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.

Explicação: O aplicativo móvel para usuários com deficiência visual precisa ouvir a fala do usuário e fornecer respostas de voz, exigindo recursos de conversão de fala em texto (reconhecimento de fala) e de conversão de texto em fala. As redes neurais de aprendizagem profunda são amplamente utilizadas para tarefas de reconhecimento de fala, pois podem processar e transcrever com eficácia a linguagem falada. Os serviços da AWS, como o Amazon Transcribe, que usa aprendizado profundo para reconhecimento de fala, podem atender a esse requisito convertendo a fala do usuário em texto, e o Amazon Polly pode gerar respostas de voz. Extrato exato dos documentos de IA da AWS: Da documentação da AWS no Amazon Transcribe: "O Amazon Transcribe usa redes neurais de aprendizagem profunda para realizar o reconhecimento automático de fala (ASR), convertendo a linguagem falada em texto com alta precisão. Isso é ideal para aplicações que exigem entrada de voz, como recursos de acessibilidade para usuários com deficiência visual." (Fonte: Guia do desenvolvedor do Amazon Transcribe, Introdução ao Amazon Transcribe) Opção detalhada A: Use uma rede neural de aprendizado profundo para realizar o reconhecimento de fala.Esta é a resposta correta. As redes neurais de aprendizagem profunda são a base dos modernos sistemas de reconhecimento de fala, usados ​​em serviços da AWS como o Amazon Transcribe. Eles permitem que o aplicativo ouça e transcreva a fala do usuário, e um serviço como o Amazon Polly pode lidar com respostas de voz, atendendo aos requisitos. Opção B: Construir modelos de ML para procurar padrões em dados numéricos. Esta opção é irrelevante, pois a tarefa envolve processar fala (dados de áudio) e gerar respostas de voz, não analisar padrões de dados numéricos. Opção C: Use o resumo generativo de IA para gerar texto semelhante ao humano. O resumo generativo de IA se concentra em resumir texto, não em processar fala ou gerar respostas de voz. Esta opção não atende ao requisito principal do reconhecimento de fala. Opção D: Construir modelos personalizados para classificação e reconhecimento de imagens. A classificação e o reconhecimento de imagens não estão relacionados ao processamento de fala ou à geração de respostas de voz, tornando esta opção incorreta para um aplicativo focado na interação de áudio. Referência: Guia do desenvolvedor do Amazon Transcribe: Introdução ao Amazon Transcribe (https://docs.aws.amazon.com/transcribe/latest/dg/what-is.html) Guia do desenvolvedor do Amazon Polly: Visão geral da conversão de texto em fala (https://docs.aws.amazon.com/polly/latest/dg/what-is.html) Caminho de aprendizagem do AWS AI Practitioner: Módulo sobre reconhecimento e síntese de fala

Explicação: A resposta correta é B porque o Amazon Bedrock Prompt Management oferece suporte ao uso de ferramentas por meio da configuração de ferramentas, o que permite um prompt para definir ferramentas que podem invocar APIs ou serviços externos. De acordo com a documentação da AWS: "Você pode usar a configuração de ferramentas no Amazon Bedrock para especificar APIs externas que um modelo básico pode chamar durante a inferência. Isso permite que o modelo interaja com serviços externos, como invocar funções, recuperar dados em tempo real ou executar fluxos de trabalho." A configuração das ferramentas permite um prompt para descrever quais funções externas (APIs) estão disponíveis, seus parâmetros e como devem ser invocadas, semelhante à chamada de função ou padrão de uso de ferramenta da OpenAI.

