Font size
WorksheetsAI quiz 4
Total questions: 21
Worksheet time: 11mins
Una empresa quiere utilizar un modelo de lenguaje grande (LLM) en Amazon Bedrock para análisis de sentimientos. La empresa necesita que el LLM produzca respuestas más consistentes al mismo aviso de entrada. ¿Qué ajuste a un parámetro de inferencia debería hacer la empresa para cumplir con estos requisitos?
Disminuir el valor de temperatura
Aumentar el valor de temperatura
Disminuir la longitud de los tokens de salida
Aumentar la longitud máxima de generación
Una empresa quiere desarrollar una aplicación de modelo de lenguaje grande (LLM) utilizando Amazon Bedrock y datos de clientes que se cargan en Amazon S3. La política de seguridad de la empresa establece que cada equipo puede acceder a los datos solo de los clientes de su propio equipo. ¿Qué solución cumplirá con estos requisitos?
Crear un rol de servicio personalizado de Amazon Bedrock para cada equipo que tenga acceso solo a los datos del cliente del equipo
Crear un rol de servicio personalizado que tenga acceso a Amazon S3. Pedir a los equipos que especifiquen el nombre del cliente en cada solicitud de Amazon Bedrock
Redactar datos personales en Amazon S3. Actualizar la política del bucket de S3 para permitir el acceso del equipo a los datos del cliente
Crear un rol de Amazon Bedrock que tenga acceso completo a Amazon S3. Crear roles de IAM para cada equipo que tengan acceso solo a las carpetas de clientes de cada equipo
Una empresa médica desplegó un modelo de detección de enfermedades en Amazon Bedrock. Para cumplir con las políticas de privacidad, la empresa quiere evitar que el modelo incluya información personal del paciente en sus respuestas. La empresa también quiere recibir notificaciones cuando ocurran violaciones de políticas. ¿Qué solución cumple con estos requisitos?
Usar Amazon Macie para escanear la salida del modelo en busca de datos sensibles y configurar alertas para posibles violaciones
Configurar AWS Cloud Trail para monitorear las respuestas del modelo y crear alertas para cualquier información personal detectada
Usar Guardrails para Amazon Bedrock para filtrar contenido. Configurar alarmas de Amazon Cloud Watch para notificación de violaciones de políticas
Implementar Amazon SageMaker Model Monitor para detectar deriva de datos y recibir alertas cuando la calidad del modelo se degrade
Una empresa revisa manualmente todos los currículos enviados en formato PDF. A medida que la empresa crece, espera que el volumen de currículos supere la capacidad de revisión de la empresa. La empresa necesita un sistema automatizado para convertir los currículos PDF en formato de texto plano para un procesamiento adicional. ¿Qué servicio de AWS cumple con este requisito?
Amazon Textract
Amazon Personalize
Amazon Lex
Amazon Transcribe
Un proveedor de educación está construyendo una aplicación de preguntas y respuestas que utiliza un modelo de IA generativa para explicar conceptos complejos. El proveedor de educación quiere cambiar automáticamente el estilo de la respuesta del modelo dependiendo de quién esté haciendo la pregunta. El proveedor de educación le dará al modelo el rango de edad del usuario que ha hecho la pregunta. ¿Qué solución cumple con estos requisitos con el MENOR esfuerzo de implementación?
Ajustar el modelo utilizando datos de entrenamiento adicionales que sean representativos de los diversos rangos de edad que la aplicación admitirá
Agregar una descripción de rol al contexto del aviso que instruya al modelo sobre el rango de edad que debe tener la respuesta
Usar razonamiento de cadena de pensamiento para deducir el estilo y la complejidad correctos para una respuesta adecuada para ese usuario
Resumir el texto de la respuesta dependiendo de la edad del usuario para que los usuarios más jóvenes reciban respuestas más cortas
¿Qué estrategia evalúa la precisión de un modelo de fundación (FM) que se utiliza en una tarea de clasificación de imágenes?
Calcular el costo total de los recursos utilizados por el modelo
Medir la precisión del modelo contra un conjunto de datos de referencia predefinido
Contar el número de capas en la red neuronal
Evaluar la precisión del color de las imágenes procesadas por el modelo
Una firma de contabilidad quiere implementar un modelo de lenguaje grande (LLM) para automatizar el procesamiento de documentos. La firma debe proceder de manera responsable para evitar daños potenciales. ¿Qué debería hacer la firma al desarrollar y desplegar el LLM? (elija dos)
Incluir métricas de equidad para la evaluación del modelo
Ajustar el parámetro de temperatura del modelo
Modificar los datos de entrenamiento para mitigar sesgos
Evitar el sobreajuste en los datos de entrenamiento
Aplicar técnicas de ingeniería de aviso
Una empresa está construyendo un modelo de ML. La empresa recopiló nuevos datos y analizó los datos creando una matriz de correlación, calculando estadísticas y visualizando los datos. ¿En qué etapa del pipeline de ML se encuentra actualmente la empresa?
Preprocesamiento de datos
Ingeniería de características
Análisis exploratorio de datos
Ajuste de hiperparámetros
Una empresa tiene documentos que les faltan algunas palabras debido a un error en la base de datos. La empresa quiere construir un modelo de ML que pueda sugerir palabras potenciales para llenar el texto faltante. ¿Qué tipo de modelo cumple con estos requisitos?
Modelado de temas
Modelos de agrupamiento
Modelos de ML prescriptivos
Modelos basados en BERT
Una empresa quiere mostrar las ventas totales de sus productos más vendidos en varias ubicaciones minoristas en los últimos 12 meses. ¿Qué solución de AWS debería usar la empresa para automatizar la generación de gráficos?
