Quiz Pinekonowy

Odpowiedzi i wyjaśnienia pojawiają się w miarę rozwiązywania quizu.

1. Co przede wszystkim przechowuje i przeszukuje Pinecone?
   • Osadzanie wektorów reprezentujące znaczenie danych
   • Surowe tabele SQL zawierające wiersze i kolumny
   • Skompilowane wagi modeli uczenia maszynowego
   • Szyfrowane hasła użytkowników
2. Dlaczego Pinecone jest często łączony z dużymi modelami językowymi?
   • Uczy modelu języka od podstaw
   • Zapewnia pamięć zewnętrzną, dzięki czemu model może pobrać istotne fakty (RAG)
   • Kompresuje model do działania na telefonach
   • Tłumaczy dane wyjściowe modelu na inne języki
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 zwykle mierzy się podobieństwo między dwoma wektorami?
   • Według odległości cosinus lub iloczynu skalarnego
   • Według rozmiaru pliku w megabajtach
   • Do daty ich powstania
   • Licząc udostępnione dokładne słowa kluczowe
6. Do jakiego zadania najlepiej nadaje się Pinecone?
   • Przechowywanie i renderowanie grafiki 3D z gier wideo
   • Znalezienie dokumentów o znaczeniu podobnym do zapytania
   • Uruchamianie formuł arkusza kalkulacyjnego
   • Kompilacja kodu źródłowego
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