Amazon AIF-C01 Simulado | AWS Certified AI Practitioner Questões e Respostas — questões e gabarito

Explicação: Quando um modelo é treinado em um conjunto de dados contendo dados confidenciais ou confidenciais, o modelo pode aprender inadvertidamente padrões desses dados, que podem então ser refletidos em suas respostas de inferência. Para garantir que um modelo não gere respostas baseadas em dados confidenciais, a abordagem mais eficaz é remover os dados confidenciais do conjunto de dados de treinamento e, em seguida, treinar novamente o modelo. Explicação de cada opção: Opção A (correta): "Exclua o modelo personalizado. Remova os dados confidenciais do conjunto de dados de treinamento. Treine novamente o modelo personalizado."Esta opção está correta porque aborda diretamente o problema principal: o modelo foi treinado em dados confidenciais. A única maneira de garantir que o modelo não produza inferências com base nesses dados é remover as informações confidenciais do conjunto de dados de treinamento e, em seguida, treinar novamente o modelo do zero. A simples exclusão do modelo e seu retreinamento garantem que nenhum dado confidencial seja aprendido ou retido pelo modelo. Essa abordagem segue as práticas recomendadas pela AWS para lidar com dados confidenciais ao usar serviços de machine learning como o Amazon Bedrock. Opção B: "Mascarar os dados confidenciais nas respostas de inferência usando o mascaramento dinâmico de dados."Esta opção está incorreta porque o mascaramento dinâmico de dados normalmente é usado para mascarar ou ofuscar dados confidenciais em um banco de dados. Não aborda o problema central do modelo sendo treinado em dados confidenciais. Mascarar dados em respostas de inferência não impede que o modelo use dados confidenciais aprendidos durante o treinamento. Opção C: “Criptografar os dados confidenciais nas respostas de inferência usando o Amazon SageMaker”. Essa opção está incorreta porque criptografar as respostas de inferência não impede que o modelo gere resultados com base em dados confidenciais. A criptografia protege apenas os dados em repouso ou em trânsito, mas não afeta o conhecimento subjacente ou o processo de treinamento do modelo. Opção D: "Criptografar os dados confidenciais no modelo personalizado usando o AWS Key Management Service (AWS KMS)."Esta opção também está incorreta porque criptografar os dados dentro do modelo não impede que o modelo gere respostas com base nos dados confidenciais que aprendeu durante o treinamento. O AWS KMS pode criptografar dados, mas não modifica o aprendizado que o modelo já realizou. Referência para profissionais de IA da AWS: Práticas recomendadas de tratamento de dados no AWS Machine Learning: A AWS aconselha os profissionais a lidar com dados de treinamento com cuidado, especialmente quando envolvem informações sensíveis ou confidenciais. Isso inclui etapas de pré-processamento, como anonimização de dados ou remoção de dados confidenciais antes de usá-los para treinar modelos de aprendizado de máquina. Amazon Bedrock e segurança de treinamento de modelo: o Amazon Bedrock fornece modelos básicos e recursos de personalização, mas qualquer treinamento que envolva dados confidenciais deve seguir as práticas recomendadas, como remover ou tornar anônimos dados confidenciais para evitar vazamentos não intencionais de dados.

Explicação: A companhia aérea pretende construir um assistente de IA conversacional usando grandes modelos de linguagem (LLMs) e uma base de conhecimento para criar um chatbot baseado em texto com esforço mínimo de desenvolvimento. A geração aumentada de recuperação (RAG) no Amazon Bedrock é uma solução ideal porque combina LLMs com uma base de conhecimento para fornecer respostas precisas e contextualmente relevantes sem exigir treinamento extensivo de modelo ou desenvolvimento personalizado. O RAG recupera informações relevantes de uma base de conhecimento e utiliza um LLM para gerar respostas, simplificando o processo de desenvolvimento. Extrato exato de documentos de IA da AWS: Do Guia do usuário do AWS Bedrock: "A geração aumentada de recuperação (RAG) no Amazon Bedrock permite que os desenvolvedores criem aplicativos de IA conversacionais combinando modelos básicos com bases de conhecimento externas. Essa abordagem minimiza o esforço de desenvolvimento ao aproveitar modelos pré-treinados e integrá-los a fontes de dados, como perguntas frequentes ou bancos de dados, para fornecer respostas precisas e contextualmente relevantes." (Fonte: Guia do usuário do AWS Bedrock, Retrieval Augmented Generation) Opção detalhada A: treinar modelos no Amazon SageMaker Autopilot. O SageMaker Autopilot foi projetado para tarefas de aprendizado de máquina automatizado (AutoML), como classificação ou regressão, não para construir IA conversacional com LLMs e bases de conhecimento. Requer uma preparação significativa de dados e não está otimizado para o desenvolvimento de chatbot, tornando-o menos adequado. Opção B: desenvolver um agente de geração aumentada de recuperação (RAG) usando o Amazon Bedrock.Esta é a resposta correta. O RAG no Amazon Bedrock permite que a empresa use LLMs pré-treinados e integre-os a uma base de conhecimento (por exemplo, horários de voos ou perguntas frequentes) para construir um chatbot com esforço mínimo. Evita a necessidade de treinamento ou codificação extensivos, alinhando-se com o requisito de menor esforço de desenvolvimento. Opção C: Crie um aplicativo Python usando o Amazon Q Developer. Embora o Amazon Q Developer possa ajudar na geração de código, construir um chatbot do zero em Python requer um esforço de desenvolvimento significativo, incluindo a integração manual de LLMs e uma base de conhecimento, o que é mais complexo do que usar RAG no Bedrock. Opção D: ajustar modelos no Amazon SageMaker Jumpstart.O ajuste fino de modelos no SageMaker Jumpstart requer a preparação de dados de treinamento e a personalização de LLMs, o que envolve mais esforço do que usar uma solução RAG pré-construída no Bedrock. Esta opção não exige menos esforço. Referência: Guia do usuário do AWS Bedrock: Geração aumentada de recuperação (https://docs.aws.amazon.com/bedrock/latest/userguide/rag.html) Caminho de aprendizagem do AWS AI Practitioner: Módulo sobre IA generativa e IA de conversação Guia do desenvolvedor do Amazon Bedrock: Construindo IA de conversação (https://aws.amazon.com/bedrock/)

Explicação: Amazon Personalize é um serviço de ML totalmente gerenciado para recomendações personalizadas (filmes, produtos, músicas etc.) com base no comportamento e no histórico do usuário. Polly converte texto em fala realista. Comprehend executa tarefas de PNL, como análise de sentimentos. Transcrever é conversão de fala em texto. Referência: Documentação da AWS Amazon Personalize

Explicação: Explicação abrangente e detalhada de documentos exatos de IA da AWS: A geração aumentada de recuperação (RAG) aprimora as respostas LLM ao: Recuperar informações relevantes de fontes de conhecimento externas Injetar conteúdo recuperado no contexto imediato Reduzir alucinações e melhorar a precisão factual A orientação de IA generativa da AWS descreve o RAG como uma prática recomendada quando os modelos devem usar conhecimento atualizado ou específico do domínio que não está incorporado nos pesos do modelo. Por que as outras opções estão incorretas: RL (A) concentra-se na aprendizagem baseada em recompensas. A PNL (B) é um campo amplo, não uma técnica específica. A aprendizagem por transferência (D) adapta os pesos do modelo, mas não recupera dados externos no momento da inferência. Referências de documentos de IA da AWS: Geração aumentada de recuperação na AWS, melhorando a precisão do LLM com arquiteturas de IA geradoras de conhecimento externo

Explicação: O Amazon OpenSearch Service (anteriormente Amazon Elasticsearch Service) introduziu recursos para oferecer suporte à pesquisa vetorial, o que permite que as empresas criem aplicativos de banco de dados vetoriais. Isto é particularmente útil no aprendizado de máquina, onde representações vetoriais (incorporação) de dados são frequentemente usadas para capturar significado semântico. O gerenciamento escalonável de índices e a capacidade de pesquisa do vizinho mais próximo são os principais recursos que permitem funcionalidades de banco de dados vetoriais no OpenSearch. O serviço permite aos usuários indexar vetores de alta dimensão e realizar pesquisas eficientes no vizinho mais próximo, que são cruciais para tarefas como sistemas de recomendação, detecção de anomalias e pesquisa semântica. Veja por que a opção C é a resposta correta: Gerenciamento de índice escalável: o OpenSearch Service oferece suporte à indexação escalável de dados vetoriais. Isso significa que você pode indexar um grande volume de vetores de alta dimensão e gerenciar esses índices de maneira econômica e com desempenho otimizado. O serviço aproveita a infraestrutura subjacente da AWS para garantir que a indexação seja dimensionada perfeitamente com o tamanho dos dados. Capacidade de pesquisa do vizinho mais próximo: A capacidade de pesquisa do vizinho mais próximo do OpenSearch Service permite pesquisas rápidas e eficientes em dados vetoriais. Isso é essencial para aplicações como mecanismos de recomendação de produtos, onde o sistema precisa encontrar rapidamente os itens mais semelhantes com base na consulta ou no comportamento do usuário. Referência do AWS AI Practitioner: De acordo com a documentação da AWS, o suporte do OpenSearch Service para pesquisa do vizinho mais próximo usando incorporações de vetores é um recurso importante para empresas que criam aplicativos de aprendizado de máquina que exigem pesquisa por similaridade. O serviço usa algoritmos de Vizinhos Mais Próximos Aproximados (ANN) para acelerar pesquisas em grandes conjuntos de dados, garantindo alto desempenho mesmo com dados vetoriais em grande escala. As outras opções não estão diretamente relacionadas à construção de aplicativos de banco de dados vetoriais: A . A integração com o Amazon S3 para armazenamento de objetos envolve o armazenamento de objetos de dados, e não a pesquisa ou indexação baseada em vetores. B. O suporte para indexação e consultas geoespaciais está relacionado a dados baseados em localização, não a vetores usados ​​em aprendizado de máquina. D. A capacidade de realizar análises em tempo real de dados de streaming está relacionada à análise de fluxos de dados recebidos, o que é diferente dos recursos de pesquisa vetorial.

Explicação:

Explicação: O AWS PrivateLink permite conectividade privada entre sua VPC e serviços da AWS compatíveis (como Amazon Bedrock) sem enviar tráfego pela Internet pública. O CloudFront (A) é para CDN e entrega de conteúdo, não para conexões de serviços privados. AWS Glue (B) é para catálogo de dados/ETL, não para rede. Lake Formation (C) fornece governança para data lakes, não isolamento de rede de API. Referência: Documentação da AWS Acesse Amazon Bedrock com PrivateLink

Explicação: explicação abrangente e detalhada de documentos exatos de IA da AWS: O Amazon SageMaker Model Monitor detecta: Desvio de dados Desvio de conceito Degradação da qualidade do modelo A orientação do AWS MLOps recomenda que o Model Monitor: Avaliar continuamente modelos de produção Acionar alertas quando o desempenho se desviar das linhas de base Manter a confiabilidade do modelo de longo prazo Por que as outras opções estão incorretas: Amazon A2I (A) adiciona fluxos de trabalho de revisão humana. Rekognition (C) é um serviço de análise de imagens. O Trusted Advisor (D) fornece recomendações de custos e segurança. Referências de documentos de IA da AWS: Visão geral do monitor de modelo do Amazon SageMaker Detectando desvios de modelo nas práticas recomendadas de monitoramento de ML de produção da AWS

