الاختبار: تعميق Embeddings
اختبر معرفتك بالـ embeddings ونماذج embedding ومعايير الاختيار.
30 سؤالًا - انقر على كل سؤال لكشف الإجابة الصحيحة.
السؤال 1
ما هي embeddings في سياق معالجة اللغة الطبيعية؟
a) عناصر HTML مضمّنة في الصفحات
b) تمثيلات متجهية كثيفة للنص
c) فهارس قواعد بيانات
d) مفاتيح تشفير
عرض الإجابة
الإجابة الصحيحة: b
الـ embeddings تمثيلات متجهية كثيفة للنص تلتقط المعنى الدلالي، ما يسمح للحواسيب بمقارنة النص حسب المعنى.
السؤال 2
ماذا يقيس cosine similarity؟
a) طول المتجهات
b) الزاوية بين متجهين
c) لون النص
d) حجم الملف
عرض الإجابة
الإجابة الصحيحة: b
يقيس cosine similarity جيب تمام الزاوية بين متجهين، فيشير إلى مدى تشابه اتجاهيهما (ومن ثم التشابه الدلالي).
السؤال 3
ما النطاق النموذجي لأبعاد نماذج embedding الحديثة؟
a) 1-10
b) 50-100
c) 384-3072
d) 10000+
عرض الإجابة
الإجابة الصحيحة: c
تنتج نماذج embedding الحديثة عادةً متجهات بين 384 و3072 بُعدًا.
السؤال 4
أي نموذج OpenAI يقدّم أفضل جودة embedding؟
a) text-embedding-ada-002
b) text-embedding-3-small
c) text-embedding-3-large
d) GPT-4
عرض الإجابة
الإجابة الصحيحة: c
يقدّم text-embedding-3-large أعلى جودة embeddings من OpenAI بـ 3072 بُعدًا.
السؤال 5
علامَ يشير اختصار MTEB؟
a) Machine Text Embedding Benchmark
b) Massive Text Embedding Benchmark
c) Multi-Task Embedding Base
d) Model Training Evaluation Benchmark
عرض الإجابة
الإجابة الصحيحة: b
يشير MTEB إلى Massive Text Embedding Benchmark، المعيار القياسي لمقارنة نماذج embedding.
السؤال 6
ما نطاق cosine similarity؟
a) 0 إلى 1
b) -1 إلى 1
c) 0 إلى 100
d) -100 إلى 100
عرض الإجابة
الإجابة الصحيحة: b
يتراوح cosine similarity من -1 (معاكس) إلى 1 (متطابق)، و0 يعني متعامدًا أو غير مرتبط.
السؤال 7
أي مما يلي ليست فائدة لاستضافة نماذج embedding ذاتيًا؟
a) لا تكلفة لكل token
b) زمن استجابة أقل
c) تحديثات تلقائية
d) تبقى البيانات داخلية
عرض الإجابة
الإجابة الصحيحة: c
تتطلّب النماذج المستضافة ذاتيًا تحديثات يدوية. تقدّم خدمات API تحديثات تلقائية لأحدث النماذج.
السؤال 8
ما الميزة الخاصة التي يقدّمها Cohere embed-v3؟
a) استخدام مجاني غير محدود
b) أنواع إدخال مختلفة للوثائق مقابل الاستعلامات
c) 10000 بُعد
d) ترجمة مدمجة
عرض الإجابة
الإجابة الصحيحة: b
لدى Cohere embed-v3 خيارات input_type مختلفة (search_document مقابل search_query) محسَّنة لكل استخدام.
السؤال 9
كم يكلّف text-embedding-3-small لكل مليون token؟
a) 0.002 دولار
b) 0.02 دولار
c) 0.20 دولار
d) 2.00 دولار
عرض الإجابة
الإجابة الصحيحة: b
يكلّف text-embedding-3-small 0.02 دولار لكل مليون token، ما يجعله فعّالًا جدًا من حيث التكلفة.
السؤال 10
أي عائلة نماذج مفتوحة المصدر من BAAI؟
a) Sentence Transformers
b) E5
c) BGE
d) BERT
عرض الإجابة
الإجابة الصحيحة: c
نماذج BGE (Beijing Academy of Artificial Intelligence General Embedding) من BAAI.
