AIP 题库 · 最新 50 题免费预览（第 3/5 页）

AIP（AWS Certified Generative AI Developer Professional (AIP)）最新题库第 21–30 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 21 题 · 题号 68 · 单选

一家金融服务公司正在开发一款生成式人工智能（GenAI）应用程序，该应用程序同时服务于高级客户和标准客户。该应用程序使用 Amazon API Gateway REST API 后面的 AWS Lambda 函数来处理请求。该公司需要根据每个用户所属的客户层级动态切换 AI 模型。该公司还希望执行新功能的 A/B 测试，而无需重新部署代码。该公司需要在应用更改之前验证模型参数，例如温度和最大令牌限制。哪种解决方案能够以最低的运营开销满足这些要求？

A. 为每个配置创建 AWS Systems Manager 参数存储（Parameter Store）参数。使用 Lambda 函数轮询参数更新。使用 Amazon EventBridge 事件在配置更改时触发重新部署。
B. 将模型配置存储在 Amazon DynamoDB 表中。优化访问模式以便根据客户层级检索配置。配置 Lambda 函数在每个请求开始时查询 DynamoDB，以确定使用哪个模型。
C. 使用 AWS AppConfig 来管理模型配置。使用特征标志来执行 A/B 测试。为模型参数定义 JSON 架构验证规则。配置 Lambda 函数以通过使用 AWS AppConfig Agent 来检索配置。
D. 创建一个 Amazon ElastiCache (Redis OSS) 集群来存储模型配置。设置较短的 TTL 值。在 Lambda 函数中运行自定义验证逻辑。使用 Amazon CloudWatch 指标来监控配置使用情况。

答案: C

解析: AWS AppConfig 专门用于管理功能开关（feature flags）和动态配置，直接满足所有需求。它通过功能开关支持 A/B 测试，提供用于 temperature 和 max tokens 等模型参数的 JSON schema 验证，并允许 Lambda 函数通过 AppConfig Agent 动态获取配置而无需重新部署。这消除了轮询开销（选项 A），避免了每个请求的数据库查询（选项 B），并消除了使用自定义验证逻辑管理 Redis 集群等额外基础设施的需要（选项 D）。因此，选项 C 在满足所有规定需求的同时提供了最低的运营开销。

第 22 题 · 题号 69 · 单选

一位生成式AI开发者正在构建一个基于检索增强生成（RAG）的客户支持应用程序，该应用程序使用Amazon Bedrock基础模型（FMs）。该应用程序需要处理存储在Amazon S3存储桶中作为JSON文件的50 GB历史客户对话数据。该应用程序必须将处理后的数据用作其检索语料库。该应用程序的数据处理工作流程必须从客户支持文档中提取相关数据，删除客户个人身份信息（PII），并生成用于向量存储的嵌入向量。该处理工作流程必须具有成本效益，并且必须在4小时内完成。哪种解决方案能够以最少的运营开销满足这些要求？

A. 使用 AWS Lambda 和 Amazon Comprehend 并行处理文件，删除个人身份信息（PII），并调用 Amazon Bedrock API 生成向量。配置 Lambda 并发限制和内存设置以优化吞吐量。
B. 创建一个 AWS Glue ETL 作业，以在数据上运行个人身份信息（PII）检测脚本。使用 Amazon SageMaker Processing 来运行 HuggingFaceProcessor，通过预训练模型生成嵌入向量。将嵌入向量存储在 Amazon OpenSearch Service 中。
C. 部署一个运行Apache Spark的Amazon EMR集群，其中包含调用Amazon Comprehend以检测个人身份信息（PII）的用户自定义函数（UDF）。使用Amazon Bedrock API生成向量，并将输出存储在带有pgvector扩展的Amazon Aurora PostgreSQL中。
D. 实施一个数据处理流水线，使用 AWS Step Functions 来编排工作负载，该工作负载利用 Amazon Comprehend 检测 PII（个人身份信息），并使用 Amazon Bedrock 生成嵌入向量。将该工作流与 Amazon OpenSearch Serverless 直接集成，以存储向量并提供相似性搜索功能。

答案: D

解析: 选择选项D是因为它采用了完全无服务器架构（AWS Step Functions、Amazon Comprehend、Amazon Bedrock 和 Amazon OpenSearch Serverless），无需管理任何基础设施。Step Functions 协调工作流程，Amazon Comprehend 处理 PII 检测，Amazon Bedrock 生成嵌入向量，OpenSearch Serverless 提供向量存储和内置的相似性搜索功能。与需要管理 Lambda 并发、Glue/SageMaker 协调或 EMR 集群的选项相比，这种方法具有最低的运维开销。它还具有按使用量付费的经济优势，并可扩展以在 4 小时的时间窗口内处理 50GB 的数据。

