Questão 14 — Simulado AWS Certified AI Practitioner (AIP-C01) – Questões Atualizadas

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: