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

Explicação: Os cartões de modelo do Amazon SageMaker documentam detalhes do modelo, desempenho, casos de uso pretendidos e considerações de risco. Apoiam a IA responsável, melhorando a transparência e a governação. Rekognition é visão computacional. Compreender é PNL para entidade/sentimento. Lex é uma IA conversacional. Referência: Cartões de modelo SageMaker de documentação da AWS

Explicação: explicação abrangente e detalhada de documentos exatos de IA da AWS: O Amazon Macie usa aprendizado de máquina para: Descobrir dados confidenciais, como PII Classificar dados armazenados no Amazon S3 Ajudar a evitar a exposição não intencional de dados As diretrizes de segurança da AWS recomendam o Macie antes do compartilhamento de dados para garantir a conformidade e a proteção da privacidade. Por que as outras opções estão incorretas: Kendra (A) é um serviço de pesquisa. Textract (C) extrai texto de documentos. O Data Exchange (D) compartilha conjuntos de dados, não analisa a sensibilidade. Referências de documentos de IA da AWS: Visão geral do Amazon Macie Proteção de dados confidenciais no S3 Privacidade e governança de dados na AWS

Explicação: Amazon Bedrock é um serviço que fornece modelos básicos para a construção de aplicativos generativos de IA. Ao criar um aplicativo infantil, é fundamental garantir que o conteúdo gerado seja adequado ao público-alvo. Os "Guardrails" no Amazon Bedrock fornecem mecanismos para controlar as saídas e os tópicos do conteúdo gerado para se alinhar aos padrões de segurança e níveis de adequação desejados. Opção C (correta): "Guardrails for Amazon Bedrock": esta é a resposta correta porque os guardrails são projetados especificamente para ajudar os usuários a aplicar moderação de conteúdo, filtragem e verificações de segurança nas saídas geradas por modelos no Amazon Bedrock. Para uma aplicação infantil, as proteções garantem que todo o conteúdo gerado seja adequado e apropriado para o público-alvo. Opção A: "Amazon Rekognition" está incorreto. O Amazon Rekognition é um serviço de análise de imagens e vídeos que pode detectar conteúdo impróprio em imagens ou vídeos, mas não gerencia a geração de textos ou histórias. Opção B: “Playgrounds Amazon Bedrock” está incorreto porque playgrounds são ambientes para experimentar e testar resultados de modelos, mas não fornecem salvaguardas inerentes para garantir a adequação do conteúdo para públicos específicos, como crianças. Opção D: “Agentes para Amazon Bedrock” está incorreta. Os agentes no Amazon Bedrock facilitam a criação de aplicações de IA com recursos mais interativos, mas não fornecem proteções específicas para garantir a adequação do conteúdo para crianças. Referência para profissionais de IA da AWS: Guardrails no Amazon Bedrock: projetados para ajudar a implementar controles que garantem que o conteúdo gerado seja seguro e adequado para casos de uso ou públicos específicos, como crianças, por meio da moderação e filtragem de conteúdo impróprio ou indesejado. Criação de aplicativos de IA seguros: a AWS fornece orientação sobre a implementação de práticas éticas de IA, incluindo o uso de proteções para proteção contra a geração de conteúdo impróprio ou tendencioso.

