Embeddings & Vector Search Interview Questions Hindi mein

Embeddings और Vector Search कोर्स के 30 सवाल, हर सवाल के सही जवाब और explanation के साथ। जवाब देखने से पहले ख़ुद सोचें।

Embeddings क्या हैं

1. समान अर्थ वाले दो वाक्यों के embeddings के बारे में क्या सही होना चाहिए?

  1. उनके vectors दूर हों
  2. उनके vectors समान हों
  3. उनके vectors पास-पास हों
  4. उनकी अक्षर-लंबाई समान हो
जवाब देखें

जवाब: उनके vectors पास-पास हों

Embedding models इस तरह प्रशिक्षित होते हैं कि समान अर्थ पास के vectors दें।

पाठ: शब्दों से निर्देशांकों तक

2. दो अलग embedding models के vectors की तुलना क्यों नहीं हो सकती?

  1. हर मॉडल अपना space और निर्देशांक तय करता है
  2. उनकी bytes लंबाई हमेशा अलग होती है
  3. मॉडल licence से इसे मना करते हैं
  4. यह सिर्फ़ धीमा है
जवाब देखें

जवाब: हर मॉडल अपना space और निर्देशांक तय करता है

हर मॉडल में आयाम 17 का अर्थ अलग होता है।

पाठ: Embeddings कहाँ से आते हैं

3. इकाई-लंबाई vectors के लिए क्या सही है?

  1. L2 उलटा क्रम देता है
  2. Cosine हमेशा शून्य है
  3. Dot product अर्थहीन है
  4. Dot product, cosine similarity के बराबर है, और L2 वही क्रम देता है
जवाब देखें

जवाब: Dot product, cosine similarity के बराबर है, और L2 वही क्रम देता है

Normalise करना लंबाई हटाकर सिर्फ़ दिशा छोड़ता है।

पाठ: Similarity मापदंड: Dot, Cosine और Euclidean

4. क्या ऊँचे आयाम वाला embedding model हमेशा बेहतर होता है?

  1. हाँ, हमेशा
  2. नहीं: यह ज़्यादा भंडारण और समय लेता है, इसलिए अपने डेटा पर परखें
  3. सिर्फ़ मुफ़्त हो तो
  4. आयाम कभी मायने नहीं रखते
जवाब देखें

जवाब: नहीं: यह ज़्यादा भंडारण और समय लेता है, इसलिए अपने डेटा पर परखें

अतिरिक्त आयामों से गुणवत्ता लाभ अक्सर चपटे हो जाते हैं जबकि लागत बढ़ती रहती है।

पाठ: आयाम और Dimensionality का अभिशाप

Embeddings बनाना और चुनना

5. LSA "vacation" को "leave" लिखे दस्तावेज़ से कैसे मिलाता है?

  1. पर्यायवाची शब्दकोश
  2. संबंधित शब्द समान दस्तावेज़ों में आते हैं, इसलिए आयाम साझा करते हैं
  3. सटीक string मिलान
  4. संयोग
जवाब देखें

जवाब: संबंधित शब्द समान दस्तावेज़ों में आते हैं, इसलिए आयाम साझा करते हैं

Embeddings साथ-साथ आने के पैटर्न से संबंध सीखते हैं।

पाठ: जाँचा जा सकने वाला सीखा Embedding

6. Keyword search embeddings को कब हराती है?

  1. पर्यायवाची खोजना
  2. पुनर्कथन मिलाना
  3. क्रॉस-भाषा मिलान
  4. सटीक error code या product id खोजना
जवाब देखें

जवाब: सटीक error code या product id खोजना

सटीक पहचानकर्ताओं में सामान्यीकरण का कोई "अर्थ" नहीं; शाब्दिक token मायने रखता है।

पाठ: Keyword Search बनाम Semantic Search

7. सिर्फ़ leaderboard पर निर्भर रहने की जगह उम्मीदवार मॉडल अपने सवालों पर क्यों परखें?

  1. Leaderboards ऐसे कार्यों पर औसत लेते हैं जो आपके domain या भाषाओं जैसे न हों
  2. Leaderboards हमेशा ग़लत हैं
  3. आपके सवाल गुप्त हैं
  4. यह क़ानून से अनिवार्य है
जवाब देखें

जवाब: Leaderboards ऐसे कार्यों पर औसत लेते हैं जो आपके domain या भाषाओं जैसे न हों

Shortlist के लिए leaderboards, निर्णय के लिए अपना डेटा।

पाठ: Embedding Model चुनना

8. मॉडल की अधिकतम इनपुट लंबाई से लंबे पाठ का अक्सर क्या होता है?

