Retrieval-Augmented Generation (RAG) Interview Questions Hindi mein

Retrieval-Augmented Generation (RAG) कोर्स के 29 सवाल, हर सवाल के सही जवाब और explanation के साथ। जवाब देखने से पहले ख़ुद सोचें।

RAG क्यों और कैसे काम करता है

1. RAG system में तथ्य कहाँ रहते हैं?

  1. Tokenizer में
  2. सिर्फ़ मॉडल weights में
  3. आपके दस्तावेज़ों में, सवाल के समय retrieve होकर
  4. GPU में
जवाब देखें

जवाब: आपके दस्तावेज़ों में, सवाल के समय retrieve होकर

RAG ज्ञान को मॉडल के बाहर रखता है ताकि उसे अद्यतन और उद्धृत किया जा सके।

पाठ: RAG क्यों है

2. कौन-सा चरण ऑफ़लाइन होता है?

  1. दस्तावेज़ों की chunking और embedding
  2. User को उत्तर देना
  3. इस सवाल के लिए reranking
  4. Citations जाँचना
जवाब देखें

जवाब: दस्तावेज़ों की chunking और embedding

Indexing सवाल आने से पहले ज्ञान-आधार तैयार करती है।

पाठ: RAG Pipeline शुरू से अंत तक

3. कौन-सी ज़रूरत सबसे साफ़ RAG की ओर इशारा करती है?

  1. मॉडल को छोटा करना
  2. सिर्फ़ तयशुदा brand लहजा
  3. 5 पंक्तियों की छोटी स्थिर FAQ
  4. हज़ारों बदलते दस्तावेज़ों से स्रोत-सहित उत्तर
जवाब देखें

जवाब: हज़ारों बदलते दस्तावेज़ों से स्रोत-सहित उत्तर

बड़ा, बदलता, स्रोत-योग्य ज्ञान RAG की सबसे अच्छी जगह है।

पाठ: RAG बनाम Fine-Tuning बनाम Long Context

4. बुरे RAG उत्तरों का सबसे आम कारण क्या है?

  1. Font बहुत छोटा था
  2. प्रासंगिक अंश retrieve नहीं हुआ
  3. GPU ठंडा था
  4. उत्तर बहुत छोटा था
जवाब देखें

जवाब: प्रासंगिक अंश retrieve नहीं हुआ

Retrieval प्रमाण चूक जाए तो मॉडल निष्ठा से उत्तर नहीं दे सकता।

पाठ: RAG क्या ठीक नहीं करता

दस्तावेज़ तैयार करना: Loading, Chunking, Metadata

5. निकाले पाठ के नमूने क्यों देखें?

  1. Font आकार घटाने के लिए
  2. Extraction की ग़लतियाँ चुपचाप retrieval बिगाड़ती हैं
  3. मॉडल प्रशिक्षित करने के लिए
  4. GPU तेज़ करने के लिए
जवाब देखें

जवाब: Extraction की ग़लतियाँ चुपचाप retrieval बिगाड़ती हैं

गड़बड़ तालिकाएँ या ग़ायब पाठ सही retrieve नहीं हो सकते।

पाठ: दस्तावेज़ लोड करना और साफ़ करना

6. बहुत बड़े chunks की एक समस्या क्या है?

  1. वे metadata हटाते हैं
  2. वे रखे नहीं जा सकते
  3. वे हमेशा सटीकता बढ़ाते हैं
  4. उनके embeddings कई विषय धुँधला करते हैं और prompts महँगे हो जाते हैं
जवाब देखें

जवाब: उनके embeddings कई विषय धुँधला करते हैं और prompts महँगे हो जाते हैं

बड़े chunks retrieval की सटीकता घटाते हैं और prompt tokens बर्बाद करते हैं।

पाठ: Chunking रणनीतियाँ

7. RAG में access control कहाँ लागू होना चाहिए?

  1. Retrieval query में, पाठ के prompt तक पहुँचने से पहले
  2. सिर्फ़ मॉडल को सावधान रहने को कहकर
  3. उत्तर दिखने के बाद
  4. कहीं नहीं
जवाब देखें

