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

Explicação: a resposta correta é C porque o Amazon Nova Reel é o modelo básico da AWS projetado para casos de uso de vídeo generativo, fornecendo geração de vídeo ponta a ponta usando IA generativa, o que reduz significativamente o tempo de criação de vídeo e elimina a necessidade de montagem manual. De acordo com a documentação do AWS Bedrock: “O Amazon Nova Reel permite que os usuários gerem conteúdo de vídeo curto diretamente a partir de prompts, incluindo a capacidade de definir estilo, movimento, cenas e transições – agilizando o processo de criação de conteúdo generativo”. Esta é a escolha operacionalmente mais eficiente, pois não requer a junção de imagens ou o uso de ferramentas de edição externas. Explicação de outras opções: A e B envolvem a geração de imagens intermediárias e a criação manual de vídeos usando ferramentas de edição de vídeo - o que não é operacionalmente eficiente. D. O Amazon Nova Pro é destinado à geração de imagens ou conteúdo 3D de nível profissional de alta qualidade, mas não é otimizado especificamente para geração de vídeo como o Nova Reel. Documentos e guias de estudo de IA/ML referenciados da AWS: Amazon Bedrock Model Directory Visão geral dos modelos Nova AWS GenAI Foundation Guia de comparação de modelos AWS Generative AI for Creators Whitepaper (2024)

Explicação: explicação abrangente e detalhada de documentos exatos de IA da AWS: Os parâmetros de inferência controlam o comportamento de saída: A temperatura mais alta aumenta a criatividade e a aleatoriedade O comprimento de resposta mais curto limita o tamanho da saída A orientação de prompt e inferência da AWS recomenda aumentar a temperatura para tarefas criativas e reduzir o comprimento da resposta para saídas concisas. Por que as outras opções estão incorretas: A reduz a criatividade. B produz saídas longas. D produz respostas determinísticas e demoradas. Referências de documentos de IA da AWS: Parâmetros de inferência para modelos básicos Controlando a criatividade e o comprimento em práticas recomendadas de engenharia de prompt de geração de texto

Explicação: No contexto da IA, "alucinação" refere-se ao fenômeno em que um modelo gera resultados que parecem plausíveis, mas não são baseados na realidade ou nos dados de treinamento. Esse problema geralmente ocorre com grandes modelos de linguagem (LLMs) quando eles criam informações que parecem corretas, mas na verdade são incorretas ou fabricadas. Opção B (correta): “Alucinação”: Esta é a resposta correta porque o problema descrito envolve a geração de conteúdo que parece factual, mas é incorreto, o que é característico da alucinação em modelos de IA generativos. Opção A: “Vazamento de dados” está incorreto, pois envolve o modelo aprendendo acidentalmente com dados aos quais não deveria ter acesso, o que não corresponde ao problema de geração de conteúdo incorreto. Opção C: "Overfitting" está incorreto porque overfitting se refere a um modelo que aprendeu muito bem os dados de treinamento, incluindo ruído, e tem um desempenho ruim em novos dados. Opção D: "Underfitting" está incorreto porque o underfitting ocorre quando um modelo é muito simples para capturar os padrões subjacentes nos dados, o que não é o problema aqui. Referência para profissionais de IA da AWS: grandes modelos de linguagem na AWS: a AWS discute o desafio da alucinação em grandes modelos de linguagem e enfatiza técnicas para mitigá-la, como o uso de proteções e ajustes finos.

Explicação: A empresa fabricante precisa criar descrições de produtos em vários idiomas, o que requer tradução automática de idiomas. O Amazon Translate é um serviço totalmente gerenciado que utiliza aprendizado de máquina para fornecer tradução de alta qualidade entre idiomas, tornando-o a solução ideal para essa tarefa. Extrato exato de documentos de IA da AWS: Do guia do desenvolvedor do Amazon Translate: "O Amazon Translate é um serviço de tradução automática neural que oferece tradução de idiomas rápida, de alta qualidade e acessível. Ele pode ser usado para traduzir automaticamente texto, como descrições de produtos, em vários idiomas para alcançar um público global." (Fonte: Amazon Translate Developer Guide, Introdução ao Amazon Translate) Opção detalhada A: Amazon TranslateEsta é a resposta correta. O Amazon Translate automatiza a tradução de texto em vários idiomas, atendendo diretamente à necessidade da empresa de criar descrições de produtos em diferentes idiomas. Opção B: Amazon TranscribeO Amazon Transcribe converte fala em texto, o que não está relacionado à tradução de texto em vários idiomas. Esta opção está incorreta. Opção C: Amazon KendraAmazon Kendra é um serviço de pesquisa inteligente que usa aprendizado de máquina para fornecer respostas de documentos, não para traduzir texto. Esta opção é irrelevante. Opção D: Amazon PollyAmazon Polly é um serviço de conversão de texto em fala que gera áudio falado a partir de texto, não para traduzir texto para outros idiomas. Esta opção não atende aos requisitos. Referência: Guia do desenvolvedor do Amazon Translate: Introdução ao Amazon Translate (https://docs.aws.amazon.com/translate/latest/dg/what-is.html) Caminho de aprendizagem do AWS AI Practitioner: Módulo sobre serviços de processamento de linguagem natural Documentação da AWS: Tradução de idiomas com o Amazon Translate (https://aws.amazon.com/translate/)

