Gids-gekoppelde quiz · Moeilijk Niveau

Hoe word je een AI-ingenieurquiz?

Test de routekaart voor het leren van AI-ingenieurs, hoe pijplijnen voor het genereren van ophaalmogelijkheden werken en waarom het afzonderlijk evalueren van het ophalen en genereren van belang is.

Vraag 1 van 8

Hoe verschilt de focus van een AI-ingenieur van die van een machine learning-ingenieur, volgens de gids?

Bekijk elke vraag8 vragen

Antwoorden en uitleg verschijnen terwijl je de quiz doet.

  1. Hoe verschilt de focus van een AI-ingenieur van die van een machine learning-ingenieur, volgens de gids?
    • AI engineers design GPUs, while ML engineers write prompts
    • AI engineers build applications on top of existing foundation models, while ML engineers train and deploy models
    • AI engineers only do data analysis and statistics
    • There is no difference between the two roles
  2. Waarom raadt de gids aan om onbewerkte LLM-API's te leren vóór frameworks zoals LangChain?
    • Frameworks are illegal to use commercially
    • Raw APIs are always faster to write
    • Frameworks cannot call LLMs
    • It makes debugging any framework much easier later
  3. Wat is het Model Context Protocol?
    • An open standard for connecting models to tools and data
    • A law regulating AI engineers
    • Een methode voor het comprimeren van modelgewichten
    • A benchmark for measuring model accuracy
  4. Wat gebeurt er in een RAG-pijplijn tijdens opname?
    • The model is retrained on each user question
    • Users rate answers from one to five stars
    • Documents are chunked, embedded and stored with metadata
    • The system deletes old documents every day
  5. Waarom zou een systeem naast een vectorzoekopdracht ook een BM25-zoekopdracht op trefwoord kunnen uitvoeren?
    • To catch exact keyword matches such as names and codes that embeddings may miss
    • Because vector search cannot return more than one result
    • To avoid storing any metadata
    • Because BM25 generates the final answer text
  6. What does recall at k measure in RAG evaluation?
    • How quickly the model generates each token
    • Whether the correct chunk appears among the top k retrieved results
    • How many users return to the app after k days
    • The number of words in the final answer
  7. According to the guide, where do many wrong RAG answers trace back to?
    • The user's internet connection
    • The model's temperature setting always being too low
    • The programming language used
    • Retrieval failures rather than the model itself
  8. Which misconception does the guide correct about starting in AI engineering?
    • That solid software engineering matters
    • That evaluations help catch regressions
    • That you need a PhD or advanced mathematics to begin
    • That prompt injection is a security concern