WorksheetsAI quiz 3
Total questions: 21
Worksheet time: 13mins
Una empresa de comercio electrónico quiere construir una solución para determinar los sentimientos de los clientes basados en las reseñas escritas de productos.
Amazon Lex
Amazon Comprehend
Amazon Polly
Amazon Bedrock
Amazon Rekognition
Una empresa quiere utilizar un modelo de lenguaje grande (LLMS) con Amazon Bedrock para desarrollar una interfaz de chat para los manuales de productos de la empresa. Estos manuales están almacenados como archivos PDF.
Usar ingeniería de prompts para agregar un archivo PDF como contexto al prompt del usuario cuando se envía al Amazon Bedrock
Usar ingeniería de prompts para agregar todos los archivos PDF como contexto al prompt del usuario cuando se envía al Amazon Bedrock
Usar todos los documentos PDF para afinar un modelo con Amazon Bedrock. Usar el modelo afinado para procesar los prompts de los usuarios
Subir documentos PDF a una base de conocimientos de Amazon Bedrock. Usar la base de conocimientos para proporcionar contexto cuando los usuarios envían prompts a Amazon Bedrock
Una empresa de redes sociales quiere utilizar un modelo de lenguaje grande (LLM) para la moderación de contenido. La empresa quiere evaluar las salidas del LLM por sesgo y posible discriminación contra grupos o individuos específicos.
Contenido generado por usuarios
Registros de moderación
Directrices de moderación de contenido
Conjuntos de datos de referencia
Una empresa quiere utilizar un modelo de IA generativa preentrenado para generar contenido para sus campañas de marketing. La empresa necesita asegurarse de que el contenido generado esté alineado con la voz y los requisitos de mensajería de la marca de la empresa.
Optimizar la arquitectura y los hiperparámetros del modelo para mejorar el rendimiento general del modelo
Aumentar la complejidad del modelo agregando más capas a la arquitectura del modelo
Crear prompts efectivos que proporcionen instrucciones claras y contexto para guiar la generación del modelo
Seleccionar un conjunto de datos grande y diverso para preentrenar un nuevo modelo generativo
Una empresa de préstamos está construyendo una solución basada en IA generativa para ofrecer descuentos a nuevos solicitantes basados en criterios comerciales específicos. La empresa quiere construir y utilizar un modelo de IA de manera responsable para minimizar el sesgo que podría afectar negativamente a algunos clientes.
Detectar desequilibrios o disparidades en los datos
Asegurarse de que el modelo se ejecute con frecuencia
Evaluar el comportamiento del modelo para que la empresa pueda proporcionar transparencia a las partes interesadas
Usar la técnica Recall Oriented Understudy for Gisting Evaluation (ROUGE) para asegurar que el modelo sea 100% preciso
Asegurarse de que el tiempo de inferencia del modelo esté dentro de los límites aceptados
Una empresa está utilizando un modelo basado en Amazon Bedrock para resumir documentos para un caso de uso interno. La empresa entrenó un modelo personalizado para mejorar la calidad de la resumación.
Comprar capacidad provisionada para el modelo personalizado
Desplegar el modelo personalizado en un punto final de Amazon SageMaker para inferencia en tiempo real
Registrar el modelo en el Registro de Modelos de Amazon SageMaker
Conceder acceso a Amazon Bedrock
Una empresa necesita elegir un modelo de Amazon Bedrock para usar internamente. La empresa debe identificar un modelo que genere respuestas en un estilo que prefieren los empleados de la empresa.
Evaluar los modelos utilizando conjuntos de datos de prompts incorporados
Evaluar los modelos utilizando un trabajo humano primero y conjuntos de datos de prompts personalizados
Usar tablas de clasificación de modelos públicos para identificar el modelo
Usar las métricas de latencia de invocación del modelo en Amazon CloudWatch al probar modelos
Un estudiante en una universidad está copiando contenido de IA generativa para escribir ensayos.
Toxicidad
Alucinaciones
Plagio
Privacidad
Una empresa necesita construir su propio modelo de lenguaje grande (LLM) basado solo en los datos privados de la empresa. La empresa está preocupada por el efecto ambiental del proceso de entrenamiento.
Amazon EC2 C series
Amazon EC2 G series
Amazon EC2 P series
Amazon EC2 Trn series
Una empresa quiere construir una aplicación interactiva para niños que genere nuevas historias basadas en historias clásicas. La empresa quiere usar Amazon Bedrock y necesita asegurarse de que sus resultados sean temas apropiados para niños.
Amazon Rekognition
Amazon Bedrock playgrounds
Guardrails para Amazon Bedrock
Agentes para Amazon Bedrock
Una empresa está construyendo una aplicación que necesita generar datos sintéticos basados en datos existentes.
Una empresa está construyendo una aplicación que necesita generar datos sintéticos basados en datos existentes. ¿Qué tipo de modelo puede usar la empresa para cumplir con este requisito?
