Questão 1 — Simulado AWS Certified AI Practitioner (AIP-C01) – Questões Atualizadas
Uma empresa oferece um serviço que ajuda usuários de todo o mundo a descobrir novos restaurantes. O serviço conta com 50 milhões de usuários ativos mensais. A empresa quer implementar uma solução de busca semântica em um banco de dados que contém 20 milhões de restaurantes e 200 milhões de avaliações. A empresa atualmente armazena os dados em PostgreSQL. A solução deve suportar consultas complexas em linguagem natural e retornar resultados para pelo menos 95% das consultas em 500 ms. A solução deve manter a atualização dos dados dos detalhes do restaurante que são atualizados de hora em hora. A solução também deve ser dimensionada de maneira econômica durante períodos de pico de uso. Qual solução atenderá a esses requisitos com o MENOS esforço de desenvolvimento?
- A. Migre os dados do restaurante para o Amazon OpenSearch Service. Implemente regras de pesquisa baseadas em palavras-chave que usam analisadores personalizados e ajuste de relevância para encontrar restaurantes com base em atributos como tipo de culinária, características e localização. Crie endpoints de API HTTP do Amazon API Gateway para transformar consultas de usuários em parâmetros de pesquisa estruturados.
- B. Migre os dados do restaurante para o Amazon OpenSearch Service. Use um modelo básico (FM) no Amazon Bedrock para gerar incorporações de vetores a partir de descrições de restaurantes, avaliações e itens de menu. Quando os usuários enviam consultas em linguagem natural, converta as consultas em incorporações usando o mesmo FM. Execute pesquisas de k-vizinhos mais próximos (k-NN) para encontrar resultados semanticamente semelhantes.
- C. Mantenha os dados do restaurante no PostgreSQL e implemente uma extensão pgvector. Use um modelo básico (FM) no Amazon Bedrock para gerar incorporações vetoriais a partir de dados de restaurantes. Armazene os embeddings vetoriais diretamente no PostgreSQL. Crie uma função AWS Lambda para converter consultas de linguagem natural em representações vetoriais usando o mesmo FM. Configure a função Lambda para realizar pesquisas de similaridade no banco de dados.
- D. Migre dados de restaurantes para uma base de conhecimento do Amazon Bedrock usando um pipeline de ingestão personalizado. Configure a base de conhecimento para gerar incorporações automaticamente a partir de informações de restaurantes. Use a API Amazon Bedrock Retrieve com recursos integrados de pesquisa vetorial para consultar diretamente a base de conhecimento usando entrada de linguagem natural.
Resposta correta:
B
Explicação
Explicação: A opção B satisfaz melhor os requisitos e, ao mesmo tempo, minimiza o esforço de desenvolvimento, combinando recursos de pesquisa semântica gerenciada com modelos básicos totalmente gerenciados. A orientação do AWS Generative AI descreve a pesquisa semântica como um padrão de recuperação baseado em vetor, onde documentos e consultas do usuário são incorporados em um espaço vetorial compartilhado. A pesquisa por similaridade (como k-vizinhos mais próximos) recupera resultados com base no significado, em vez de palavras-chave exatas. O Amazon OpenSearch Service oferece suporte nativo à indexação vetorial e à pesquisa k-NN em escala. Isso o torna adequado para grandes conjuntos de dados, como 20 milhões de restaurantes e 200 milhões de avaliações, ao mesmo tempo em que atinge latência inferior a um segundo para a maioria das consultas. Como o OpenSearch é um serviço distribuído e gerenciado, ele é dimensionado automaticamente durante períodos de pico de tráfego e fornece desempenho econômico em comparação com a construção e o ajuste de pipelines de pesquisa vetorial personalizados em bancos de dados relacionais. Usar o Amazon Bedrock para gerar embeddings reduz significativamente a complexidade do desenvolvimento. A AWS gerencia os modelos básicos, elimina a necessidade de hospedagem de modelos personalizados e garante consistência usando o mesmo FM para incorporações de documentos e de consultas. Isso se alinha diretamente às arquiteturas de pesquisa semântica recomendadas pela AWS e elimina a necessidade de gerenciamento do ciclo de vida do modelo. As atualizações de hora em hora nos dados do restaurante podem ser tratadas de forma eficiente por meio da reindexação incremental no OpenSearch sem interromper o desempenho da consulta. Essa abordagem separa claramente o armazenamento de dados transacionais das cargas de trabalho de pesquisa, o que é uma prática recomendada em arquiteturas AWS. A opção A não atende ao requisito de pesquisa semântica porque a pesquisa baseada em palavras-chave não pode interpretar de forma confiável a intenção complexa da linguagem natural. A opção C introduz riscos de escalabilidade e desempenho ao executar pesquisas de similaridade vetorial em grande escala no PostgreSQL, o que aumenta a complexidade operacional. A opção D adiciona camadas desnecessárias de ingestão e abstração destinadas à geração aumentada de recuperação, e não à pesquisa semântica de alto rendimento. Portanto, a Opção B oferece o equilíbrio ideal entre desempenho, escalabilidade, atualização de dados e esforço mínimo de desenvolvimento usando os serviços de IA generativa da AWS.
Quer todas as 119 questões por R$ 198,00?