السؤال 11
ماذا يحدث للنصوص المتشابهة دلاليًا عند تحويلها إلى embeddings؟
a) تنتج متجهات مختلفة جدًا
b) تنتج متجهات متشابهة (قريبة في الفضاء)
c) تنتج متجهات متطابقة
d) لا يمكن تحويلها إلى embeddings
عرض الإجابة
الإجابة الصحيحة: b
تنتج النصوص المتشابهة دلاليًا متجهات قريبة من بعضها في فضاء الـ embedding.
السؤال 12
ما الحد الأقصى للـ tokens في نماذج embedding من OpenAI؟
a) 512
b) 2048
c) 8191
d) 32000
عرض الإجابة
الإجابة الصحيحة: c
تدعم نماذج text-embedding-3 من OpenAI حتى 8191 token لكل إدخال.
السؤال 13
لماذا قد تقلّل أبعاد الـ embedding؟
a) لتحسين الجودة
b) لتقليل التخزين وتسريع البحث
c) لإضافة لغات أكثر
d) لتشفير المتجهات
عرض الإجابة
الإجابة الصحيحة: b
تقليل الأبعاد يقلّل متطلبات التخزين ويسرّع عمليات البحث بالتشابه، مع مقايضة جودة مقبولة.
السؤال 14
أي مكتبة تقدّم نماذج Sentence Transformers؟
a) TensorFlow
b) PyTorch فقط
c) HuggingFace / sentence-transformers
d) OpenAI
عرض الإجابة
الإجابة الصحيحة: c
تتوفّر Sentence Transformers عبر مكتبة sentence-transformers وHuggingFace.
السؤال 15
ما ميزة أساسية لـ embeddings القائمة على API؟
a) استخدام مجاني
b) لا حاجة للإنترنت
c) لا صيانة لبنية تحتية
d) أبعاد غير محدودة
عرض الإجابة
الإجابة الصحيحة: c
لا تتطلّب embeddings القائمة على API إعداد بنية تحتية أو صيانتها - تستدعي الـ API فقط.
السؤال 16
ما البادئة التي توصي بها BGE للاستعلامات؟
a) لا حاجة لبادئة
b) "query: "
c) "Represent this sentence for searching: "
d) "Question: "
عرض الإجابة
الإجابة الصحيحة: c
توصي نماذج BGE باستخدام بادئات تعليمات مثل "Represent this sentence for searching:" لأفضل النتائج.
السؤال 17
كم بُعدًا ينتج all-MiniLM-L6-v2؟
a) 128
b) 384
c) 768
d) 1024
عرض الإجابة
الإجابة الصحيحة: b
ينتج all-MiniLM-L6-v2 embeddings بـ 384 بُعدًا، ما يجعله مضغوطًا وسريعًا.
السؤال 18
ما المقايضة الرئيسية مع embeddings ذات أبعاد أعلى؟
a) جودة أقل
b) تخزين أعلى وبحث أبطأ
c) لغات أقل مدعومة
d) دقة أقل
عرض الإجابة
الإجابة الصحيحة: b
توفّر الأبعاد الأعلى جودة أفضل لكنها تتطلّب تخزينًا أكثر وعمليات بحث بالتشابه أبطأ.
السؤال 19
لـ MVP لشركة ناشئة، أي نموذج embedding موصى به؟
a) نموذج مدرَّب خصيصًا
b) text-embedding-3-large
c) text-embedding-3-small
d) BGE مستضاف ذاتيًا
عرض الإجابة
الإجابة الصحيحة: c
يقدّم text-embedding-3-small توازنًا جيدًا بين الجودة والتكلفة للشركات الناشئة ومشاريع MVP.
السؤال 20
فيما يفيد تحويل النصوص إلى embeddings على دفعات؟
a) تقليل الجودة
b) معالجة نصوص كثيرة بكفاءة
c) تشفير البيانات
d) تقليل الأبعاد
عرض الإجابة
الإجابة الصحيحة: b
يعالج التحويل الدفعي عدة نصوص في استدعاء API واحد، فيقلّل العبء ويحسّن الكفاءة.
السؤال 21
أي مقياس يُفضَّل عندما تكون المتجهات معيارية؟
a) المسافة الإقليدية فقط
b) الجداء الداخلي (يعادل cosine)
c) مسافة Manhattan
d) مسافة Hamming
عرض الإجابة
الإجابة الصحيحة: b
للمتجهات المعيارية، الجداء الداخلي يعادل cosine similarity ويمكن أن يكون أسرع في الحساب.