第 23 题 · 题号 70 · 单选

一家公司正在使用 Amazon Bedrock 开发一款人工智能应用程序，该应用程序使用支持跨区域推理和预置吞吐量的基础模型（FM）。该应用程序必须为欧洲和北美的用户提供持续低延迟的服务。该应用程序必须遵守数据驻留法规，这些法规要求欧洲用户数据保留在基于欧洲的 AWS 区域内。在测试期间，当区域流量激增达到服务配额时，应用程序会出现服务降级。该公司需要一个能够保持应用程序弹性并最大限度降低运营复杂性的解决方案。哪种解决方案将满足这些要求？

A. 在北美和欧洲区域部署独立的 Amazon Bedrock 实例。使用自定义路由层，根据用户位置引导流量。配置 Amazon CloudWatch 告警以监控各区域服务使用情况。使用 Amazon SNS 在使用量接近指定阈值时向公司发送电子邮件警报。
B. 通过在应用程序调用 InvokeModel API 时在配置文件 ID 中指定地理代码，使用 Amazon Bedrock 跨区域推理配置文件。配置单独的 Amazon API Gateway HTTP API，将欧洲和北美的用户定向到相应的区域端点。
C. 部署多区域的 Amazon API Gateway HTTP API 和 AWS Lambda 函数，这些函数实现了重试逻辑以处理限流。配置 Lambda 函数，当应用程序在主区域达到服务配额时，调用最近次要区域中的基础模型（FM）。使用智能路由来确保符合数据驻留要求。
D. 在多个区域为 Amazon Bedrock 配置预置吞吐量。在应用程序代码中实现故障转移逻辑，以便在发生限流时在区域之间切换。使用 AWS Global Accelerator 根据用户位置将流量路由到相应的终端节点。

答案: B

解析: 选项 B 是最佳解决方案，因为它利用了 Amazon Bedrock 原生的跨区域推理配置文件功能，该功能可以自动将推理请求分发到多个区域，以处理流量峰值，无需编写自定义代码。通过在配置文件 ID 中指定地理代码（例如 'us' 或 'eu'），公司可以确保欧洲用户数据保留在欧洲 AWS 区域内，从而遵守数据驻留法规。单独的 API Gateway HTTP API 根据用户位置将用户定向到适当的区域端点，从而提供低延迟。与其他选项相比，这种方法最大限度地降低了运营复杂性，其他选项需要自定义路由层（A）、基于 Lambda 的重试逻辑（C）或带有预配置吞吐量的自定义故障转移逻辑（D）。

第 24 题 · 题号 71 · 单选

一家金融服务公司需要预处理非结构化数据，例如客户对话记录、财务报告和文档。该公司将非结构化数据存储在 Amazon S3 中，以支持 Amazon Bedrock 应用程序。该公司必须验证数据质量、创建可审计的元数据、监控数据指标，并定制文本分块以优化基础模型（FM）的性能。哪种解决方案能够以最少的开发工作量满足这些要求？

A. 使用 Amazon SageMaker Data Wrangler 创建数据流。配置 Amazon CloudWatch 指标和警报以监控数据质量。使用自定义 AWS Lambda 函数预处理数据。将处理后的数据加载到 Amazon Bedrock。
B. 设置 AWS Glue 爬虫以编目数据源。创建 AWS Glue ETL 作业以运行自定义转换脚本。使用 AWS Glue Data Quality 验证和监控数据质量。将处理后的数据加载到 Amazon Bedrock 中。
C. 使用 Amazon Comprehend 提取实体。创建一个 AWS Lambda 函数来对文本进行分块。运行 Amazon Athena 来查询并验证数据质量。将处理后的数据加载到 Amazon Bedrock 中。
D. 创建一个 AWS Step Functions 工作流来编排数据预处理任务。在 Amazon EC2 实例上运行自定义代码来处理数据。使用 Amazon SageMaker Model Monitor 来监控数据质量。将处理后的数据加载到 Amazon Bedrock 中。

答案: B

解析: 选项B是以最少开发工作量满足要求的最佳选择。AWS Glue爬虫可以自动为数据源建立目录并创建可审计的元数据。AWS Glue Data Quality是一项托管服务，专门用于验证和监控数据质量，无需大量自定义代码。AWS Glue ETL作业可以运行自定义转换脚本以优化文本分块。这个集成解决方案提供了所有必需的功能（数据质量验证、可审计元数据、数据指标监控和自定义文本分块），同时最大程度地减少了自定义开发工作。其他选项要么需要更多的开发工作量（Lambda函数、EC2自定义代码），要么使用的服务未针对这些需求进行优化（使用CloudWatch进行数据质量监控、使用SageMaker Model Monitor监控ML模型、使用Athena进行质量验证）。

