包括的かつ詳細な解説＝
従来、LangChain チェーン (LLMChain など) は、LLM の呼び出しやデータの処理など、一連の操作を定義する Python クラスを使用して作成されていました。このプログラムによるアプローチは LCEL の宣言型スタイルよりも古いため、オプション C が正解です。オプション A は曖昧で不正確です。チェーン自体は ML アルゴリズムではないためです。オプション B は LCEL について説明しており、従来の方法については説明していません。オプション D は、サードパーティとの統合は必要ないため誤りです。Python クラスは、構造化されたチェーン構築を提供します。
OCI 2025 生成AI のドキュメントでは、LangChain のセクションで従来のチェーンと LCEL を比較している可能性が高い。

包括的かつ詳細な解説＝
LLMにおける埋め込みは、単語、フレーズ、または文の意味を符号化する高次元ベクトルであり、類似性や文脈などの関係性を捉えます（例：「cat」と「kitten」はベクトル空間で近い位置にある）。これにより、モデルはテキストを数値的に処理および理解できるため、オプションCが正解です。オプションAは、埋め込みが視覚的属性を扱わないため無関係です。オプションBは、頻度は統計的尺度であり、埋め込みの目的ではないため誤りです。オプションDは部分的に関連していますが、範囲が狭すぎます。埋め込みは文法だけでなく、意味も捉えます。
OCI 2025 生成AI のドキュメントでは、データ表現またはベクトル化のトピックで埋め込みについて説明されている可能性が高い。

包括的かつ詳細な解説＝
「トップ k」サンプリングは、ランク付けされた位置に基づいて最も可能性の高い k 個のトークンを選択するのに対し、「トップ p」（核サンプリング）は、累積確率が p を超えるトークンを選択し、動的な確率の塊に焦点を当てます。オプション B が正解です。オプション A は誤りです。両者は選択方法が異なるだけで、ペナルティは異なります。オプション C は定義を逆にしています。オプション D（頻度）は誤りです。どちらも頻度ではなく確率を使用します。この違いは多様性に影響します。
OCI 2025 生成AI のドキュメントでは、サンプリング方法の下で Top k と Top p を比較している可能性が高い。

包括的かつ詳細な解説＝
微調整は、LLMが特定のタスクで期待通りの性能を発揮せず、タスク固有のデータ量が多く、プロンプトに効率的に組み込むことができないため、プロンプトエンジニアリングだけでは実現不可能な場合に適しています。これによりモデルの重みが調整され、オプションBが正解となります。オプションAはカスタマイズは不要であることを示唆しています。オプションCは、微調整ではなく、最新データに対してRAGを推奨しています。オプションDは曖昧です。微調整には、方向性のない最適化だけでなく、データと目標が必要です。微調整は、タスク固有のデータ量が多い場合に特に有効です。
OCI 2025の生成型AIに関するドキュメントでは、カスタマイズ戦略に基づいた微調整のユースケースが概説されている可能性が高い。

包括的かつ詳細な解説＝
ベクトルデータベースは、データを高次元ベクトル（埋め込み）として格納し、コサイン距離などの指標を用いた類似性検索に最適化されています。一方、リレーショナルデータベースは、構造化データに表形式の行と列を使用します。したがって、選択肢Dが正解です。選択肢AとCはリレーショナルデータベースについて説明しており、ベクトルデータベースについては説明していません。選択肢Bは誤りです。ベクトルデータベースは、高次元空間向けに特別に設計されています。ベクトルデータベースは、意味検索とLLM統合において優れています。
OCI 2025 生成AI のドキュメントでは、データストレージに関してベクトルデータベースとリレーショナルデータベースを比較検討する可能性が高い。