Quiz: Imersão em Embeddings
Teste seu conhecimento sobre embeddings, modelos de embedding e critérios de seleção.
30 questões - Clique em cada pergunta para revelar a resposta correta.
Pergunta 1
O que são embeddings no contexto de PLN?
a) Elementos HTML embutidos em páginas
b) Representações vetoriais densas de texto
c) Índices de banco de dados
d) Chaves de criptografia
Mostrar Resposta
Resposta Correta: b
Embeddings são representações vetoriais densas de texto que capturam o significado semântico, permitindo que computadores comparem textos pelo significado.
Pergunta 2
O que a similaridade cosseno mede?
a) O comprimento dos vetores
b) O ângulo entre dois vetores
c) A cor do texto
d) O tamanho do arquivo
Mostrar Resposta
Resposta Correta: b
A similaridade cosseno mede o cosseno do ângulo entre dois vetores, indicando o quão semelhantes são suas direções (e, portanto, a similaridade semântica).
Pergunta 3
Qual é a faixa típica de dimensões para modelos de embedding modernos?
a) 1-10
b) 50-100
c) 384-3072
d) 10000+
Mostrar Resposta
Resposta Correta: c
Modelos de embedding modernos normalmente produzem vetores com 384 a 3072 dimensões.
Pergunta 4
Qual modelo da OpenAI oferece a melhor qualidade de embedding?
a) text-embedding-ada-002
b) text-embedding-3-small
c) text-embedding-3-large
d) GPT-4
Mostrar Resposta
Resposta Correta: c
text-embedding-3-large oferece os embeddings de maior qualidade da OpenAI, com 3072 dimensões.
Pergunta 5
O que significa MTEB?
a) Machine Text Embedding Benchmark
b) Massive Text Embedding Benchmark
c) Multi-Task Embedding Base
d) Model Training Evaluation Benchmark
Mostrar Resposta
Resposta Correta: b
MTEB significa Massive Text Embedding Benchmark, o benchmark padrão para comparação de modelos de embedding.
Pergunta 6
Qual é o intervalo da similaridade cosseno?
a) 0 a 1
b) -1 a 1
c) 0 a 100
d) -100 a 100
Mostrar Resposta
Resposta Correta: b
A similaridade cosseno varia de -1 (oposto) a 1 (idêntico), com 0 significando ortogonal/não relacionado.
Pergunta 7
Qual NÃO é um benefício de hospedar modelos de embedding internamente?
a) Sem custo por token
b) Menor latência
c) Atualizações automáticas
d) Dados permanecem internos
Mostrar Resposta
Resposta Correta: c
Modelos auto-hospedados exigem atualizações manuais. Serviços de API fornecem atualizações automáticas para os modelos mais recentes.
Pergunta 8
Qual recurso especial o Cohere embed-v3 oferece?
a) Uso ilimitado gratuito
b) Diferentes tipos de entrada para documentos e consultas
c) 10000 dimensões
d) Tradução embutida
Mostrar Resposta
Resposta Correta: b
O Cohere embed-v3 possui diferentes opções de input_type (search_document vs search_query) otimizadas para seus respectivos usos.
Pergunta 9
Quanto custa o text-embedding-3-small por milhão de tokens?
a) $0.002
b) $0.02
c) $0.20
d) $2.00
Mostrar Resposta
Resposta Correta: b
O text-embedding-3-small custa $0.02 por milhão de tokens, sendo muito econômico.
Pergunta 10
Qual família de modelos open-source é da BAAI?
a) Sentence Transformers
b) E5
c) BGE
d) BERT
Mostrar Resposta
Resposta Correta: c
Os modelos BGE (Beijing Academy of Artificial Intelligence General Embedding) são da BAAI.
Pergunta 11
O que acontece com textos semanticamente semelhantes quando são embutidos?
a) Produzem vetores muito diferentes
b) Produzem vetores semelhantes (próximos no espaço)
c) Produzem vetores idênticos
d) Não podem ser embutidos
Mostrar Resposta
Resposta Correta: b
Textos semanticamente semelhantes produzem vetores próximos uns dos outros no espaço de embedding.
Pergunta 12
Qual é o limite máximo de tokens para modelos de embedding da OpenAI?
a) 512
b) 2048
c) 8191
d) 32000
Mostrar Resposta
Resposta Correta: c
Os modelos text-embedding-3 da OpenAI suportam até 8191 tokens por entrada.
Pergunta 13
Por que você pode querer reduzir as dimensões do embedding?
a) Para melhorar a qualidade
b) Para reduzir armazenamento e melhorar a velocidade de busca
c) Para adicionar mais idiomas
d) Para criptografar os vetores
Mostrar Resposta
Resposta Correta: b
Reduzir as dimensões diminui o armazenamento necessário e acelera buscas por similaridade, com uma perda de qualidade aceitável.
Pergunta 14
Qual biblioteca fornece modelos Sentence Transformers?
a) TensorFlow
b) Apenas PyTorch
c) HuggingFace / sentence-transformers
d) OpenAI
Mostrar Resposta
Resposta Correta: c
Sentence Transformers estão disponíveis através da biblioteca sentence-transformers e na HuggingFace.
Pergunta 15
Qual é uma vantagem chave dos embeddings via API?
a) Uso gratuito
b) Não requer internet
c) Sem manutenção de infraestrutura
d) Dimensões ilimitadas
Mostrar Resposta
Resposta Correta: c
Embeddings via API não exigem configuração ou manutenção de infraestrutura - basta chamar a API.
