AIP 题库 · 最新 50 题免费预览（第 4/5 页）

AIP（AWS Certified Generative AI Developer Professional (AIP)）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 98 题。

第 31 题 · 题号 78 · 单选

一家电梯服务公司通过使用 Amazon Bedrock 开发了一款 AI 助手应用程序。该应用程序生成电梯维护建议，以支持公司的电梯技术人员。该公司使用 Amazon Kinesis Data Streams 收集电梯传感器数据。新的监管规则要求必须由人工技术人员审查所有 AI 生成的建议。该公司需要建立人工监督工作流程来审查和批准 AI 建议。该公司必须存储所有人工技术人员的审查决策以用于审计目的。哪种解决方案能满足这些要求？

A. 通过使用 AWS Lambda 函数和 Amazon SQS 队列创建自定义审批工作流，以便对 AI 推荐进行人工审核。将所有审核决策存储在 Amazon DynamoDB 中以用于审计目的。
B. 创建一个 AWS Step Functions 工作流，其中包含一个使用 waitForTaskToken API 暂停执行的人工审批步骤。在人工技术人员完成审核后，使用 AWS Lambda 函数调用 SendTaskSuccess API 来传递审批决策。将所有审核决策存储在 Amazon DynamoDB 中。
C. 创建一个包含人工审批步骤的 AWS Glue 工作流。在人工技术员审核后，通过调用 SendTaskSuccess API 的 AWS Lambda 函数集成该应用程序。将所有人工技术员审核决策存储在 Amazon DynamoDB 中。
D. 配置带有自定义事件模式的 Amazon EventBridge 规则，将 AI 建议路由给人工技术员进行审核。创建 AWS Glue 作业来处理人工技术员审批队列。使用 Amazon ElastiCache 缓存所有人工技术员的审核决策。

答案: B

解析: 选项B是正确答案,因为AWS Step Functions为人机协同审批工作流提供了原生模式。waitForTaskToken API专门用于暂停工作流执行,直到人工任务完成,然后通过SendTaskSuccess恢复工作流并传递审批决定。这是AWS推荐的用于人工监督工作流的模式。DynamoDB适合存储审计决策,因为它提供持久化、可查询的存储。选项A使用SQS,缺乏所需的编排和任务跟踪功能。选项C错误地使用了AWS Glue,后者是为ETL作业设计的,不是人工审批工作流,也没有原生的人工审批步骤。选项D使用ElastiCache,这是内存缓存,不适合持久化审计存储,也不遵循标准的人工审批模式。

第 32 题 · 题号 79 · 单选

一家医疗公司使用 Amazon Bedrock 来驱动临床文档摘要系统。该系统在处理复杂临床文档时生成的摘要存在不一致的问题，而在处理简单临床文档时表现良好。该公司需要一个解决方案，能够诊断摘要不一致问题、根据既定指标比较提示词的性能，并维护提示词版本的历史记录。哪种解决方案能够满足这些要求？

A. 通过 Amazon Bedrock 中的提示管理创建多个提示变体。使用简单的临床文档手动测试提示。通过 Amazon Bedrock 控制台部署性能最高的版本。
B. 在代码仓库中为提示词实施版本控制，并配备一个包含复杂临床文档和可量化评估指标的测试套件。使用自动化测试框架来比较不同版本的提示词，并记录性能模式。
C. 将每个新提示版本部署到单独的 Amazon Bedrock API 端点。在端点之间分配生产流量。配置 Amazon CloudWatch 以捕获响应指标和用户反馈，以便自动进行版本选择。
D. 在 Amazon Bedrock Flows 中创建一个自定义提示评估流程，将相同的临床文档输入应用于不同的提示变体。使用 Amazon Comprehend Medical 来分析和评分每个版本的事实准确性。