Explicação: As respostas corretas são A e E porque ambas se alinham diretamente com as práticas recomendadas da AWS para proteger serviços generativos de IA e privacidade de dados em aplicativos empresariais. Na documentação do AWS Amazon Q Business: "AWS Key Management Service (KMS) integra-se ao Amazon Q Business para criptografar dados confidenciais em repouso. Você pode usar chaves KMS gerenciadas pelo cliente para atender aos requisitos de conformidade." E: “Você deve configurar controles de acesso do IAM para gerenciar quais usuários e aplicativos podem acessar os índices do Amazon Q Business, garantindo que apenas usuários autorizados possam recuperar informações”. Explicação de outras opções: B . O acesso entre contas não é um requisito comum para uso empresarial interno do Amazon Q Business, a menos que haja compartilhamento explícito de dados entre organizações. Não é um requisito para proteger o acesso. C. Amazon Inspector é uma ferramenta de gerenciamento de vulnerabilidades para EC2 e contêineres. Não está relacionado à autenticação ou segurança do Amazon Q. D. Permitir o acesso público violaria os princípios de segurança e privacidade e contrariaria diretamente o requisito declarado. Documentos e guias de estudo de IA/ML da AWS referenciados: Guia do desenvolvedor de negócios do Amazon Q Gerenciamento de segurança e identidade Documentação do AWS KMS Integração com Bedrock e Amazon Q Guia especializado em aprendizado de máquina certificado pela AWS Seção de IA responsável e governança

Explicação: explicação abrangente e detalhada de documentos exatos de IA da AWS: Atender aos objetivos de negócios requer avaliar se o modelo: Resolve o problema de negócios pretendido Produz resultados acionáveis ​​e relevantes Alinha-se com os requisitos funcionais e operacionais As orientações de seleção de modelos da AWS enfatizam o alinhamento de casos de uso como o principal critério para o sucesso do negócio. Por que as outras opções estão incorretas: Os benchmarks (A) medem o desempenho técnico, não o valor comercial. Arquitetura (B) é um detalhe de implementação. O uso de recursos (D) afeta o custo, não o cumprimento do objetivo. Referências de documentos de IA da AWS: Seleção de modelos básicos para uso comercial Alinhamento de modelos de IA com resultados de negócios Avaliação de IA além da precisão

Explicação: Para construir um modelo de IA de forma responsável e minimizar preconceitos, é essencial garantir justiça e transparência em todo o processo de desenvolvimento e implantação do modelo. Isto envolve detectar e mitigar desequilíbrios de dados e avaliar minuciosamente o comportamento do modelo para compreender o seu impacto em diferentes grupos. Opção A (correta): "Detectar desequilíbrios ou disparidades nos dados": correta porque identificar e abordar desequilíbrios ou disparidades nos dados é um passo crítico na redução de distorções. A AWS fornece ferramentas como o Amazon SageMaker Clarify para detectar distorções durante o pré-processamento de dados e treinamento de modelo. Opção C (correta): “Avaliar o comportamento do modelo para que a empresa possa fornecer transparência às partes interessadas”: correta porque avaliar o comportamento do modelo quanto à justiça e precisão é fundamental para garantir que as partes interessadas entendam como o modelo toma decisões. A transparência é um aspecto crucial da IA ​​responsável. A opção B: "Garantir que o modelo seja executado com frequência" está incorreta porque a frequência das execuções do modelo não aborda o viés. A opção D: "Usar a técnica Recall-Oriented Understudy for Gisting Evaluation (ROUGE) para garantir que o modelo seja 100% preciso" está incorreta porque ROUGE é uma métrica para avaliar a qualidade dos modelos de resumo de texto, não para minimizar vieses. A opção E: "Garantir que o tempo de inferência do modelo esteja dentro dos limites aceitos" está incorreta porque se refere ao desempenho, não à redução de viés. Referência do profissional de IA da AWS: Amazon SageMaker Clarify: A AWS oferece ferramentas como o SageMaker Clarify para detectar distorções em conjuntos de dados e modelos e para compreender o comportamento do modelo para garantir justiça e transparência. Práticas de IA responsáveis: a AWS promove IA responsável, defendendo justiça, transparência e inclusão no desenvolvimento e implantação de modelos.