  1. उसका अनुवाद होता है
  2. वह पूरी तरह embed होता है
  3. वह चुपचाप कट जाता है, अंत खो जाता है
  4. मॉडल उस पर प्रशिक्षित होता है
जवाब देखें

जवाब: वह चुपचाप कट जाता है, अंत खो जाता है

सीमा से नीचे chunk करें ताकि कुछ ज़रूरी न कटे।

पाठ: पाठ तैयार करना: Chunking, Truncation, Query बनाम Document

Vectors खोजना: सटीक और Approximate

9. Brute force से शुरू क्यों करें?

  1. इसे GPU चाहिए
  2. यह किसी भी आकार पर हमेशा सबसे तेज़ है
  3. यह सटीक है और approximate तरीक़ों को परखने का ground truth देता है
  4. यह filter नहीं कर सकता
जवाब देखें

जवाब: यह सटीक है और approximate तरीक़ों को परखने का ground truth देता है

तुलना के लिए सटीक उत्तरों के बिना recall नहीं मापा जा सकता।

पाठ: सटीक k-Nearest Neighbours

10. nprobe (IVF) या efSearch (HNSW) बढ़ाने से क्या होता है?

  1. Recall और latency दोनों बढ़ाता है
  2. Recall और latency दोनों घटाता है
  3. Embedding model बदलता है
  4. Vectors हटाता है
जवाब देखें

जवाब: Recall और latency दोनों बढ़ाता है

ज़्यादा खोज प्रयास ज़्यादा सच्चे पड़ोसी पाता है पर समय लेता है।

पाठ: Approximate Search: IVF और HNSW

11. Quantisation क्या बदले में देती है?

  1. कुछ नहीं
  2. अधिक सटीकता के बदले memory
  3. गति के बदले सुरक्षा
  4. बहुत कम memory के बदले थोड़ी सटीकता
जवाब देखें

जवाब: बहुत कम memory के बदले थोड़ी सटीकता

प्रति संख्या कम bits का अर्थ छोटे vectors पर कुछ rounding त्रुटि।

पाठ: संपीड़न: Scalar और Product Quantisation

12. 20,000 vectors के लिए समझदार शुरुआत कौन-सा index है?

  1. 32 गुना संपीड़न वाला product quantisation
  2. Flat (सटीक) index
  3. Sharded cluster
  4. कोई index नहीं, अनुमान
जवाब देखें

जवाब: Flat (सटीक) index

छोटे आकार पर सटीक खोज काफ़ी तेज़ है और tuning हटाती है।

पाठ: Index चुनना

सादे Nearest Neighbours से आगे

13. "यह user सिर्फ़ अपने दस्तावेज़ देखे" कहाँ लागू होना चाहिए?

  1. सिर्फ़ prompt में
  2. Retrieval query में filter के रूप में
  3. सिर्फ़ UI में
  4. कहीं नहीं
जवाब देखें

जवाब: Retrieval query में filter के रूप में

जो दस्तावेज़ user नहीं देख सकता वे कभी retrieve नहीं होने चाहिए।

पाठ: Metadata Filtering

14. Cross-encoder सिर्फ़ shortlist पर क्यों लगाया जाता है?

  1. यह filter की जगह लेता है
  2. यह पाठ नहीं पढ़ सकता
  3. यह सिर्फ़ images पर चलता है
  4. यह सटीक है पर पूरे संग्रह पर चलाने को बहुत महँगा
जवाब देखें

जवाब: यह सटीक है पर पूरे संग्रह पर चलाने को बहुत महँगा

तेज़ retrieval उम्मीदवार घटाता है; महँगा मॉडल उन्हें निखारता है।

पाठ: Hybrid Search और Reranking

15. Near-duplicate सीमा कैसे चुननी चाहिए?

  1. अपने मॉडल के असली जोड़े देखकर, क्योंकि पैमाने अलग हैं
  2. हमेशा 0.5
  3. हमेशा ठीक 1.0
  4. Random
जवाब देखें

जवाब: अपने मॉडल के असली जोड़े देखकर, क्योंकि पैमाने अलग हैं

Similarity वितरण embedding model और डेटा के अनुसार बदलते हैं।

पाठ: Clustering, विषय और De-duplication

16. बहुभाषी embedding model क्या संभव करता है?