答案: B

解析: 选项 B 是正确的选择，因为它满足了问题中指定的全部三项要求。首先，它通过包含复杂临床文档的测试套件来诊断不一致性，这正是当前系统遇到困难的地方。其次，它通过可量化的评估指标和自动化测试框架来根据既定指标比较提示性能。第三，它通过代码仓库中的版本控制来维护提示版本的历史记录，这本质上可以跟踪更改并在需要时允许回滚。选项 A 失败是因为它仅测试简单文档（系统已经表现良好的地方），并使用手动测试。选项 C 侧重于生产中的 A/B 测试，而不是根据既定指标进行系统诊断，并且对临床文档评估使用用户反馈是有问题的。选项 D 使用了 Bedrock Flows 和 Comprehend Medical，但没有通过适当的版本控制系统明确提供历史版本跟踪要求。

第 33 题 · 题号 80 · 单选

一家软件公司正在使用 Amazon Q Business 构建一个 AI 助手，使员工能够通过自然语言提示访问公司信息和个人信息。该公司将这些信息存储在 Amazon S3 存储桶中。公司每个部门在 S3 存储桶中都有专用的前缀。每个对象名称包含其所属部门的 S3 前缀。每个部门在 AWS IAM Identity Center 中只能属于一个组。每位员工属于一个部门。该公司配置 Amazon Q Business 以访问存储在 S3 存储桶中的数据作为数据源。公司需要确保 AI 助手根据用户的 IAM Identity Center 组成员身份来遵守访问控制。哪种解决方案将以最少的运营开销满足此要求？

A. 在每个部门文件夹中创建一个名为 acl.json 的 JSON 文件。在每个文件中，创建访问控制条目，指定应有权访问该部门数据的 IAM Identity Center 组。在数据源设置的"访问控制"部分中指明 JSON 文件的位置。
B. 在 S3 存储桶的顶层创建一个名为 acl.json 的 JSON 文件。添加访问控制条目，将每个部门的 S3 前缀映射到其对应的 IAM Identity Center 组。在数据源设置的访问控制部分中指明该 JSON 文件的位置。
C. 为每个 IAM Identity Center 组创建一个单独的权限集，用于拒绝访问 S3 存储桶中的所有前缀。为每个组的权限集添加一个 StringNotEquals 条件键，以指定该组所关联的部门。然后将这些权限集附加到对应的 Identity Center 组。
D. 在 S3 存储桶的顶层创建一个名为 metadata.json 的元数据文件。在文件中添加一个 AccessControlList 对象，指定每个部门前缀的 S3 路径。指定应该有权访问每个部门前缀的 IAM Identity Center 组。在数据源元数据设置中引用该文件位置。

答案: B

解析: 正确答案是B。Amazon Q Business支持通过存储在S3桶中的JSON文件定义的访问控制列表(ACL)来实现文档级访问控制。通过在S3桶顶层创建一个acl.json文件，并将每个部门的S3前缀映射到其对应的IAM Identity Center组，与选项A（需要创建和维护多个ACL文件，每个部门一个）相比，此解决方案将运营开销降至最低。选项C涉及更复杂的IAM权限配置，运营工作量更大。选项D不正确，因为Amazon Q Business使用acl.json文件进行访问控制配置，而不是在元数据设置中引用的包含AccessControlList对象的metadata.json。选项B提供了集中的单文件方法，以最低的运营开销满足要求。

第 34 题 · 题号 81 · 单选

一家医院正在构建一个人工智能应用程序，以帮助医疗临床医生做出治疗决策。该应用程序使用Amazon Bedrock分析患者病例历史并建议诊断结果。该应用程序必须保持低于500毫秒的响应时间，以与医院现有的实时临床工作流程集成。为遵守隐私法规，该应用程序必须记录所有个人信息（PII）处理决策以供审计。该应用程序必须以至少99%的准确率检测并移除响应中的PII。初始部署后，临床医生报告称，该应用程序生成的诊断摘要偶尔包含原始病例历史输入中不存在的患者姓名和医疗记录编号。调查发现，Amazon Comprehend Medical成功以95%的准确率检测并移除输入中的PII，并且该应用程序在将输入发送给Amazon Bedrock之前，会将所有检测到的实体替换为标记。然而，该应用程序在大约3-5%的输出中仍会生成患者身份信息。该公司需要一个解决方案来防止应用程序在输出中显示PII，同时满足所有其他运营要求。哪种解决方案能够满足这些要求？

