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

Explicação: A aprendizagem não supervisionada é a metodologia correta para classificar clientes em níveis quando os dados não estão rotulados, pois não requer rótulos ou resultados predefinidos. Aprendizado não supervisionado: Este tipo de aprendizado de máquina é utilizado quando os dados não possuem rótulos ou categorias pré-definidas. O objetivo é identificar padrões, clusters ou associações nos dados. Nesse caso, a empresa possui petabytes de dados de clientes não rotulados e precisa classificá-los em diferentes níveis. Técnicas de aprendizagem não supervisionadas como clustering (por exemplo, K-Means, cluster hierárquico) podem agrupar clientes semelhantes com base em vários atributos sem qualquer conhecimento prévio ou rótulos. Por que a opção B está correta: Tratamento de dados não rotulados: O aprendizado não supervisionado é projetado especificamente para trabalhar com dados não rotulados, tornando-o ideal para a necessidade da empresa de classificar dados de clientes. Segmentação de clientes: técnicas de aprendizagem não supervisionada podem ser usadas para encontrar agrupamentos naturais nos dados dos clientes, como identificar clientes de alto valor versus clientes de baixo valor ou segmentar com base no comportamento de compra. Por que outras opções estão incorretas: A. Aprendizagem supervisionada: Requer dados rotulados com pares de entrada-saída para treinar o modelo, o que não é adequado, pois os dados da empresa não são rotulados. C. Aprendizagem por reforço: concentra-se em treinar um agente para tomar decisões maximizando alguma noção de recompensa cumulativa, o que não se alinha com a necessidade da empresa de classificação de clientes. D. Aprendizagem por reforço com feedback humano (RLHF): semelhante à aprendizagem por reforço, mas envolve feedback humano para refinar o comportamento do modelo; também não é apropriado para classificar dados de clientes não rotulados.

Explicação: O aplicativo móvel para usuários com deficiência visual precisa ouvir a fala do usuário e fornecer respostas de voz, exigindo recursos de conversão de fala em texto (reconhecimento de fala) e de conversão de texto em fala. As redes neurais de aprendizagem profunda são amplamente utilizadas para tarefas de reconhecimento de fala, pois podem processar e transcrever com eficácia a linguagem falada. Os serviços da AWS, como o Amazon Transcribe, que usa aprendizado profundo para reconhecimento de fala, podem atender a esse requisito convertendo a fala do usuário em texto, e o Amazon Polly pode gerar respostas de voz. Extrato exato dos documentos de IA da AWS: Da documentação da AWS no Amazon Transcribe: "O Amazon Transcribe usa redes neurais de aprendizagem profunda para realizar o reconhecimento automático de fala (ASR), convertendo a linguagem falada em texto com alta precisão. Isso é ideal para aplicações que exigem entrada de voz, como recursos de acessibilidade para usuários com deficiência visual." (Fonte: Guia do desenvolvedor do Amazon Transcribe, Introdução ao Amazon Transcribe) Opção detalhada A: Use uma rede neural de aprendizado profundo para realizar o reconhecimento de fala.Esta é a resposta correta. As redes neurais de aprendizagem profunda são a base dos modernos sistemas de reconhecimento de fala, usados ​​em serviços da AWS como o Amazon Transcribe. Eles permitem que o aplicativo ouça e transcreva a fala do usuário, e um serviço como o Amazon Polly pode lidar com respostas de voz, atendendo aos requisitos. Opção B: Construir modelos de ML para procurar padrões em dados numéricos. Esta opção é irrelevante, pois a tarefa envolve processar fala (dados de áudio) e gerar respostas de voz, não analisar padrões de dados numéricos. Opção C: Use o resumo generativo de IA para gerar texto semelhante ao humano. O resumo generativo de IA se concentra em resumir texto, não em processar fala ou gerar respostas de voz. Esta opção não atende ao requisito principal do reconhecimento de fala. Opção D: Construir modelos personalizados para classificação e reconhecimento de imagens. A classificação e o reconhecimento de imagens não estão relacionados ao processamento de fala ou à geração de respostas de voz, tornando esta opção incorreta para um aplicativo focado na interação de áudio. Referência: Guia do desenvolvedor do Amazon Transcribe: Introdução ao Amazon Transcribe (https://docs.aws.amazon.com/transcribe/latest/dg/what-is.html) Guia do desenvolvedor do Amazon Polly: Visão geral da conversão de texto em fala (https://docs.aws.amazon.com/polly/latest/dg/what-is.html) Caminho de aprendizagem do AWS AI Practitioner: Módulo sobre reconhecimento e síntese de fala

