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

Explicação: o Amazon SageMaker Clarify fornece transparência e explicabilidade para modelos de machine learning gerando métricas, relatórios e exemplos que ajudam a entender as previsões do modelo. Para uma empresa médica que precisa de um modelo básico transparente e explicável para atender aos requisitos regulatórios, o SageMaker Clarify é a solução mais adequada. Amazon SageMaker Clarify: ajuda a identificar possíveis distorções nos dados e no modelo e também explica o comportamento do modelo gerando atribuições de recursos, fornecendo insights sobre quais recursos são mais influentes nas previsões do modelo. Estas capacidades são críticas em aplicações médicas onde a conformidade regulamentar muitas vezes exige transparência e explicabilidade para garantir que as decisões tomadas pelo modelo possam ser confiáveis ​​e auditadas. Por que a opção B está correta: transparência e explicabilidade: o SageMaker Clarify foi projetado explicitamente para fornecer insights sobre os processos de tomada de decisão dos modelos de aprendizado de máquina, ajudando a atender aos requisitos regulatórios, explicando por que um modelo fez uma previsão específica. Conformidade com regulamentos: A ferramenta é adequada para uso em domínios sensíveis, como saúde, onde há necessidade de IA explicável. Por que outras opções estão incorretas: A. Amazon Inspector: concentra-se em avaliações de segurança, não em explicabilidade ou transparência de modelo. C. Amazon Macie: fornece segurança de dados ao identificar e proteger dados confidenciais, mas não ajuda a tornar os modelos explicáveis. D. Amazon Rekognition: usado para análise de imagens e vídeos, não relevante para tornar os modelos explicáveis. Assim, B é a resposta correta para atender aos requisitos de transparência e explicabilidade do modelo fundamental

Explicação:

Explanation: The correct answer is D because autoencoders are an unsupervised machine learning method commonly used for anomaly detection when labeled data is not available. From AWS documentation: "Autoencoders learn to compress and reconstruct input data. During anomaly detection, they learn normal patterns in data. Data points that the model cannot accurately reconstruct are flagged as anomalies." This approach is ideal when there is no labeled data and when patterns must be learned based on normal behavior alone -- a common situation in IoT sensor data environments. Explanation of other options: A . Linear regression requires labeled data and is used for predicting continuous values. B . Classification requires labeled data to assign inputs into categories. C . Decision trees are supervised learning models and also require labeled datasets. Referenced AWS AI/ML Documents and Study Guides: AWS Machine Learning Specialty Guide Unsupervised Learning Techniques Amazon SageMaker Examples Anomaly Detection Using Autoencoders

Explicação: explicação abrangente e detalhada de documentos exatos de IA da AWS: O gerenciamento de prompts no Amazon Bedrock permite: Reutilização de modelos de prompt padronizados Parametrização de prompts com entradas dinâmicas Aplicação de instruções consistente em todos os casos de uso A orientação do AWS Bedrock descreve o gerenciamento de prompts como a solução recomendada para manter modelos de prompt reutilizáveis ​​enquanto injeta conteúdo específico do produto. Por que as outras opções estão incorretas: As Bases de Conhecimento (B) fornecem recuperação, não modelos de prompt. A avaliação do modelo (C) avalia a qualidade, não a geração. A inferência entre regiões (D) aborda a disponibilidade, não a reutilização imediata. Referências de documentos de IA da AWS: Modelos de prompt de gerenciamento de prompt do Amazon Bedrock e capacidade de reutilização Gerenciando prompts de IA generativos

Explicação: O Amazon SageMaker Ground Truth Plus é um serviço gerenciado de rotulagem de dados que inclui validação human-in-the-loop (HITL). Esta solução garante alta precisão ao envolver revisores humanos para validar as anotações e reduzir o risco de anotações incorretas. Amazon SageMaker Ground Truth Plus: permite a criação de conjuntos de dados de treinamento de alta qualidade com supervisão humana, o que minimiza erros na rotulagem e aumenta a precisão. Os fluxos de trabalho humanos ajudam a verificar a exatidão das anotações, garantindo que as imagens geradas para óculos de proteção atendam aos padrões de alta qualidade. Por que a opção A está correta: Alta precisão: a validação humana fornece a capacidade de detectar e corrigir erros nas anotações, garantindo dados de alta qualidade. Risco minimizado de anotações incorretas: a revisão humana adiciona uma camada de garantia de qualidade, que é especialmente importante em casos de uso como geração de imagens precisas para óculos de proteção. Por que outras opções estão incorretas: B . Amazon Bedrock: não oferece base de conhecimento para aumento de dados; ele se concentra na execução de modelos básicos. C. Amazon Rekognition: fornece reconhecimento e análise de imagens, não uma solução para minimizar erros de anotação. D. Amazon QuickSight: uma ferramenta de visualização de dados, não relevante para anotação de imagens ou tarefas de geração. Assim, A é a resposta correta para gerar imagens de alta precisão com riscos de anotação minimizados.

