Simulado AWS Certified AI Practitioner (AIP-C01) – Questões Atualizadas — questões e gabarito

Explicação: A opção B é a solução correta porque usa governança nativa da AWS, controle de acesso e recursos de auditoria para proteger PII e, ao mesmo tempo, permitir acesso FM controlado a subconjuntos de dados autorizados. O AWS Lake Formation foi projetado especificamente para gerenciar permissões detalhadas para data lakes, incluindo controle de acesso em nível de coluna, que é fundamental ao lidar com dados financeiros e PII confidenciais. As LF-Tags permitem que os administradores de dados definam políticas de controle de acesso escalonáveis ​​e baseadas em atributos. Ao marcar bancos de dados, tabelas e colunas com metadados de unidades de negócios e regiões, a empresa pode impor políticas que garantam que o modelo básico acesse apenas conjuntos de dados aprovados com colunas editadas por PII. Isso elimina o risco de vazamento de dados confidenciais nos fluxos de trabalho de inferência de produção. A autenticação baseada em função do IAM garante que o FM acesse os dados usando credenciais com privilégios mínimos. Isso se integra perfeitamente ao Amazon Bedrock, que oferece suporte à autorização baseada em IAM para acesso entre serviços. O AWS CloudTrail fornece logs de auditoria imutáveis ​​para todas as tentativas de acesso, atendendo aos requisitos regulatórios e de conformidade. A opção A introduz duplicação desnecessária de dados e controlos de governação fracos. A opção C depende de uma lógica de aplicação personalizada, aumentando o risco operacional e a complexidade. A opção D ignora os controles refinados do Lake Formation e depende de URLs pré-assinados, o que reduz a visibilidade e o controle da governança. Portanto, a Opção B atende melhor aos requisitos de segurança, conformidade, escalabilidade e auditabilidade ao integrar o Amazon Bedrock a um data lake governado pela Lake Formation.

Explicação: A opção B oferece a menor sobrecarga operacional porque mantém a solução principalmente dentro dos recursos gerenciados do Amazon Bedrock, minimizando o código de orquestração personalizado e a infraestrutura para operação. Os principais requisitos são aterramento de domínio, diluição semântica reduzida para questões complexas e respostas consistentes de baixa latência em alto volume de solicitações. Uma base de conhecimento Bedrock é desenvolvida especificamente para Retrieval Augmented Generation, ingerindo documentos de domínio, fragmentando conteúdo, gerando embeddings e recuperando as passagens mais relevantes em tempo de execução. Isto aborda diretamente a necessidade de fazer referência à terminologia médica específica do domínio a partir de documentos oficiais para reduzir a ambiguidade e melhorar a precisão factual. Reduzir a diluição semântica normalmente requer melhorar a consulta de recuperação para que o recuperador se concentre nos conceitos mais relevantes, especialmente para perguntas longas ou com múltiplas intenções. A ativação da decomposição de consultas permite que o sistema divida uma consulta médica complexa em subconsultas menores e mais direcionadas. Isso aumenta a precisão e a recuperação da recuperação de cada subquestão, o que ajuda o modelo a gerar uma resposta sintetizada mais precisa, baseada no contexto médico recuperado. O Amazon Bedrock Flows fornece uma maneira gerenciada de orquestrar fluxos de trabalho generativos de IA em várias etapas, como pré-processar a entrada, executar a recuperação na base de conhecimento, invocar um modelo básico e formatar a resposta final. Como os fluxos são gerenciados, a empresa evita manter máquinas de estado personalizadas, múltiplas funções Lambda ou lógica de roteamento personalizada. Isso reduz a sobrecarga operacional e ainda oferece suporte à execução observável e repetível. Em comparação com as alternativas, a opção A apresenta um agente mais roteamento do API Gateway e diversas opções de modelo, aumentando a complexidade da configuração e do tempo de execução. A opção C requer hospedagem e dimensionamento de modelos personalizados no SageMaker AI, o que adiciona carga operacional significativa e risco de latência. A opção D depende de diversas funções do Lambda orquestradas por um agente, o que adiciona mais peças móveis e aumenta a inicialização a frio e a sobrecarga de integração. A opção B atende mais diretamente aos requisitos com o menor espaço operacional.

