AIP 题库 · 最新 50 题免费预览（第 2/5 页）

AIP（AWS Certified Generative AI Developer Professional (AIP)）最新题库第 11–20 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 11 题 · 题号 58 · 单选

一家公司正在构建一个生成式人工智能（GenAI）应用程序，用于处理财务报告并为分析师提供摘要。该应用程序必须运行两个计算环境。在一个环境中，AWS Lambda 函数必须使用 Python SDK 按需分析报告。在第二个环境中，Amazon EKS 容器必须使用 JavaScript SDK 按计划批量处理多个报告。该应用程序必须在多轮交互过程中保持对话上下文，在各环境之间使用相同的基础模型（FM），并确保一致的身份验证。哪种解决方案能够满足这些要求？

A. 使用 Amazon Bedrock InvokeModel API，并为每个环境使用单独的认证方法。将对话状态存储在 Amazon DynamoDB 中。为每种编程语言使用自定义的 I/O 格式化逻辑。
B. 在两种环境中直接使用 Amazon Bedrock Converse API，并通过使用 IAM 角色的通用身份验证机制进行身份验证。将对话状态存储在 Amazon ElastiCache 中。为模型参数创建特定于编程语言的包装器。
C. 创建一个集中的 Amazon API Gateway REST API 端点，使用 InvokeModel API 处理所有模型交互。通过每个 Lambda 函数或 EKS 容器中的应用进程内存存储交互历史记录。使用环境变量配置模型参数。
D. 使用 Amazon Bedrock Converse API 和 IAM 角色进行身份验证。在请求消息数组中传递之前的消息以保持对话上下文。使用特定于编程语言的 SDK 来建立一致的 API 接口。

答案: D

解析: 选项D是最佳解决方案，因为它使用了Amazon Bedrock Converse API，该API专门设计用于通过在请求消息数组中传递先前的消息来处理对话上下文。它使用IAM角色在两个环境（Lambda和EKS）中提供一致的认证。它还使用AWS SDK（Python和JavaScript），这些SDK在保持语言特定的同时提供一致的API接口。这满足了所有要求：跨环境使用相同的FM、一致的认证以及维护对话上下文。

第 12 题 · 题号 59 · 单选

一家公司升级了其基于 Amazon Bedrock 的、支持多语言客服助手的基础模型（FM）。升级后，该助手在不同语言之间表现出了不一致的行为——在面对相同问题时，助手开始在某些语言中生成不同的回答。该公司需要一个解决方案，以便在未来的更新中检测并解决类似问题。评估必须在 45 分钟内完成所有支持语言的测试。评估必须能够并行处理至少 15,000 个测试对话。评估过程必须完全自动化，并集成到 CI/CD 流水线中。如果未达到质量阈值，该解决方案必须阻止部署。哪种解决方案能够满足这些要求？

A. 创建一个分布式流量模拟框架，将翻译密集型工作负载同时发送给多种语言下的助手。使用 Amazon CloudWatch 指标来监控延迟、并发性和吞吐量。在生产发布前运行模拟，以识别基础设施瓶颈。
B. 在多个 AWS 区域部署助手，使用 Amazon Route 53 基于延迟的路由和 AWS Global Accelerator 来提升全球性能。将多语言对话日志存储在 Amazon S3 中。部署后每周执行审计以审查一致性。
C. 创建一个预处理管道，在将消息发送给助手之前，将所有传入的消息规范化为一致的格式。应用基于规则的检查来标记输出中可能存在的幻觉内容。专注于对规范化文本进行评估，以简化跨语言测试。
D. 设置具有相同含义的标准化多语言测试对话。使用 Amazon Bedrock 模型评估作业并行运行测试对话。应用相似度和幻觉阈值。将该流程集成到 CI/CD 管道中，以阻止失败的发布。

答案: D

解析: 选项D是正确答案，因为它直接满足了所有所述的要求。Amazon Bedrock模型评估作业专门设计用于大规模评估基础模型（FM），支持大型测试数据集（15,000+对话）的并行处理，可以实现自动化并集成到CI/CD管道中，支持相似性和幻觉等自定义质量指标，并且可以在未达到质量阈值时阻止部署。选项A侧重于基础设施性能而非输出质量。选项B是关于性能优化和每周手动审计，而不是自动化的CI/CD集成。选项C将语言进行规范化处理，这与跨不同语言测试多语言行为的需求相矛盾。

