Quiz : Traitement de documents
Testez vos connaissances sur les chargeurs de documents, la division de texte et la gestion des fichiers.
30 questions - Cliquez sur chaque question pour révéler la réponse correcte.
Question 1
Quel est le principal objectif des chargeurs de documents dans RAG ?
a) Compresser les documents
b) Extraire le contenu textuel de divers formats de fichiers
c) Chiffrer les documents
d) Traduire les documents
Afficher la réponse
Réponse correcte : b
Les chargeurs de documents extraient le contenu textuel de divers formats de fichiers (PDF, Word, HTML, etc.) et le préparent pour un traitement ultérieur dans le pipeline RAG.
Question 2
Quel chargeur LangChain est le meilleur pour les PDF avec des tableaux ?
a) PyPDFLoader
b) PDFPlumberLoader
c) TextLoader
d) WebBaseLoader
Afficher la réponse
Réponse correcte : b
PDFPlumberLoader offre de meilleures capacités d'extraction de tableaux par rapport aux chargeurs PDF de base.
Question 3
Que signifie OCR ?
a) Reconnaissance Optique de Caractères
b) Lecteur de Contenu en Ligne
c) Récupération Optimisée de Chunks
d) Routine de Compression de Sortie
Afficher la réponse
Réponse correcte : a
OCR signifie Reconnaissance Optique de Caractères - technologie qui convertit les images de texte en texte lisible par machine.
Question 4
Qu'est-ce que le chevauchement de chunks et pourquoi est-il important ?
a) Dupliquer les chunks pour sauvegarde
b) Texte partagé entre les chunks pour préserver le contexte
c) Remplissage de chiffrement
d) Taux de compression
Afficher la réponse
Réponse correcte : b
Le chevauchement de chunks est un texte partagé entre des chunks consécutifs qui empêche la perte d'informations aux limites des chunks et préserve le contexte.
Question 5
Quelle est la taille typique d'un chunk pour les systèmes RAG ?
a) 50-100 caractères
b) 500-1500 caractères
c) 10000+ caractères
d) 5-10 caractères
Afficher la réponse
Réponse correcte : b
Les tailles typiques de chunks varient de 500 à 1500 caractères, équilibrant la précision de récupération avec un contexte suffisant.
Question 6
Quel séparateur est le meilleur pour maintenir la structure du document dans les fichiers Markdown ?
a) RecursiveCharacterTextSplitter
b) TokenTextSplitter
c) MarkdownHeaderTextSplitter
d) SentenceTransformersTokenTextSplitter
Afficher la réponse
Réponse correcte : c
MarkdownHeaderTextSplitter respecte la structure des en-têtes Markdown et crée des chunks basés sur les sections du document.
Question 7
Quel est le pourcentage de chevauchement recommandé par rapport à la taille du chunk ?
a) 50-60%
b) 1-5%
c) 10-20%
d) 80-90%
Afficher la réponse
Réponse correcte : c
Un chevauchement typique est de 10-20% de la taille du chunk (par exemple, un chevauchement de 200 caractères pour des chunks de 1000 caractères).
Question 8
Quel chargeur utiliseriez-vous pour des documents PDF scannés ?
a) PyPDFLoader
b) UnstructuredPDFLoader avec stratégie OCR
c) TextLoader
d) CSVLoader
Afficher la réponse
Réponse correcte : b
UnstructuredPDFLoader avec stratégie="ocr_only" ou "hi_res" peut traiter des PDF scannés en utilisant l'OCR.
Question 9
Que fait RecursiveCharacterTextSplitter ?
a) Divise uniquement par caractères
b) Divise par une hiérarchie de séparateurs
c) Divise aléatoirement
d) Ne divise jamais le texte
Afficher la réponse
Réponse correcte : b
RecursiveCharacterTextSplitter essaie de diviser d'abord par paragraphes, puis par phrases, puis par mots, puis par caractères.