Explicação: A resposta correta é B porque o Amazon Bedrock Prompt Management oferece suporte ao uso de ferramentas por meio da configuração de ferramentas, o que permite um prompt para definir ferramentas que podem invocar APIs ou serviços externos. De acordo com a documentação da AWS: "Você pode usar a configuração de ferramentas no Amazon Bedrock para especificar APIs externas que um modelo básico pode chamar durante a inferência. Isso permite que o modelo interaja com serviços externos, como invocar funções, recuperar dados em tempo real ou executar fluxos de trabalho." A configuração das ferramentas permite um prompt para descrever quais funções externas (APIs) estão disponíveis, seus parâmetros e como devem ser invocadas, semelhante à chamada de função ou padrão de uso de ferramenta da OpenAI.

Explicação: explicação abrangente e detalhada de documentos exatos de IA da AWS: os modelos multimodais são projetados para processar e raciocinar em várias modalidades de dados, como texto, imagens, áudio e vídeo. A orientação de IA generativa da AWS define casos de uso multimodais como aqueles em que: As entradas vêm de diferentes tipos de dados O modelo combina compreensão visual, textual ou de áudio As saídas são geradas com base no contexto combinado Por que as outras opções estão incorretas: A descreve a estratégia de implantação, não a multimodalidade. B descreve a escala de treinamento, não a capacidade do modelo. C é um caso de uso de codificação, não de processamento multimodal. Referências de documentos de IA da AWS: Modelos básicos multimodais em recursos de IA generativa da AWS e casos de uso na construção de aplicativos multimodais

Explicação: Gráficos de dependência parcial (PDPs) são ferramentas visuais usadas para mostrar a relação entre um recurso (ou conjunto de recursos) nos dados e o resultado previsto de um modelo de aprendizado de máquina. Eles são altamente eficazes para fornecer transparência e explicabilidade do comportamento do modelo às partes interessadas, ilustrando como diferentes variáveis ​​de entrada impactam as previsões do modelo. Opção B (correta): "Gráficos de dependência parcial (PDPs)": Esta é a resposta correta porque os PDPs ajudam a interpretar como as previsões do modelo mudam com valores variados dos recursos de entrada, proporcionando às partes interessadas uma compreensão mais clara do processo de tomada de decisão do modelo. Opção A: "Código para treinamento de modelo" está incorreto porque fornecer o código bruto para treinamento de modelo pode não oferecer transparência ou explicabilidade para partes interessadas não técnicas. Opção C: “Dados de amostra para treinamento” está incorreto, pois os dados de amostra por si só não explicam como o modelo funciona ou seu processo de tomada de decisão. Opção D: "Tabelas de convergência do modelo" está incorreta. Embora as tabelas de convergência possam mostrar o processo de treinamento, elas não fornecem insights sobre como os recursos de entrada afetam as previsões do modelo. Referência para profissionais de IA da AWS: explicabilidade no AWS Machine Learning: a AWS fornece várias ferramentas para explicabilidade do modelo, como o Amazon SageMaker Clarify, que inclui PDPs para ajudar a explicar o impacto de diferentes recursos nas previsões do modelo.