Explicação: o modelo de ML mostra 90% de recall em dados de treinamento, mas apenas 40% de recall em dados de teste não vistos, indicando uma queda significativa no desempenho. Esta discrepância sugere que o modelo aprendeu demasiado bem os dados de treino, incluindo ruído e padrões específicos que não se generalizam para novos dados, o que é um sinal clássico de sobreajuste. Extrato exato dos documentos de IA da AWS: Do guia do desenvolvedor do Amazon SageMaker: "O overfitting ocorre quando um modelo tem um bom desempenho em dados de treinamento, mas um desempenho ruim em dados de teste não vistos, pois aprendeu padrões específicos para o conjunto de treinamento, incluindo ruído, que não são generalizáveis. Uma grande lacuna entre as métricas de desempenho de treinamento e teste, como recall, é um indicador comum de overfitting." (Fonte: Guia do desenvolvedor do Amazon SageMaker, avaliação de modelo e sobreajuste) Opção detalhada A: O modelo está sobreajustado nos dados de treinamento.Esta é a resposta correta. A queda significativa no recall de 90% (treinamento) para 40% (teste) indica que o modelo está sobreajustado, pois tem um bom desempenho em dados de treinamento, mas não consegue generalizar para dados não vistos. Opção B: O modelo está subajustado nos dados de treinamento. O subajuste ocorre quando o modelo tem um desempenho insatisfatório nos dados de treinamento e teste devido ao aprendizado insuficiente. Com 90% de recall nos dados de treinamento, o modelo não é inadequado. Opção C: O modelo tem dados de treinamento insuficientes. Dados de treinamento insuficientes podem levar a um desempenho insatisfatório, mas a alta recuperação dos dados de treinamento (90%) sugere que o modelo aprendeu bem os dados de treinamento, apontando para um ajuste excessivo em vez de falta de dados. Opção D: O modelo tem dados de teste insuficientes. Dados de teste insuficientes podem levar a métricas de teste não confiáveis, mas não explicam a grande lacuna de desempenho entre o treinamento e o teste, o que é mais indicativo de overfitting. Referência: Guia do desenvolvedor do Amazon SageMaker: avaliação e overfitting de modelos (https://docs.aws.amazon.com/sagemaker/latest/dg/model-evaluation.html) Caminho de aprendizagem do profissional de IA da AWS: módulo sobre desempenho e avaliação de modelos Documentação da AWS: noções básicas sobre overfitting e underfitting (https://aws.amazon.com/machine- learning/)

Explicação: A resposta correta é A porque Human-in-the-loop (HITL) é uma estratégia de pós-processamento usada para monitorar, revisar e filtrar resultados de modelos generativos de IA em busca de toxicidade, preconceito ou conteúdo impróprio. Ele permite que revisores humanos aprovem ou rejeitem respostas de modelos antes de serem entregues aos usuários finais, garantindo o alinhamento com as diretrizes éticas e as políticas da empresa. Da documentação da AWS: "Os fluxos de trabalho Human-in-the-loop (HITL) em IA generativa são usados ​​para validar e aprovar resultados de modelos, especialmente em aplicações onde a qualidade do conteúdo, a conformidade ou a redução de danos são críticas. HITL é uma etapa fundamental nas implementações responsáveis ​​de IA para mitigar alucinações, preconceitos e conteúdo inseguro." Explicação de outras opções: B . O aumento de dados é uma técnica de pré-processamento para aumentar a diversidade de dados, normalmente não usada em estágios de pós-processamento. C. A engenharia de recursos é relevante em ML tradicional, especialmente em tarefas de dados estruturados, normalmente não usadas no pós-processamento de IA generativa. D. O treinamento adversário é uma estratégia de treinamento modelo, não uma abordagem de mitigação pós-processamento. Documentos e guias de estudo de IA/ML da AWS referenciados: Whitepaper sobre práticas de IA responsáveis ​​da AWS Guia do desenvolvedor de IA generativa da AWS Human-in-the-loop e pós-processamento Documentação do Amazon A2I Integrando revisão humana em fluxos de trabalho de ML

