Questão 2 — Amazon AIF-C01 Simulado | AWS Certified AI Practitioner Questões e Respostas

Explicação: A companhia aérea pretende construir um assistente de IA conversacional usando grandes modelos de linguagem (LLMs) e uma base de conhecimento para criar um chatbot baseado em texto com esforço mínimo de desenvolvimento. A geração aumentada de recuperação (RAG) no Amazon Bedrock é uma solução ideal porque combina LLMs com uma base de conhecimento para fornecer respostas precisas e contextualmente relevantes sem exigir treinamento extensivo de modelo ou desenvolvimento personalizado. O RAG recupera informações relevantes de uma base de conhecimento e utiliza um LLM para gerar respostas, simplificando o processo de desenvolvimento. Extrato exato de documentos de IA da AWS: Do Guia do usuário do AWS Bedrock: "A geração aumentada de recuperação (RAG) no Amazon Bedrock permite que os desenvolvedores criem aplicativos de IA conversacionais combinando modelos básicos com bases de conhecimento externas. Essa abordagem minimiza o esforço de desenvolvimento ao aproveitar modelos pré-treinados e integrá-los a fontes de dados, como perguntas frequentes ou bancos de dados, para fornecer respostas precisas e contextualmente relevantes." (Fonte: Guia do usuário do AWS Bedrock, Retrieval Augmented Generation) Opção detalhada A: treinar modelos no Amazon SageMaker Autopilot. O SageMaker Autopilot foi projetado para tarefas de aprendizado de máquina automatizado (AutoML), como classificação ou regressão, não para construir IA conversacional com LLMs e bases de conhecimento. Requer uma preparação significativa de dados e não está otimizado para o desenvolvimento de chatbot, tornando-o menos adequado. Opção B: desenvolver um agente de geração aumentada de recuperação (RAG) usando o Amazon Bedrock.Esta é a resposta correta. O RAG no Amazon Bedrock permite que a empresa use LLMs pré-treinados e integre-os a uma base de conhecimento (por exemplo, horários de voos ou perguntas frequentes) para construir um chatbot com esforço mínimo. Evita a necessidade de treinamento ou codificação extensivos, alinhando-se com o requisito de menor esforço de desenvolvimento. Opção C: Crie um aplicativo Python usando o Amazon Q Developer. Embora o Amazon Q Developer possa ajudar na geração de código, construir um chatbot do zero em Python requer um esforço de desenvolvimento significativo, incluindo a integração manual de LLMs e uma base de conhecimento, o que é mais complexo do que usar RAG no Bedrock. Opção D: ajustar modelos no Amazon SageMaker Jumpstart.O ajuste fino de modelos no SageMaker Jumpstart requer a preparação de dados de treinamento e a personalização de LLMs, o que envolve mais esforço do que usar uma solução RAG pré-construída no Bedrock. Esta opção não exige menos esforço. Referência: Guia do usuário do AWS Bedrock: Geração aumentada de recuperação (https://docs.aws.amazon.com/bedrock/latest/userguide/rag.html) Caminho de aprendizagem do AWS AI Practitioner: Módulo sobre IA generativa e IA de conversação Guia do desenvolvedor do Amazon Bedrock: Construindo IA de conversação (https://aws.amazon.com/bedrock/)