Prejsť na hlavný obsah
🔒 Režim náhľadu. Prvých pätnásť lekcií Foundations je zadarmo; táto je Pro. Spustite 7-dňový trial pre odomknutie editora, AI nápovied a zvyšku kurzu. Karta vyžadovaná, zrušte kedykoľvek v Dashboard.
Spustiť 7-dňový trial →
⚡
← Kurzy
›
AI Engineering with Python
›
Module 1 · LLM API Fundamentals · Recap
›
RAG: prečo získavanie poráža surové nabádanie
quiz
33 / 105
🇸🇰
SK
▼
↗
Zdieľať
⋯
Viac
+100 XP
📋
Úloha
📖
Teória
🤖
Pomoc AI
Úloha
📝 **Otázka:** Kedy zvoliť RAG pred dolaďovaním modelu? 📋 Vyberte správnu odpoveď. 💡 **Tip:** Ak si nie ste istí, prečítajte si znova teóriu vyššie.
🎯 Kvíz
Otázka
📝 **Otázka:** Kedy zvoliť RAG pred dolaďovaním modelu? 📋 Vyberte správnu odpoveď. 💡 **Tip:** Ak si nie ste istí, prečítajte si znova teóriu vyššie.
A
Always — modern open-weights and per-tenant LoRA adapters have made fine-tuning slower and more expensive than retrieval for every workload
B
When your knowledge base changes frequently, you need to show citations, and your budget can't sustain regular fine-tuning runs
C
Only when you're locked to a smaller model and need to compensate for its weak reasoning by stuffing every relevant doc into context
D
Never — fine-tuning embeds knowledge directly into weights and so beats RAG on latency, accuracy and operability for production work
Odpovedať
💬 Diskusia
Buď prvý — polož otázku alebo sa podeľ o tip.
Prihlás sa
aby si sa zapojil do diskusie. Čítanie je zadarmo.
Načítava sa diskusia…