A. 配置 Amazon Bedrock 防护机制，使用敏感信息过滤器来检测并阻止模型输出中的个人身份信息（PII）。
B. 通过使用正则表达式和自定义实体识别，部署第二层个人身份信息（PII）检测层，以便在将输入发送给 Amazon Bedrock 之前，识别 Amazon Comprehend Medical 遗漏的标识符。
C. 在预处理过程中，从病例病史中移除详细的医疗背景信息，以防止模型根据临床模式关联生成特定患者的信息。
D. 在 Amazon Bedrock API 调用中启用会话隔离。在请求之间清除对话历史记录，以防止患者信息在多个病例分析中持续存在。

答案: A

解析: 选项A是最佳解决方案，因为带有敏感信息过滤器的Amazon Bedrock Guardrails直接解决了模型输出中出现PII的问题。问题在于,尽管Amazon Comprehend Medical能够检测并移除输入中的PII(准确率为95%),但模型仍然在3-5%的输出中生成新的PII。Bedrock Guardrails可以在PII到达用户之前过滤和阻止输出中的PII,可以配置以满足99%准确率的要求,支持审计日志记录以满足合规要求,并保持低延迟以满足500毫秒以内的响应时间要求。选项B仅处理输入PII,而无法处理输出中生成的PII。选项C会降低应用程序的诊断质量。选项D解决了跨会话污染问题,但无法防止单次请求中生成PII。

第 35 题 · 题号 82 · 单选

一家公司部署了一个AI助手作为React应用程序，该应用程序使用AWS Amplify、AWS AppSync GraphQL API和Amazon Bedrock知识库。该应用程序使用GraphQL API调用Amazon Bedrock RetrieveAndGenerate API进行知识库交互。该公司配置了一个AWS Lambda解析器，使用RequestResponse调用类型。\n\n应用程序用户报告频繁的超时和响应缓慢的问题。对于需要更长处理的复杂问题，用户报告这些问题的频率更高。\n\n公司需要一个解决方案来解决这些性能问题并增强用户体验。\n\n哪种解决方案将满足这些要求？

A. 使用 AWS Amplify AI Kit 来实现来自 GraphQL API 的流式响应，并优化客户端渲染。
B. 增加 Lambda 解析器的超时值。实现具有指数退避策略的重试逻辑。
C. 更新应用程序以向 Amazon SQS 队列发送 API 请求。更新 AWS AppSync 解析器以轮询并处理该队列。
D. 将 RetrieveAndGenerate API 更改为 InvokeModelWithResponseStream API。更新应用程序以使用 Amazon API Gateway WebSocket API 来支持流式响应。

答案: A

解析: AWS Amplify AI Kit 专为将 Amazon Bedrock 等 AI 服务与 Amplify 应用程序集成而设计。它提供对 GraphQL API 流式响应的内置支持，这直接解决了复杂问题因处理时间较长而导致的超时问题。通过实现流式响应，用户可以增量地查看结果，而不必等待整个响应完成，从而显著改善用户体验。此外，该工具包还优化了客户端渲染。选项 B 没有解决根本原因，因为复杂查询仍会发生超时，而重试逻辑只会增加更多等待时间。选项 C 通过 SQS 引入轮询延迟，会使用户体验变得更糟。选项 D 需要重大架构更改（WebSocket API 和不同的 Bedrock API），与使用专门构建的 Amplify AI Kit 相比过于复杂。

第 36 题 · 题号 83 · 单选

一个企业应用程序使用 Amazon Bedrock 基础模型（FM）来处理和分析 50 到 200 页的技术文档。当处理的文档超出 FM 的上下文窗口限制时，用户会遇到响应不一致以及输出被截断的问题。\n\n哪种解决方案能够解决此问题？

A. 将每个块配置为固定大小分块，大小为 4,000 个标记，重叠比例为 20%。使用应用层逻辑按顺序链接多个块，直到达到 FM 最大的 200,000 个标记上下文窗口，然后再进行推理调用。
B. 使用分层分块策略，父块大小为 8,000 个令牌，子块大小为 2,000 个令牌。利用 Amazon Bedrock 知识库的内置检索功能，根据查询上下文自动选择相关的父块。配置重叠令牌以保持语义连续性。
C. 使用断点百分位阈值为95%和缓冲区大小为3的句子进行语义分块。使用Amazon Bedrock RetrieveAndGenerate API调用，根据嵌入相似度分数动态选择最相关的块。
D. 创建一个预处理 AWS Lambda 函数，使用 FM 的分词器分析文档的标记计数。配置该 Lambda 函数，将文档拆分为适合上下文窗口 80% 的相等分段。配置该 Lambda 函数，使其能够独立处理每个分段，然后再汇总结果。