Explicação: A empresa deseja melhorar a precisão de um aplicativo generativo de IA usando um modelo básico (FM) no Amazon Bedrock da maneira mais econômica. A engenharia de prompts envolve a otimização dos prompts de entrada para orientar o FM a produzir respostas mais precisas sem modificar o próprio modelo. Esta abordagem é econômica porque não requer recursos computacionais adicionais ou treinamento, ao contrário do ajuste fino ou do retreinamento. Extrato exato dos documentos de IA da AWS: Do Guia do usuário do AWS Bedrock: "A engenharia de prompts é uma técnica econômica para melhorar o desempenho de modelos básicos. Ao criar prompts precisos e ricos em contexto, os usuários podem orientar o modelo para gerar respostas mais precisas e relevantes sem a necessidade de ajuste fino ou retreinamento." (Fonte: Guia do usuário do AWS Bedrock, Prompt Engineering for Foundation Models) Opção detalhada A: ajustar o FM. O ajuste fino envolve treinar novamente o FM em um conjunto de dados personalizado, o que requer recursos computacionais, tempo e custo (por exemplo, para trabalhos de ajuste fino do Amazon Bedrock). Não é a solução mais econômica. Opção B: Retreinar o FM. Retreinar um FM do zero consome muitos recursos e é caro, pois requer grandes conjuntos de dados e poder computacional significativo. Isto não é rentável. Opção C: Treinar um novo FM.Treinar um novo FM é a opção mais cara, pois envolve a construção de um modelo desde o início, exigindo dados extensos, recursos computacionais e experiência. Isto não é rentável. Opção D: Use engenharia imediata. Esta é a resposta correta. A engenharia de prompts ajusta os prompts de entrada para melhorar as respostas do FM sem incorrer em custos adicionais de computação, tornando-a a solução mais econômica para melhorar a precisão no Amazon Bedrock. Referência: Guia do usuário do AWS Bedrock: Prompt Engineering para modelos básicos (https://docs.aws.amazon.com/bedrock/latest/userguide/prompt-engineering.html) Caminho de aprendizagem do AWS AI Practitioner: Módulo sobre otimização de IA generativa Guia do desenvolvedor do Amazon Bedrock: Otimização de custos para IA generativa (https://aws.amazon.com/bedrock/)

Explicação: A resposta correta é A porque o Amazon SageMaker Canvas foi projetado especificamente para usuários com pouca ou nenhuma experiência em aprendizado de máquina ou programação. Ele fornece uma interface visual para construir modelos de ML simplesmente carregando dados, realizando análises e gerando previsões usando um ambiente sem código. Na documentação da AWS: "O Amazon SageMaker Canvas permite que analistas de negócios e outros usuários gerem previsões precisas de ML usando uma interface visual de apontar e clicar, sem escrever código ou ter experiência anterior em ML." Este recurso permite ao usuário: Importar conjuntos de dados (por exemplo, dados de RH) Explorar automaticamente os dados Selecionar a coluna de previsão (por exemplo, atrito) Treinar o modelo Gerar e exportar previsões Explicação de outras opções: B . O SageMaker Clarify é usado para detectar preconceitos e explicar previsões de ML, mas não para construir modelos ou fazer previsões sem código. C. O SageMaker Model Monitor monitora a qualidade do modelo na produção, mas não cria nem treina modelos. D. SageMaker Data Wrangler é usado para pré-processamento e transformação de dados, mas ainda requer alguma configuração técnica. Documentos e guias de estudo de AI/ML da AWS referenciados: Guia do desenvolvedor do Amazon SageMaker Canvas Guia de estudo especializado em aprendizado de máquina certificado pela AWS Seção de ferramentas AutoML e sem código Blog de aprendizado de máquina da AWS: "Prever desgaste de funcionários com SageMaker Canvas"

Explicação: explicação abrangente e detalhada de documentos exatos de IA da AWS: A latência de inferência mede o tempo que um modelo leva para: Receber uma solicitação de entrada Processar a solicitação Retornar uma saída A orientação de desempenho da AWS enfatiza a latência de inferência como uma métrica crítica para aplicativos de IA em tempo real e voltados para o usuário. Por que as outras opções estão incorretas: O tamanho do modelo (A) refere-se ao número de parâmetros. A janela de contexto (C) define a capacidade de comprimento de entrada. O ajuste fino (D) é um processo de customização. Referências de documentos de IA da AWS: Considerações sobre latência de métricas de desempenho do modelo básico para aplicativos de IA Otimizando inferência na AWS

