AIP 题库 · 最新 50 题免费预览（第 1/5 页）
AIP（AWS Certified Generative AI Developer Professional (AIP)）最新题库第 1–10 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 98 题。
第 1 题 · 题号 48 · 单选
一家公司正在开发一款生成式人工智能（GenAI）应用程序，该程序能够实时分析客户服务电话，并为人工客服坐席生成建议回复内容。该应用程序必须在高峰时段同时处理 500,000 个并发通话，且每条建议的端到端延迟需低于 200 毫秒。该公司使用现有架构来转录音频流。该应用程序不得超出预先设定的每月计算预算，并必须保持自动扩缩容能力。哪种解决方案能够满足这些要求？
- A. 在 Amazon Bedrock 上部署一个大型复杂的推理模型。购买预置吞吐量，并针对批处理进行优化。
- B. 在 Amazon Bedrock 上部署低延迟、实时优化的模型。购买预置吞吐量并设置自动扩展策略。
- C. 在使用专用 GPU 实例的 Amazon SageMaker AI 实时端点上部署大型语言模型 (LLM)。
- D. Deploy a mid-sized language model on an Amazon SageMaker AI serverless endpoint that is optimized for batch processing.
答案: B
解析: 选项 B 是最佳选择，因为它直接满足了所有关键要求：(1) 低延迟、实时优化的模型满足 <200ms 端到端延迟要求，可实时生成建议；(2) 预置吞吐量提供成本可预测性，有助于控制在每月计算预算之内；(3) 自动伸缩策略可应对高峰时段 50 万次并发调用。选项 A 使用针对批处理优化的大型推理模型，无法满足实时延迟要求。选项 C 使用专用 GPU 实例，成本高昂且难以自动伸缩，可能超出预算。选项 D 使用批处理优化，无法满足实时延迟要求。Amazon Bedrock 配合预置吞吐量和自动伸缩为此用例在性能、成本控制和可扩展性方面提供了最佳平衡。
第 2 题 · 题号 49 · 单选
一家大型电子商务公司已部署了一个基础模型（FM）来生成产品描述。该公司的工程团队通过使用 Amazon CloudWatch 监控技术指标，例如令牌使用量、延迟和错误率。该公司的营销团队在其自有系统中跟踪业务指标，例如转化率和收入影响。该公司需要一个统一的可观测性解决方案，将技术性能与业务结果相关联。该解决方案必须在运营指标表明性能下降时自动向利益相关者发出警报。该解决方案必须提供跨技术和业务指标的全面可见性。哪种解决方案将满足这些要求？
- A. 创建包含技术指标和导入的业务指标的 CloudWatch 仪表板。配置将技术数据和业务数据相结合的 CloudWatch 复合警报。使用 Amazon SNS 设置对相关方的通知。
- B. 使用 Amazon Managed Grafana 将来自 CloudWatch 的技术指标与来自外部来源的业务指标进行可视化。配置 Amazon Managed Grafana 告警以调用 AWS Lambda 函数。配置 Lambda 函数在指标超过预定义阈值时自动修复问题。
- C. 使用 CloudWatch 指标流将 CloudWatch 指标流式传输到 Amazon S3。创建 Amazon QuickSight 仪表板以可视化组合的技术指标和业务指标。设置 Amazon EventBridge 规则，以便在指标超过预定义阈值时向相关方发送通知。
- D. 配置 CloudWatch 自定义仪表板，将运营指标与导入的业务指标进行集成。设置带有异常检测功能的 CloudWatch 复合警报。使用 Amazon SNS 创建警报操作，当相关指标显示性能问题时通知相关方。
答案: D
第 3 题 · 题号 50 · 单选
一所大学最近将一批档案文件、学术期刊和手稿进行了数字化处理。该大学将数字文件存储在 AWS Lake Formation 数据湖中。该大学聘请了一位 GenAI 开发人员来构建一个解决方案，允许用户通过文本查询搜索数字文件。该解决方案必须返回与用户查询语义相似的期刊摘要。用户必须能够根据与期刊摘要相关的文本和元数据来搜索数字化馆藏。数字化文件的元数据不包含关键词。该解决方案必须根据文本的相似性将相似的摘要相互匹配。数据湖中包含少于 100 万个文件。哪种解决方案将以最少的运营开销满足这些要求？