第 13 题 · 题号 60 · 单选

一家医疗保健公司正在开发一个文档管理系统，该系统将医学研究论文存储在 Amazon S3 存储桶中。该公司需要构建一个全面的元数据框架，以提升用于分析研究论文的生成式 AI（GenAI）应用程序的搜索精确度。该元数据框架必须包含文档时间戳、作者信息和研究领域分类。该解决方案必须在所有上传的文档中保持一致的元数据结构。该解决方案必须使基础模型（FMs）能够在不访问完整内容的情况下理解文档上下文。哪种解决方案能够满足这些要求？

A. 将文档时间戳存储在 Amazon S3 系统元数据中。使用 S3 对象标签来实现域分类。实施自定义用户定义元数据以存储作者信息。
B. 设置带法律保留功能的 S3 对象锁定以跟踪文档时间戳。使用 S3 对象标签存储作者信息。实施 S3 接入点以进行域分类。
C. 使用 S3 Inventory 报告来跟踪文档时间戳。创建 S3 访问点来实现域名分类。将作者信息存储在 S3 Storage Lens 仪表板中。
D. 使用自定义用户元数据来存储作者信息。使用 S3 对象锁定保留期来跟踪文档时间戳。使用 S3 事件通知来实现域分类。

答案: A

解析: 选项A是正确答案，因为它为每种元数据类型使用了最合适的S3功能：(1) S3系统元数据会自动跟踪文档时间戳（如最后修改日期），无需手动管理即可提供一致的时间戳信息；(2) S3对象标签专为分类用途而设计，如研究领域分类，便于检索和过滤；(3) 自定义用户定义元数据是存储作者信息等自定义属性的标准AWS方法，可在所有文档中保持一致的元数据结构。这些元数据方法共同允许基础模型通过查询元数据来理解文档上下文，而无需访问完整的文档内容。选项B、C和D误用了AWS功能：S3对象锁用于WORM合规性（而非时间戳），S3清单和存储镜头用于存储分析（而非元数据存储），S3接入点用于访问管理（而非分类），S3事件通知用于触发工作流（而非分类）。

第 14 题 · 题号 61 · 单选

一家金融服务公司正在开发一款使用 Amazon Bedrock 中基础模型 (FM) 的客服 AI 助手应用程序。该应用程序必须通过记录推理过程并标注用于检索增强生成 (RAG) 的来源来提供透明的响应。该应用程序必须捕获所有用户响应的全面审计跟踪。该应用程序必须能够同时为多达 10,000 名并发用户提供服务，并且必须在 2 秒内响应每位客户的查询。哪种解决方案将以最少的运营开销满足这些要求？

A. 为 Amazon Bedrock 代理启用追踪功能。配置结构化提示，以指导基础模型提供证据展示。将 Amazon Bedrock 知识库与数据源集成，以实现检索增强生成（RAG）。配置应用程序以引用和引证权威内容。在多可用区（Multi-AZ）架构中部署应用程序。使用 Amazon API Gateway 和 AWS Lambda 函数来扩展应用程序。使用 Amazon CloudFront 提供低延迟交付。
B. 为 Amazon Bedrock 代理启用追踪功能。将自定义 RAG 管道与 Amazon OpenSearch 服务集成，以检索和引用来源。配置结构化提示以展示检索到的证据。将应用程序部署在 Amazon API Gateway REST API 之后。使用 AWS Lambda 函数和 Amazon CloudFront 扩展应用程序并提供低延迟。将日志存储在 Amazon S3 中，并使用 AWS CloudTrail 捕获审计跟踪记录。
C. 使用 Amazon CloudWatch 监控延迟和错误率。将模型提示直接嵌入应用程序后端以引用来源。将应用程序与用户的交互存储在 Amazon RDS 中以供审计。
D. 将生成的响应和支持证据存储在 Amazon S3 存储桶中。启用该存储桶的版本控制以供审计使用。使用 AWS Glue 为检索到的文档创建目录。在 Amazon Athena 中处理检索到的文档，以生成定期合规性报告。