第 25 题 · 题号 72 · 单选

一家公司正在构建一个生成式人工智能（GenAI）应用程序，该应用程序基于各种内部和外部数据源生成内容。该公司希望确保生成的输出完全可追溯。该应用程序必须支持数据源注册并启用元数据标记，以将内容归属于其原始来源。该应用程序还必须在整个管道中维护数据访问和使用的审计日志。哪种解决方案将满足这些要求？

A. 使用 AWS Lake Formation 来对数据源进行编目并控制访问权限。在 Amazon S3 中直接应用元数据标签。使用 AWS CloudTrail 来监控 API 活动。
B. 使用 AWS Glue 数据目录来注册和标记数据源。使用 Amazon CloudWatch Logs 来监控访问模式和应用程序行为。
C. 将数据存储在 Amazon S3 中，并使用对象标签进行归属管理。使用 AWS Glue 数据目录管理架构信息。使用 AWS CloudTrail 记录对 S3 存储桶的访问。
D. 使用 AWS Glue 数据目录来注册所有数据源。应用元数据标签来归属数据源。使用 AWS CloudTrail 来记录跨服务的访问和活动。

答案: D

解析: 选项D是最佳解决方案，因为它全面满足了三个要求：(1) AWS Glue Data Catalog专门用于注册和编目数据源，(2) 通过Glue Data Catalog应用的元数据标签能够将生成的内容正确归属于其原始来源，这对于GenAI应用程序中的可追溯性至关重要，(3) AWS CloudTrail在整个数据管道中提供跨多个AWS服务的全面审计日志记录。选项A使用Lake Formation，该服务更侧重于数据湖访问控制而非内容归属。选项B使用CloudWatch Logs，该服务更适合于应用程序级别的监控，而不是跨服务的全面审计跟踪。选项C较为分散——它将模式管理和标签分离到不同的服务中，并且仅记录S3访问而非整个管道的活动。

第 26 题 · 题号 73 · 单选

一家电子商务公司正在开发一个使用 Amazon Bedrock 与 Anthropic Claude 的生成式 AI (GenAI) 解决方案，用于向客户推荐产品。客户反馈称，一些推荐产品在网站上没有销售，或者与客户的需求不相关。客户还反馈说，该解决方案有时需要很长时间才能生成推荐结果。公司调查了这些问题，发现客户与产品推荐解决方案之间的大多数交互都是唯一的。公司确认该解决方案推荐了不在公司产品目录中的产品。公司必须解决这些问题。哪种解决方案能够满足此要求？

A. 增加 Amazon Bedrock Guardrails 中的事实基础性。启用自动推理检查。设置预配置吞吐量。
B. 使用提示工程来限制模型响应仅涉及相关产品。使用流式技术（例如 InvokeModelWithResponseStream 操作）来降低客户感知到的延迟。
C. 创建一个 Amazon Bedrock 知识库。实施检索增强生成 (RAG)。将 PerformanceConfigLatency 参数设置为 optimized（已优化）。
D. 将产品目录数据存储在 Amazon OpenSearch Service 中。根据产品目录验证模型的产品推荐。使用 Amazon DynamoDB 实现响应缓存。

答案: C

解析: 最佳解决方案是C，因为它解决了所有三个问题：(1) 创建Amazon Bedrock知识库并实施检索增强生成(RAG)可确保模型从公司目录中检索实际产品信息，直接解决推荐不存在或不相关产品的问题。(2) 将PerformanceConfigLatency参数设置为optimized有助于减少延迟问题。选项A不正确，因为Automated Reasoning检查设计用于逻辑验证，而非产品目录验证。选项B不够充分，因为仅靠提示工程无法可靠地将模型限制为仅推荐现有产品，并且流式传输只能减少感知延迟，而不能减少实际生成时间。选项D不太理想，因为当大多数交互都是唯一的（如问题所述）时，使用DynamoDB进行缓存没有帮助，并且在生成后进行验证不如从一开始就使用RAG来增强响应有效。

第 27 题 · 题号 74 · 单选

一家医疗保健公司正在使用 Amazon Bedrock 开发一款实时患者护理 AI 助手，以响应来自不同部门的咨询，包括临床问诊、保险核验、预约安排和保险理赔。该公司希望采用多智能体架构。该公司必须确保该 AI 助手具备可扩展性，并且能够为患者新增功能。该 AI 助手必须能够同时处理数千个患者的并行交互。该公司必须确保患者能够获得针对特定领域的准确回复。哪种解决方案能够满足这些要求？

