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

Explanation: Option B is the correct solution because it uses native AWS governance, access control, and auditing capabilities to protect PII while enabling controlled FM access to authorized data subsets. AWS Lake Formation is designed specifically to manage fine-grained permissions for data lakes, including column- level access control, which is critical when handling sensitive financial and PII data. LF-Tags allow data administrators to define scalable, attribute-based access control policies. By tagging databases, tables, and columns with business unit and Region metadata, the company can enforce policies that ensure the foundation model only accesses approved datasets with PII-redacted columns. This eliminates the risk of sensitive data leaking into production inference workflows. IAM role-based authentication ensures that the FM accesses data using least-privilege credentials. This integrates cleanly with Amazon Bedrock, which supports IAM-based authorization for service-to- service access. AWS CloudTrail provides immutable audit logs for all access attempts, satisfying compliance and regulatory requirements. Option A introduces unnecessary data duplication and weak governance controls. Option C relies on custom application logic, increasing operational risk and complexity. Option D bypasses Lake Formation's fine-grained controls and relies on presigned URLs, which reduces governance visibility and control. Therefore, Option B best meets the requirements for security, compliance, scalability, and auditability when integrating Amazon Bedrock with a Lake Formationgoverned data lake.

Explicação: A opção B oferece a menor sobrecarga operacional porque mantém a solução principalmente dentro dos recursos gerenciados do Amazon Bedrock, minimizando o código de orquestração personalizado e a infraestrutura para operação. Os principais requisitos são aterramento de domínio, diluição semântica reduzida para questões complexas e respostas consistentes de baixa latência em alto volume de solicitações. Uma base de conhecimento Bedrock é desenvolvida especificamente para Retrieval Augmented Generation, ingerindo documentos de domínio, fragmentando conteúdo, gerando embeddings e recuperando as passagens mais relevantes em tempo de execução. Isto aborda diretamente a necessidade de fazer referência à terminologia médica específica do domínio a partir de documentos oficiais para reduzir a ambiguidade e melhorar a precisão factual. Reduzir a diluição semântica normalmente requer melhorar a consulta de recuperação para que o recuperador se concentre nos conceitos mais relevantes, especialmente para perguntas longas ou com múltiplas intenções. A ativação da decomposição de consultas permite que o sistema divida uma consulta médica complexa em subconsultas menores e mais direcionadas. Isso aumenta a precisão e a recuperação da recuperação de cada subquestão, o que ajuda o modelo a gerar uma resposta sintetizada mais precisa, baseada no contexto médico recuperado. O Amazon Bedrock Flows fornece uma maneira gerenciada de orquestrar fluxos de trabalho generativos de IA em várias etapas, como pré-processar a entrada, executar a recuperação na base de conhecimento, invocar um modelo básico e formatar a resposta final. Como os fluxos são gerenciados, a empresa evita manter máquinas de estado personalizadas, múltiplas funções Lambda ou lógica de roteamento personalizada. Isso reduz a sobrecarga operacional e ainda oferece suporte à execução observável e repetível. Em comparação com as alternativas, a opção A apresenta um agente mais roteamento do API Gateway e diversas opções de modelo, aumentando a complexidade da configuração e do tempo de execução. A opção C requer hospedagem e dimensionamento de modelos personalizados no SageMaker AI, o que adiciona carga operacional significativa e risco de latência. A opção D depende de diversas funções do Lambda orquestradas por um agente, o que adiciona mais peças móveis e aumenta a inicialização a frio e a sobrecarga de integração. A opção B atende mais diretamente aos requisitos com o menor espaço operacional.

Explicação: A opção B é a solução correta porque está alinhada com as diretrizes da AWS para a criação de aplicativos GenAI de alto rendimento e latência ultrabaixa, mantendo custos previsíveis e escalonamento automático. O Amazon Bedrock fornece acesso a modelos básicos otimizados especificamente para casos de uso de inferência em tempo real, incluindo cargas de trabalho de conversação e estilo recomendação que exigem respostas em milissegundos. Os modelos de baixa latência no Amazon Bedrock são projetados para lidar com taxas de solicitação muito altas com sobrecarga mínima por solicitação. A compra de taxa de transferência provisionada garante que seja reservada capacidade suficiente do modelo para lidar com picos de carga, eliminando inicializações a frio e reduzindo o enfileiramento de solicitações durante picos de tráfego. Isto é fundamental ao suportar até 500.000 chamadas simultâneas com requisitos rígidos de latência. As políticas de escalabilidade automática permitem que o aplicativo ajuste dinamicamente a capacidade com base na demanda, garantindo eficiência de custos fora dos horários de pico e mantendo o desempenho durante o pico de uso. Isto apoia diretamente o requisito de permanecer dentro de um orçamento de computação mensal predefinido. A opção A falha porque o processamento em lote e os modelos de raciocínio complexos introduzem maior latência e não são adequados para sugestões em tempo real. A opção C introduz custos operacionais e custos significativamente maiores devido a instâncias de GPU dedicadas e responsabilidades de escalonamento manual. A opção D é otimizada para cargas de trabalho em lote e não pode atender ao requisito de latência inferior a 200 ms. Portanto, a Opção B oferece o melhor equilíbrio entre desempenho, escalabilidade, controle de custos e simplicidade operacional usando serviços GenAI nativos da AWS.

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:

Explicação: A opção C é a solução correta porque fornece uma maneira segura, escalonável e compatível com os padrões de expor um servidor MCP a um agente de IA, ao mesmo tempo em que impõe uma forte autorização do usuário. O Model Context Protocol oferece suporte a transportes baseados em HTTP para servidores MCP remotos, tornando o Streamable HTTP a escolha apropriada quando o servidor é hospedado como um serviço gerenciado em vez de um processo local. Hospedar o servidor MCP no AWS Lambda permite escalonamento automático e execução econômica. Ao colocar o Amazon API Gateway na frente da função Lambda, a empresa cria um endpoint HTTP seguro e gerenciado que o agente de IA pode invocar de maneira confiável. Essa arquitetura separa claramente transporte, autenticação e lógica de negócios, o que se alinha às práticas recomendadas sem servidor da AWS. Usar o Amazon Cognito para aplicar o OAuth 2.1 garante que somente usuários autenticados e autorizados possam acessar o servidor MCP. Isso satisfaz os requisitos de segurança e conformidade quando o servidor MCP lida com informações confidenciais do usuário. O Cognito integra-se nativamente ao API Gateway, eliminando a necessidade de lógica de autenticação personalizada e reduzindo a sobrecarga operacional. A opção A não possui controles de autorização no nível do usuário. A Opção B e a Opção D dependem do transporte STDIO, que se destina a processos locais ou fortemente acoplados e não é adequado para arquiteturas distribuídas e sem servidor. A opção D também introduz riscos de segurança ao lidar com credenciais através de variáveis ​​de ambiente. Portanto, a Opção C atende melhor aos requisitos de controle de acesso seguro, escalabilidade e integração correta do MCP em uma arquitetura de agente de IA baseada na AWS.