Questão 9 — Simulado AWS Certified AI Practitioner (AIP-C01) – Questões Atualizadas
Um aplicativo empresarial usa um modelo de base Amazon Bedrock (FM) para processar e analisar de 50 a 200 páginas de documentos técnicos. Os usuários estão enfrentando respostas inconsistentes e recebendo resultados truncados ao processar documentos que excedem os limites da janela de contexto do FM. Qual solução resolverá esse problema?
- A. Configure o chunking de tamanho fixo em 4.000 tokens para cada chunk com 20% de sobreposição. Use a lógica no nível do aplicativo para vincular vários pedaços sequencialmente até que a janela de contexto máxima do FM de 200.000 tokens seja atingida antes de fazer chamadas de inferência.
- B. Use pedaços hierárquicos com pedaços pai de 8.000 tokens e pedaços filhos de 2.000 tokens. Use a recuperação integrada da base de conhecimento do Amazon Bedrock para selecionar automaticamente blocos pai relevantes com base no contexto da consulta. Configure tokens de sobreposição para manter a continuidade semântica.
- C. Use a fragmentação semântica com um limite percentual de ponto de interrupção de 95% e um tamanho de buffer de 3 sentenças. Use a API RetrieveAndGenerate para selecionar dinamicamente os pedaços mais relevantes com base na incorporação de pontuações de similaridade.
- D. Crie uma função AWS Lambda de pré-processamento que analise a contagem de tokens de documentos usando o tokenizer do FM. Configure a função Lambda para dividir documentos em segmentos iguais que caibam em 80% da janela de contexto. Configure a função Lambda para processar cada segmento de forma independente antes de agregar os resultados.
Resposta correta:
C
Explicação
Explicação: A opção C aborda diretamente a causa raiz de respostas truncadas e inconsistentes usando fragmentação semântica e recuperação dinâmica recomendadas pela AWS, em vez de processamento de fragmentos estático ou sequencial. A documentação do Amazon Bedrock enfatiza que os modelos básicos têm janelas de contexto fixas e que o envio de entradas superdimensionadas ou mal estruturadas pode levar ao truncamento, à perda de contexto e à degradação da qualidade da saída. A fragmentação semântica quebra documentos com base no significado, em vez de contagens fixas de tokens. Ao usar um limite percentual de ponto de interrupção e buffers de frase, o conteúdo permanece coerente e semanticamente completo. Essa abordagem reduz a probabilidade de conceitos importantes serem divididos em partes, o que é uma causa comum de resultados de resumo inconsistentes. A API RetrieveAndGenerate foi projetada especificamente para lidar com documentos grandes que excedem a janela de contexto de um modelo. Em vez de forçar todo o conteúdo em uma única chamada de inferência, a API gera incorporações para blocos e seleciona dinamicamente apenas os blocos mais relevantes com base na semelhança com a consulta do usuário. Isso garante que o FM receba apenas contexto de alto valor enquanto permanece dentro dos limites da janela de contexto. A opção A é ineficaz porque encadear blocos sequencialmente não se alinha com a forma como os FMs processam o contexto e corre o risco de exceder os limites do contexto ou introduzir informações irrelevantes. A opção B melhora a estrutura, mas ainda depende de blocos principais maiores, o que pode levar a ineficiências no processamento de documentos muito grandes. A opção D processa segmentos de forma independente, o que muitas vezes causa perda de contexto global e resumos inconsistentes. Portanto, a Opção C é a solução mais robusta e alinhada à AWS para resolver problemas de truncamento e consistência ao processar grandes documentos técnicos com o Amazon Bedrock.
Quer todas as 119 questões por R$ 198,00?