A. 通过使用独立的知识库来隔离每个代理的数据。使用 IAM 过滤来控制对每个知识库的访问。部署一个监督代理来对患者咨询进行自然语言意图分类。配置监督代理将查询路由到专门的协作代理，以响应特定部门的查询。配置每个专门的协作代理，使其能够使用检索增强生成（RAG）结合该代理的特定部门知识库来回答问题。
B. 为每个部门创建单独的主管代理。为每个部门内的各个专业领域配置协作代理，以执行自然语言意图分类。将每个协作代理仅与部门特定的知识库集成。在主管代理之间实施手动交接流程。
C. 将每个部门的数据隔离在独立的知识库中。使用 IAM 过滤来控制对每个知识库的访问。部署一个通用型智能体。在该通用型智能体内部配置多个操作组，以执行各部门特定的职能。在智能体的指令中实现基于规则的路由逻辑。
D. 实施多个独立运行的监督智能体，以并行方式响应各科室的患者问询。为每个监督智能体配置多个协作智能体。将所有智能体与同一知识库集成。使用外部路由逻辑合并多个监督智能体的响应。

答案: A

解析: 选项A最能满足所有需求。它采用多智能体架构,由监督智能体执行意图分类并将查询路由到专门的协作智能体。每个协作智能体使用RAG及其各自的部门特定知识库,确保领域特定的响应。通过单独的知识库和IAM过滤进行数据隔离,提供了安全性和可扩展性。这种模块化设计允许通过添加新的协作智能体来轻松接入新功能/新部门,而不会影响现有智能体,分布式智能体架构可以高效处理数千个并行交互。

第 28 题 · 题号 75 · 单选

一家金融科技公司正在使用 Amazon Bedrock 为其客户服务 AI 助手构建一个评估系统。该 AI 助手必须提供在事实上准确、符合金融法规且适合对话场景的金融建议。该公司需要将大规模的自动化质量评估与针对关键交互的目标性人工审查相结合。哪种解决方案能够满足这些要求？

A. 配置一个流程，让金融专家手动对所有回复的准确性、合规性和对话质量进行评分。使用 Amazon SageMaker notebooks 分析结果，以识别改进领域。
B. 配置 Amazon Bedrock 评估，使用 Anthropic Claude Sonnet 作为评判模型，以评估回复的准确性和适宜性。配置自定义 Amazon Bedrock 防护机制，检查回复是否符合财务政策。添加 Amazon Augmented AI (Amazon A2I) 人工审核，对被标记的关键交互进行审核。
C. 创建一个 Amazon Lex 机器人来管理客户服务交互。配置 AWS Lambda 函数以根据静态合规数据库检查响应。在机器人中配置调用这些 Lambda 函数以检查响应的意图。添加一个额外的意图以收集最终用户的评价。
D. 配置 Amazon CloudWatch 以监控 AI 助手的响应模式。配置 CloudWatch 警报以发现潜在的合规违规情况。组建一支人工评估团队来审核被标记的交互。

答案: B

解析: 选项B是正确答案，因为它直接满足了所有陈述的要求。该公司需要将大规模自动质量评估与关键交互的目标人工审查相结合，同时使用Amazon Bedrock。选项B使用Amazon Bedrock评估功能，以Anthropic Claude Sonnet作为评判模型，对准确性和适当性进行大规模自动质量评估。它使用自定义的Amazon Bedrock护栏检查财务政策（金融法规）的合规性。并使用Amazon A2I对被标记的关键交互进行有针对性的人工审查。这种组合完美匹配了所有要求。选项A失败的原因是对手动对所有响应进行评分无法扩展。选项C使用Amazon Lex而不是Amazon Bedrock评估功能，并且使用静态合规数据库存在局限性。选项D使用CloudWatch进行监控而不是主动的基于AI的评估，并且缺乏大规模自动质量评估。

第 29 题 · 题号 76 · 多选

一家电子商务公司正在构建一个内部平台，通过使用 Amazon Bedrock 基础模型（FMs）来开发生成式 AI 应用程序。开发人员需要根据与电子商务用例一致的评估来选择模型。该平台必须在仪表板上显示文本生成和摘要的准确性指标。该公司拥有自定义的电子商务数据集，可用作标准化的评估输入。哪种步骤组合将以最少的运营开销来满足这些要求？（选择两项）