答案: A

解析: 选项A是最佳答案，因为它使用了Amazon Bedrock的托管服务（带追踪功能的Bedrock代理和Bedrock知识库），这提供了最低的运营开销。具体分析如下：(1) Amazon Bedrock代理的追踪功能可以自动记录推理过程并提供审计跟踪；(2) Amazon Bedrock知识库是一个托管的RAG解决方案，与构建自定义RAG管道（如选项B中使用的OpenSearch）相比，它以最小的运营负担处理源引用；(3) 多可用区架构结合API Gateway、Lambda和CloudFront可以为10,000并发用户提供自动扩展能力，并通过低延迟交付实现2秒以内的响应时间。选项B由于使用OpenSearch的自定义RAG管道，运营开销更高。选项C缺乏适当的RAG集成，并且没有使用Bedrock的内置功能。选项D无法充分解决可扩展性、延迟或透明响应等需求。

第 15 题 · 题号 62 · 单选

一家银行正在开发一款由生成式人工智能（GenAI）驱动的AI助手，该助手使用Amazon Bedrock来协助银行网站用户进行账户查询和财务指导。银行必须确保该AI助手不会在客户交互中泄露任何个人身份信息（PII）。该AI助手不得在提示词中向GenAI模型发送PII信息。该AI助手不得响应客户要求提供投资建议的请求。银行必须收集所有客户交互的审计日志，包括客户交互期间传输的任何图像或文档。哪种解决方案能够以最少的运营工作量来满足这些要求？

A. 使用 Amazon Macie 来检测和编辑用户输入及模型响应中的个人身份信息（PII）。运用提示工程技术，强制模型避免涉及投资建议的话题。使用 AWS CloudTrail 捕获对话日志。
B. 使用 AWS Lambda 函数和 Amazon Comprehend 来检测和编辑个人身份信息 (PII)。使用 Amazon Comprehend 主题建模来防止 AI 助手讨论投资建议相关的话题。在 Amazon CloudWatch 中设置自定义指标来捕获客户对话。
C. 配置 Amazon Bedrock 防护机制，应用敏感信息策略以检测和过滤个人身份信息（PII）。设置主题策略，确保 AI 助手避免提供投资建议相关话题。使用 Converse API 记录模型调用。启用向 Amazon S3 的投递和图像日志记录。
D. 使用正则表达式控件匹配 PII 的模式。运用提示工程技术，避免向客户返回 PII 或投资建议主题。启用模型调用日志、交付日志和图像日志记录到 Amazon S3。

答案: C

解析: 选项C是最佳选择，因为Amazon Bedrock Guardrails是一个原生的托管功能，专门为这些用例而设计。它提供内置的敏感信息过滤功能以检测PII，以及主题策略来阻止被拒绝的主题（如投资建议），而无需自定义代码或外部服务。Converse API原生支持调用日志记录，Bedrock内置的图像/文档日志记录到S3可以捕获所需的审计跟踪。与选项A（使用Macie，用于S3扫描）、选项B（需要Lambda函数和自定义集成）以及选项D（使用正则表达式模式和提示工程，可靠性较低且需要更多维护）相比，这种托管方法所需的运营工作量显著减少。

第 16 题 · 题号 63 · 单选

一家零售公司正在使用 Amazon Bedrock 开发客户服务 AI 助手。分析显示，70% 的客户咨询是简单的产品问题，较小模型即可有效处理。然而，30% 的咨询是复杂的退货政策问题，需要高级推理能力。该公司希望实施一个经济高效的模型选择框架，根据咨询的复杂程度自动将客户咨询路由到适当的模型。该框架必须保持高客户满意度并最小化响应延迟。哪种解决方案能以最少的实施工作量满足这些要求？

A. 创建一个多阶段架构，使用小型基础模型（FM）对每个咨询的复杂性进行分类。将简单的咨询路由到更小、更具成本效益的模型。将复杂的咨询路由到更大、能力更强的模型。使用 AWS Lambda 函数来处理路由逻辑。
B. 使用 Amazon Bedrock 智能提示路由自动分析咨询内容。将简单的产品咨询路由到较小的模型，将复杂的退货政策咨询路由到能力更强的较大模型。
C. 实施一个使用 Amazon Bedrock 中型基础模型（FM）的单一模型解决方案，采用按需定价模式。在模型提示中加入特殊指令，以便使用同一模型处理简单和复杂的询问。
D. 为简单和复杂查询创建单独的 Amazon Bedrock 端点。实施基于关键词检测的规则路由系统。对较小的模型使用按需定价，对较大的模型使用预置吞吐量。

答案: B

解析: Amazon Bedrock 智能提示路由是 Amazon Bedrock 提供的一个内置托管功能，专门用于根据查询的复杂度自动将提示路由到不同的基础模型。它只需最少的实施工作量，因为路由逻辑由 Bedrock 服务原生处理——公司只需配置路由设置，即可将简单的产品咨询路由到更小、更具成本效益的模型，将复杂的退货政策咨询路由到更大、能力更强的模型。选项 A 和 D 需要使用 Lambda 函数或基于规则的关键词检测系统构建自定义路由逻辑，这需要大量的开发和维护工作。选项 C 对所有查询使用单一的中间规模模型，无法针对 70% 的简单咨询优化成本，也无法满足模型选择框架的要求。

第 17 题 · 题号 64 · 单选

一家酒店公司希望通过添加AI功能来增强其基于Java的传统物业管理系统（PMS）。该公司希望使用Amazon Bedrock Knowledge Bases为员工提供客房可用性信息和酒店特定详细信息。该解决方案必须为公司管理的每家酒店维护单独的访问控制。该解决方案必须近乎实时地提供客房可用性信息，并且必须在高峰使用期间保持一致的性能。哪种解决方案能满足这些要求？

A. 部署一个 Amazon Bedrock 知识库，其中包含所有酒店的合并数据。配置 AWS Lambda 函数，通过直接的 API 连接从每个酒店的 PMS 数据库同步数据。实施 AWS CloudTrail 日志记录，并使用特定于酒店的过滤器来审计每个酒店数据的访问日志。
B. 为每家酒店创建一个 Amazon EventBridge 规则，该规则由每家酒店的 PMS 数据库变更触发。配置该规则以将更新发送到管理 AWS 账户中的集中式 Amazon Bedrock 知识库。配置基于资源的策略，以对酒店员工实施酒店特定的访问控制。
C. 在多账户结构中为每家酒店实施一个 Amazon Bedrock 知识库。使用直接数据摄取来提供实时房间可用性信息。对不太关键的信息安排定期同步。
D. 构建一个集中化的 Amazon Bedrock 代理，使用多个知识库。实施 AWS IAM Identity Center，并为酒店员工数据访问配置酒店特定的权限集。

答案: C

解析: 选项C最能满足所有要求。在多账户结构中为每家酒店实施一个Amazon Bedrock知识库,可以为独立的访问控制提供强大的隔离,确保每家酒店的数据和权限保持独立。直接数据摄取支持近乎实时的房间可用性信息,这对于员工运营至关重要。分布式架构(每家酒店一个知识库)确保了高峰期的一致性能,因为负载分散在多个资源上,而不是集中在单个中心化系统上。对不太重要的信息进行定期同步,在保持关键数据新鲜度的同时优化了成本。

第 18 题 · 题号 65 · 单选

一家公司希望为其客户创建一个年度奖励计划。客户获得的奖励根据不同的参数而有所不同，例如所订购商品的类别以及客户的购买历史记录。该公司需要一个使用三个 Amazon Bedrock 代理的生成式 AI (GenAI) 解决方案，以在客户在线浏览目录时为其提供帮助。这些代理必须使用知识库和操作组来处理搜索、推荐和订单模块。这些模块必须按顺序运行。一个 AWS Lambda 函数必须为每个推荐的项目计算预计奖励。该解决方案必须在服务中断期间提供优雅降级。哪种解决方案能够以最高的运营效率满足这些要求？

A. 在每个智能体后端定义一个 Amazon API Gateway REST API。创建第二个 Lambda 函数，用于协调对智能体和奖励 Lambda 函数的调用。为第二个 Lambda 函数配置重试/回退机制。
B. 创建一个包含四个任务的AWS Step Functions状态机，用于运行各个agent和奖励Lambda函数。为每个任务步骤设置重试和捕获分支。
C. 为每个智能体配置独立的重试/回退机制。创建第二个 Lambda 函数来协调对各智能体及奖励 Lambda 函数的调用。在第二个 Lambda 函数后面定义一个 Amazon API Gateway REST API。
D. 创建一个第二个 Lambda 函数来协调对代理和奖励 Lambda 函数的调用。创建一个 AWS Step Functions 状态机，其中包含一个运行第二个 Lambda 函数的任务。为该任务步骤设置重试和捕获分支。

