松ぼっくりクイズ

クイズに答えると、答えと解説が表示されます。

1. Pinecone は主に何を保存および検索しますか?
   • データの意味を表すベクトル埋め込み
   • 行と列の生の SQL テーブル
   • コンパイルされた機械学習モデルの重み
   • 暗号化されたユーザーパスワード
2. Pinecone が一般的に大規模な言語モデルと組み合わせられるのはなぜですか?
   • 言語モデルをゼロからトレーニングします
   • 外部メモリを提供するので、モデルは関連するファクトを取得できます (RAG)
   • 携帯電話上で実行できるようにモデルを圧縮します
   • モデルの出力を他の言語に翻訳します
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. 2 つのベクトル間の類似性は通常どのように測定されるのでしょうか?
   • コサイン距離またはドット積による
   • ファイルサイズ（メガバイト単位）による
   • 作成日まで
   • 共有された正確なキーワードをカウントすることにより
6. 松ぼっくりはどのタスクに適していますか?
   • 3D ビデオ ゲーム グラフィックスの保存とレンダリング
   • クエリと意味が似ているドキュメントの検索
   • スプレッドシートの数式を実行する
   • ソースコードのコンパイル
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