Explicação: Explicação abrangente e detalhada de documentos exatos de IA da AWS: Fornecer referências ou citações aumenta a confiança e a transparência ao: Permitir que os usuários verifiquem as informações Demonstrar que as respostas são baseadas em fontes confiáveis ​​Reduzir o risco de alucinação percebido A orientação de IA responsável da AWS enfatiza a atribuição de fonte como uma prática recomendada para aumentar a confiança do usuário no conteúdo gerado por IA. Por que as outras opções estão incorretas: Os rótulos de confiança (A) não verificam a exatidão. Avatares (C) são cosméticos. O estilo de linguagem (D) afeta o tom, não a confiabilidade. Referências de documentos de IA da AWS: Construindo sistemas de IA confiáveis ​​Baseando respostas de IA em documentos de origem Práticas responsáveis ​​de transparência de IA

Explicação: AWS CloudTrail é um serviço que permite governança, conformidade e auditoria operacional e de risco de sua conta da AWS. Ele rastreia chamadas de API e identifica tentativas de acesso não autorizado a recursos da AWS, incluindo o Amazon Bedrock. AWS CloudTrail: fornece logs detalhados de todas as chamadas de API feitas em uma conta da AWS, incluindo aquelas para o Amazon Bedrock. Pode identificar tentativas de acesso não autorizado registrando e monitorando as chamadas de API, o que ajuda a definir políticas e funções de IAM apropriadas. Por que a opção B está correta: Monitoramento e segurança: o CloudTrail registra todas as solicitações de acesso e ajuda a detectar tentativas de acesso não autorizado. Auditoria e Conformidade: Os logs podem ser usados ​​para auditar a atividade do usuário e aplicar medidas de segurança. Por que outras opções estão incorretas: A. AWS Audit Manager: usado para automatizar a preparação de auditoria, não para rastrear tentativas de acesso não autorizado em tempo real. C. Amazon Fraud Detector: projetado para detectar atividades online fraudulentas, e não acesso não autorizado aos serviços da AWS. D. AWS Trusted Advisor: fornece recomendações de práticas recomendadas para recursos da AWS, não para monitoramento de acesso. Assim, B é a resposta correta para identificar usuários não autorizados que tentam acessar o Amazon Bedrock.

Explicação: A empresa precisa resolver a degradação na qualidade da inferência do modelo após 4 meses de produção e prevenir ocorrências futuras recebendo notificações. A reciclagem do modelo pode resolver a degradação atual, provavelmente causada pelo desvio de dados (mudanças na distribuição de dados ao longo do tempo). O Amazon SageMaker Model Monitor foi projetado para detectar e monitorar desvios de modelo, alertando a empresa quando a qualidade da inferência diminui, atendendo assim a ambos os requisitos. Extrato exato dos documentos de IA da AWS: Do guia do desenvolvedor do Amazon SageMaker: "O Amazon SageMaker Model Monitor permite monitorar modelos de aprendizado de máquina em produção quanto a desvios de dados, degradação do desempenho do modelo e outros problemas de qualidade. Ele pode detectar desvios nas distribuições de recursos e qualidade de inferência, enviando notificações quando desvios são detectados, permitindo que você tome ações corretivas, como retreinar o modelo." (Fonte: Guia do desenvolvedor do Amazon SageMaker, Monitoramento de modelos com SageMaker Model Monitor) Opção detalhada A: treinar novamente o modelo. Monitore o desvio do modelo usando o Amazon SageMaker Clarify. O SageMaker Clarify é usado para detecção de tendências e explicabilidade, não para monitorar desvios do modelo ou qualidade de inferência na produção. Esta opção não atende totalmente aos requisitos. Opção B: treinar novamente o modelo. Monitore o desvio do modelo usando o Amazon SageMaker Model Monitor.Esta é a resposta correta. O novo treinamento aborda a degradação atual, e o SageMaker Model Monitor pode detectar desvios futuros na qualidade da inferência, enviando notificações para evitar recorrências, conforme necessário. Opção C: Construir um novo modelo. Monitore o desvio do modelo usando o Amazon SageMaker Feature Store. O SageMaker Feature Store serve para gerenciar e compartilhar recursos, não para monitorar o desvio do modelo ou a qualidade da inferência. A construção de um novo modelo pode não ser necessária se a reciclagem puder resolver o problema. Opção D: Construir um novo modelo. Monitore o desvio do modelo usando o Amazon SageMaker JumpStart. O SageMaker JumpStart fornece modelos e soluções pré-treinados para implantação rápida, mas não oferece ferramentas específicas para monitorar o desvio do modelo ou a qualidade da inferência na produção. Referência: Guia do desenvolvedor do Amazon SageMaker: Monitoramento de modelos com SageMaker Model Monitor (https://docs.aws.amazon.com/sagemaker/latest/dg/model-monitor.html) Caminho de aprendizagem do AWS AI Practitioner: Módulo sobre monitoramento e manutenção de modelos Documentação da AWS: Abordando desvios de modelo na produção (https://aws.amazon.com/sagemaker/)