答案: B

解析: 选项 B 是运营效率最高的解决方案，因为 AWS Step Functions 专为编排多个顺序任务而设计。状态机可以将三个 Bedrock 代理和奖励 Lambda 函数作为四个独立的任务来运行，并按要求顺序执行它们。Step Functions 提供内置的重试和捕获机制，可以直接满足优雅降级的需求，无需额外的自定义代码。这消除了对额外编排 Lambda 函数（选项 A、C、D）或多个 API Gateway（选项 A）的需求，并避免了将 Lambda 编排器包装在 Step Functions 中（选项 D）的复杂性。作为一项托管服务，Step Functions 通过自动处理状态管理、错误处理和重试逻辑来减少运营开销，使其成为运营效率最高的选择。

第 19 题 · 题号 66 · 单选

一家公司使用 Amazon Bedrock 开发人工智能助手以提供客户支持。分析显示，40% 的客户查询使用不同的措辞或表达方式来提出相同的问题。该公司希望找到一种解决方案来减少冗余的模型调用。该解决方案必须确保语义等效的问题获得一致的答案，并且必须确保低延迟。哪种解决方案能满足这些要求？

A. 部署一个 Amazon DynamoDB Accelerator (DAX) 集群作为内存缓存。将查询文本指定为分区键，将模型响应文本指定为排序键。通过使用带有 LIKE 运算符的筛选表达式来查询缓存。
B. 使用 Amazon Bedrock 从客户查询中生成嵌入向量。使用 Amazon MemoryDB for Valkey 存储向量嵌入和模型响应的哈希集。使用 RANGE 查询查找相似查询及其响应。
C. 部署具有 k 近邻 (k-NN) 功能的 Amazon OpenSearch Service，以存储查询-响应文本对。使用近似 k-NN 技术来查找相似查询及其响应。
D. 通过使用 Amazon DynamoDB 在规范化查询文本上创建全局二级索引来构建缓存解决方案。对传入的查询应用词干提取。查询已缓存客户查询的索引。

答案: C

解析: 选择 C，因为支持 k 近邻（k-NN）的 Amazon OpenSearch Service 可以存储查询与响应对，并通过近似 k-NN 搜索识别语义相似的查询。该方案能够处理不同的表述方式，复用一致的缓存响应，减少模型调用，并实现低延迟检索。DAX 结合 LIKE 查询以及 DynamoDB 的文本标准化都无法进行有效的语义匹配，而 MemoryDB 的 RANGE 查询也不能有效执行向量相似度搜索。

第 20 题 · 题号 67 · 单选

一家公司正在使用 Amazon Bedrock 和 Anthropic Claude 3 Haiku 开发一款 AI 助手。该 AI 助手通常每小时处理 10,000 个请求，但在使用高峰期会经历高达每小时 30,000 个请求的激增。该 AI 助手必须在跨多个 AWS 区域运行的同时，在 2 秒内做出响应。公司观察到，在使用高峰期，AI 助手会出现吞吐量瓶颈，导致延迟增加和偶发的请求超时。公司必须解决这些性能问题。哪种解决方案能够满足此要求？

A. 在单个区域购买预配置吞吐量和足够的模型单元 (MUs)。配置应用程序以使用指数退避策略重试失败的请求。
B. 实现令牌批处理以减少 API 开销。使用跨区域推理配置文件，自动在可用区域之间分配流量。
C. 在每个区域设置自动扩展的 AWS Lambda 函数。实现客户端轮询请求分发。购买一个模型单元（MU）的预配置吞吐量作为备份。
D. 通过在多个区域使用 Amazon S3 桶，对所有请求实施批量推理。使用 Amazon SQS 设置异步检索流程。

答案: B

解析: 选项B是最佳解决方案，因为它同时解决了吞吐量瓶颈和多区域需求。Token批处理通过将多个token/请求合并到更少的API调用中来减少API开销，这直接有助于提高吞吐量。跨区域推理配置文件（Cross-Region inference profiles）是Amazon Bedrock的一项原生功能，可以自动跨多个区域分配流量，这对于公司需要处理从每小时10,000次到30,000次的请求激增至关重要。该解决方案保持了2秒响应时间的要求，因为它在分配负载的同时同步处理请求。选项A失败的原因是单个区域无法有效处理30,000个高峰请求，并且指数退避（exponential backoff）会增加延迟，违反2秒的SLA要求。选项C不足，因为作为备份的一个模型单元（MU）无法处理30,000个高峰请求，并且客户端轮询（round-robin）缺乏智能故障转移能力。选项D不正确，因为使用SQS的批量推理是异步的，无法满足2秒的实时响应要求。