Explicação: Amazon QuickSight é um serviço de business intelligence (BI) totalmente gerenciado que permite aos usuários criar e publicar painéis interativos que incluem visualizações como gráficos, tabelas e tabelas. "Amazon Q" é o recurso de consulta em linguagem natural do Amazon QuickSight. Ele permite que os usuários façam perguntas sobre seus dados em linguagem natural e recebam respostas visuais, como gráficos. Opção C (correta): "Amazon Q no Amazon QuickSight": esta é a resposta correta porque o Amazon QuickSight Q foi projetado especificamente para permitir que os usuários explorem seus dados por meio de consultas em linguagem natural e pode gerar gráficos automaticamente para exibir dados de vendas e outras métricas. Isso o torna a escolha ideal para a empresa automatizar a geração de gráficos que mostram as vendas totais de seus produtos mais vendidos em vários locais de varejo. Opção A, B e D: Estas opções estão incorretas: A . Amazon Q no Amazon EC2: o Amazon EC2 é um serviço de computação que fornece servidores virtuais, mas não está diretamente relacionado à geração de gráficos ou ao fornecimento de recursos de consulta em linguagem natural. B. Amazon Q Developer: este não é um serviço ou recurso existente da AWS. D. Amazon Q no AWS Chatbot: AWS Chatbot é um serviço integrado ao Amazon Chime e Slack para monitorar e gerenciar recursos da AWS, mas não é usado para gerar gráficos com base em dados de vendas. Referência para profissionais de IA da AWS: o Amazon QuickSight Q foi projetado para fornecer insights de dados usando consultas em linguagem natural, tornando-o uma ferramenta poderosa para gerar gráficos e visualizações automatizados diretamente dos dados consultados. Business Intelligence (BI) na AWS: os serviços da AWS, como o Amazon QuickSight, fornecem recursos de business intelligence, incluindo relatórios automatizados e recursos de visualização, que são ideais para empresas que buscam visualizar dados como tendências de vendas ao longo do tempo.

Explicação: As incorporações em IA referem-se a representações numéricas de dados (por exemplo, texto, imagens) num espaço de dimensão inferior, capturando relações semânticas ou contextuais. Eles são amplamente utilizados em PNL e outras tarefas de IA para representar dados complexos em um formato que os modelos possam processar com eficiência. Extrato exato de documentos de IA da AWS: do roteiro de aprendizagem do AWS AI Practitioner: "Os embeddings são representações numéricas de dados em um espaço de dimensionalidade reduzida. No processamento de linguagem natural, por exemplo, os embeddings de palavras ou frases capturam relacionamentos semânticos, permitindo que os modelos processem texto com eficiência para tarefas como classificação ou pesquisa de similaridade." (Fonte: Caminho de aprendizagem do AWS AI Practitioner, módulo sobre conceitos de IA) Opção detalhada A: um método para compactar grandes conjuntos de dados Embora os embeddings reduzam a dimensionalidade, seu objetivo principal não é a compactação de dados, mas sim representar os dados de uma forma que preserve relacionamentos significativos. Esta opção está incorreta. Opção B: Um método de criptografia para proteger dados confidenciais Os embeddings não estão relacionados à criptografia ou à segurança de dados. Eles são utilizados para representação de dados, tornando esta opção incorreta. Opção C: Um método para visualizar dados de alta dimensão Embora às vezes os embeddings possam ser usados ​​na visualização (por exemplo, t-SNE), sua função principal é a representação de dados para processamento de modelo, não para visualização. Esta opção é enganosa. Opção D: Um método numérico para representação de dados em um espaço de dimensionalidade reduzida Esta é a resposta correta. Os embeddings transformam dados complexos em vetores numéricos de menor dimensão, preservando informações semânticas ou contextuais para uso em modelos de IA. Referência: Caminho de aprendizagem do AWS AI Practitioner: Módulo sobre conceitos de IA Guia do desenvolvedor do Amazon Comprehend: Embeddings para análise de texto (https://docs.aws.amazon.com/compreensão/latest/dg/embeddings.html) Documentação da AWS: O que são embeddings? (https://aws.amazon.com/what-is/embeddings/)