Quiz: Introducción a RAG
Ponga a prueba su conocimiento sobre los fundamentos de RAG, las limitaciones de los LLM y la arquitectura RAG.
30 preguntas - Haga clic en cada pregunta para revelar la respuesta correcta.
Pregunta 1
¿Qué significa RAG?
a) Rapid Automated Generation
b) Retrieval-Augmented Generation
c) Random Access Generation
d) Response Augmented Gateway
Mostrar respuesta
Respuesta correcta: b
RAG significa Retrieval-Augmented Generation, una técnica que combina la recuperación de información con la generación mediante LLM.
Pregunta 2
¿Qué analogía describe mejor a RAG?
a) Un examen a libro cerrado
b) Un examen a libro abierto
c) Memorizar un libro de texto
d) Escribir desde la imaginación
Mostrar respuesta
Respuesta correcta: b
RAG es como un examen a libro abierto: el LLM puede "consultar" información relevante antes de responder, en lugar de depender únicamente de lo que memorizó durante el entrenamiento.
Pregunta 3
¿Cuál es el propósito principal de RAG?
a) Reemplazar completamente los LLM
b) Hacer que los LLM sean más rápidos
c) Mejorar los LLM con conocimiento externo
d) Reducir los costos de los LLM
Mostrar respuesta
Respuesta correcta: c
RAG mejora los LLM proporcionándoles información relevante recuperada de fuentes de conocimiento externas, aumentando la precisión y permitiendo el acceso a datos privados/actuales.
Pregunta 4
¿Cuál de estos NO es un problema que resuelve RAG?
a) Alucinaciones
b) Knowledge cutoff
c) Velocidad de inferencia lenta
d) Sin acceso a datos privados
Mostrar respuesta
Respuesta correcta: c
RAG no aborda principalmente la velocidad de inferencia. De hecho, RAG puede añadir latencia debido al paso de recuperación. RAG resuelve las alucinaciones, el knowledge cutoff y el acceso a datos privados.
Pregunta 5
¿Qué causa las alucinaciones en los LLM?
a) Sobrecarga del servidor
b) Los LLM predicen tokens sin verificación de hechos
c) Demasiados datos de entrenamiento
d) Latencia de red
Mostrar respuesta
Respuesta correcta: b
Los LLM son máquinas de probabilidad que predicen el siguiente token basándose en patrones, no en bases de datos de hechos. Pueden generar información falsa que suena plausible con mucha confianza.
Pregunta 6
¿Cuántas fases principales tiene un sistema RAG?
a) 2
b) 3
c) 4
d) 5
Mostrar respuesta
Respuesta correcta: b
Un sistema RAG tiene tres fases principales: Indexación (offline), Recuperación (online) y Generación (online).
Pregunta 7
¿Cuál fase de RAG ocurre offline (antes de las consultas de usuario)?
a) Recuperación
b) Generación
c) Indexación
d) Respuesta
Mostrar respuesta
Respuesta correcta: c
La fase de indexación ocurre offline: los documentos se cargan, fragmentan, convierten en embeddings y almacenan en una base de datos vectorial antes de cualquier consulta de usuario.
Pregunta 8
¿Cuál es el propósito de la fragmentación de texto en RAG?
a) Comprimir documentos
b) Encriptar documentos
c) Dividir documentos en unidades más pequeñas y recuperables
d) Traducir documentos
Mostrar respuesta
Respuesta correcta: c
La fragmentación divide documentos grandes en unidades más pequeñas para una recuperación más precisa y para ajustarse a las ventanas de contexto del LLM.
Pregunta 9
¿Qué son los embeddings en el contexto de RAG?
a) Elementos HTML
b) Índices de base de datos
c) Representaciones vectoriales densas de texto
d) Claves de encriptación
Mostrar respuesta
Respuesta correcta: c
Los embeddings son representaciones vectoriales densas que capturan el significado semántico del texto. Textos similares tienen vectores similares.
Pregunta 10
¿Qué tipo de base de datos está diseñada específicamente para almacenar embeddings?
a) Base de datos relacional
b) Base de datos de documentos
c) Base de datos vectorial
d) Base de datos de grafos
Mostrar respuesta
Respuesta correcta: c
Las bases de datos vectoriales están diseñadas específicamente para almacenar y buscar eficientemente vectores de alta dimensión (embeddings).