Explicação: A opção B é a solução correta porque está alinhada com as diretrizes da AWS para a criação de aplicativos GenAI de alto rendimento e latência ultrabaixa, mantendo custos previsíveis e escalonamento automático. O Amazon Bedrock fornece acesso a modelos básicos otimizados especificamente para casos de uso de inferência em tempo real, incluindo cargas de trabalho de conversação e estilo recomendação que exigem respostas em milissegundos. Os modelos de baixa latência no Amazon Bedrock são projetados para lidar com taxas de solicitação muito altas com sobrecarga mínima por solicitação. A compra de taxa de transferência provisionada garante que seja reservada capacidade suficiente do modelo para lidar com picos de carga, eliminando inicializações a frio e reduzindo o enfileiramento de solicitações durante picos de tráfego. Isto é fundamental ao suportar até 500.000 chamadas simultâneas com requisitos rígidos de latência. As políticas de escalabilidade automática permitem que o aplicativo ajuste dinamicamente a capacidade com base na demanda, garantindo eficiência de custos fora dos horários de pico e mantendo o desempenho durante o pico de uso. Isto apoia diretamente o requisito de permanecer dentro de um orçamento de computação mensal predefinido. A opção A falha porque o processamento em lote e os modelos de raciocínio complexos introduzem maior latência e não são adequados para sugestões em tempo real. A opção C introduz custos operacionais e custos significativamente maiores devido a instâncias de GPU dedicadas e responsabilidades de escalonamento manual. A opção D é otimizada para cargas de trabalho em lote e não pode atender ao requisito de latência inferior a 200 ms. Portanto, a Opção B oferece o melhor equilíbrio entre desempenho, escalabilidade, controle de custos e simplicidade operacional usando serviços GenAI nativos da AWS.

Explicação: A opção C aborda melhor ambos os problemas principais: recomendações alucinadas que não existem no catálogo e tempos de resposta lentos, ao mesmo tempo que mantém baixa a sobrecarga operacional. A maneira mais direta de evitar que o modelo recomende produtos indisponíveis é basear a geração em dados oficiais do catálogo de produtos no momento da inferência. Uma base de conhecimento do Amazon Bedrock foi projetada para esse padrão, ingerindo dados de domínio, agrupando conteúdo, criando embeddings e recuperando as entradas de catálogo mais relevantes quando um usuário solicita recomendações. A implementação da Geração Aumentada de Recuperação garante que o modelo básico receba apenas contexto aprovado e apoiado por catálogo e possa citar ou basear sua saída nesses itens recuperados. Isto reduz drasticamente a probabilidade de inventar produtos, porque a resposta está condicionada aos registos de catálogo recuperados, em vez de depender da memória paramétrica do modelo. O requisito também observa que a maioria das interações é única. Isso torna o cache de resposta muito menos eficaz, porque há menos prompts repetidos para se beneficiar das saídas armazenadas em cache. Em vez disso, melhorar o caminho de recuperação e invocação do modelo é a melhor otimização. Usar o parâmetro PerformanceConfigLatency definido como otimizado prioriza o comportamento de menor latência para inferência de modelo, ajudando a atender à geração mais rápida de recomendações sem exigir que a empresa construa e opere infraestrutura adicional. As outras opções não resolvem a causa raiz de forma tão confiável. A engenharia imediata e o streaming podem melhorar a latência percebida, mas não garantem recomendações apenas de catálogo porque o modelo ainda pode alucinar itens. Guardrails podem ajudar a detectar ou bloquear certas saídas indesejadas, mas sem uma base de catálogo consistente, eles não garantem que todas as recomendações sejam derivadas dos dados do produto da empresa. Construir uma camada personalizada de validação e cache do OpenSearch aumenta a complexidade operacional, e o cache fica desalinhado com interações predominantemente exclusivas. Tudo bem, depois de comparar a Lista B (arquivo txt) com a Lista A (arquivo Word), identifiquei as questões exclusivas. Estas questões abrangem cenários ou configurações arquitetônicas que não estavam presentes na lista existente. Aqui estão as perguntas exclusivas da Lista B, formatadas conforme solicitado:

Explicação: A opção C é a solução correta porque fornece uma maneira segura, escalonável e compatível com os padrões de expor um servidor MCP a um agente de IA, ao mesmo tempo em que impõe uma forte autorização do usuário. O Model Context Protocol oferece suporte a transportes baseados em HTTP para servidores MCP remotos, tornando o Streamable HTTP a escolha apropriada quando o servidor é hospedado como um serviço gerenciado em vez de um processo local. Hospedar o servidor MCP no AWS Lambda permite escalonamento automático e execução econômica. Ao colocar o Amazon API Gateway na frente da função Lambda, a empresa cria um endpoint HTTP seguro e gerenciado que o agente de IA pode invocar de maneira confiável. Essa arquitetura separa claramente transporte, autenticação e lógica de negócios, o que se alinha às práticas recomendadas sem servidor da AWS. Usar o Amazon Cognito para aplicar o OAuth 2.1 garante que somente usuários autenticados e autorizados possam acessar o servidor MCP. Isso satisfaz os requisitos de segurança e conformidade quando o servidor MCP lida com informações confidenciais do usuário. O Cognito integra-se nativamente ao API Gateway, eliminando a necessidade de lógica de autenticação personalizada e reduzindo a sobrecarga operacional. A opção A não possui controles de autorização no nível do usuário. A Opção B e a Opção D dependem do transporte STDIO, que se destina a processos locais ou fortemente acoplados e não é adequado para arquiteturas distribuídas e sem servidor. A opção D também introduz riscos de segurança ao lidar com credenciais através de variáveis ​​de ambiente. Portanto, a Opção C atende melhor aos requisitos de controle de acesso seguro, escalabilidade e integração correta do MCP em uma arquitetura de agente de IA baseada na AWS.