Red Generativa Antagónica (GAN)
XGBoost
Red neuronal residual
Wavenet
Una empresa de dispositivos digitales quiere predecir la demanda de hardware de memoria. La empresa no tiene experiencia en codificación ni conocimiento de algoritmos de ML y necesita ayuda para desarrollar un modelo predictivo basado en datos. La empresa necesita realizar análisis sobre datos internos y externos. ¿Qué solución cumplirá con estos requisitos?
Almacenar datos en Amazon S3. Crear modelos de ML y predicciones de demanda utilizando algoritmos integrados de Amazon SageMaker que usan los datos de Amazon S3
Importar los datos en Amazon Sage Maker Data Wrangler. Crear modelos y predicciones de demanda utilizando algoritmos integrados de Sage Maker
Importar los datos en Amazon Sage Maker Data Wrangler. Construir modelos de ML y predicciones de demanda utilizando una receta de Amazon Personalized Trending-Now
Importar los datos en Amazon Sage Maker Canvas. Construir modelos de ML y predicciones de demanda seleccionando los valores en los datos de Sage Maker Canvas
Una empresa ha instalado una cámara de seguridad. La empresa utiliza un modelo de ML para evaluar las grabaciones de la cámara de seguridad en busca de robos potenciales. La empresa ha descubierto que el modelo señala desproporcionadamente a personas que son miembros de un grupo étnico específico. ¿Qué tipo de sesgo está afectando la salida del modelo?
Sesgo de medición
Sesgo de muestreo
Sesgo del observador
Sesgo de confirmación
Una empresa está construyendo un chatbot de servicio al cliente. La empresa quiere que el chatbot mejore sus respuestas aprendiendo de interacciones pasadas y recursos en línea. ¿Qué estrategia de aprendizaje de IA proporciona esta capacidad de auto-mejora?
Aprendizaje supervisado con un conjunto de datos manualmente curado de buenas y malas respuestas
Aprendizaje por refuerzo con recompensa por retroalimentación positiva del cliente
Aprendizaje no supervisado para encontrar grupos de consultas similares de clientes
Aprendizaje supervisado con una base de datos de preguntas frecuentes actualizada continuamente
Un practicante de IA ha construido un modelo de aprendizaje profundo para clasificar los tipos de materiales en imágenes. El practicante de IA ahora quiere medir el rendimiento del modelo. ¿Qué métrica ayudará al practicante de IA a evaluar el rendimiento del modelo?
Matriz de confusión
Matriz de correlación
Puntuación R2
Error cuadrático medio (MSE)
Una empresa ha construido un chatbot que puede responder a preguntas en lenguaje natural con imágenes. La empresa quiere asegurarse de que el chatbot no devuelva imágenes inapropiadas o no deseadas. ¿Qué solución cumplirá con estos requisitos?
Implementar APIs de moderación
Reentrenar el modelo con un conjunto de datos del público general
Realizar validación del modelo
Automatizar la integración de retroalimentación de usuarios
Un practicante de IA está utilizando un modelo base de Amazon Bedrock para resumir chats de sesiones del departamento de servicio al cliente. El practicante de IA quiere almacenar registros de invocación para monitorear los datos de entrada y salida del modelo. ¿Qué estrategia debería usar el practicante de IA?
Configurar AWS Cloud Trail como el destino de registros para el modelo
Habilitar el registro de invocaciones en Amazon Bedrock
Configurar AWS Audit Manager como el destino de registros para el modelo
Configurar el registro de invocaciones del modelo en Amazon Event Bridge
Una empresa está construyendo un modelo de ML para analizar datos archivados. La empresa debe realizar inferencias sobre grandes conjuntos de datos que son de varios GB de tamaño. La empresa no necesita acceder a las predicciones del modelo de inmediato. ¿Qué opción de inferencia de Amazon SageMaker cumplirá con estos requisitos?
Transformación por lotes
Inferencia en tiempo real
Inferencia sin servidor
Inferencia asincrónica
¿Qué término describe la representación numérica de objetos y conceptos del mundo real que los modelos de IA y procesamiento de lenguaje natural (NLP) utilizan para mejorar la comprensión de la información textual?
Embeddings
Tokens
Modelos
Binarios
Una empresa de investigación implementó un chatbot utilizando un modelo base (FM) de Amazon Bedrock. El chatbot busca respuestas a preguntas de una gran base de datos de artículos de investigación. Después de múltiples intentos de ingeniería de prompts, la empresa notó que el FM está funcionando mal debido a los términos científicos complejos en los artículos de investigación. ¿Cómo puede la empresa mejorar el rendimiento del chatbot?
Usar prompting de pocos disparos para definir cómo el FM puede responder a las preguntas
Usar ajuste fino de adaptación de dominio para adaptar el FM a términos científicos complejos
Cambiar los parámetros de inferencia del FM
Limpiar los datos de los artículos de investigación para eliminar términos científicos complejos
