Questão 3 — Simulado AWS Certified AI Practitioner (AIP-C01) – Questões Atualizadas

Explicação: A opção B é a solução correta porque aborda diretamente os gargalos de taxa de transferência e os requisitos de latência usando recursos nativos de otimização de desempenho do Amazon Bedrock projetados para cargas de trabalho de IA generativas de alto volume e em tempo real. O Amazon Bedrock oferece suporte a perfis de inferência entre regiões, que permitem que os aplicativos roteem de forma transparente solicitações de inferência em várias regiões da AWS. Durante períodos de pico de uso, o tráfego é distribuído automaticamente para regiões com capacidade disponível, reduzindo a limitação, o enfileiramento de solicitações e os riscos de tempo limite. Essa abordagem se alinha às orientações da AWS para a criação de aplicativos GenAI altamente disponíveis e de baixa latência, que devem ser dimensionados de forma elástica entre fronteiras geográficas. O lote de tokens melhora ainda mais a eficiência, combinando diversas solicitações de inferência em uma única invocação de modelo, quando aplicável. A documentação do AWS Generative AI destaca o lote como uma técnica de otimização chave para reduzir a sobrecarga por solicitação, melhorar o rendimento e utilizar melhor a capacidade do modelo. Isto é especialmente eficaz para modelos leves e de baixa latência, como o Claude 3 Haiku, que são projetados para respostas rápidas e altos volumes de solicitações. A opção A não atende ao requisito porque a compra de taxa de transferência provisionada em uma única região cria um gargalo regional e não aborda a disponibilidade multirregional ou picos de tráfego além da capacidade reservada. As novas tentativas aumentam a carga e a latência em vez de resolver a causa raiz. A opção C melhora o dimensionamento da camada de aplicação, mas não resolve os limites de rendimento do lado do modelo. O roteamento round-robin do lado do cliente não tem conhecimento da capacidade do modelo em tempo real e ainda pode enviar tráfego para regiões saturadas. A opção D é inadequada porque a inferência em lote com recuperação assíncrona foi projetada para cargas de trabalho off-line ou não interativas. Ele não pode atender a um requisito estrito de tempo de resposta de 2 segundos para um assistente de IA interativo. Portanto, a Opção B fornece a solução mais eficaz e alinhada à AWS para obter baixa latência, escalabilidade global e alto rendimento durante períodos de pico de uso.