Questão 21 — Amazon AIF-C01 Simulado | AWS Certified AI Practitioner Questões e Respostas

Explicação: A aprendizagem não supervisionada é a metodologia correta para classificar clientes em níveis quando os dados não estão rotulados, pois não requer rótulos ou resultados predefinidos. Aprendizado não supervisionado: Este tipo de aprendizado de máquina é utilizado quando os dados não possuem rótulos ou categorias pré-definidas. O objetivo é identificar padrões, clusters ou associações nos dados. Nesse caso, a empresa possui petabytes de dados de clientes não rotulados e precisa classificá-los em diferentes níveis. Técnicas de aprendizagem não supervisionadas como clustering (por exemplo, K-Means, cluster hierárquico) podem agrupar clientes semelhantes com base em vários atributos sem qualquer conhecimento prévio ou rótulos. Por que a opção B está correta: Tratamento de dados não rotulados: O aprendizado não supervisionado é projetado especificamente para trabalhar com dados não rotulados, tornando-o ideal para a necessidade da empresa de classificar dados de clientes. Segmentação de clientes: técnicas de aprendizagem não supervisionada podem ser usadas para encontrar agrupamentos naturais nos dados dos clientes, como identificar clientes de alto valor versus clientes de baixo valor ou segmentar com base no comportamento de compra. Por que outras opções estão incorretas: A. Aprendizagem supervisionada: Requer dados rotulados com pares de entrada-saída para treinar o modelo, o que não é adequado, pois os dados da empresa não são rotulados. C. Aprendizagem por reforço: concentra-se em treinar um agente para tomar decisões maximizando alguma noção de recompensa cumulativa, o que não se alinha com a necessidade da empresa de classificação de clientes. D. Aprendizagem por reforço com feedback humano (RLHF): semelhante à aprendizagem por reforço, mas envolve feedback humano para refinar o comportamento do modelo; também não é apropriado para classificar dados de clientes não rotulados.