Kショットプロンプトとは、言語モデルにプロンプト内で提示されるタスクのk個の例を提示することを指します。これらの例は、望ましい形式とアプローチを示すことで、モデルの理解と出力を導きます。この手法は、類似の状況への対処方法を示すことで、特定のタスクにおけるモデルのパフォーマンスを向上させるために使用されます。
参照
少数ショット学習とプロンプティング技術に関する研究論文
大規模言語モデルのプロンプトでの例の使用に関する技術ドキュメント

LangChain の Retriever の主な機能は、外部の知識ベースまたはデータベースから関連データを取得して、大規模言語モデル (LLM) のパフォーマンスを向上させることです。
レトリーバーの働き方:
特定のクエリに関連する可能性のあるドキュメント、埋め込み、または構造化データを取得します。
リアルタイム データを取得するために、Retrieval-Augmented Generation (RAG) モデルで使用されます。
正確で最新の知識を提供することで、モデルの応答を改善します。
レトリーバーの使用例:
チャットボット: 現実世界の知識や独自の知識を使用して応答を強化します。
質問応答システム: 保存された知識を参照して事実の正確性を提供します。
エンタープライズ AI ソリューション: データベース、ベクター ストア、API に接続してデータを取得します。
他のオプションが間違っている理由:
(A) は不正解です。タスクをより小さなステップに分割する処理は、エージェントまたはチェーンによって行われます。
(C) は不正解です。リトリーバーは LLM をトレーニングするのではなく、クエリ応答を強化するからです。
(D) は不正解です。パイプラインはコンポーネントを統合しますが、リトリーバーは外部データを取得します。
🔹 Oracle Generative AI リファレンス:
Oracle AI は、エンタープライズ AI ソリューションに検索メカニズムを統合し、データ駆動型の AI 応答を改善します。

自然言語処理 (NLP) では、エンコーダー モデルとデコーダー モデルはそれぞれ異なるが補完的な役割を果たします。
エンコーダモデル：これらのモデルは、単語のシーケンスをベクトル表現に変換します。入力テキストの意味を捉え、固定サイズのベクトルにエンコードします。
デコーダーモデル：これらのモデルは、エンコーダーによって生成されたベクトル表現を単語列に変換します。このプロセスにより、翻訳やテキスト生成などのタスクにおいて、エンコードされた情報に基づいて新しいテキストを生成することが可能になります。
参照
NLPにおけるエンコーダ・デコーダアーキテクチャに関する研究記事
機械翻訳とテキスト生成におけるエンコーダーとデコーダーモデルの使用に関する技術ガイド

T-Few Transformer Layers の活用は、更新を特定のグループのTransformer Layersのみに制限することで、ファインチューニングプロセスの効率化に貢献します。この選択的な更新アプローチにより、すべてのレイヤーを再学習させることなくモデルを新しいデータに適応させることができ、計算リソースと時間を節約できます。T-Few ファインチューニングは、モデルの最も関連性の高い部分に焦点を当てることで、効率的かつ効果的なパフォーマンス向上を実現します。
参照
T-Few微調整技術に関する研究論文
変圧器モデルの最適化に関する技術ガイド