答案: B

解析: 选择B的原因如下：1）技术文档通常具有层次结构（章节、小节、子小节），分层分块（hierarchical chunking）能够很好地保留这种结构关系；2）父块（8,000 tokens）保留更广泛的上下文信息，子块（2,000 tokens）提供具体细节；3）Amazon Bedrock Knowledge Bases是AWS专门为大型文档检索增强生成（RAG）场景设计的完全托管服务，提供基于查询上下文自动选择相关父块的内置检索功能；4）通过重叠token保持语义连续性，确保响应的一致性和完整性。相比之下，选项A试图通过顺序链接多个块达到200,000 token的上限，这种方法不可靠且违背了分块的目的；选项C的语义分块对技术文档结构的保留效果不佳；选项D需要自定义实现，不利用AWS托管服务，且独立处理片段可能丢失跨段上下文。

第 37 题 · 题号 84 · 单选

一家公司正在开发一款使用 Amazon Bedrock 基础模型 (FM) 的生成式人工智能 (GenAI) 驱动的客户支持应用程序。该应用程序必须在与同一用户的多次交互中保持对话上下文。该应用程序必须运行澄清工作流以处理模糊不清的用户查询。该公司必须存储每次用户对话的加密记录以用于个性化。该应用程序必须能够处理数千个并发用户，同时快速响应每个用户。\n\n哪种解决方案能满足这些要求？

A. 使用 AWS Step Functions Express 工作流来编排对话流程。调用 AWS Lambda 函数来运行澄清逻辑。将对话历史存储在 Amazon RDS 中，并使用会话 ID 作为主键。
B. 使用 AWS Step Functions 标准工作流来编排澄清工作流。包含"等待回调"（Wait for a Callback）模式来管理工作流。在 Amazon DynamoDB 中存储对话历史。购买按需容量并配置服务器端加密。
C. 通过使用 Amazon API Gateway REST API 部署应用程序，以将用户请求路由到 AWS Lambda 函数，从而更新和检索对话上下文。将对话历史记录存储在 Amazon S3 中，并配置服务器端加密。每次交互保存为单独的 JSON 文件。
D. 使用 AWS Lambda 函数调用 Amazon Bedrock 推理 API。使用 Amazon SQS 队列来协调澄清步骤。将对话历史记录存储在 Amazon ElastiCache（Redis OSS）集群中。配置静态加密。

答案: B

解析: 选项B是正确答案,原因如下:1) Step Functions标准工作流配合Wait for Callback模式(使用.waitForTaskToken)专门用于编排需要暂停并等待外部输入的工作流,这正是处理模糊查询的澄清工作流所需要的。2) DynamoDB搭配按需容量模式可以自动扩展以处理数千个并发用户,并保持个位数毫秒级延迟,满足性能要求。3) DynamoDB默认启用服务器端加密,满足安全性要求。4) 使用会话ID作为DynamoDB的主键是快速检索用户对话历史的高效模式。其他选项的不足之处在于:选项A使用Express工作流(有5分钟时限,不适合等待澄清),且RDS无法很好地扩展以应对数千个并发的快速响应。选项C使用S3存储单独的JSON文件,需要检索多个文件才能重建对话上下文,效率低下。选项D使用的SQS是消息队列,不是适合管理澄清工作流状态的编排器。

第 38 题 · 题号 85 · 单选

一家软件即服务（SaaS）公司正在构建一个推荐模型，该模型使用 Amazon SageMaker AI 来支持一款向客户推荐航空公司舱位升级的应用程序。该公司将通过使用 Amazon Bedrock 自定义模型导入功能，将 SageMaker AI 模型托管在 Amazon Bedrock 上。航空公司将使用该应用程序向客户发送定制化优惠。该模型必须检查客户的旅行历史，以帮助提供更相关的推荐。该公司将客户旅行历史数据存储在 Amazon RDS 数据库中。该公司必须确保应用程序在多家航空公司和不同客户群体中提供一致、相关且准确的结果。哪种解决方案能满足这些要求？