  1. Chunking की ज़रूरत हटाना
  2. पाठ का शब्दशः अनुवाद
  3. एक भाषा की query को दूसरी भाषा के दस्तावेज़ों से मिलाना
  4. पाठ encrypt करना
जवाब देखें

जवाब: एक भाषा की query को दूसरी भाषा के दस्तावेज़ों से मिलाना

साझा space अर्थ को भाषाओं के पार मिलने देता है।

पाठ: Multi-Vector, बहुभाषी और Multimodal Embeddings

Retrieval का मूल्यांकन और सुधार

17. MRR किसे पुरस्कृत करता है?

  1. बड़े vectors उपयोग करना
  2. ज़्यादा परिणाम लौटाना
  3. पहले प्रासंगिक परिणाम को ऊपर के पास रखना
  4. कम latency
जवाब देखें

जवाब: पहले प्रासंगिक परिणाम को ऊपर के पास रखना

Rank 1 पर पहला प्रासंगिक परिणाम 1 स्कोर करता है; rank 4 पर 0.25।

पाठ: Golden Set पर Recall@k, MRR और nDCG

18. प्रासंगिक chunk retrieve हुआ पर 14वें स्थान पर है। सबसे सीधा सुधार क्या है?

  1. Shortlist का क्रम बदलने को reranker जोड़ें
  2. Filter हटाएँ
  3. आयाम दोगुने करें
  4. अनदेखा करें
जवाब देखें

जवाब: Shortlist का क्रम बदलने को reranker जोड़ें

प्रमाण मिल गया, इसलिए recall नहीं क्रम सुधारें।

पाठ: Error विश्लेषण और गुणवत्ता सुधार

19. नया embedding model कैसे लाएँ?

  1. मॉडल कभी न बदलें
  2. पुराने और नए vectors एक index में मिलाएँ
  3. मॉडल बदलें और पुराने vectors रखें
  4. पुराने के बग़ल में नया index बनाएँ, तुलना करें, फिर बदलें
जवाब देखें

जवाब: पुराने के बग़ल में नया index बनाएँ, तुलना करें, फिर बदलें

समानांतर index गुणवत्ता जाँचने और सुरक्षित वापस जाने देता है।

पाठ: Model बदलाव, Re-Indexing और Drift

Production में Vector Search चलाना

20. पहले से चलते database में vector extension का एक लाभ क्या है?

  1. यह हर विकल्प से हमेशा तेज़ है
  2. Vectors आपके डेटा के साथ रहते हैं, backups, access control और SQL filters पुनः उपयोग होते हैं
  3. इसे भंडारण नहीं चाहिए
  4. यह embeddings की ज़रूरत हटाता है
जवाब देखें

जवाब: Vectors आपके डेटा के साथ रहते हैं, backups, access control और SQL filters पुनः उपयोग होते हैं

एक system चलाना अक्सर दो से बेहतर है, जब तक scale कुछ और न माँगे।

पाठ: Vectors कहाँ रहते हैं

21. बदले दस्तावेज़ को index में कैसे अद्यतन करें?

  1. नए chunks जोड़ें और पुराने रखें
  2. उसे दोबारा embed करें और स्रोत दस्तावेज़ ID से उसके पुराने chunks बदलें
  3. कुछ rebuild न करें और आशा रखें
  4. Vector संख्याएँ हाथ से बदलें
जवाब देखें

जवाब: उसे दोबारा embed करें और स्रोत दस्तावेज़ ID से उसके पुराने chunks बदलें

पुराने chunks छोड़ने से पुराने, विरोधाभासी परिणाम मिलते हैं।

पाठ: Updates, Deletes और ताज़गी

22. Vectors memory में न समाएँ तो पहला काम क्या है?

  1. खोज बंद करें
  2. समस्या अनदेखी करें
  3. सिर्फ़ metadata हटाएँ
  4. Quantisation लगाएँ या आयाम घटाएँ, फिर sharding पर विचार करें
जवाब देखें

जवाब: Quantisation लगाएँ या आयाम घटाएँ, फिर sharding पर विचार करें

मशीनें जोड़ने से पहले संपीड़न सबसे सस्ता उत्तोलक है।

पाठ: Scaling, लागत और Latency

23. गोपनीय दस्तावेज़ों से बने vectors के साथ कैसा व्यवहार करें?

  1. स्रोत दस्तावेज़ों जितनी संवेदनशीलता से
  2. सार्वजनिक, क्योंकि वे सिर्फ़ संख्याएँ हैं
  3. गुमनाम डेटा के रूप में
  4. हानिरहित test डेटा के रूप में
जवाब देखें

जवाब: स्रोत दस्तावेज़ों जितनी संवेदनशीलता से

Embeddings अपने स्रोतों के बारे में जानकारी लीक कर सकते हैं।

पाठ: Embeddings की सुरक्षा और Privacy

Embeddings के अनुप्रयोग

24. Item का vector "इसके जैसे और" के लिए कैसे उपयोग हो सकता है?

  1. उसे वापस मूल पाठ में बदलें
  2. उसे हटाएँ
  3. उसे query बनाकर उसके निकटतम पड़ोसी लाएँ
  4. उसे मॉडल में जोड़ें
जवाब देखें