Explicação: Amazon Bedrock é um serviço totalmente gerenciado que fornece acesso a modelos básicos (FMs) de vários provedores, permitindo que os usuários criem e dimensionem aplicativos generativos de IA. Ele simplifica o processo de integração de FMs em aplicativos para tarefas como geração de texto, chatbots e muito mais. Extrato exato dos documentos de IA da AWS: Do Guia do usuário do AWS Bedrock: "O Amazon Bedrock é um serviço totalmente gerenciado que disponibiliza modelos básicos (FMs) dos principais provedores de IA por meio de uma única API, permitindo que os desenvolvedores criem e dimensionem aplicativos de IA generativos com facilidade." (Fonte: Guia do usuário do AWS Bedrock, introdução ao Amazon Bedrock) Opção detalhada A: Amazon Q Developer O Amazon Q Developer é um assistente com tecnologia de IA para codificação e orientação de serviços da AWS, não um serviço para hospedar ou fornecer modelos básicos. Opção B: Amazon BedrockEsta é a resposta correta. O Amazon Bedrock fornece acesso a modelos básicos, tornando-o o principal serviço para criar e dimensionar aplicações generativas de IA. Opção C: Amazon KendraAmazon Kendra é um serviço de pesquisa inteligente alimentado por aprendizado de máquina, não um serviço para fornecer modelos básicos ou criar aplicativos generativos de IA. Opção D: Amazon ComprehendAmazon Comprehend é um serviço de PNL para tarefas de análise de texto, como análise de sentimentos, e não para fornecer modelos básicos ou oferecer suporte à IA generativa. Referência: Guia do usuário do AWS Bedrock: Introdução ao Amazon Bedrock (https://docs.aws.amazon.com/bedrock/latest/userguide/what-is-bedrock.html) Caminho de aprendizagem do AWS AI Practitioner: Módulo sobre serviços de IA generativa Documentação da AWS: IA generativa na AWS (https://aws.amazon.com/generative-ai/)

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)

Explicação: explicação abrangente e detalhada de documentos exatos de IA da AWS: O pré-treinamento contínuo envolve o treinamento adicional de um modelo já pré-treinado usando dados não rotulados e específicos do domínio. A orientação de IA generativa da AWS explica que o pré-treinamento contínuo: Expande o conhecimento do domínio Preserva a compreensão geral do idioma Difere do ajuste fino, que usa dados rotulados Por que as outras opções estão incorretas: A descreve o ajuste fino. C descreve o treinamento do zero. D descreve a avaliação. Referências de documentos de IA da AWS: Técnicas de personalização do modelo básico Pré-treinamento contínuo versus ajuste fino Adaptação de domínio na AWS

Explicação: o Amazon SageMaker Serverless Inference é a solução correta para implantar um modelo de ML na produção de uma forma que permite que um aplicativo web use o modelo sem a necessidade de gerenciar a infraestrutura subjacente. O Amazon SageMaker Serverless Inference oferece um ambiente totalmente gerenciado para implantação de modelos de machine learning. Ele provisiona, dimensiona e gerencia automaticamente a infraestrutura necessária para hospedar o modelo, eliminando a necessidade de a empresa gerenciar servidores ou outra infraestrutura subjacente. Por que a opção A está correta: Sem gerenciamento de infraestrutura: o SageMaker Serverless Inference lida com o gerenciamento de infraestrutura para implantar e servir modelos de ML. A empresa pode simplesmente fornecer o modelo e especificar a capacidade computacional necessária, e o SageMaker cuidará do resto. Custo-benefício: A opção de inferência sem servidor é ideal para aplicações com tráfego intermitente ou imprevisível, pois a empresa paga apenas pelo tempo de computação consumido durante o tratamento das solicitações. Integração com Aplicações Web: Esta solução permite que o modelo seja facilmente acessado por aplicações web através de APIs RESTful, tornando-a uma escolha ideal para hospedar o modelo e servir previsões. Por que outras opções estão incorretas: B . Use o Amazon CloudFront para implantar o modelo: CloudFront é um serviço de rede de entrega de conteúdo (CDN) para distribuição de conteúdo, não para implantar modelos de ML ou servir previsões. C. Use o Amazon API Gateway para hospedar o modelo e fornecer previsões: o API Gateway é usado para criar, implantar e gerenciar APIs, mas não fornece a infraestrutura ou o ambiente necessário para hospedar e executar modelos de ML. D. Use o AWS Batch para hospedar o modelo e fornecer previsões: o AWS Batch foi projetado para executar cargas de trabalho de computação em lote e não é otimizado para inferência em tempo real ou hospedagem de modelos de machine learning. Assim, A é a resposta correta, pois está alinhada com o requisito de implantação de um modelo de ML sem gerenciar qualquer infraestrutura subjacente.

