Quiz: Procesamiento de Documentos
Evalúe su conocimiento sobre cargadores de documentos, segmentación de texto y manejo de archivos.
30 preguntas - Haga clic en cada pregunta para revelar la respuesta correcta.
Pregunta 1
¿Cuál es el propósito principal de los cargadores de documentos en RAG?
a) Comprimir documentos
b) Extraer el contenido de texto de varios formatos de archivo
c) Encriptar documentos
d) Traducir documentos
Mostrar respuesta
Respuesta correcta: b
Los cargadores de documentos extraen el contenido de texto de varios formatos de archivo (PDFs, Word, HTML, etc.) y lo preparan para su posterior procesamiento en el pipeline de RAG.
Pregunta 2
¿Qué cargador de LangChain es el mejor para PDFs con tablas?
a) PyPDFLoader
b) PDFPlumberLoader
c) TextLoader
d) WebBaseLoader
Mostrar respuesta
Respuesta correcta: b
PDFPlumberLoader ofrece mejores capacidades de extracción de tablas en comparación con los cargadores PDF básicos.
Pregunta 3
¿Qué significa OCR?
a) Reconocimiento Óptico de Caracteres
b) Lector de Contenido en Línea
c) Recuperación Optimizada de Fragmentos
d) Rutina de Compresión de Salida
Mostrar respuesta
Respuesta correcta: a
OCR significa Reconocimiento Óptico de Caracteres: tecnología que convierte imágenes de texto en texto legible por máquina.
Pregunta 4
¿Qué es el solapamiento de fragmentos (chunk overlap) y por qué es importante?
a) Fragmentos duplicados para respaldo
b) Texto compartido entre fragmentos para preservar el contexto
c) Relleno de encriptación
d) Relación de compresión
Mostrar respuesta
Respuesta correcta: b
El solapamiento de fragmentos es el texto compartido entre fragmentos consecutivos que previene la pérdida de información en los límites de los fragmentos y preserva el contexto.
Pregunta 5
¿Cuál es un tamaño típico de fragmento para sistemas RAG?
a) 50-100 caracteres
b) 500-1500 caracteres
c) 10000+ caracteres
d) 5-10 caracteres
Mostrar respuesta
Respuesta correcta: b
Los tamaños típicos de fragmentos van de 500 a 1500 caracteres, equilibrando la precisión de recuperación con suficiente contexto.
Pregunta 6
¿Qué segmentador es mejor para mantener la estructura de documentos en archivos Markdown?
a) RecursiveCharacterTextSplitter
b) TokenTextSplitter
c) MarkdownHeaderTextSplitter
d) SentenceTransformersTokenTextSplitter
Mostrar respuesta
Respuesta correcta: c
MarkdownHeaderTextSplitter respeta la estructura de encabezados de Markdown y crea fragmentos basados en las secciones del documento.
Pregunta 7
¿Cuál es el porcentaje de solapamiento recomendado en relación al tamaño del fragmento?
a) 50-60%
b) 1-5%
c) 10-20%
d) 80-90%
Mostrar respuesta
Respuesta correcta: c
Un solapamiento típico es del 10-20% del tamaño del fragmento (por ejemplo, 200 caracteres de solapamiento para fragmentos de 1000 caracteres).
Pregunta 8
¿Qué cargador usaría para documentos PDF escaneados?
a) PyPDFLoader
b) UnstructuredPDFLoader con estrategia OCR
c) TextLoader
d) CSVLoader
Mostrar respuesta
Respuesta correcta: b
UnstructuredPDFLoader con strategy="ocr_only" o "hi_res" puede procesar PDFs escaneados usando OCR.
Pregunta 9
¿Qué hace RecursiveCharacterTextSplitter?
a) Divide solo por caracteres
b) Divide por una jerarquía de separadores
c) Divide aleatoriamente
d) Nunca divide el texto
Mostrar respuesta
Respuesta correcta: b
RecursiveCharacterTextSplitter intenta dividir primero por párrafos, luego oraciones, luego palabras y finalmente caracteres.