Pergunta 16
Qual prefixo a BGE recomenda para consultas?
a) Não precisa de prefixo
b) "query: "
c) "Represent this sentence for searching: "
d) "Question: "
Mostrar Resposta
Resposta Correta: c
Os modelos BGE recomendam o uso de prefixos de instrução como "Represent this sentence for searching:" para melhores resultados.
Pergunta 17
Quantas dimensões o all-MiniLM-L6-v2 produz?
a) 128
b) 384
c) 768
d) 1024
Mostrar Resposta
Resposta Correta: b
O all-MiniLM-L6-v2 produz embeddings de 384 dimensões, tornando-o compacto e rápido.
Pergunta 18
Qual é o principal trade-off com embeddings de maior dimensão?
a) Menor qualidade
b) Maior armazenamento e busca mais lenta
c) Menos idiomas suportados
d) Menos preciso
Mostrar Resposta
Resposta Correta: b
Dimensões maiores fornecem melhor qualidade, mas exigem mais armazenamento e buscas por similaridade mais lentas.
Pergunta 19
Para um MVP de startup, qual modelo de embedding é recomendado?
a) Modelo treinado customizado
b) text-embedding-3-large
c) text-embedding-3-small
d) BGE auto-hospedado
Mostrar Resposta
Resposta Correta: c
O text-embedding-3-small oferece um bom equilíbrio entre qualidade e custo para startups e MVPs.
Pergunta 20
Para que serve o embedding em lote (batch embedding)?
a) Reduzir qualidade
b) Processar muitos textos de forma eficiente
c) Criptografar dados
d) Reduzir dimensões
Mostrar Resposta
Resposta Correta: b
O embedding em lote processa múltiplos textos em uma única chamada de API, reduzindo overhead e melhorando a eficiência.
Pergunta 21
Qual métrica é preferida quando os vetores estão normalizados?
a) Apenas distância Euclidiana
b) Produto escalar (equivalente ao cosseno)
c) Distância Manhattan
d) Distância de Hamming
Mostrar Resposta
Resposta Correta: b
Para vetores normalizados, o produto escalar é equivalente à similaridade cosseno e pode ser mais rápido de calcular.
Pergunta 22
O que significa E5?
a) Embedding 5
b) EmbEddings from bidirEctional Encoder rEpresentations
c) Enterprise Embedding 5
d) Efficient Embedding Engine 5
Mostrar Resposta
Resposta Correta: b
E5 significa EmbEddings from bidirEctional Encoder rEpresentations (Microsoft).
Pergunta 23
Quando considerar hospedar embeddings internamente?
a) Nunca
b) Ao processar >10M documentos por mês
c) Apenas para prototipação
d) Quando a qualidade não importa
Mostrar Resposta
Resposta Correta: b
A hospedagem interna se torna mais econômica em grandes volumes (>10M documentos) ou quando a privacidade dos dados é crítica.
Pergunta 24
O que o suporte a embedding multilíngue possibilita?
a) Tradução
b) Busca semântica entre idiomas
c) Correção gramatical
d) Geração de texto
Mostrar Resposta
Resposta Correta: b
Embeddings multilíngues permitem buscas entre idiomas - uma consulta em inglês pode encontrar documentos relevantes em francês.
Pergunta 25
Qual é a latência típica de API para geração de embeddings?
a) 1-5ms
b) 50-150ms
c) 1-5 segundos
d) 30+ segundos
Mostrar Resposta
Resposta Correta: b
Embeddings via API normalmente têm latência de 50-150ms, comparado a 10-30ms para inferência em GPU auto-hospedada.
Pergunta 26
Qual fator é MAIS importante para aplicações em tempo real?
a) Pontuação MTEB
b) Latência
c) Dimensões
d) Preço
Mostrar Resposta
Resposta Correta: b
Para aplicações em tempo real, a latência é o fator mais crítico - usuários esperam respostas rápidas.
Pergunta 27
Como as dimensões do text-embedding-3-large podem ser reduzidas?
a) Não pode ser reduzido
b) Usando o parâmetro dimensions na API
c) Apenas pós-processamento
d) Requer re-treinamento
Mostrar Resposta
Resposta Correta: b
O text-embedding-3-large suporta um parâmetro dimensions (256, 1024, etc.) para reduzir o tamanho da saída.
Pergunta 28
O que acontece se você usar modelos de embedding diferentes para indexação e consulta?
a) Funciona normalmente
b) A recuperação falhará ou será ruim
c) Os resultados são duplicados
d) A velocidade melhora
Mostrar Resposta
Resposta Correta: b
É necessário usar o mesmo modelo de embedding para indexação e consulta - modelos diferentes produzem espaços vetoriais incompatíveis.
Pergunta 29
Qual é o melhor modelo para deploy em edge/offline?
a) text-embedding-3-large
b) Cohere embed-v3
c) all-MiniLM-L6-v2
d) GPT-4
Mostrar Resposta
Resposta Correta: c
O all-MiniLM-L6-v2 é compacto (384 dims, ~80MB) e rápido, ideal para deploy em edge e offline.
Pergunta 30
Qual é o principal propósito dos embeddings em RAG?
a) Geração de texto
b) Permitir busca por similaridade semântica
c) Compressão de dados
d) Criptografia
Mostrar Resposta
Resposta Correta: b
Embeddings permitem busca por similaridade semântica - encontrar documentos pelo significado e não apenas por palavras-chave exatas.
Resultados
| Pontuação | Nível |
|---|---|
| 27-30 | Excelente - Forte entendimento de embeddings |
| 21-26 | Bom - Recomenda-se revisão |
| 15-20 | Médio - Revise os capítulos novamente |
| Abaixo de 15 | Precisa de revisão completa |