Explicação: A fase de avaliação do ciclo de vida do modelo de IA generativo envolve testar o modelo para avaliar o seu desempenho, incluindo precisão, coerência e outras métricas. Esta etapa garante que o modelo atenda aos padrões de qualidade desejados antes da implantação. Extrato exato de documentos de IA da AWS: Do roteiro de aprendizagem do AWS AI Practitioner: "A fase de avaliação no ciclo de vida do aprendizado de máquina envolve testar o modelo em relação à validação ou testar conjuntos de dados para medir suas métricas de desempenho, como exatidão, precisão, recall ou métricas específicas de tarefas para modelos de IA generativos." (Fonte: Caminho de aprendizagem do AWS AI Practitioner, módulo sobre ciclo de vida de aprendizado de máquina) Opção detalhada A: implantação A implantação envolve disponibilizar o modelo para uso na produção. Embora o monitoramento ocorra após a implantação, os testes de precisão são realizados no início do estágio de avaliação. Opção B: Seleção de dadosA seleção de dados envolve escolher e preparar dados para treinamento, não testar a precisão do modelo. Opção C: Ajuste fino O ajuste fino ajusta um modelo pré-treinado para melhorar o desempenho de uma tarefa específica, mas não é o estágio em que a precisão é testada formalmente. Opção D: AvaliaçãoEsta é a resposta correta. A fase de avaliação é onde são realizados testes para examinar a precisão do modelo e outras métricas de desempenho, garantindo que ele atenda aos requisitos. Referência: Caminho de aprendizagem do AWS AI Practitioner: Módulo sobre ciclo de vida de aprendizado de máquina Guia do desenvolvedor do Amazon SageMaker: avaliação de modelo (https://docs.aws.amazon.com/sagemaker/latest/dg/model-evaluation.html) Documentação da AWS: Ciclo de vida de IA generativa (https://aws.amazon.com/machine-learning/)

Explicação: A resposta correta é C porque o Amazon SageMaker JumpStart fornece controles administrativos que permitem que as organizações gerenciem e restrinjam o acesso a modelos básicos no ambiente da AWS. De acordo com a documentação oficial da AWS: "O Amazon SageMaker JumpStart fornece recursos de gerenciamento de acesso a modelos que permitem aos administradores controlar quais modelos básicos são visíveis e utilizáveis ​​pelos usuários finais. Usando políticas AWS Identity and Access Management (IAM), você pode restringir o acesso a modelos específicos ou desabilitar completamente a descoberta de modelos no JumpStart." Isto permite que as empresas imponham a governança sobre quais FMs seus usuários podem ver e interagir, satisfazendo o requisito de controlar o acesso dos funcionários aos modelos de fundação disponíveis publicamente. Explicação de outras opções: A . O AWS Cost Explorer é usado para analisar dados de faturamento e uso, mas não controla o acesso a serviços ou modelos. É útil para orçamento e visibilidade, não para controle de acesso. B. O AWS Artifact fornece acesso a relatórios e certificações de conformidade, e não a ferramentas para controlar o acesso do usuário a modelos de ML. D. O Amazon OpenSearch Service é usado para pesquisa e análise de dados estruturados e não estruturados. Não fornece mecanismos de controle de acesso para modelos básicos. Documentos e guias de estudo de AI/ML da AWS referenciados: Modelo de documentação do Amazon SageMaker JumpStart Gerenciamento de acesso Documentação do AWS IAM Restringindo o acesso aos recursos do SageMaker Guia de certificação de especialidade de aprendizado de máquina da AWS Seção de segurança e governança

Explicação: explicação abrangente e detalhada de documentos exatos de IA da AWS: A engenharia de recursos se concentra em: Criar novos recursos Selecionar os recursos existentes mais relevantes Melhorar o sinal e a precisão do modelo As práticas recomendadas de ML da AWS identificam a engenharia de recursos como um fator-chave do desempenho preditivo. Por que as outras opções estão incorretas: A visualização (A) ajuda na compreensão, não na criação de recursos. O ajuste de hiperparâmetros (B) otimiza modelos, não recursos. A coleta de dados (D) expande os conjuntos de dados, mas não projeta recursos. Referências de documentos de IA da AWS: Práticas recomendadas de engenharia de recursos para melhorar a precisão do modelo no ciclo de vida de desenvolvimento de modelos de ML da AWS