Explanation: Comprehensive and Detailed Explanation From Exact AWS AI documents: Multimodal models are designed to process and reason across multiple data modalities, such as text, images, audio, and video. AWS generative AI guidance defines multimodal use cases as those where: Inputs come from different data types The model combines visual, textual, or audio understanding Outputs are generated based on combined context Why the other options are incorrect: A describes deployment strategy, not multimodality. B describes training scale, not model capability. C is a coding use case, not multimodal processing. AWS AI document references: Multimodal Foundation Models on AWS Generative AI Capabilities and Use Cases Building Multimodal Applications

Explicação: Gráficos de dependência parcial (PDPs) são ferramentas visuais usadas para mostrar a relação entre um recurso (ou conjunto de recursos) nos dados e o resultado previsto de um modelo de aprendizado de máquina. Eles são altamente eficazes para fornecer transparência e explicabilidade do comportamento do modelo às partes interessadas, ilustrando como diferentes variáveis ​​de entrada impactam as previsões do modelo. Opção B (correta): "Gráficos de dependência parcial (PDPs)": Esta é a resposta correta porque os PDPs ajudam a interpretar como as previsões do modelo mudam com valores variados dos recursos de entrada, proporcionando às partes interessadas uma compreensão mais clara do processo de tomada de decisão do modelo. Opção A: "Código para treinamento de modelo" está incorreto porque fornecer o código bruto para treinamento de modelo pode não oferecer transparência ou explicabilidade para partes interessadas não técnicas. Opção C: “Dados de amostra para treinamento” está incorreto, pois os dados de amostra por si só não explicam como o modelo funciona ou seu processo de tomada de decisão. Opção D: "Tabelas de convergência do modelo" está incorreta. Embora as tabelas de convergência possam mostrar o processo de treinamento, elas não fornecem insights sobre como os recursos de entrada afetam as previsões do modelo. Referência para profissionais de IA da AWS: explicabilidade no AWS Machine Learning: a AWS fornece várias ferramentas para explicabilidade do modelo, como o Amazon SageMaker Clarify, que inclui PDPs para ajudar a explicar o impacto de diferentes recursos nas previsões do modelo.

Explanation: The company wants to improve the accuracy of a generative AI application using a foundation model (FM) on Amazon Bedrock in the most cost-effective way. Prompt engineering involves optimizing the input prompts to guide the FM to produce more accurate responses without modifying the model itself. This approach is cost-effective because it does not require additional computational resources or training, unlike fine-tuning or retraining. Exact Extract from AWS AI Documents: From the AWS Bedrock User Guide: "Prompt engineering is a cost-effective technique to improve the performance of foundation models. By crafting precise and context-rich prompts, users can guide the model to generate more accurate and relevant responses without the need for fine-tuning or retraining." (Source: AWS Bedrock User Guide, Prompt Engineering for Foundation Models) Detailed Option A: Fine-tune the FM.Fine-tuning involves retraining the FM on a custom dataset, which requirescomputational resources, time, and cost (e.g., for Amazon Bedrock fine-tuning jobs). It is not the most cost-effective solution. Option B: Retrain the FM.Retraining an FM from scratch is highly resource-intensive and expensive, as it requires large datasets and significant compute power. This is not cost-effective. Option C: Train a new FM.Training a new FM is the most expensive option, as it involves building a model from the ground up, requiring extensive data, compute resources, and expertise. This is not cost-effective. Option D: Use prompt engineering.This is the correct answer. Prompt engineering adjusts the input prompts to improve the FM's responses without incurring additional compute costs, making it the most cost- effective solution for improving accuracy on Amazon Bedrock. Reference: AWS Bedrock User Guide: Prompt Engineering for Foundation Models (https://docs.aws.amazon.com/ bedrock/latest/userguide/prompt-engineering.html) AWS AI Practitioner Learning Path: Module on Generative AI Optimization Amazon Bedrock Developer Guide: Cost Optimization for Generative AI (https://aws.amazon.com/bedrock/)

Explanation: The correct answer is A because Amazon SageMaker Canvas is designed specifically for users with little or no machine learning or programming experience. It provides a visual interface to build ML models by simply uploading data, performing analysis, and generating predictions using a no-code environment. From the AWS documentation: "Amazon SageMaker Canvas enables business analysts and other users to generate accurate ML predictions using a visual, point-and-click interface without writing code or having prior ML experience." This feature allows the user to: Import datasets (e.g., HR data) Automatically explore the data Select the prediction column (e.g., attrition) Train the model Generate and export predictions Explanation of other options: B . SageMaker Clarify is used to detect bias and explain ML predictions but not to build models or make predictions without code. C . SageMaker Model Monitor monitors model quality in production but doesn't build or train models. D . SageMaker Data Wrangler is used for data preprocessing and transformation but still requires some technical configuration. Referenced AWS AI/ML Documents and Study Guides: Amazon SageMaker Canvas Developer Guide AWS Certified Machine Learning Specialty Study Guide AutoML and No-Code Tools Section AWS Machine Learning Blog: "Predict Employee Attrition with SageMaker Canvas"

Explicação: explicação abrangente e detalhada de documentos exatos de IA da AWS: A latência de inferência mede o tempo que um modelo leva para: Receber uma solicitação de entrada Processar a solicitação Retornar uma saída A orientação de desempenho da AWS enfatiza a latência de inferência como uma métrica crítica para aplicativos de IA em tempo real e voltados para o usuário. Por que as outras opções estão incorretas: O tamanho do modelo (A) refere-se ao número de parâmetros. A janela de contexto (C) define a capacidade de comprimento de entrada. O ajuste fino (D) é um processo de customização. Referências de documentos de IA da AWS: Considerações sobre latência de métricas de desempenho do modelo básico para aplicativos de IA Otimizando inferência na AWS

Explanation: Generative AI models are used to create new content based on existing data. One common use case is generating photorealistic images from text descriptions, which is particularly useful in digital marketing, where visual content is key to engaging potential customers. Option B (Correct): "Creating photorealistic images from text descriptions for digital marketing": This is the correct answer because generative AI models, like those offered by Amazon Bedrock, can create images based on text descriptions, making them highly valuable for generating marketing materials. Option A: "Improving network security by using intrusion detection systems" is incorrect because this is a use case for traditional machine learning models, not generative AI. Option C: "Enhancing database performance by using optimized indexing" is incorrect as it is unrelated to generative AI. Option D: "Analyzing financial data to forecast stock market trends" is incorrect because it typically involves predictive modeling rather than generative AI. AWS AI Practitioner Reference: Use Cases for Generative AI Models on AWS: AWS highlights the use of generative AI for creative content generation, including image creation, text generation, and more, which is suited for digital marketing applications.

Explanation: Fine-tuning involves training a pre-trained AI model on a labeled dataset specific to a particular task or domain, adapting it to industry terminology and requirements. This process adjusts the model's parameters to better fit the target use case, such as understanding specialized vocabulary or meeting domain-specific needs. Exact Extract from AWS AI Documents: From the AWS Bedrock User Guide: "Fine-tuning allows you to adapt a pre-trained foundation model to your specific use case by training it on a labeled dataset. This technique is commonly used to customize models forindustry-specific terminology, improving their accuracy for specialized tasks." (Source: AWS Bedrock User Guide, Model Customization) Detailed Option A: Data augmentationData augmentation involves generating synthetic data to expand a training dataset, typically for tasks like image or text generation. It does not specifically adapt models to industry terminology or requirements. Option B: Fine-tuningThis is the correct answer. Fine-tuning trains a pre-trained model on a labeled dataset tailored to the target domain, enabling it to learn industry-specific terminology and requirements, as described in the question. Option C: Model quantizationModel quantization reduces the precision of a model's weights to optimize it for deployment (e.g., on edge devices). It does not involve training on labeled datasets or adapting to industry terminology. Option D: Continuous pre-trainingContinuous pre-training extends the initial training of a model on a large, general dataset. While it can improve general performance, it is not specifically tailored to industry requirements using labeled datasets, unlike fine-tuning. Reference: AWS Bedrock User Guide: Model Customization (https://docs.aws.amazon.com/bedrock/latest/userguide/custom-models.html) AWS AI Practitioner Learning Path: Module on Model Training and Customization Amazon SageMaker Developer Guide: Fine-Tuning Models (https://docs.aws.amazon.com/sagemaker/latest/dg/algos.html)