تسلط بر آزمون AWS Certified AI Practitioner

نکته مهم: در حالی که آزمون‌های عملی رسمی آزمون هنوز منتشر نشده است، ما این آزمون‌های تمرینی را بر اساس همان لحن و سختی‌هایی که در سایر گواهینامه‌های AWS به آن عادت کرده‌ایم ساخته‌ایم. موضوعاتی که مورد آزمایش قرار گرفته‌اند، موضوعاتی هستند که معتقدیم AWS شما را در امتحان آزمایش خواهد کرد. ما البته امتحانات عملی را در آینده تنظیم خواهیم کرد تا تغییراتی را نشان دهد

آماده شدن برای AWS Certified AI Practitioner AIF-C01؟ این دوره امتحانات عملی است که به شما برتری می دهد.

این امتحانات تمرینی توسط اوساما ال برهیچی انجام شده است که تجربه جمعی خود را از گذراندن 18 گواهینامه AWS به میز آورده است.

لحن و تم سوالات امتحان واقعی را تقلید می کند. همراه با توضیحات دقیق و "هشدار امتحان" ارائه شده در توضیحات، ما همچنین به طور گسترده به اسناد AWS ارجاع داده ایم تا شما را با سرعت در تمام حوزه های مورد آزمایش برای آزمون AIF-C01 آشنا کنیم.

ما از شما می خواهیم که این دوره را به عنوان آخرین پیت استاپ در نظر بگیرید تا بتوانید با اطمینان کامل از خط پیروزی عبور کنید و گواهینامه AWS را دریافت کنید! به روند ما اعتماد کنید، شما در دستان خوبی هستید.

همه سوالات از ابتدا نوشته شده اند!

یک امتحان تمرینی گرم‌آپ و دو امتحان تمرینی کامل با کیفیت بالا دریافت خواهید کرد تا برای صدور گواهینامه خود آماده شوید

کیفیت به خودی خود صحبت می کند:

نمونه سوال:

کدامیک از موارد زیر روش‌های سفارشی‌سازی مدل معتبر برای Amazon Bedrock هستند؟ (دو مورد را انتخاب کنید)

1. ادامه پیش تمرین

2. تنظیم دقیق

3. بازیابی نسل افزوده (RAG)

4. درخواست صفر شات

5. درخواست زنجیره‌ای از فکر

حدس شما چیست؟ برای پاسخ به زیر بروید.

درست: 1،2

توضیح:

گزینه های صحیح:

سفارشی‌سازی مدل شامل آموزش بیشتر و تغییر وزن مدل برای افزایش عملکرد آن است. می‌توانید از پیش‌آموزش یا تنظیم دقیق برای سفارشی‌سازی مدل در Amazon Bedrock استفاده کنید.

ادامه پیش آموزش

در ادامه روند پیش‌آموزشی، با آشنایی با انواع خاصی از ورودی‌ها، داده‌های بدون برچسب را برای پیش‌آموزش مدل پایه ارائه می‌دهید. شما می توانید داده هایی از موضوعات خاص ارائه دهید تا یک مدل را در معرض آن مناطق قرار دهید. فرآیند پیش‌آموزشی ادامه‌یافته، پارامترهای مدل را برای تطبیق داده‌های ورودی و بهبود دانش دامنه آن تغییر می‌دهد.

به عنوان مثال، می‌توانید مدلی را با داده‌های خصوصی، مانند اسناد تجاری، که برای آموزش مدل‌های زبان بزرگ در دسترس عموم نیستند، آموزش دهید. علاوه بر این، می‌توانید با آموزش مجدد مدل با داده‌های بدون برچسب بیشتر به محض دردسترس شدن، به بهبود مدل ادامه دهید.

تنظیم دقیق

در حین تنظیم دقیق یک مدل، داده‌های برچسب‌گذاری شده را برای آموزش یک مدل برای بهبود عملکرد در کارهای خاص ارائه می‌کنید. با ارائه یک مجموعه داده آموزشی از نمونه‌های برچسب‌گذاری شده، مدل یاد می‌گیرد که چه نوع خروجی‌هایی را باید برای انواع خاصی از ورودی‌ها ایجاد کند. پارامترهای مدل در فرآیند تنظیم می‌شوند و عملکرد مدل برای وظایف نشان‌داده‌شده توسط مجموعه داده آموزشی بهبود می‌یابد.

گزینه های نادرست:

بازیابی نسل افزوده (RAG)

Retrieval Augmented Generation (RAG) به شما امکان می‌دهد زمانی که می‌خواهید مدل دانش جدید یا اطلاعات به‌روز را در نظر بگیرد، پاسخ‌های مدل را سفارشی کنید. وقتی داده‌های شما به طور مکرر تغییر می‌کند، مانند موجودی یا قیمت، تنظیم دقیق و به‌روزرسانی مدل در حین ارائه درخواست‌های کاربر عملی نیست. برای تجهیز FM به اطلاعات اختصاصی به‌روز، سازمان‌ها به RAG روی می‌آورند، تکنیکی که شامل واکشی داده‌ها از منابع داده‌های شرکت و غنی‌سازی سریع آن داده‌ها برای ارائه پاسخ‌های مرتبط‌تر و دقیق‌تر است. RAG یک روش سفارشی سازی مدل نیست.

درخواست صفر شات

پیش‌گیری زنجیره‌ای از افکار

مهندسی سریع، تمرین طراحی دقیق اعلان‌ها برای بهره‌گیری مؤثر از قابلیت‌های FM است. این شامل استفاده از اعلان‌ها است، که قطعات کوتاهی از متن هستند که مدل را برای ایجاد پاسخ‌های دقیق‌تر و مرتبط‌تر راهنمایی می‌کنند. با مهندسی سریع، می توانید عملکرد FM ها را بهبود بخشید و آنها را برای برنامه های مختلف موثرتر کنید. مهندسی سریع دارای تکنیک‌هایی مانند اعلان صفر و چند شات است که به سرعت FM‌ها را با کارهای جدید تنها با چند مثال تطبیق می‌دهد، و اعلان زنجیره‌ای از فکر، که استدلال پیچیده را به مراحل میانی تقسیم می‌کند.

مهندسی سریع یک روش سفارشی سازی مدل نیست. بنابراین، هر دو گزینه نادرست هستند.

با چندین پیوند مرجع از اسناد AWS