Explicação: Modelos generativos de IA são usados ​​para criar novos conteúdos com base em dados existentes. Um caso de uso comum é a geração de imagens fotorrealistas a partir de descrições de texto, o que é particularmente útil em marketing digital, onde o conteúdo visual é fundamental para envolver clientes em potencial. Opção B (correta): “Criando imagens fotorrealistas a partir de descrições de texto para marketing digital”: esta é a resposta correta porque modelos generativos de IA, como os oferecidos pela Amazon Bedrock, podem criar imagens com base em descrições de texto, tornando-as altamente valiosas para a geração de materiais de marketing. A opção A: “Melhorar a segurança da rede usando sistemas de detecção de intrusões” está incorreta porque este é um caso de uso para modelos tradicionais de aprendizado de máquina, não para IA generativa. A opção C: "Aprimorar o desempenho do banco de dados usando indexação otimizada" está incorreta, pois não está relacionada à IA generativa. A opção D: “Analisar dados financeiros para prever tendências do mercado de ações” está incorreta porque normalmente envolve modelagem preditiva em vez de IA generativa. Referência para profissionais de IA da AWS: casos de uso para modelos de IA generativos na AWS: A AWS destaca o uso de IA generativa para geração de conteúdo criativo, incluindo criação de imagens, geração de texto e muito mais, o que é adequado para aplicativos de marketing digital.

Explicação: O ajuste fino envolve o treinamento de um modelo de IA pré-treinado em um conjunto de dados rotulado específico para uma tarefa ou domínio específico, adaptando-o à terminologia e aos requisitos do setor. Esse processo ajusta os parâmetros do modelo para melhor atender ao caso de uso alvo, como compreender vocabulário especializado ou atender necessidades específicas de domínio. Extrato exato dos documentos de IA da AWS: Do Guia do usuário do AWS Bedrock: "O ajuste fino permite que você adapte um modelo básico pré-treinado ao seu caso de uso específico, treinando-o em um conjunto de dados rotulado. Essa técnica é comumente usada para personalizar modelos para terminologia específica do setor, melhorando sua precisão para tarefas especializadas." (Fonte: Guia do usuário do AWS Bedrock, personalização de modelo) Opção detalhada A: aumento de dadosO aumento de dados envolve a geração de dados sintéticos para expandir um conjunto de dados de treinamento, normalmente para tarefas como geração de imagem ou texto. Não adapta especificamente os modelos à terminologia ou aos requisitos da indústria. Opção B: Ajuste fino Esta é a resposta correta. O ajuste fino treina um modelo pré-treinado em um conjunto de dados rotulado adaptado ao domínio de destino, permitindo-lhe aprender a terminologia e os requisitos específicos do setor, conforme descrito na pergunta. Opção C: quantização do modelo A quantização do modelo reduz a precisão dos pesos de um modelo para otimizá-lo para implantação (por exemplo, em dispositivos de borda). Não envolve treinamento em conjuntos de dados rotulados ou adaptação à terminologia do setor. Opção D: Pré-treinamento contínuo O pré-treinamento contínuo estende o treinamento inicial de um modelo em um conjunto de dados grande e geral. Embora possa melhorar o desempenho geral, não é especificamente adaptado aos requisitos da indústria usando conjuntos de dados rotulados, ao contrário do ajuste fino. Referência: Guia do usuário do AWS Bedrock: Personalização de modelos (https://docs.aws.amazon.com/bedrock/latest/userguide/custom-models.html) Caminho de aprendizagem do AWS AI Practitioner: Módulo sobre treinamento e personalização de modelos Guia do desenvolvedor do Amazon SageMaker: modelos de ajuste fino (https://docs.aws.amazon.com/sagemaker/latest/dg/algos.html)