AIF-C01 题库 · 最新 50 题免费预览（第 4/5 页）
AIF-C01（AWS Certified AI Practitioner (AIF-C01)）最新题库第 31–40 题，共 5 页 50 题，含答案与中英解析，无需登录。点此进入在线题库练习全部 435 题。
第 31 题 · 题号 416 · 单选
一位AI从业者正在开发一个推荐系统。该AI从业者希望记录业务问题、数据假设、训练注意事项和使用风险。公司必须遵循透明度和治理方面的指导原则。哪种Amazon SageMaker AI功能可以满足这些要求？
- A. 模型注册表
- B. 模型卡片
- C. 模型监控器
- D. 模型仪表板
答案: B
解析: Amazon SageMaker Model Cards 是专门设计用于记录和追踪机器学习模型信息的工具，包括业务问题、数据假设、训练注意事项以及预期用途和风险。它们提供了一种标准化的方式来记录模型信息，以满足透明度和治理的需求，这与问题中的要求完全相符。
第 32 题 · 题号 417 · 单选
一位人工智能从业者希望使用检索增强生成（RAG）架构。然而，公司领导认为 RAG 会使架构过于复杂。哪种回应会支持这位人工智能从业者使用 RAG 的建议？
- A. RAG 提升了大语言模型（LLM）的推理时间。
- B. RAG提升了模型训练速度。
- C. 检索增强生成（RAG）能够减少幻觉现象。
- D. RAG 降低了开发控制。
答案: C
解析: RAG（检索增强生成）通过将响应基于从知识库中检索到的真实信息，能够减少大语言模型输出中的幻觉（即虚假或不准确的内容）。这解决了LLM生成不准确或虚构信息的主要问题，因此是支持采用RAG架构的有力论据。
第 33 题 · 题号 418 · 单选
一家公司计划使用数据集来训练一个新的AI模型。在训练模型之前，该公司需要确定数据集中是否存在针对特定用户群体的偏见。哪种解决方案能够满足这些要求？
- A. 使用 Amazon SageMaker Clarify 来计算预训练偏差指标。
- B. 使用 Amazon SageMaker 模型卡来计算预训练偏差指标。
- C. 使用 Amazon SageMaker Clarify 计算训练后偏差指标。
- D. 使用 Amazon SageMaker 模型卡片来计算训练后偏差指标。
答案: A
解析: Amazon SageMaker Clarify 是用于检测数据集中偏差的合适服务。公司需要在训练模型之前检查偏差，这意味着他们需要训练前的偏差指标。SageMaker Clarify 可以计算训练前和训练后的偏差指标，而 SageMaker Model Cards 用于记录模型信息，不能计算偏差指标。因此，选项 A（使用 Amazon SageMaker Clarify 计算训练前的偏差指标）是正确答案。
第 34 题 · 题号 419 · 单选
公司通过使用持续预训练来微调基础模型（FM）能获得什么好处？
- A. 降低模型复杂度
- B. 模型性能随时间提升
- C. 减少模型训练所需的时间
- D. 降低模型训练成本
答案: B
解析: 持续预训练涉及随着时间的推移不断用新数据更新基础模型。这个过程使模型能够从最新的信息中学习，适应不断变化的模式，并完善其对各种任务的理解。因此，模型的性能会随着时间的推移逐渐提高，使其更加准确和有效。选项A不正确，因为预训练并不一定会降低模型复杂性。选项C不正确，因为持续预训练实际上需要持续的训练时间。选项D不正确，因为由于持续使用计算资源，持续预训练通常会增加成本。
第 35 题 · 题号 420 · 多选
一家公司正在准备数据以对大型语言模型（LLM）进行微调。该公司必须遵循负责任的AI原则。哪些操作将满足此要求？（请选择两项。）
- A. 纳入具有人口统计学多样性的数据源，以提高模型的公平性。
- B. 在整个训练数据集中应用一致的标注标准。
- C. 只关注高数据量，无视质量。
- D. 仅使用合成数据来训练模型。
- E. 在模型训练过程中，使用更少的标签以减少数据中的歧义。
答案: A, B
解析: 正确答案是A和B，因为它们符合负责任的AI原则。选项A（'包含人口统计学上多样化的数据源以改善模型公平性'）支持公平性和包容性，这是负责任的AI核心原则，有助于减少模型中的偏见。选项B（'在整个训练数据集中应用一致的标注标准'）确保数据质量和可靠性，这对于构建值得信赖和准确的模型至关重要。选项C和D违反了负责任的AI原则，因为它们要么忽视数据质量（C），要么仅依赖合成数据，而合成数据可能无法代表现实世界的多样性并可能引入其他偏见（D）。选项E不正确，因为使用较少的标签可能会增加歧义而不是减少歧义，并且不支持负责任的AI实践。
第 36 题 · 题号 421 · 单选
一家公司创建了一个 AI 助手，以向员工提供有关内部流程的相关信息。该 AI 助手使用了经过微调的基础模型（FM）。该公司希望利用员工的反馈来进一步完善模型的响应。哪种解决方案能满足这些要求？
- A. 实现模型蒸馏。
- B. 进行持续预训练并结合员工评级的反馈。
- C. 使用基于人类反馈的强化学习（RLHF）。
- D. 启用智能提示路由。
答案: C
解析: 正确答案是C - 使用基于人类反馈的强化学习（RLHF）。RLHF专门设计用于根据人类反馈来优化模型的响应。在这个场景中，员工可以对AI助手的回答进行评分，这些反馈用于训练奖励模型，从而进一步提升模型输出的质量。选项A（模型蒸馏）是用于在模型之间传递知识，而不是用于整合反馈。选项B（持续预训练）是用于使模型适应新的领域或数据，并非专门用于响应优化。选项D（智能提示路由）是用于将提示引导到合适的模型，这并不能满足反馈循环的需求。
第 37 题 · 题号 422 · 单选
一家公司已经对Amazon Bedrock基础模型（FM）进行了微调，以生成简短的文档摘要。该公司希望使用一个自动化指标，将每个模型生成的摘要与其人工撰写的参考摘要进行比较。哪个指标能满足这些要求？
- A. F1 分数
- B. 面向召回率的摘要评估替代度量 (ROUGE)
- C. 困惑度
- D. Fréchet Inception 距离（FID）
答案: B
解析: ROUGE（Recall-Oriented Understudy for Gisting Evaluation，召回导向的摘要评估研究）专门用于通过将模型生成的摘要与人工撰写的参考摘要进行比较来评估自动摘要的质量。它衡量生成摘要与参考摘要之间 n 元语法、词序列和词对的重叠程度。F1 分数用于分类任务，Perplexity（困惑度）用于衡量语言模型性能但不能与参考摘要进行比较，而 FID 用于评估图像生成模型，而不是文本摘要。
第 38 题 · 题号 423 · 单选
一家公司正在构建一个聊天机器人。该聊天机器人使用大型语言模型（LLM）来回答客户关于产品的问题。公司希望聊天机器人只回答产品相关的问题。公司不希望聊天机器人回答其他主题的问题。哪种解决方案能用最少的运营开销来满足这些要求？
- A. 为 LLM 提示模板设置护栏。
- B. 编写自定义应用程序逻辑来识别关于其他主题的问题。
- C. 减少 LLM 可以访问的信息。
- D. 将温度参数值设置为较低的数字。
答案: A
解析: 在LLM提示模板上设置护栏是运营开销最小的最高效解决方案。通过在提示中包含具体指令，指导LLM只回答与产品相关的问题，并礼貌地拒绝其他主题，您无需开发额外代码（选项B）即可实现所需行为，而额外代码需要持续的维护。减少信息访问（选项C）并不能直接防止离题回答，而调整温度参数（选项D）仅影响响应的随机性，不影响主题相关性。基于提示的护栏是一个内置功能，只需要最少的配置，无需自定义开发。
第 39 题 · 题号 424 · 单选
哪种策略将评估基础模型（FM）在实际应用中的性能？
- A. 在受控环境中对用户进行A/B测试
- B. 由领域专家进行的人工评估
- C. 在训练数据集上测量模型的准确率
- D. 模型内部表示和注意力模式的分析
答案: A
解析: A/B 测试是评估基础模型在实际应用中性能的最合适策略。该方法涉及将模型部署给真实用户，并衡量他们的交互、偏好和结果，从而提供模型在实际条件下表现的直接洞察。选项 B（由主题专家进行人工评估）评估的是质量，但不能反映真实的用户行为。选项 C（训练数据上的准确率）不能反映真实世界的性能，因为模型通常是在未见过的数据上进行评估的。选项 D（分析内部表示）是一种可解释性技术，而不是用于评估实际应用性能的方法。
第 40 题 · 题号 425 · 单选
一家金融公司使用机器学习模型来检测潜在的欺诈交易。该公司需要确保某些类型的预测在采取行动之前由人工分析师进行审核。哪种 AWS 解决方案能满足此要求？
- A. 亚马逊 SageMaker Clarify
- B. Amazon SageMaker Ground Truth
- C. Amazon Augmented AI (Amazon A2I)
- D. 亚马逊 SageMaker 模型监控器
答案: C
解析: 正确答案是 C - Amazon Augmented AI (Amazon A2I)。这个 AWS 服务专门设计用于将人工审查整合到机器学习工作流程中。Amazon A2I 允许组织为机器学习预测设置人工审查循环，特别是针对低置信度的预测或像金融欺诈检测这样的敏感用例。在这个场景中，金融公司需要人工分析师在采取行动之前审查某些欺诈检测预测，这正是 Amazon A2I 的用途。选项 A（SageMaker Clarify）用于偏差检测和模型可解释性，选项 B（SageMaker Ground Truth）用于数据标注，选项 D（SageMaker Model Monitor）用于监控生产中的模型性能。