Amazon Q en Amazon EC2
Amazon Q Developer
Amazon Q en Amazon QuickS
¿Qué solución de AWS debería usar la empresa para automatizar la generación de gráficos?
Amazon Q en Amazon EC2
Amazon Q Developer
Amazon Q en Amazon QuickSight
Amazon Q en AWS chatbot
Una empresa está construyendo un chatbot para mejorar la experiencia del usuario. La empresa está utilizando un modelo de lenguaje grande (LLM) de Amazon Bedrock para la detección de intenciones. La empresa quiere usar el aprendizaje de pocos ejemplos para mejorar la precisión de la detección de intenciones. ¿Qué datos adicionales necesita la empresa para cumplir con estos requisitos?
Pares de respuestas del chatbot y las intenciones correctas del usuario
Pares de mensajes de usuario y respuestas correctas del chatbot
Pares de mensajes de usuario y las intenciones correctas del usuario
Pares de intenciones de usuario y respuestas correctas del chatbot
Una empresa está utilizando el aprendizaje de pocos ejemplos en un modelo base que está alojado en Amazon Bedrock. El modelo actualmente utiliza 10 ejemplos en el aviso. El modelo se invoca una vez al día y está funcionando bien. La empresa quiere reducir el costo mensual. ¿Qué solución cumplirá con estos requisitos?
Personalizar el modelo utilizando ajuste fino
Disminuir el número de tokens en el aviso
Aumentar el número de tokens en el aviso
Usar rendimiento provisionado
Un practicante de IA está utilizando un modelo de lenguaje grande (LLM) para crear contenido para campañas de marketing. El contenido generado suena plausible y fáctico, pero es incorrecto. ¿Qué problema tiene el LLM?
Filtración de datos
Alucinación
Sobreajuste
Subajuste
Un practicante de IA entrenó un modelo personalizado en Amazon Bedrock utilizando un conjunto de datos de entrenamiento que contiene datos confidenciales. El practicante de IA quiere asegurarse de que no genere respuestas de inferencia basadas en datos confidenciales. ¿Cómo debería el practicante de IA prevenir respuestas basadas en datos confidenciales?
Eliminar el modelo personalizado. Para eliminar los datos confidenciales del conjunto de datos de entrenamiento. Volver a entrenar el modelo personalizado
Enmascarar los datos confidenciales en las respuestas de inferencia utilizando enmascaramiento de datos dinámico.
Cifrar los datos confidenciales en la respuesta de inferencia utilizando Amazon SageMaker.
Cifrar los datos confidenciales en el modelo personalizado utilizando el servicio de gestión de claves de AWS (AWS KMS)
Una empresa ha construido una solución utilizando IA generativa. La solución utiliza modelos de lenguaje grande (LLM) para traducir manuales de capacitación del inglés a otros idiomas. La empresa quiere evaluar la precisión de la solución examinando el texto generado para los manuales. ¿Qué estrategia de evaluación de modelos cumple con estos requisitos?
Evaluación bilingüe bajo estudio (BLEU)
Error cuadrático medio (RMA)
Evaluación orientada a la recuperación para la evaluación de gisting (ROUGE)
Puntuación F1
Un gran minorista recibe miles de consultas de soporte al cliente sobre productos todos los días. Las consultas de soporte al cliente necesitan ser procesadas y respondidas rápidamente. La empresa quiere implementar agentes para Amazon Bedrock. ¿Cuáles son los beneficios clave de usar agentes de Amazon Bedrock que podrían ayudar a este minorista?
Generación de modelo de fundación personalizado (FMS) para predecir las necesidades del cliente
Automatización de tareas repetitivas y orquestación de flujos de trabajo complejos
Llamar automáticamente a múltiples modelos de fundación (FMS) y consolidar sus resultados
Seleccionar el modelo de fundación (FM) basado en criterios y métricas predefinidos
¿Qué opción es un beneficio del preentrenamiento continuo al ajustar un modelo de fundación (FM)?
Ayuda a disminuir la complejidad del modelo
Mejora el rendimiento del modelo con el tiempo
Disminuye el tiempo de entrenamiento requerido
Optimiza el tiempo de inferencia del modelo
¿Qué son los tokens en el contexto de los modelos de IA generativa?
Los tokens son las unidades básicas de entrada y salida en las que opera el modelo de IA generativa, representando palabras, subpalabras u otras unidades lingüísticas
Los tokens son la representación matemática de palabras o conceptos utilizados en modelos de IA generativa
Los tokens son los pesos preentrenados de un modelo generativo que se ajustan para una tarea específica
Los tokens son los avisos o instrucciones específicas dadas a un modelo de IA generativa para generar salida
Una empresa quiere evaluar los costos asociados con el uso de un modelo de lenguaje grande (LLM) para generar inferencias. La empresa quiere usar Amazon Bedrock para construir una aplicación de IA generativa. ¿Qué factor impulsará el costo de inferencia?
Número de tokens consumidos
Valor de temperatura
Cantidad de datos utilizados para entrenar el LLM
Tiempo total de entrenamiento
Una empresa está utilizando cuadernos de Amazon SageMaker Studio para construir y entrenar modelos de ML. La empresa almacena los datos en un bucket de Amazon S3. La empresa necesita gestionar el flujo de datos desde Amazon S3 a los cuadernos de SageMaker Studio. ¿Qué solución cumplirá con este requisito?
Usar Amazon Inspector para monitorear SageMaker Studio
Usar Amazon Macie para monitorear SageMaker Studio
Configurar SageMaker para usar una VPC con un punto final de S3
Configurar SageMaker para usar S3 Glacier Deep Archive