Pregunta 10
¿Qué información suele contener la metadata de un Documento?
a) Solo el nombre del archivo
b) Fuente, número de página y otra información contextual
c) Solo la fecha de creación
d) No se almacena metadata
Mostrar respuesta
Respuesta correcta: b
La metadata de un documento normalmente incluye el archivo fuente, número de página, autor, fechas y otra información contextual relevante.
Pregunta 11
¿Qué componente de LlamaIndex carga múltiples archivos de un directorio?
a) SingleFileReader
b) SimpleDirectoryReader
c) BatchLoader
d) FolderProcessor
Mostrar respuesta
Respuesta correcta: b
SimpleDirectoryReader puede cargar múltiples archivos de un directorio de forma recursiva con opciones de filtrado.
Pregunta 12
¿Por qué los fragmentos más pequeños pueden ser problemáticos?
a) Usan demasiado almacenamiento
b) Pueden perder contexto importante
c) Son demasiado lentos de procesar
d) No se pueden embedir
Mostrar respuesta
Respuesta correcta: b
Los fragmentos más pequeños pueden perder contexto importante, dificultando que el LLM entienda y responda preguntas.
Pregunta 13
¿Cuál es el propósito de add_start_index en los segmentadores de texto?
a) Numerar páginas
b) Rastrear la posición de cada fragmento en el documento original
c) Ordenar fragmentos alfabéticamente
d) Comprimir fragmentos
Mostrar respuesta
Respuesta correcta: b
add_start_index rastrea de dónde proviene cada fragmento en el documento fuente, útil para citas y depuración.
Pregunta 14
¿Cómo deben manejarse las tablas en los documentos durante la segmentación?
a) Dividirlas en varios fragmentos
b) Mantenerlas como fragmentos únicos
c) Eliminarlas completamente
d) Convertirlas en imágenes
Mostrar respuesta
Respuesta correcta: b
Las tablas deben mantenerse como fragmentos únicos para preservar su estructura y significado.
Pregunta 15
¿Qué biblioteca de Python se usa comúnmente para extraer tablas de PDFs?
a) requests
b) Camelot
c) numpy
d) flask
Mostrar respuesta
Respuesta correcta: b
Camelot es una biblioteca popular diseñada específicamente para extraer tablas de archivos PDF.
Pregunta 16
¿Qué es la segmentación semántica (semantic chunking)?
a) Segmentación por tamaño de archivo
b) Segmentación basada en significado/similitud
c) Segmentación alfabética
d) Segmentación aleatoria
Mostrar respuesta
Respuesta correcta: b
La segmentación semántica divide el texto según la similitud semántica, manteniendo el contenido relacionado junto.
Pregunta 17
¿Qué codificación se debe especificar normalmente para TextLoader?
a) ASCII
b) UTF-8
c) Base64
d) Binario
Mostrar respuesta
Respuesta correcta: b
UTF-8 es la codificación estándar que soporta la mayoría de los caracteres en diferentes idiomas.
Pregunta 18
¿Qué utiliza TokenTextSplitter para contar el tamaño del fragmento?
a) Caracteres
b) Palabras
c) Tokens (como los cuenta el tokenizador del LLM)
d) Bytes
Mostrar respuesta
Respuesta correcta: c
TokenTextSplitter cuenta los tokens reales tal como los contaría el tokenizador del LLM, lo cual es importante para los límites de contexto.
Pregunta 19
¿Cuál es el principal desafío con los PDFs de varias columnas?
a) Se pierden los colores
b) El orden de lectura puede ser incorrecto
c) El tamaño del archivo aumenta
d) No se pueden abrir
Mostrar respuesta
Respuesta correcta: b
Los diseños de varias columnas pueden confundir a los extractores, haciendo que el texto de diferentes columnas se mezcle incorrectamente.
Pregunta 20
¿Cómo se pueden hacer buscables las imágenes incrustadas en documentos?
a) Convertir a PDF
b) Usar modelos de visión para generar descripciones
c) Eliminarlas
d) Comprimirlas
Mostrar respuesta
Respuesta correcta: b
Los modelos de visión (como GPT-4 Vision) pueden describir imágenes, haciendo que su contenido sea buscable a través de texto.
