Quiz: Processamento de Documentos
Teste seu conhecimento sobre carregadores de documentos, divisão de texto e manipulação de arquivos.
30 questões - Clique em cada pergunta para revelar a resposta correta.
Questão 1
Qual é o principal objetivo dos carregadores de documentos em RAG?
a) Comprimir documentos
b) Extrair o conteúdo de texto de vários formatos de arquivo
c) Criptografar documentos
d) Traduzir documentos
Mostrar Resposta
Resposta Correta: b
Carregadores de documentos extraem o conteúdo de texto de vários formatos de arquivo (PDFs, Word, HTML, etc.) e o preparam para processamento posterior no pipeline de RAG.
Questão 2
Qual carregador do LangChain é melhor para PDFs com tabelas?
a) PyPDFLoader
b) PDFPlumberLoader
c) TextLoader
d) WebBaseLoader
Mostrar Resposta
Resposta Correta: b
PDFPlumberLoader oferece melhores capacidades de extração de tabelas em comparação com carregadores básicos de PDF.
Questão 3
O que significa OCR?
a) Optical Character Recognition
b) Online Content Reader
c) Optimized Chunk Retrieval
d) Output Compression Routine
Mostrar Resposta
Resposta Correta: a
OCR significa Optical Character Recognition - tecnologia que converte imagens de texto em texto legível por máquina.
Questão 4
O que é sobreposição de chunks e por que é importante?
a) Duplicar chunks para backup
b) Texto compartilhado entre chunks para preservar o contexto
c) Preenchimento para criptografia
d) Taxa de compressão
Mostrar Resposta
Resposta Correta: b
Sobreposição de chunks é o texto compartilhado entre chunks consecutivos que previne a perda de informação nas divisões e preserva o contexto.
Questão 5
Qual é um tamanho típico de chunk para sistemas RAG?
a) 50-100 caracteres
b) 500-1500 caracteres
c) 10000+ caracteres
d) 5-10 caracteres
Mostrar Resposta
Resposta Correta: b
Tamanhos típicos de chunk variam de 500 a 1500 caracteres, equilibrando precisão na recuperação com contexto suficiente.
Questão 6
Qual splitter é melhor para manter a estrutura do documento em arquivos Markdown?
a) RecursiveCharacterTextSplitter
b) TokenTextSplitter
c) MarkdownHeaderTextSplitter
d) SentenceTransformersTokenTextSplitter
Mostrar Resposta
Resposta Correta: c
MarkdownHeaderTextSplitter respeita a estrutura de títulos do Markdown e cria chunks com base nas seções do documento.
Questão 7
Qual é a porcentagem recomendada de sobreposição em relação ao tamanho do chunk?
a) 50-60%
b) 1-5%
c) 10-20%
d) 80-90%
Mostrar Resposta
Resposta Correta: c
Uma sobreposição típica é de 10-20% do tamanho do chunk (por exemplo, 200 caracteres de sobreposição para chunks de 1000 caracteres).
Questão 8
Qual carregador você usaria para documentos PDF escaneados?
a) PyPDFLoader
b) UnstructuredPDFLoader com estratégia OCR
c) TextLoader
d) CSVLoader
Mostrar Resposta
Resposta Correta: b
UnstructuredPDFLoader com strategy="ocr_only" ou "hi_res" pode processar PDFs escaneados usando OCR.
Questão 9
O que faz o RecursiveCharacterTextSplitter?
a) Divide apenas por caracteres
b) Divide por uma hierarquia de separadores
c) Divide aleatoriamente
d) Nunca divide o texto
Mostrar Resposta
Resposta Correta: b
RecursiveCharacterTextSplitter tenta dividir primeiro por parágrafos, depois por sentenças, depois por palavras e, por fim, por caracteres.