A. 将数据集导入到 Amazon S3 存储桶。提供适当的 IAM 权限和跨源资源共享（CORS）权限，以便评估作业可以访问这些数据集。
B. 将数据集导入到 Amazon S3 存储桶中。提供适当的 IAM 权限和 VPC 端点配置，以便评估作业能够访问这些数据集。
C. 在 Amazon Bedrock 控制台中配置一个 AWS Lambda 函数，使其按计划创建模型评估作业。提供一个包含数据集的 S3 存储桶的 URI 作为输入。配置评估作业以衡量文本生成的真实世界知识（RWK）评分和摘要的 BERT 评分。配置第二个 Lambda 函数来检查作业状态，并将自定义日志发布到 Amazon CloudWatch。创建一个自定义的 Amazon CloudWatch Logs Insights 仪表板。
D. 按计划使用 Amazon SageMaker Clarify 创建模型评估作业。使用开源框架创建并运行标准化评估。将结果发布到 Amazon CloudWatch 命名空间。使用词错误率评分作为文本生成的准确性指标，使用有害性作为摘要的准确性指标。配置 AWS Lambda 函数以检查作业状态，并将自定义日志发布到 CloudWatch。创建自定义的 Amazon CloudWatch Logs Insights 仪表板。
E. 使用 fmevals 或 ragas 框架按计划运行 Amazon SageMaker AI 笔记本作业，以运行使用 S3 存储桶中数据集的评估。在笔记本中编写 Python 代码，直接调用 InvokeModel API 来调用 FM 并处理其响应以进行评估。将作业状态和结果发布到 Amazon CloudWatch Logs，以衡量真实世界知识 (RWK) 评分（用于文本生成）和有害性（用于摘要生成）作为准确性指标。创建一个自定义的 CloudWatch Logs Insights 仪表板。

答案: A, C

解析: 选项A使用Amazon S3配合IAM和CORS权限，这是为Bedrock评估作业提供自定义电商数据集访问权限的最简单且操作复杂度最低的方式。CORS是Bedrock在评估过程中访问S3数据集所必需的。选项C利用了Amazon Bedrock原生的模型评估作业功能，并使用了适当的准确性指标：文本生成使用真实世界知识（RWK）评分，摘要使用BERT评分——两者都是衡量这些用例准确性的合适指标。使用Lambda函数调度作业和检查状态，结合CloudWatch Logs Insights仪表板，通过使用托管服务和内置集成最大程度地降低了运营开销。选项B增加了不必要的VPC端点配置复杂性。选项D和E使用了不合适的指标（文本生成的词错误率和摘要的毒性评分不是准确性指标），并且需要通过自定义代码、SageMaker作业或笔记本管理承担更多的运营开销。

第 30 题 · 题号 77 · 单选

一家医疗保健公司正在使用 Amazon Bedrock 构建一个检索增强生成（RAG）应用程序，以帮助医护人员做出临床决策。该应用程序必须实现患者信息检索的高准确性，识别生成内容中的幻觉，并降低人工审核成本。哪种解决方案能满足这些要求？

A. 使用 Amazon Comprehend 分析和分类 RAG 响应，并提取医学实体及其关系。使用 AWS Step Functions 编排自动化评估。配置 Amazon CloudWatch 指标以跟踪实体识别置信度分数。配置 CloudWatch 在准确率低于指定阈值时发送告警。
B. 实施基于大语言模型（LLM）的自动化评估，使用经过医学内容微调的专业模型来评估所有响应。部署 AWS Lambda 函数以并行化评估。将结果发布到 Amazon CloudWatch 指标，以跟踪相关性和事实准确性。
C. 配置 Amazon CloudWatch Synthetics 以定期生成具有已知答案的测试查询，并跟踪模型成功率。设置仪表板，将综合测试结果与预期结果进行比较。
D. 部署一个混合评估系统，使用自动化的 LLM 作为评判的评估方法对响应进行初步筛选，并针对边缘情况由人工进行定向审查。使用 Amazon SageMaker Feature Store 来维护评估数据集。使用 Amazon Bedrock 内置的评估功能来跟踪检索准确性和幻觉率。

答案: D

解析: 选项D是最佳解决方案，因为它全面满足了所有三个要求：(1) 通过自动化LLM-as-a-judge评估与针对边缘情况的人工审核相结合，实现了患者信息检索的高准确性，确保了广泛的覆盖范围和质量保证。(2) 通过使用内置的Amazon Bedrock评估来跟踪幻觉率，直接处理幻觉识别问题。(3) 通过混合方法降低了人工审核成本，其中自动化评估首先筛选响应，人工审核员只需要关注边缘情况，从而显著减少了工作量。此外，SageMaker Feature Store有助于高效维护和管理评估数据集。