Pregunta 21
¿Cuál es la jerarquía de separadores en RecursiveCharacterTextSplitter por defecto?
a) Caracteres, palabras, oraciones, párrafos
b) Párrafos, saltos de línea, oraciones, espacios, caracteres
c) Orden aleatorio
d) Solo por puntos
Mostrar respuesta
Respuesta correcta: b
La jerarquía por defecto es: doble salto de línea (párrafos), salto de línea simple, puntos (oraciones), espacios, caracteres.
Pregunta 22
¿Qué cargador usaría para archivos JSONL?
a) TextLoader
b) JSONLoader con el jq_schema apropiado
c) PDFLoader
d) ImageLoader
Mostrar respuesta
Respuesta correcta: b
JSONLoader puede manejar archivos JSONL con el jq_schema apropiado para extraer el contenido.
Pregunta 23
¿Qué sucede si chunk_size es mayor que el documento?
a) Se lanza un error
b) El documento se convierte en un solo fragmento
c) El documento se duplica
d) El documento se comprime
Mostrar respuesta
Respuesta correcta: b
Si el documento es más pequeño que chunk_size, permanece como un solo fragmento sin dividirse.
Pregunta 24
¿Por qué es importante el procesamiento por lotes para archivos CSV grandes?
a) Para aumentar el tamaño del archivo
b) Para evitar problemas de memoria
c) Para encriptar datos
d) Para comprimir datos
Mostrar respuesta
Respuesta correcta: b
El procesamiento por lotes evita cargar archivos grandes completos en memoria, previniendo problemas de memoria.
Pregunta 25
¿Cuál es el propósito del parámetro 'mode' en UnstructuredPDFLoader?
a) Establecer el nivel de encriptación
b) Controlar cómo se preserva la estructura del documento
c) Elegir el modo de color
d) Establecer permisos de archivo
Mostrar respuesta
Respuesta correcta: b
El parámetro 'mode' (single, elements, paged) controla cómo se preserva la estructura del documento durante la extracción.
Pregunta 26
¿Qué estrategia proporciona la mejor calidad de extracción en UnstructuredPDFLoader?
a) fast
b) auto
c) hi_res
d) low_res
Mostrar respuesta
Respuesta correcta: c
La estrategia "hi_res" proporciona la extracción de mayor calidad pero requiere más tiempo de procesamiento.
Pregunta 27
¿Qué se debe hacer con los encabezados y pies de página en los PDFs?
a) Enfatizarlos
b) Filtrarlos para eliminar ruido
c) Duplicarlos
d) Encriptarlos
Mostrar respuesta
Respuesta correcta: b
Los encabezados y pies de página suelen contener contenido repetido y no informativo, por lo que deben filtrarse.
Pregunta 28
¿Cómo puede rastrear de qué archivo proviene un fragmento?
a) Por el tamaño del fragmento
b) A través de la metadata
c) Por el color del fragmento
d) Por la relación de compresión
Mostrar respuesta
Respuesta correcta: b
Campos de metadata como 'source' o 'file_name' rastrean el origen de cada fragmento.
Pregunta 29
¿Cuál es el beneficio de usar SQLDatabaseLoader?
a) Solo funciona con SQLite
b) Puede consultar y cargar datos directamente desde bases de datos
c) Comprime archivos SQL
d) Encripta bases de datos
Mostrar respuesta
Respuesta correcta: b
SQLDatabaseLoader le permite consultar bases de datos directamente y cargar los resultados como documentos.
Pregunta 30
¿Qué se debe evitar al segmentar?
a) Preservar la metadata
b) Cortar oraciones a la mitad
c) Usar solapamiento
d) Rastrear la fuente
Mostrar respuesta
Respuesta correcta: b
Cortar oraciones o conceptos a la mitad puede resultar en fragmentos incompletos o confusos que afectan la calidad de la recuperación.
Resultados
| Puntaje | Nivel |
|---|---|
| 27-30 | Excelente - Fuerte comprensión del procesamiento de documentos |
| 21-26 | Bueno - Se recomienda repasar algunos temas |
| 15-20 | Promedio - Revise los capítulos nuevamente |
| Menos de 15 | Requiere revisión integral |