- A. 使用 Amazon Bedrock 中的 Amazon Titan Embeddings 创建数字化文件的向量表示，并将这些嵌入向量存储在 Amazon OpenSearch Service 的 OpenSearch Neural Plugin 中。
- B. 使用 Amazon Comprehend 从数字化文件中提取主题。将主题和文件元数据存储在 Amazon Aurora PostgreSQL 数据库中。针对抽象元数据查询 Aurora 数据库中的数据。
- C. 使用 Amazon SageMaker AI 部署句子转换模型。使用该模型为数字化文件创建向量表示。将嵌入向量存储在已启用 pgvector 扩展的 Amazon Aurora PostgreSQL 数据库中。
- D. 使用 Amazon Bedrock 中的 Amazon Titan Embeddings 创建数字化文件的向量表示，并将嵌入向量存储在已启用 pgvector 扩展的 Amazon Aurora PostgreSQL Serverless 数据库中。
答案: D
第 4 题 · 题号 51 · 单选
一家公司正在使用 Amazon Bedrock 开发一个客户支持 AI 助手。该 AI 助手必须回答客户关于其账户的问题。该 AI 助手不得在响应中暴露个人信息。公司必须遵守数据驻留策略，确保所有处理都在每位客户所在的同一 AWS 区域内进行。公司希望在 AI 助手向客户提供服务之前，评估该 AI 助手在防止个人信息泄露方面的有效性。哪种解决方案将满足这些要求？
- A. 配置跨区域的 Amazon Bedrock 防护栏，以应用敏感信息过滤器。在开发和测试期间，将防护栏设置为检测模式；在生产部署时，切换为阻止模式。
- B. 配置 Amazon Bedrock 防护机制以应用敏感信息过滤器。在开发和测试期间，将防护机制设置为屏蔽模式。生产部署时切换为阻止模式。将防护机制的一个副本部署到公司运营的每个区域。
- C. 配置一个 Amazon Bedrock 护栏来应用内容和主题过滤器。将护栏在开发、测试和生产阶段设置为检测模式。禁用 Amazon Bedrock 模型的调用日志记录。
- D. 配置跨区域的 Amazon Bedrock 防护栏，以应用一组内容和词汇过滤器。在开发和测试阶段，将防护栏设置为检测模式；在生产环境部署时，切换为遮盖模式。
答案: B
解析: 选项B是正确的，因为它满足所有要求：（1）它使用带有敏感信息过滤器的Amazon Bedrock护栏，这些过滤器专门用于防止PII的暴露。（2）在开发和测试期间使用'掩码模式'允许公司评估护栏在识别和掩码PII方面的有效性，而不会阻止响应，从而能够在生产前进行适当的评估。（3）在公司运营的每个区域部署护栏副本可确保数据驻留合规性，因为所有处理都在与客户相同的AWS区域内进行。（4）在生产环境中切换到'阻止模式'通过主动阻止任何包含PII的响应来提供更强的保护。选项A使用跨区域护栏，违反了数据驻留要求。选项C使用内容/主题过滤器（而非敏感信息过滤器）并禁用日志记录，无法进行适当的评估。选项D也使用跨区域护栏（违反数据驻留）并使用单词过滤器而非敏感信息过滤器。
第 5 题 · 题号 52 · 单选
一家公司使用 AWS Lake Formation 来搭建一个数据湖，其中包含跨多个 AWS 区域的多个业务部门的数据库和表。该公司希望通过 Amazon Bedrock 使用基础模型 (FM) 来执行欺诈检测。该 FM 必须从数据湖中摄取敏感财务数据。这些数据包含一些客户的个人身份识别信息 (PII)。该公司必须设计一个访问控制解决方案，以防止 PII 出现在生产环境中。该 FM 只能访问已授权的数据子集，其中特定数据列中的 PII 必须经过脱敏处理。该公司还必须捕获所有数据访问的审计跟踪。哪种解决方案能满足这些要求？
- A. 为每个业务单元和区域的组合在单独的 Amazon S3 存储桶中创建独立的数据集。配置 S3 存储桶策略以根据分配给 FM 训练实例的 IAM 角色来控制访问。使用 S3 访问日志来跟踪数据访问情况。