Question 10
Quelles informations le métadonnées du document contiennent-elles généralement ?
a) Seulement le nom du fichier
b) Source, numéro de page et autres informations contextuelles
c) Juste la date de création
d) Aucune métadonnée n'est stockée
Afficher la réponse
Réponse correcte : b
Les métadonnées du document incluent généralement le fichier source, le numéro de page, l'auteur, les dates et d'autres informations contextuelles pertinentes.
Question 11
Quel composant LlamaIndex charge plusieurs fichiers d'un répertoire ?
a) SingleFileReader
b) SimpleDirectoryReader
c) BatchLoader
d) FolderProcessor
Afficher la réponse
Réponse correcte : b
SimpleDirectoryReader peut charger récursivement plusieurs fichiers d'un répertoire avec des options de filtrage.
Question 12
Pourquoi les chunks plus petits peuvent-ils poser problème ?
a) Ils utilisent trop de stockage
b) Ils peuvent perdre un contexte important
c) Ils sont trop lents à traiter
d) Ils ne peuvent pas être intégrés
Afficher la réponse
Réponse correcte : b
Les chunks plus petits peuvent perdre un contexte important, rendant plus difficile pour le LLM de comprendre et de répondre aux questions.
Question 13
Quel est le but de add_start_index dans les séparateurs de texte ?
a) Numéroter les pages
b) Suivre la position de chaque chunk dans le document original
c) Trier les chunks par ordre alphabétique
d) Compresser les chunks
Afficher la réponse
Réponse correcte : b
add_start_index suit l'origine de chaque chunk dans le document source, utile pour les citations et le débogage.
Question 14
Comment les tableaux dans les documents doivent-ils être gérés lors du découpage en chunks ?
a) Les diviser en plusieurs chunks
b) Les garder comme des chunks uniques
c) Les supprimer entièrement
d) Les convertir en images
Afficher la réponse
Réponse correcte : b
Les tableaux doivent être conservés comme des chunks uniques pour préserver leur structure et leur signification.
Question 15
Quelle bibliothèque Python est couramment utilisée pour extraire des tableaux des PDF ?
a) requests
b) Camelot
c) numpy
d) flask
Afficher la réponse
Réponse correcte : b
Camelot est une bibliothèque populaire spécifiquement conçue pour extraire des tableaux des fichiers PDF.
Question 16
Qu'est-ce que le découpage sémantique ?
a) Découpage par taille de fichier
b) Découpage basé sur la signification/similarité
c) Découpage alphabétique
d) Découpage aléatoire
Afficher la réponse
Réponse correcte : b
Le découpage sémantique divise le texte en fonction de la similarité sémantique, en gardant le contenu lié ensemble.
Question 17
Quel encodage doit généralement être spécifié pour TextLoader ?
a) ASCII
b) UTF-8
c) Base64
d) Binaire
Afficher la réponse
Réponse correcte : b
UTF-8 est l'encodage standard qui prend en charge la plupart des caractères dans différentes langues.
Question 18
Que utilise TokenTextSplitter pour compter la taille des chunks ?
a) Caractères
b) Mots
c) Tokens (tels que comptés par les tokenizers LLM)
d) Octets
Afficher la réponse
Réponse correcte : c
TokenTextSplitter compte les tokens réels tels qu'ils seraient comptés par le tokenizer du LLM, important pour les limites de contexte.
Question 19
Quel est le principal défi avec les PDF à colonnes multiples ?
a) Les couleurs sont perdues
b) L'ordre de lecture peut être incorrect
c) La taille du fichier augmente
d) Ne peut pas être ouvert
Afficher la réponse
Réponse correcte : b
Les mises en page à colonnes multiples peuvent confondre les extracteurs, provoquant la fusion incorrecte du texte de différentes colonnes.
Question 20
Comment les images intégrées dans les documents peuvent-elles être rendues recherchables ?
a) Convertir en PDF
b) Utiliser des modèles de vision pour générer des descriptions
c) Les supprimer
d) Les compresser
Afficher la réponse
Réponse correcte : b
Les modèles de vision (comme GPT-4 Vision) peuvent décrire les images, rendant leur contenu recherchable via le texte.
