Questão 15 — Amazon AIF-C01 Simulado | AWS Certified AI Practitioner Questões e Respostas

Explicação: A resposta correta é C porque a Geração Aumentada de Recuperação (RAG) permite que um modelo de linguagem grande forneça respostas com base em conteúdo atualizado de fontes de dados externas sem a necessidade de ajustar o modelo. De acordo com o Guia do desenvolvedor AWS Bedrock: "A Amazon Bedrock Knowledge Bases permite que os desenvolvedores aumentem os modelos básicos (FMs) com dados específicos da empresa que são atualizados em tempo real ou quase em tempo real. Ao separar a recuperação do modelo em si, as abordagens baseadas em RAG evitam a necessidade de retreinamento ou ajuste fino frequente." Isso significa que uma empresa pode usar uma base de conhecimento com o Amazon Bedrock para buscar dinamicamente as informações mais recentes sobre políticas da empresa e alimentá-las ao LLM no prompt. Essa abordagem é ideal para casos de uso em que o conteúdo (como políticas) muda com frequência e a latência para atualizações deve ser mínima. Explicação de outras opções: A . O ajuste fino de um LLM com SageMaker não é ideal para dados atualizados com frequência. O ajuste fino envolve o retreinamento e a reimplantação do modelo, o que consome tempo e não é adequado para atualizações em tempo real. Conforme declarado na documentação do SageMaker: "O ajuste fino é melhor usado para casos de uso em que os dados mudam com pouca frequência e onde é necessário um comportamento de modelo altamente específico." B. A seleção de um modelo de fundação por si só não atende ao requisito de tempo real. O conhecimento básico do FM é estático, a menos que seja aumentado por meio de métodos adicionais como o RAG. D. O Amazon Q Business se destina à produtividade no local de trabalho e ao uso empresarial, mas tem uma estrutura mais opinativa e não oferece a mesma flexibilidade que um fluxo de trabalho RAG personalizado para criar um aplicativo de chatbot personalizado. Embora suporte alguns recursos de sincronização de dados em tempo real, não foi desenvolvido especificamente para sistemas de bate-papo baseados em LLM com feeds de dados dinâmicos, como Bases de conhecimento em Bedrock. Portanto, a solução mais apropriada e escalável alinhada com as recomendações da AWS é C. Documentos e guias de estudo de AI/ML da AWS referenciados: Guia do desenvolvedor Amazon Bedrock Bases de conhecimento e RAG (edição 2024) Guia de estudo especializado em aprendizado de máquina certificado pela AWS Seção de IA generativa Documentação da AWS: escolhendo entre ajuste fino e RAG para aplicativos LLM Práticas recomendadas de ajuste e implantação do modelo de documentação do Amazon SageMaker (2024)