Pregunta 11
¿Qué hace la búsqueda por similitud en RAG?
a) Encuentra coincidencias exactas de texto
b) Encuentra documentos con representaciones vectoriales similares
c) Compara tamaños de archivos
d) Ordena documentos alfabéticamente
Mostrar respuesta
Respuesta correcta: b
La búsqueda por similitud encuentra documentos cuyos vectores están cerca del vector de la consulta, lo que indica similitud semántica.
Pregunta 12
¿Cuál es un tamaño típico de fragmento en sistemas RAG?
a) 10-50 caracteres
b) 100-200 caracteres
c) 500-1500 caracteres
d) 10000+ caracteres
Mostrar respuesta
Respuesta correcta: c
Los tamaños típicos de fragmentos van de 500 a 1500 caracteres, equilibrando la precisión de recuperación con suficiente contexto para la comprensión.
Pregunta 13
¿Para qué tipo de tarea es más adecuado RAG?
a) Escritura creativa
b) Conversación casual
c) Consultas intensivas en conocimiento
d) Compilación de código
Mostrar respuesta
Respuesta correcta: c
RAG sobresale en tareas intensivas en conocimiento donde se necesita información precisa y verificable, como preguntas y respuestas sobre documentos.
Pregunta 14
¿Cuándo debería preferir el fine-tuning sobre RAG?
a) Cuando necesita acceso a datos privados
b) Cuando necesita información en tiempo real
c) Cuando desea cambiar el comportamiento/estilo del modelo
d) Cuando necesita citas de fuentes
Mostrar respuesta
Respuesta correcta: c
El fine-tuning es mejor para cambiar cómo se comporta el modelo (estilo, tono, formato), mientras que RAG es mejor para añadir conocimiento.
Pregunta 15
¿Qué ocurre durante la fase de Generación de RAG?
a) Se indexan documentos
b) Se crean embeddings
c) El LLM produce una respuesta usando el contexto recuperado
d) Se almacenan vectores
Mostrar respuesta
Respuesta correcta: c
Durante la Generación, el LLM recibe la consulta del usuario junto con el contexto recuperado y produce una respuesta fundamentada.
Pregunta 16
¿Qué significa "respuesta fundamentada" en RAG?
a) Una respuesta escrita en papel
b) Una respuesta basada en documentos factuales recuperados
c) Una respuesta sin fuentes
d) Una respuesta generada offline
Mostrar respuesta
Respuesta correcta: b
Una respuesta fundamentada es aquella que se basa y está respaldada por los documentos recuperados, reduciendo las alucinaciones.
Pregunta 17
¿Cuál de estos es un ejemplo de base de datos vectorial?
a) MySQL
b) MongoDB
c) Pinecone
d) Redis (estándar)
Mostrar respuesta
Respuesta correcta: c
Pinecone es una base de datos vectorial diseñada específicamente para este propósito. Otros ejemplos incluyen Weaviate, Chroma, Qdrant y Milvus.
Pregunta 18
¿Qué es el problema de "knowledge cutoff"?
a) Los LLM se quedan sin memoria
b) Los LLM no conocen eventos posteriores a su fecha de entrenamiento
c) Los LLM se niegan a responder preguntas
d) Los LLM generan demasiado texto
Mostrar respuesta
Respuesta correcta: b
Knowledge cutoff significa que los LLM no tienen información sobre eventos que ocurrieron después de que se recopiló su conjunto de datos de entrenamiento.
Pregunta 19
¿Cómo ayuda RAG con datos privados/internos?
a) Entrena el LLM con datos privados
b) Encripta el LLM
c) Recupera de documentos privados indexados
d) Elimina datos privados
Mostrar respuesta
Respuesta correcta: c
RAG le permite indexar documentos privados y recuperarlos, dando al LLM acceso a información con la que no fue entrenado.
Pregunta 20
¿Qué es el solapamiento de fragmentos y por qué se utiliza?
a) Fragmentos duplicados como respaldo
b) Texto repetido entre fragmentos para preservar el contexto
c) Relleno de encriptación
d) Corrección de errores
Mostrar respuesta
Respuesta correcta: b
El solapamiento de fragmentos significa que los fragmentos consecutivos comparten texto en sus límites, evitando que la información se corte a la mitad del contexto.