Question 21
Quelle est la hiérarchie des séparateurs dans RecursiveCharacterTextSplitter par défaut ?
a) Caractères, mots, phrases, paragraphes
b) Paragraphes, nouvelles lignes, phrases, espaces, caractères
c) Ordre aléatoire
d) Uniquement par points
Afficher la réponse
Réponse correcte : b
La hiérarchie par défaut est : doubles nouvelles lignes (paragraphes), nouvelles lignes simples, points (phrases), espaces, caractères.
Question 22
Quel chargeur utiliseriez-vous pour les fichiers JSONL ?
a) TextLoader
b) JSONLoader avec jq_schema approprié
c) PDFLoader
d) ImageLoader
Afficher la réponse
Réponse correcte : b
JSONLoader peut gérer les fichiers JSONL avec le jq_schema approprié pour extraire le contenu.
Question 23
Que se passe-t-il si chunk_size est plus grand que le document ?
a) Une erreur est générée
b) Le document devient un seul chunk
c) Le document est dupliqué
d) Le document est compressé
Afficher la réponse
Réponse correcte : b
Si le document est plus petit que chunk_size, il reste un seul chunk sans être divisé.
Question 24
Pourquoi le traitement par lots est-il important pour les grands fichiers CSV ?
a) Pour augmenter la taille du fichier
b) Pour éviter les problèmes de mémoire
c) Pour chiffrer les données
d) Pour compresser les données
Afficher la réponse
Réponse correcte : b
Le traitement par lots empêche le chargement de fichiers entiers dans la mémoire, évitant ainsi les problèmes de mémoire.
Question 25
Quel est le but du paramètre 'mode' dans UnstructuredPDFLoader ?
a) Définir le niveau de chiffrement
b) Contrôler comment la structure du document est préservée
c) Choisir le mode couleur
d) Définir les permissions de fichier
Afficher la réponse
Réponse correcte : b
Le paramètre 'mode' (single, elements, paged) contrôle comment la structure du document est préservée lors de l'extraction.
Question 26
Quelle stratégie offre la meilleure qualité d'extraction dans UnstructuredPDFLoader ?
a) fast
b) auto
c) hi_res
d) low_res
Afficher la réponse
Réponse correcte : c
La stratégie "hi_res" offre la plus haute qualité d'extraction mais nécessite plus de temps de traitement.
Question 27
Que doit-on faire avec les en-têtes et pieds de page dans les PDF ?
a) Les mettre en évidence
b) Les filtrer pour éliminer le bruit
c) Les dupliquer
d) Les chiffrer
Afficher la réponse
Réponse correcte : b
Les en-têtes et pieds de page contiennent souvent du contenu répété et non informatif et doivent être filtrés.
Question 28
Comment pouvez-vous suivre de quel fichier provient un chunk ?
a) Par la taille du chunk
b) À travers les métadonnées
c) Par la couleur du chunk
d) Par le taux de compression
Afficher la réponse
Réponse correcte : b
Les champs de métadonnées comme 'source' ou 'file_name' suivent l'origine de chaque chunk.
Question 29
Quel est l'avantage d'utiliser SQLDatabaseLoader ?
a) Il ne fonctionne qu'avec SQLite
b) Il peut interroger et charger des données directement depuis des bases de données
c) Il compresse les fichiers SQL
d) Il chiffre les bases de données
Afficher la réponse
Réponse correcte : b
SQLDatabaseLoader vous permet d'interroger directement les bases de données et de charger les résultats comme documents.
Question 30
Que doit-on éviter lors du découpage en chunks ?
a) Préserver les métadonnées
b) Couper les phrases en plein milieu
c) Utiliser le chevauchement
d) Suivre la source
Afficher la réponse
Réponse correcte : b
Couper les phrases ou concepts en plein milieu peut entraîner des chunks incomplets ou confus qui nuisent à la qualité de la récupération.
Résultats
| Score | Niveau |
|---|---|
| 27-30 | Excellent - Forte compréhension du traitement de documents |
| 21-26 | Bon - Une révision est recommandée |
| 15-20 | Moyen - Relisez les chapitres |
| Moins de 15 | Besoin d'une révision complète |