Questão 10
Quais informações a metadata do Documento normalmente contém?
a) Apenas o nome do arquivo
b) Fonte, número da página e outras informações contextuais
c) Apenas a data de criação
d) Nenhuma metadata é armazenada
Mostrar Resposta
Resposta Correta: b
A metadata do documento normalmente inclui arquivo de origem, número da página, autor, datas e outras informações contextuais relevantes.
Questão 11
Qual componente do LlamaIndex carrega múltiplos arquivos de um diretório?
a) SingleFileReader
b) SimpleDirectoryReader
c) BatchLoader
d) FolderProcessor
Mostrar Resposta
Resposta Correta: b
SimpleDirectoryReader pode carregar múltiplos arquivos de um diretório de forma recursiva com opções de filtragem.
Questão 12
Por que chunks menores podem ser problemáticos?
a) Usam muito armazenamento
b) Podem perder contexto importante
c) São muito lentos para processar
d) Não podem ser embutidos
Mostrar Resposta
Resposta Correta: b
Chunks menores podem perder contexto importante, dificultando para o LLM entender e responder perguntas.
Questão 13
Qual é o objetivo do add_start_index nos splitters de texto?
a) Numerar páginas
b) Rastrear a posição de cada chunk no documento original
c) Ordenar chunks alfabeticamente
d) Comprimir chunks
Mostrar Resposta
Resposta Correta: b
add_start_index rastreia de onde cada chunk se originou no documento fonte, útil para citações e depuração.
Questão 14
Como as tabelas em documentos devem ser tratadas durante o chunking?
a) Dividir entre vários chunks
b) Mantê-las como chunks únicos
c) Removê-las completamente
d) Converter em imagens
Mostrar Resposta
Resposta Correta: b
Tabelas devem ser mantidas como chunks únicos para preservar sua estrutura e significado.
Questão 15
Qual biblioteca Python é comumente usada para extrair tabelas de PDFs?
a) requests
b) Camelot
c) numpy
d) flask
Mostrar Resposta
Resposta Correta: b
Camelot é uma biblioteca popular projetada especificamente para extrair tabelas de arquivos PDF.
Questão 16
O que é chunking semântico?
a) Chunking por tamanho de arquivo
b) Chunking baseado em significado/semelhança
c) Chunking em ordem alfabética
d) Chunking aleatório
Mostrar Resposta
Resposta Correta: b
Chunking semântico divide o texto com base na similaridade semântica, mantendo conteúdos relacionados juntos.
Questão 17
Qual codificação deve ser especificada normalmente para o TextLoader?
a) ASCII
b) UTF-8
c) Base64
d) Binário
Mostrar Resposta
Resposta Correta: b
UTF-8 é a codificação padrão que suporta a maioria dos caracteres em diferentes idiomas.
Questão 18
O que o TokenTextSplitter usa para contar o tamanho do chunk?
a) Caracteres
b) Palavras
c) Tokens (como contado pelos tokenizers de LLM)
d) Bytes
Mostrar Resposta
Resposta Correta: c
TokenTextSplitter conta os tokens reais como seriam contados pelo tokenizer do LLM, importante para limites de contexto.
Questão 19
Qual é o principal desafio com PDFs de múltiplas colunas?
a) As cores são perdidas
b) A ordem de leitura pode estar incorreta
c) O tamanho do arquivo aumenta
d) Não podem ser abertos
Mostrar Resposta
Resposta Correta: b
Layouts de múltiplas colunas podem confundir os extratores, fazendo com que textos de diferentes colunas sejam mesclados incorretamente.
Questão 20
Como imagens incorporadas em documentos podem ser tornadas pesquisáveis?
a) Converter para PDF
b) Usar modelos de visão para gerar descrições
c) Excluí-las
d) Comprimir
Mostrar Resposta
Resposta Correta: b
Modelos de visão (como GPT-4 Vision) podem descrever imagens, tornando seu conteúdo pesquisável por texto.