السؤال 22
علامَ يشير اختصار E5؟
a) Embedding 5
b) EmbEddings from bidirEctional Encoder rEpresentations
c) Enterprise Embedding 5
d) Efficient Embedding Engine 5
عرض الإجابة
الإجابة الصحيحة: b
يشير E5 إلى EmbEddings from bidirEctional Encoder rEpresentations (Microsoft).
السؤال 23
متى ينبغي التفكير في استضافة embeddings ذاتيًا؟
a) أبدًا
b) عند معالجة أكثر من 10M وثيقة شهريًا
c) للنماذج الأولية فقط
d) عندما لا تهم الجودة
عرض الإجابة
الإجابة الصحيحة: b
تصبح الاستضافة الذاتية فعّالة من حيث التكلفة عند الأحجام الكبيرة (أكثر من 10M وثيقة) أو عندما تكون خصوصية البيانات حرجة.
السؤال 24
ماذا يمكّن دعم embedding متعدد اللغات؟
a) الترجمة
b) البحث الدلالي عبر اللغات
c) تصحيح القواعد
d) توليد النص
عرض الإجابة
الإجابة الصحيحة: b
تمكّن embeddings متعددة اللغات البحث عبر اللغات - يمكن لاستعلام بالإنجليزية إيجاد وثائق فرنسية ذات صلة.
السؤال 25
ما زمن استجابة API النموذجي لتوليد embeddings؟
a) 1-5ms
b) 50-150ms
c) 1-5 ثوانٍ
d) 30+ ثانية
عرض الإجابة
الإجابة الصحيحة: b
تكون لـ embeddings القائمة على API عادةً زمن استجابة 50-150ms، مقابل 10-30ms للاستدلال على GPU مستضاف ذاتيًا.
السؤال 26
أي عامل هو الأهم للتطبيقات الفورية؟
a) درجة MTEB
b) زمن الاستجابة
c) الأبعاد
d) السعر
عرض الإجابة
الإجابة الصحيحة: b
للتطبيقات الفورية، زمن الاستجابة هو العامل الأهم - يتوقع المستخدمون إجابات سريعة.
السؤال 27
كيف يمكن تقليل أبعاد text-embedding-3-large؟
a) لا يمكن تقليلها
b) باستخدام معامل dimensions في الـ API
c) بمعالجة لاحقة فقط
d) يتطلّب إعادة تدريب
عرض الإجابة
الإجابة الصحيحة: b
يدعم text-embedding-3-large معامل dimensions (256، 1024، وغيرها) لتقليل حجم المخرجات.
السؤال 28
ماذا يحدث إذا استخدمت نماذج embedding مختلفة للفهرسة والاستعلام؟
a) يعمل بشكل جيد
b) سيفشل الاسترجاع أو يكون ضعيفًا
c) تتضاعف النتائج
d) تتحسّن السرعة
عرض الإجابة
الإجابة الصحيحة: b
يجب استخدام نموذج embedding نفسه للفهرسة والاستعلام - النماذج المختلفة تنتج فضاءات متجهات غير متوافقة.
السؤال 29
ما أفضل نموذج للنشر على الطرف أو دون اتصال؟
a) text-embedding-3-large
b) Cohere embed-v3
c) all-MiniLM-L6-v2
d) GPT-4
عرض الإجابة
الإجابة الصحيحة: c
all-MiniLM-L6-v2 مضغوط (384 بُعدًا، ~80MB) وسريع، مثالي للنشر على الطرف ودون اتصال.
السؤال 30
ما الغرض الأساسي من embeddings في RAG؟
a) توليد النص
b) تمكين البحث بالتشابه الدلالي
c) ضغط البيانات
d) التشفير
عرض الإجابة
الإجابة الصحيحة: b
تمكّن embeddings البحث بالتشابه الدلالي - إيجاد الوثائق بالمعنى لا بالكلمات المفتاحية الدقيقة.
النتائج
| الدرجة | المستوى |
|---|---|
| 27-30 | ممتاز - فهم قوي للـ embeddings |
| 21-26 | جيد - يُوصى ببعض المراجعة |
| 15-20 | متوسط - راجع الفصول مرة أخرى |
| أقل من 15 | يحتاج مراجعة شاملة |