Pregunta 21
¿Qué métrica mide cuán similares son dos vectores?
a) Precisión
b) Exactitud
c) Similitud coseno
d) Latencia
Mostrar respuesta
Respuesta correcta: c
La similitud coseno mide el ángulo entre dos vectores, indicando cuán similares son sus direcciones (y por tanto, su similitud semántica).
Pregunta 22
En un prompt RAG, ¿qué es el "contexto"?
a) Las preguntas previas del usuario
b) Los documentos recuperados
c) Los datos de entrenamiento del LLM
d) La configuración del sistema
Mostrar respuesta
Respuesta correcta: b
En RAG, el contexto se refiere a los documentos/fragmentos relevantes recuperados de la base de conocimiento e incluidos en el prompt.
Pregunta 23
¿Qué significa "top-k retrieval"?
a) Recuperar los k documentos más relevantes
b) Recuperar k documentos aleatorios
c) Recuperar documentos que empiezan con la letra K
d) Recuperar k megabytes de datos
Mostrar respuesta
Respuesta correcta: a
Top-k retrieval significa encontrar y devolver los k documentos más similares/relevantes según la consulta.
Pregunta 24
¿En qué año se publicó el artículo original de RAG?
a) 2018
b) 2019
c) 2020
d) 2022
Mostrar respuesta
Respuesta correcta: c
El artículo original de RAG "Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks" fue publicado en 2020 por Facebook AI Research.
Pregunta 25
¿Por qué RAG puede añadir latencia en comparación con llamadas puras a LLM?
a) Sobrecarga de encriptación
b) El paso de recuperación toma tiempo
c) RAG usa modelos más lentos
d) RAG requiere más memoria GPU
Mostrar respuesta
Respuesta correcta: b
RAG añade la fase de recuperación (convertir la consulta en embedding, buscar en la base de datos vectorial) antes de la generación, lo que añade latencia.
Pregunta 26
¿Qué es la búsqueda semántica?
a) Buscar por coincidencia exacta de palabras clave
b) Buscar por nombre de archivo
c) Buscar por significado en lugar de palabras exactas
d) Buscar por fecha
Mostrar respuesta
Respuesta correcta: c
La búsqueda semántica encuentra documentos basándose en el significado/intención en lugar de coincidencias exactas de palabras clave, utilizando similitud vectorial.
Pregunta 27
¿Qué componente convierte texto en vectores?
a) Splitter
b) Loader
c) Modelo de embedding
d) Generador
Mostrar respuesta
Respuesta correcta: c
El modelo de embedding convierte texto (tanto documentos como consultas) en representaciones vectoriales densas.
Pregunta 28
¿Cuál es un beneficio de RAG sobre el fine-tuning para datos dinámicos?
a) Menor precisión
b) Los datos pueden actualizarse sin reentrenar
c) Generación más rápida
d) Tamaño de modelo más pequeño
Mostrar respuesta
Respuesta correcta: b
RAG permite actualizar la base de conocimiento sin reentrenar el modelo, mientras que el fine-tuning requiere un reentrenamiento costoso para actualizar los datos.
Pregunta 29
¿Cuál es el rol del retriever en RAG?
a) Generar respuestas
b) Encontrar documentos relevantes para una consulta
c) Entrenar el LLM
d) Comprimir documentos
Mostrar respuesta
Respuesta correcta: b
La función del retriever es encontrar y devolver los documentos o fragmentos más relevantes para una consulta dada desde la base de conocimiento.
Pregunta 30
¿Cuál NO es un componente típico en un pipeline de indexación RAG?
a) Document loader
b) Text splitter
c) Interfaz de usuario
d) Modelo de embedding
Mostrar respuesta
Respuesta correcta: c
El pipeline de indexación típicamente incluye: document loader, text splitter, modelo de embedding y vector store. La interfaz de usuario no forma parte de la indexación.
Resultados
| Puntaje | Nivel |
|---|---|
| 27-30 | Excelente - Fuerte comprensión de los fundamentos de RAG |
| 21-26 | Bueno - Se recomienda repasar algunos temas |
| 15-20 | Promedio - Revise los capítulos nuevamente |
| Menos de 15 | Requiere revisión integral |