Questão 21
Qual é a hierarquia de separadores no RecursiveCharacterTextSplitter por padrão?
a) Caracteres, palavras, sentenças, parágrafos
b) Parágrafos, quebras de linha, sentenças, espaços, caracteres
c) Ordem aleatória
d) Apenas por pontos finais
Mostrar Resposta
Resposta Correta: b
A hierarquia padrão é: duas quebras de linha (parágrafos), uma quebra de linha, pontos finais (sentenças), espaços, caracteres.
Questão 22
Qual carregador você usaria para arquivos JSONL?
a) TextLoader
b) JSONLoader com jq_schema apropriado
c) PDFLoader
d) ImageLoader
Mostrar Resposta
Resposta Correta: b
JSONLoader pode lidar com arquivos JSONL usando o jq_schema apropriado para extrair o conteúdo.
Questão 23
O que acontece se chunk_size for maior que o documento?
a) Um erro é lançado
b) O documento vira um único chunk
c) O documento é duplicado
d) O documento é comprimido
Mostrar Resposta
Resposta Correta: b
Se o documento for menor que chunk_size, ele permanece como um único chunk sem divisão.
Questão 24
Por que o processamento em lote é importante para arquivos CSV grandes?
a) Para aumentar o tamanho do arquivo
b) Para evitar problemas de memória
c) Para criptografar dados
d) Para comprimir dados
Mostrar Resposta
Resposta Correta: b
O processamento em lote evita carregar arquivos grandes inteiros na memória, prevenindo problemas de memória.
Questão 25
Qual é o objetivo do parâmetro 'mode' no UnstructuredPDFLoader?
a) Definir o nível de criptografia
b) Controlar como a estrutura do documento é preservada
c) Escolher o modo de cor
d) Definir permissões de arquivo
Mostrar Resposta
Resposta Correta: b
O parâmetro 'mode' (single, elements, paged) controla como a estrutura do documento é preservada durante a extração.
Questão 26
Qual estratégia oferece a melhor qualidade de extração no UnstructuredPDFLoader?
a) fast
b) auto
c) hi_res
d) low_res
Mostrar Resposta
Resposta Correta: c
A estratégia "hi_res" oferece a extração de maior qualidade, mas exige mais tempo de processamento.
Questão 27
O que deve ser feito com cabeçalhos e rodapés em PDFs?
a) Destacá-los
b) Filtrá-los para remover ruído
c) Duplicá-los
d) Criptografá-los
Mostrar Resposta
Resposta Correta: b
Cabeçalhos e rodapés frequentemente contêm conteúdo repetido e não informativo e devem ser filtrados.
Questão 28
Como rastrear de qual arquivo um chunk veio?
a) Pelo tamanho do chunk
b) Através da metadata
c) Pela cor do chunk
d) Pela taxa de compressão
Mostrar Resposta
Resposta Correta: b
Campos de metadata como 'source' ou 'file_name' rastreiam a origem de cada chunk.
Questão 29
Qual é o benefício de usar SQLDatabaseLoader?
a) Funciona apenas com SQLite
b) Pode consultar e carregar dados diretamente de bancos de dados
c) Comprime arquivos SQL
d) Criptografa bancos de dados
Mostrar Resposta
Resposta Correta: b
SQLDatabaseLoader permite consultar bancos de dados diretamente e carregar os resultados como documentos.
Questão 30
O que deve ser evitado ao dividir em chunks?
a) Preservar metadata
b) Cortar sentenças no meio do pensamento
c) Usar sobreposição
d) Rastrear a origem
Mostrar Resposta
Resposta Correta: b
Cortar sentenças ou conceitos no meio pode resultar em chunks incompletos ou confusos, prejudicando a qualidade da recuperação.
Resultados
| Pontuação | Nível |
|---|---|
| 27-30 | Excelente - Forte entendimento de processamento de documentos |
| 21-26 | Bom - Recomendada uma revisão |
| 15-20 | Médio - Revise os capítulos novamente |
| Abaixo de 15 | Necessita revisão abrangente |