Quiz collegato alla guida · Medio Livello

Quiz sugli incorporamenti

Esplora la geometria incorporata e la somiglianza del coseno, con analogie vettoriali, ricerca approssimativa, distorsioni apprese e calcoli di distanza normalizzata.

Percorsi guida correlatiIncorporamenti
Domanda 1 di 8

What is an embedding in the numerical representation sense used here?

Anteprima di ogni domanda8 domande

Le risposte e le spiegazioni vengono visualizzate mentre rispondi al quiz.

  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. Quale metrica viene comunemente utilizzata per confrontare due incorporamenti?
    • Differenza nella dimensione del file
    • Ordinamento alfabetico
    • Conteggio delle parole
    • Somiglianza del coseno
  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. Cosa dimostra il classico esempio 're - uomo + donna ≈ regina' riguardo alle incorporazioni?
    • Possono catturare relazioni attraverso l'aritmetica vettoriale
    • Memorizzano le definizioni esatte delle parole
    • Funzionano solo per termini di royalty
    • Sono casuali e privi di significato
  6. Qual è il rischio reale quando si utilizzano gli incorporamenti?
    • Non possono essere archiviati in un database
    • Funzionano solo in inglese
    • Possono ereditare e riflettere i pregiudizi presenti nei dati di addestramento
    • Effettuano tutte le ricerche solo con corrispondenza esatta
  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