जवाब: Retrieval query में, पाठ के prompt तक पहुँचने से पहले

जो पाठ user नहीं देख सकता वह prompt में retrieve नहीं होना चाहिए।

पाठ: Metadata, अनुमतियाँ और पदानुक्रम

Retrieval: Keyword, Vector और Hybrid

8. Chunks और सवालों के लिए एक ही embedding model क्यों?

  1. यह क़ानूनी नियम है
  2. यह पाठ छोटा करता है
  3. अलग मॉडलों के vectors तुलनीय नहीं होते
  4. यह metadata हटाता है
जवाब देखें

जवाब: अलग मॉडलों के vectors तुलनीय नहीं होते

हर मॉडल अपना vector space तय करता है।

पाठ: Embeddings और Semantic Search

9. Keyword search सबसे साफ़ कब विफल होता है?

  1. जब index छोटा हो
  2. जब सटीक error code खोजा जाए
  3. जब सवाल दस्तावेज़ से अलग शब्द उपयोग करे
  4. जब पाठ अंग्रेज़ी हो
जवाब देखें

जवाब: जब सवाल दस्तावेज़ से अलग शब्द उपयोग करे

सटीक-शब्द मिलान एक ही विचार के अलग शब्दांकन नहीं जोड़ सकता।

पाठ: TF-IDF से Keyword Search

10. BM25 की लंबाई normalisation क्या करती है?

  1. लंबे दस्तावेज़ों को सिर्फ़ ज़्यादा शब्द होने से जीतने से रोकती है
  2. Query छोटी करती है
  3. पाठ encrypt करती है
  4. Embedding model चुनती है
जवाब देखें

जवाब: लंबे दस्तावेज़ों को सिर्फ़ ज़्यादा शब्द होने से जीतने से रोकती है

संक्षिप्त दस्तावेज़ में मिलान विशाल दस्तावेज़ में उसी मिलान से मज़बूत प्रमाण है।

पाठ: BM25: मानक Keyword Ranker

11. Results मिलाने के लिए RRF लोकप्रिय क्यों है?

  1. यह सिर्फ़ duplicates हटाता है
  2. इसे कोई ranking नहीं चाहिए
  3. यह नया मॉडल प्रशिक्षित करता है
  4. यह ranks उपयोग करता है, इसलिए असंगत score पैमाने मायने नहीं रखते
जवाब देखें

जवाब: यह ranks उपयोग करता है, इसलिए असंगत score पैमाने मायने नहीं रखते

Scores न सही, ranks systems के बीच तुलनीय हैं।

पाठ: Hybrid Search और Reciprocal Rank Fusion

12. ANN indexes गति के बदले क्या देते हैं?

  1. सारी सटीकता
  2. थोड़ा recall (वे सच्चा निकटतम पड़ोसी चूक सकते हैं)
  3. Metadata रखने की क्षमता
  4. भाषा समर्थन
जवाब देखें

जवाब: थोड़ा recall (वे सच्चा निकटतम पड़ोसी चूक सकते हैं)

Approximate का अर्थ परिणाम लगभग, हमेशा ठीक नहीं, सच्चे शीर्ष मिलान होते हैं।

पाठ: Vector Indexes और Approximate Search

Retrieval गुणवत्ता सुधारना

13. Retrieval से पहले follow-up सवाल क्यों संघनित करें?

  1. बिना कारण query लंबी करने के लिए
  2. "and contractors?" अकेले में खोजने योग्य संदर्भ नहीं है
  3. Embeddings से बचने के लिए
  4. इतिहास हटाने के लिए
जवाब देखें

जवाब: "and contractors?" अकेले में खोजने योग्य संदर्भ नहीं है

स्वतंत्र सवाल वह अर्थ रखता है जो retriever को चाहिए।

पाठ: Query Rewriting और Expansion

14. Cross-encoder reranker की आम भूमिका क्या है?

  1. LLM को बदलना
  2. पूरे संग्रह के embeddings बनाना
  3. PDFs साफ़ करना
  4. छोटे उम्मीदवार समूह को पहले-चरण की खोज से अधिक सटीकता से क्रमबद्ध करना
जवाब देखें

जवाब: छोटे उम्मीदवार समूह को पहले-चरण की खोज से अधिक सटीकता से क्रमबद्ध करना

Rerankers सटीक पर महँगे हैं, इसलिए shortlist पर लगाए जाते हैं।

पाठ: Reranking और विविधता (MMR)

15. न्यूनतम प्रासंगिकता सीमा क्यों लगाएँ?

  1. ताकि कमज़ोर मिलान न भेजे जाएँ, और "नहीं मिला" लौटाया जा सके
  2. k स्वतः बढ़ाने के लिए
  3. Citations बंद करने के लिए
  4. Index छोटा करने के लिए
जवाब देखें

जवाब: ताकि कमज़ोर मिलान न भेजे जाएँ, और "नहीं मिला" लौटाया जा सके

अप्रासंगिक संदर्भ आत्मविश्वासी ग़लत उत्तरों को न्योता देता है।

पाठ: Top-k चुनना और Context लागत सँभालना

आधारित उत्तर बनाना

16. Prompt में हर chunk को संख्या या ID क्यों दें?

  1. Tokens घटाने के लिए
  2. पाठ छिपाने के लिए
  3. ताकि मॉडल बता सके कि कौन-सा chunk हर दावे का समर्थन करता है
  4. Retrieval छोड़ने के लिए
जवाब देखें

जवाब: ताकि मॉडल बता सके कि कौन-सा chunk हर दावे का समर्थन करता है

IDs citations को संभव और जाँचने योग्य बनाते हैं।

पाठ: RAG Prompt बनाना

17. कौन-सी जाँच गढ़ी हुई स्रोत ID पकड़ती है?

  1. छोटे chunks उपयोग करना
  2. Temperature बढ़ाना
  3. जाँचना कि हर उद्धृत ID retrieved chunks में है
  4. सवाल हटाना
जवाब देखें

जवाब: जाँचना कि हर उद्धृत ID retrieved chunks में है

सरल set-सदस्यता परीक्षण वे IDs ढूँढ लेता है जो मौजूद नहीं।

पाठ: सत्यापन योग्य Citations

18. प्रमाण बहुत कमज़ोर हो तो system को क्या करना चाहिए?

  1. कहे कि उत्तर दस्तावेज़ों में नहीं मिला
  2. विश्वसनीय लगने वाला उत्तर गढ़े
  3. Temperature बढ़ाए
  4. Index हटाए
जवाब देखें

जवाब: कहे कि उत्तर दस्तावेज़ों में नहीं मिला

ईमानदार "नहीं मिला" users को आत्मविश्वासी ग़लतियों से बचाता है।

पाठ: Groundedness जाँच और Refusals

RAG System का मूल्यांकन

19. RAG के लिए Recall@k इतना अहम क्यों है?

  1. यह उत्तरों से असंबंधित है
  2. यह font गुणवत्ता मापता है
  3. यह LLM को बदलता है
  4. Generator वह प्रमाण उपयोग नहीं कर सकता जो retrieve ही नहीं हुआ
जवाब देखें

जवाब: Generator वह प्रमाण उपयोग नहीं कर सकता जो retrieve ही नहीं हुआ

छूटा प्रमाण किसी भी उत्तर की गुणवत्ता की सीमा तय करता है।

पाठ: Retrieval Metrics: Recall@k और MRR

20. Test set में अनुत्तरणीय सवाल क्यों शामिल करें?

  1. Set छोटा करने के लिए
  2. यह जाँचने के लिए कि system उत्तर गढ़ने की जगह मना करता है
  3. Recall घटाने के लिए
  4. Judges से बचने के लिए
जवाब देखें

जवाब: यह जाँचने के लिए कि system उत्तर गढ़ने की जगह मना करता है

Refusal व्यवहार तभी दिखता है जब set में ऐसे सवाल हों जिन्हें मना किया जाना चाहिए।

पाठ: उत्तरों का मूल्यांकन: Faithfulness और Relevance

21. उत्तर ग़लत हो तो पहला सवाल क्या है?

  1. क्या मॉडल बहुत छोटा है?
  2. क्या उत्तर वास्तव में दस्तावेज़ों में है?
  3. क्या font पठनीय है?
  4. क्या server लाल है?
जवाब देखें

जवाब: क्या उत्तर वास्तव में दस्तावेज़ों में है?

ज्ञान ही ग़ायब हो तो कोई retrieval या prompt बदलाव उसे ठीक नहीं कर सकता।

पाठ: विफलता विश्लेषण: कहाँ टूटा?

Production में RAG चलाना

22. नया embedding model कैसे लाएँ?

  1. कुछ न बदलें
  2. पुराने और नए vectors एक index में मिलाएँ
  3. पहले पुराना index हटाएँ
  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

अलग मॉडलों के vectors अतुलनीय हैं, और साथ-साथ जाँच regressions से बचाती है।

पाठ: Index को ताज़ा रखना

23. Retrieved पाठ को अविश्वसनीय क्यों माना जाता है?

  1. उसमें किसी और के लिखे छिपे निर्देश हो सकते हैं
  2. वह हमेशा encrypted होता है
  3. वह बहुत छोटा होता है
  4. Embeddings उसे मना करते हैं
जवाब देखें

जवाब: उसमें किसी और के लिखे छिपे निर्देश हो सकते हैं

जो भी स्रोत दस्तावेज़ संपादित कर सके वह मॉडल को मोड़ने की कोशिश कर सकता है।

पाठ: Security, Privacy और Prompt Injection

24. RAG latency पर आम तौर पर कौन-सा चरण हावी होता है?

  1. Hash निकालना
  2. Page लोड करना
  3. LLM generation
  4. पाँच पंक्तियाँ sort करना
जवाब देखें

जवाब: LLM generation

Tokens बनाना retrieval चरणों से ज़्यादा समय लेता है, ख़ासकर लंबे prompts के साथ।

पाठ: Latency, लागत और Caching

25. Agentic RAG कब सबसे उपयोगी है?

  1. Evaluation से बचने के लिए
  2. एक-पंक्ति FAQ खोज के लिए
  3. जब सवाल के उत्तर के लिए कई searches या tools चाहिए
  4. LLM हटाने के लिए
जवाब देखें

जवाब: जब सवाल के उत्तर के लिए कई searches या tools चाहिए

बहु-चरणीय सवाल पुनरावृत्त retrieval से लाभ पाते हैं, गति और जटिलता की क़ीमत पर।

पाठ: उन्नत पैटर्न: Agentic, Graph और Multimodal RAG

सब कुछ जोड़ना

26. आंतरिक लेख retrieval query में क्यों छाने जाते हैं?

  1. ताकि बाहरी users को आंतरिक सामग्री कभी न मिले
  2. Font तेज़ करने के लिए
  3. Chunks बड़े करने के लिए
  4. क्योंकि embeddings उन्हें नापसंद करते हैं
जवाब देखें

जवाब: ताकि बाहरी users को आंतरिक सामग्री कभी न मिले

अनुमतियाँ पाठ के मॉडल तक पहुँचने से पहले लागू होनी चाहिए।

पाठ: केस स्टडी: Support Knowledge-Base सहायक

27. Users "work from home" खोजते हैं पर नीति में "remote work" लिखा है। कौन-सा retrieval तरीक़ा सबसे ज़्यादा मदद करता है?

  1. Temperature घटाना
  2. सिर्फ़ सटीक keyword मिलान
  3. Chunk overlap बढ़ाना
  4. Embedding (semantic) search, आदर्श रूप से BM25 के साथ
जवाब देखें

जवाब: Embedding (semantic) search, आदर्श रूप से BM25 के साथ

Embeddings अलग शब्दांकन जोड़ते हैं; BM25 सटीक शब्द फिर भी सँभालता है।

पाठ: Revision: Cheat Sheet और Self-Check

28. कौन-सी संख्या सबसे अच्छी बताती है कि retrieval प्रमाण ढूँढ रहा है?

  1. औसत शब्द लंबाई
  2. Golden set पर Recall@k
  3. GPU temperature
  4. फ़ाइलों की संख्या
जवाब देखें

जवाब: Golden set पर Recall@k

Recall@k मापता है कि प्रासंगिक chunks retrieved समूह में कितनी बार आते हैं।

पाठ: Revision: Cheat Sheet और Self-Check

29. प्रति-user दस्तावेज़ access लागू करने का सबसे सुरक्षित तरीक़ा क्या है?

  1. मॉडल से रहस्य न बताने को कहना
  2. Retrieval query में filter करना ताकि निषिद्ध पाठ कभी न आए
  3. UI में छिपाना
  4. Chunk आकार पर निर्भर रहना
जवाब देखें

जवाब: Retrieval query में filter करना ताकि निषिद्ध पाठ कभी न आए

निषिद्ध पाठ prompt तक पहुँचे तो लीक हो सकता है।

पाठ: Revision: Cheat Sheet और Self-Check

← कोर्स पर वापस जाएँ