- B. 配置 FM（文件管理器）使用 IAM 角色和基于 LF-Tag 表达式的 Lake Formation 权限进行身份验证。将业务单元和区域定义为分配给数据库和表的 LF-Tag。使用 AWS CloudTrail 收集全面的数据访问审计跟踪记录。
- C. 在 Lake Formation 中对特定数据库和表使用直接的 IAM 主体授权。创建一个自定义应用层，用于记录访问请求，并在将数据发送到 FM 之前进一步过滤敏感列。
- D. 将 FM 配置为从 AWS STS 请求临时凭证。通过使用由应用业务单元和区域筛选器的 API 生成的预签名 S3 URL 来访问数据。使用 AWS CloudTrail 收集全面的数据访问审计跟踪。
答案: B
解析: 选项B是最佳解决方案，因为带有LF-Tag表达式的Lake Formation提供了基于属性的访问控制（ABAC），可以在多个业务单元和区域之间良好扩展。可以根据业务单元和区域将LF-Tag分配给数据库和表，从而实现基于标签的细粒度访问控制。Lake Formation原生支持列级安全控制，这对于从特定数据列中编辑PII至关重要。此外，CloudTrail提供全面的审计跟踪，满足合规性和监控要求。选项A使用S3桶策略，但无法处理列级PII编辑且无法扩展。选项C需要自定义应用程序开发，可维护性较差。选项D使用预签名URL和STS，但不提供原生列级安全或Lake Formation集成。
第 6 题 · 题号 53 · 单选
一家精品咖啡公司拥有一款移动应用程序，该应用程序通过使用 Amazon Bedrock 与三阶段提示链来生成个性化的咖啡烘焙配置文件。提示链将用户输入转换为结构化元数据，检索相关的咖啡烘焙日志，并为每位客户生成个性化的烘焙推荐。
多个 AWS 区域的客户反馈：相同输入下生成的烘焙推荐不一致、检索步骤推理速度慢，以及推荐结果不安全（例如冲泡温度过高）。该公司必须提高重复输入输出结果的稳定性。此外，该公司还必须提升应用程序的性能和输出结果的安全性。更新后的解决方案必须确保相同输入下输出结果的一致性达到 99.5%，并将推理延迟控制在 1 秒以内。该解决方案还必须使用经过验证的安全控制机制来阻止不安全或幻觉式的推荐结果。
哪种解决方案能够满足这些要求？
- A. 部署带有预置吞吐量的 Amazon Bedrock，以稳定推理延迟。应用具有语义拒绝规则的 Amazon Bedrock 防护机制，以阻止不安全输出。使用 Amazon Bedrock 提示管理功能，通过审批工作流管理提示。
- B. 使用 Amazon Bedrock Agents 来管理链式调用流程。将模型的输入和输出记录到 Amazon CloudWatch Logs。利用 Amazon CloudWatch 中的日志对不同版本的提示词进行 A/B 测试。
- C. 将提示结果缓存到 Amazon ElastiCache 中。使用 AWS Lambda 函数预处理元数据并跟踪端到端延迟。使用 AWS X-Ray 识别并修复性能瓶颈。
- D. 使用 Amazon Kendra 来提高烘焙日志的检索准确性。在 Amazon DynamoDB 中存储规范化提示元数据。使用 AWS Step Functions 来编排多步骤提示。
答案: A
解析: 选项A是正确的解决方案，因为它直接满足了所有三个需求。首先，使用Amazon Bedrock配置预置吞吐量（provisioned throughput）通过预留专用容量来稳定推理延迟，确保一致的亚秒级响应时间。其次，Amazon Bedrock的防护栏（guardrails）配合语义拒绝规则（semantic denial rules）可以阻止不安全的输出（例如过高的冲泡温度）和虚构的推荐，满足安全性需求。第三，Amazon Bedrock Prompt Management配合审批工作流确保跨区域的提示版本控制和一致性，实现相同输入下99.5%的输出一致性。其他选项未能全面满足所有需求：选项B侧重于日志记录和A/B测试，但缺乏具体的安全控制和延迟稳定机制；选项D改进了检索功能，但没有提供延迟保证或安全控制；选项C改进了性能监控，但缺乏专门用于阻止不安全输出的安全机制。
第 7 题 · 题号 54 · 多选
一家公司在 AWS Organizations 中使用一个启用了所有功能的组织来管理多个 AWS 账户。员工在多个账户中使用 Amazon Bedrock。该公司必须防止特定主题和专有信息被包含在发送给 Amazon Bedrock 模型的提示中。该公司必须确保员工只能使用经过批准的 Amazon Bedrock 模型。该公司集中管理员工的 IAM 角色。
哪种解决方案组合能够满足这些要求？（请选择两项）
- A. 为每位员工的 IAM 角色创建一个 IAM 权限边界。配置该权限边界以要求使用经批准的 Amazon Bedrock 防护栏标识符来调用 Amazon Bedrock 模型。创建一个 SCP，仅允许员工使用经批准的模型。
- B. 创建一个 SCP，允许员工仅使用经过批准的模型。配置该 SCP，要求员工在调用经批准模型时必须指定防护栏标识符。
- C. 创建一个SCP（服务控制策略），用于在调用模型时未指定集中部署的护栏标识符的情况下，禁止员工调用该模型。在每位员工的IAM角色上创建一个权限边界，仅允许每位员工调用经批准的模型。
- D. 使用 AWS CloudFormation 创建一个具有阻止过滤策略的自定义 Amazon Bedrock 防护栏。使用堆栈集将该防护栏部署到组织中的每个账户。
- E. 使用 AWS CloudFormation 创建一个具有屏蔽过滤策略的自定义 Amazon Bedrock 防护栏。使用堆栈集将该防护栏部署到组织中的每个账户。
答案: B, D
第 8 题 · 题号 55 · 单选
一个野生动物保护机构在全球运营动物园。该机构使用各种传感器、追踪器和音视频录制设备来监测动物行为。该机构希望推出一个生成式人工智能（GenAI）助手，能够摄取多模态数据来研究动物行为。
该GenAI助手必须支持自然语言查询、避免推测性的行为解读，并为符合伦理的研究审计保留审计日志。
哪种解决方案能满足这些要求？
- A. 将原始视频导入 Amazon Rekognition 以检测动物姿态和表情。使用 Amazon Data Firehose 将传感器和 GPS 数据流式传输到 Amazon S3 数据湖。通过使用存储在 AWS Systems Manager Parameter Store 中的基本模板来提示 Amazon Bedrock 基础模型（FM）。使用 IAM 策略控制访问。使用 AWS CloudTrail 进行审计日志记录。
- B. 使用 Amazon SageMaker Processing 和 Amazon Transcribe 对多模态数据进行预处理。将摘要提取到 Amazon Bedrock 检索增强生成 (RAG) 知识库中。应用 Amazon Bedrock 防护机制来限制推测性输出。使用 AWS AppConfig 管理提示模板。使用 AWS CloudTrail 记录研究活动以供审计。
- C. 使用 Amazon OpenSearch Serverless 来索引行为日志和遥测事件。使用 Amazon Comprehend 来提取实体。使用 Amazon Bedrock 来构建一个用于回答问题的层。将学习摘要嵌入到 OpenSearch Serverless 文档中。使用 IAM 来控制访问。使用 AWS CloudTrail 来记录用户与 AI 助手的交互。
- D. 配置 Amazon Q Business 以在 Amazon S3、Amazon Kinesis 和 Amazon SageMaker Feature Store 之间联合数据。配置 Amazon EventBridge 以调用数据摄取作业。使用自定义 AWS Lambda 函数在将结果返回给用户之前过滤大型语言模型 (LLM) 输出以确保符合伦理规范。
答案: B
解析: 选项B是最佳选择，因为它直接满足了所有四个要求：(1) 多模态数据摄取 - SageMaker Processing 和 Amazon Transcribe 处理多模态数据的预处理；(2) 自然语言查询 - Bedrock RAG 知识库支持此功能；(3) 避免推测性解释 - Amazon Bedrock 的 guardrails（护栏）专门用于限制推测性输出；(4) 审计日志 - CloudTrail 记录研究活动。选项A缺乏防止推测性输出的护栏机制。选项C没有涉及防止推测性输出的问题。选项D使用自定义Lambda过滤而非原生的Bedrock guardrails，效率较低，并且未全面解决多模态数据摄取的问题。
第 9 题 · 题号 56 · 单选
一家公司使用 Amazon Bedrock 实现基于检索增强生成（RAG）的系统，为用户提供医疗信息。该公司需要比较多种分块策略，评估两个基础模型（FM）的生成质量，并在部署时强制实施质量阈值。
哪种 Amazon Bedrock 评估配置能够满足这些要求？
- A. 创建一个仅检索（retrieve-only）的评估任务，使用受支持版本的 Anthropic Claude Sonnet 作为评估模型。为上下文相关性和上下文覆盖率配置指标。在独立的 CI/CD 流水线中定义部署阈值。
- B. 创建一个检索并生成评估任务，该任务使用 k 处自定义精确率指标，以及使用 1-5 级评分的 LLM 作为评判者的指标。在评估数据集中包含每种分块策略。使用支持版本的 Anthropic Claude Sonnet 来评估两个基础模型的响应。
- C. 为每种分块策略和基础模型（FM）组合创建一个独立的评估任务。使用 Amazon Bedrock 内置的指标来评估正确性和完整性。在部署批准前手动审核评分。
- D. 设置一个使用多个仅检索评估作业来评估检索质量的流水线。为两个基础模型分别创建评估作业，使用 Amazon Nova Pro 作为 LLM-as-a-judge 模型。基于忠实度和引用精确度指标进行评估。
答案: B
解析: 选项B是正确答案，因为它满足了所有三个要求：1）它使用检索和生成评估任务，可以同时评估检索和生成质量，而选项A和D仅评估检索。2）它在评估数据集中包含每种分块策略，允许直接比较多种分块策略。3）它使用Claude Sonnet作为评估器模型来评估两个基础模型的响应，从而能够比较两个FM之间的生成质量。4）使用1-5分制的LLM作为评判指标可以设置并强制执行部署的质量阈值。选项C创建了低效的单独任务，并依赖人工审查而不是强制执行阈值。选项A和D仅评估检索质量，而不评估两个FM的生成质量。
第 10 题 · 题号 57 · 单选
一家公司正在构建一个无服务器应用程序，该应用程序使用 AWS Lambda 函数帮助全球学生总结笔记。该应用程序通过 Amazon Bedrock 使用 Anthropic Claude。公司观察到大部分流量发生在每个时区的晚间时段。用户反映在其时区的高峰使用时段会遇到限流错误。
该公司需要通过确保应用程序持续运行来解决限流问题。解决方案必须保持应用程序的性能质量。该公司需要一个在低流量时段不需要固定小时成本的解决方案。
哪种解决方案能满足这些要求？
- A. 创建自定义的 Amazon CloudWatch 指标来监控模型错误。将预置吞吐量设置为比观察到的峰值流量安全地高出一些的值。
- B. 创建自定义 Amazon CloudWatch 指标来监控模型错误。设置故障转移机制，当错误超过指定阈值时，将调用重定向到备份的 AWS 区域。
- C. 在 Amazon Bedrock 中启用调用日志记录。监控关键指标，例如调用次数、输入令牌数、输出令牌数和调用限制。将流量分发到跨区域推理终端节点。
- D. 在 Amazon Bedrock 中启用调用日志记录。监控 InvocationLatency（调用延迟）、InvocationClientErrors（调用客户端错误）和 InvocationServerErrors（调用服务器错误）指标。将流量分配到同一模型的多个版本。
答案: C
解析: 选项 C 是最佳解决方案，因为它直接通过 InvocationThrottles 指标解决节流问题，并使用跨区域推理端点来分配流量。由于公司在不同时间段（各时区的晚上）有全球分布的用户出现流量峰值，跨区域分布可以有效地平衡负载并防止任何单一区域出现节流。此解决方案采用按需定价，在低流量期间没有固定的每小时成本，同时保持应用程序的性能质量。选项 A 使用预配置吞吐量，会产生固定的每小时成本。选项 B 的故障转移机制是被动的而非主动的，并且使用的指标不太合适。选项 D 的多个模型版本无法解决节流容量问题。