जवाब: उसे query बनाकर उसके निकटतम पड़ोसी लाएँ

Item space में एक बिंदु है; उसके पड़ोसी समान items हैं।

पाठ: Semantic Search और Recommendations

25. Nearest-centroid routing में similarity सीमा क्यों रखें?

  1. Embeddings से बचने के लिए
  2. Vectors लंबे करने के लिए
  3. ताकि विषय-बाह्य इनपुट ज़बरदस्ती ग़लत label की जगह "अज्ञात" बनें
  4. प्रशिक्षण तेज़ करने के लिए
जवाब देखें

जवाब: ताकि विषय-बाह्य इनपुट ज़बरदस्ती ग़लत label की जगह "अज्ञात" बनें

Nearest-neighbour तरीक़े हमेशा कुछ लौटाते हैं; सीमा विरत रहने देती है।

पाठ: वर्गीकरण, Routing और Few-Shot Labelling

26. RAG उत्तर की गुणवत्ता की मुख्य सीमा क्या है?

  1. Retrieval जो प्रमाण खोजता है उसकी प्रासंगिकता
  2. UI का रंग
  3. अकेले vector आयामों की संख्या
  4. API key की लंबाई
जवाब देखें

जवाब: Retrieval जो प्रमाण खोजता है उसकी प्रासंगिकता

प्रमाण ग़ायब या ग़लत हो तो मॉडल निष्ठा से उत्तर नहीं दे सकता।

पाठ: RAG और Agent Memory के लिए Embeddings

सब कुछ जोड़ना

27. इस डिज़ाइन में पहले सटीक (flat) खोज क्यों उपयोग होती है?

  1. क्योंकि flat हमेशा तेज़ है
  2. क्योंकि HNSW 4,00,000 vectors के साथ नहीं चल सकता
  3. Embeddings से बचने के लिए
  4. HNSW index tune करने और recall मापने का ground truth पाने के लिए
जवाब देखें

जवाब: HNSW index tune करने और recall मापने का ground truth पाने के लिए

Approximate recall सिर्फ़ सटीक उत्तरों के सापेक्ष अर्थपूर्ण है।

पाठ: केस स्टडी: Help Centre के लिए Semantic Search

28. User "time off work" खोजता है पर नीति में "annual leave" लिखा है। कौन-सा तरीक़ा इसे सबसे सीधे ठीक करता है?

  1. सिर्फ़ सटीक string मिलान
  2. Embedding (semantic) search, आदर्श रूप से keyword search के साथ
  3. nprobe बढ़ाना
  4. int8 vectors उपयोग करना
जवाब देखें

जवाब: Embedding (semantic) search, आदर्श रूप से keyword search के साथ

Semantic embeddings शब्दावली-बेमेल पाटते हैं; keyword search सटीक शब्द फिर भी सँभालती है।

पाठ: Revision: Cheat Sheet और Self-Check

29. आप embedding model upgrade करते हैं और सिर्फ़ नए दस्तावेज़ दोबारा embed करते हैं, पुराने vectors छोड़ देते हैं। क्या बिगड़ता है?

  1. कुछ नहीं, vectors अदल-बदल योग्य हैं
  2. पुराने और नए vectors अलग spaces में हैं, इसलिए तुलना अर्थहीन हो जाती है
  3. Index छोटा हो जाता है
  4. सिर्फ़ latency बदलती है
जवाब देखें

जवाब: पुराने और नए vectors अलग spaces में हैं, इसलिए तुलना अर्थहीन हो जाती है

मॉडल बदलने पर सब कुछ नए index में दोबारा embed करें।

पाठ: Revision: Cheat Sheet और Self-Check

30. आपके HNSW index का exact खोज के विरुद्ध recall@10 0.93 है। समझदार अगला क़दम क्या है?

  1. बिना परखे छोटा मॉडल लगाएँ
  2. उसे पूर्ण घोषित करें
  3. Index हटाएँ
  4. efSearch (या index parameters) बढ़ाएँ और लक्ष्य recall व latency के विरुद्ध दोबारा मापें
जवाब देखें

जवाब: efSearch (या index parameters) बढ़ाएँ और लक्ष्य recall व latency के विरुद्ध दोबारा मापें

Recall और latency में समझौता होता है; स्वीकार्य लागत पर लक्ष्य पूरा होने तक tune करें।

पाठ: Revision: Cheat Sheet और Self-Check

← कोर्स पर वापस जाएँ