κουίζ για ενσωματώσεις

Οι απαντήσεις και οι εξηγήσεις εμφανίζονται καθώς κάνετε το κουίζ.

1. What is an embedding in the numerical representation sense used here?
   • A dictionary definition that must be stored verbatim
   • A required compression format for image files
   • A vector representing an item for a model or comparison task
   • An exact database row identifier only
2. What can closeness in a trained semantic embedding space indicate?
   • Similarity learned under that model’s objective
   • A guarantee that two statements are equally true
   • An identical byte sequence in every case
   • A universal relation independent of training
3. Ποια μέτρηση χρησιμοποιείται συνήθως για τη σύγκριση δύο ενσωματώσεων;
   • Διαφορά μεγέθους αρχείου
   • Αλφαβητική σειρά
   • Καταμέτρηση λέξεων
   • Ομοιότητα συνημιτονίου
4. What tradeoff can an approximate embedding index such as HNSW introduce?
   • A guarantee of complete exact retrieval in every configuration
   • Faster search with possible missed exact nearest neighbors
   • A required change of every vector to a word definition
   • Automatic removal of all training-data bias
5. Τι δείχνει το κλασικό παράδειγμα «βασιλιάς - άνδρας + γυναίκα ≈ βασίλισσα» σχετικά με τις ενσωματώσεις;
   • Μπορούν να συλλάβουν σχέσεις μέσω διανυσματικής αριθμητικής
   • Αποθηκεύουν ακριβείς ορισμούς λέξεων
   • Λειτουργούν μόνο για όρους δικαιωμάτων
   • Είναι τυχαία και χωρίς νόημα
6. Ποιος είναι πραγματικός κίνδυνος όταν χρησιμοποιείτε ενσωματώσεις;
   • Δεν μπορούν να αποθηκευτούν σε μια βάση δεδομένων
   • Δουλεύουν μόνο στα αγγλικά
   • Μπορούν να κληρονομήσουν και να αντικατοπτρίζουν προκαταλήψεις που υπάρχουν στα δεδομένα εκπαίδευσής τους
   • Κάνουν όλες τις αναζητήσεις μόνο με ακριβή αντιστοίχιση
7. Two unit-length embedding vectors have dot product 0.8. What is their squared Euclidean distance?
   • 0.2
   • 0.4
   • 0.8
   • 1.6
8. When does an inner-product score equal cosine similarity for two nonzero embedding vectors?
   • Whenever their dimensions are equal
   • Whenever they came from two unrelated model families
   • Only when their coordinates are all zero
   • When both vectors have been normalized to unit length