Explicação: A empresa de comércio eletrônico está implantando um chatbot que precisa de proteções para filtrar conteúdo prejudicial de solicitações e respostas de entrada. O Amazon Bedrock Guardrails fornece mecanismos para garantir o uso responsável da IA, filtrando conteúdo prejudicial, como discurso de ódio, violência ou desinformação, tornando-o o recurso apropriado para esse requisito. Extrato exato dos documentos de IA da AWS: Do guia do usuário do AWS Bedrock: "Os Amazon Bedrock Guardrails permitem que os desenvolvedores implementem proteções para aplicativos de IA generativos, como chatbots, filtrando conteúdo prejudicial em prompts de entrada e respostas de modelo. Os guardrails incluem filtros de conteúdo, filtros de palavras e tópicos negados para garantir resultados seguros e responsáveis." (Fonte: AWS Bedrock User Guide, Guardrails for Responsible AI) Opção detalhada A: Amazon Bedrock GuardrailsEsta é a resposta correta. Os Amazon Bedrock Guardrails são projetados especificamente para filtrar conteúdo prejudicial de entradas e respostas do chatbot, garantindo interações seguras para os usuários. Opção B: Amazon Bedrock AgentsAmazon Bedrock Agents são usados ​​para automatizar tarefas e integrar-se a ferramentas externas, não para filtrar conteúdo prejudicial. Esta opção não atende ao requisito. Opção C: APIs de inferência do Amazon BedrockAs APIs de inferência do Amazon Bedrock permitem que os usuários invoquem modelos básicos para gerar respostas, mas não fornecem mecanismos integrados de filtragem de conteúdo. Opção D: modelos personalizados do Amazon BedrockOs modelos personalizados no Amazon Bedrock permitem que os usuários ajustem os modelos, mas não incluem inerentemente proteções para filtrar conteúdo prejudicial, a menos que sejam explicitamente implementados. Referência: Guia do usuário do AWS Bedrock: Guardrails para IA responsável (https://docs.aws.amazon.com/bedrock/latest/userguide/guardrails.html) Caminho de aprendizagem do profissional de IA da AWS: Módulo sobre IA responsável e segurança de modelo Guia do desenvolvedor do Amazon Bedrock: Construindo aplicativos de IA seguros (https://aws.amazon.com/bedrock/)

Explicação: A resposta correta é A porque a interpretabilidade do modelo se refere à capacidade de compreender e explicar como um modelo de ML chega a uma previsão ou decisão específica. Da documentação da AWS: "A interpretabilidade do modelo é o grau em que um ser humano pode compreender a causa de uma decisão tomada por um modelo de aprendizado de máquina. As técnicas de interpretabilidade ajudam a explicar quais recursos influenciaram uma previsão e quanto eles contribuíram." Isto é essencial em áreas como serviços financeiros, cuidados de saúde ou setores que exigem muita conformidade, onde a transparência das decisões é crítica. Explicação de outras opções: B . O treinamento de modelos refere-se ao processo de ensinar um modelo a partir de dados e não explica como as previsões são feitas. C. A interoperabilidade do modelo refere-se à capacidade dos sistemas ou modelos funcionarem em diferentes plataformas ou ambientes. D. O desempenho do modelo refere-se ao quão preciso ou eficaz o modelo é, mas não está relacionado à explicação de suas decisões. Documentos e guias de estudo de IA/ML da AWS referenciados: Amazon SageMaker Esclarece a explicabilidade da documentação e a detecção de preconceitos Guia de estudo especializado em aprendizado de máquina da AWS IA responsável e explicabilidade do modelo

Explicação: