Databricks Generative AI Engineer Associate — Questões de prática e simulado

O teste A/B de agentes de GenAI no Databricks usa a traffic_config de um serving endpoint para dividir as requisições entre served entities. Cada versão do agente é implantada como uma served_entity separada no mesmo endpoint, e traffic_percentage controla a divisão (a soma precisa dar 100). As respostas de cada versão são registradas separadamente na inference table, o que permite comparar qualidade, latência e feedback dos usuários. Análise dos distratores: a opção “Usar o Feature Serving para marcar cada requisição e roteá-la…” está errada — o Feature Serving serve para consultar features, não para rotear prompts. A opção “Implantar um único endpoint com um hook de pré-processamento…” está errada — hooks de pré-processamento não oferecem gestão de tráfego adequada nem log independente. A opção “Registrar cada versão do prompt no MLflow Model Registry…” está errada — notebooks de roteamento próprios ignoram a gestão de tráfego e o log de inferência nativos do Databricks. Ref: docs.databricks.com/en/machine-learning/model-serving/serve-multiple-models-to-serving-endpoint.html

O conhecimento de um LLM fica congelado no momento do treinamento, então ele não consegue responder perguntas sobre acontecimentos atuais. Um pipeline de RAG com Delta Live Tables (a opção “Um agente de recuperação que consulta um pipeline do Delta…”) só recupera documentos indexados, não dados ao vivo da web. Ampliar a janela de contexto com snapshots em cache (a opção “Ampliar a janela de contexto para incluir um snapshot em cache de…”) continua usando dados desatualizados. O fine-tuning semanal (a opção “Fazer fine-tuning semanal do modelo base…”) introduz um atraso de vários dias. Um agente com chamada de ferramentas que tem busca na web ou ferramentas de API em tempo real (a opção “Um agente com chamada de ferramentas que tem uma ferramenta de busca na web ou de API em tempo real”) aciona fontes de dados externas sob demanda e devolve resultados atualizados até o minuto. O Databricks oferece isso por meio de servidores MCP, ferramentas personalizadas e a integração nativa de busca na web com modelos Gemini/OpenAI/Anthropic. Ref: docs.databricks.com/en/machine-learning/model-serving/web-search; docs.databricks.com/en/generative-ai/agent-framework/agent-tool.

Ao criar um índice de vector search Delta Sync com embeddings gerenciados, o parâmetro embedding_source_column identifica a coluna de texto que o Databricks vai transformar em embeddings automaticamente. A plataforma chama o endpoint do modelo de embedding informado, processa o texto em lotes e guarda os vetores resultantes no índice. As opções “auto_embedding_column”, “vector_embedding_source” e “text_vectorization_col” são nomes de parâmetros inventados — nenhum deles aparece no SDK nem na REST API do Databricks. Para embeddings autogerenciados, você informa em vez disso uma embedding_vector_column com os vetores pré-calculados. Ref: docs.databricks.com/en/generative-ai/vector-search/create-index; docs.databricks.com/en/vector-search/query-vector-search.