A. 使用 Amazon Bedrock 知识库来实现 RAG 架构，以分析客户旅行历史数据，并为应用程序提供语义搜索能力。利用语义搜索能力检索相关的预订模式、偏好和忠诚度信息，以生成个性化的客舱升级推荐。应用 Amazon Bedrock 安全护栏来过滤内容。使用 AWS Step Functions 和 AWS Lambda 函数来编排验证工作流程，以减少幻觉现象。
B. 实施文本到SQL的转换，并结合SQL验证，以准确地从RDS数据库中检索相关的预订模式、偏好和忠诚度信息。利用这些结果生成个性化的客舱升级建议。应用Amazon Bedrock防护机制来过滤内容。使用AWS Step Functions和AWS Lambda函数来编排验证工作流，以减少幻觉。
C. 使用 Amazon OpenSearch Service 实现客户旅行历史嵌入的向量搜索。利用向量搜索为应用程序提供基于相似度的预订模式、偏好和忠诚度信息检索能力，从而生成个性化的舱位升级推荐。应用 Amazon Bedrock 安全护栏来过滤响应。使用置信度评分和语义相似性搜索来减少幻觉现象。
D. 实现文本到SQL的转换，并配合SQL校验，以准确从RDS数据库中检索相关的预订模式、偏好和忠诚度信息。利用检索结果生成个性化的客舱升级推荐。应用Amazon Bedrock的安全护栏来过滤响应。使用置信度评分和语义相似度搜索来减少幻觉现象。

答案: B

解析: 该问题要求解决方案能够使用存储在 Amazon RDS 中的结构化客户旅行历史数据，为多家航空公司提供一致、相关和准确的结果。选项 B 是最佳选择，原因如下：(1) Text-to-SQL 转换是用于从 Amazon RDS 等结构化关系数据库检索数据的最合适方法，能够针对预订模式、偏好和忠诚度信息进行精确查询。(2) SQL 验证确保检索数据的准确性和一致性，这对于在不同的航空公司之间提供相同质量的推荐至关重要。(3) 使用 AWS Step Functions 和 AWS Lambda 编排验证工作流提供了一种基于确定性规则的方法来减少幻觉，确保可靠且可重现的结果。相比之下，选项 A 的 Knowledge Bases 的 RAG 架构更适合非结构化数据；选项 C 的 OpenSearch 向量搜索适用于嵌入向量而非结构化关系数据；而选项 D 将语义相似性搜索与 text-to-SQL 相结合，会引入非确定性行为，可能导致不同客户群体之间的结果不一致，无法满足在多家航空公司之间提供一致结果的关键要求。

第 39 题 · 题号 86 · 单选

一家金融服务公司通过 Amazon Bedrock 使用多个基础模型 (FM) 来支持其生成式 AI (GenAI) 应用程序。为了遵守针对敏感金融数据使用 GenAI 的新法规，该公司需要一个令牌管理解决方案。\n\n该令牌管理解决方案必须在应用程序接近特定模型的令牌限制时主动发出警报。此外，该解决方案还必须能够每分钟处理超过 5,000 个请求，并维护令牌使用指标，以便在各业务部门之间分配成本。\n\n哪种解决方案能够满足这些要求？

A. 在 AWS Lambda 函数中开发特定模型的标记器。配置 Lambda 函数，在向 Amazon Bedrock 发送请求之前估算标记使用量。配置 Lambda 函数将指标发布到 Amazon CloudWatch，并在请求接近阈值时触发警报。将详细的标记使用情况存储在 Amazon DynamoDB 中以报告成本。
B. 实施 Amazon Bedrock Guardrails 并配置令牌配额策略。捕获被拒绝请求的指标。配置 Amazon EventBridge 规则，根据 Amazon Bedrock Guardrails 指标触发通知。使用 Amazon CloudWatch 仪表板可视化跨模型的令牌使用趋势。
C. 部署一个 Amazon SQS 死信队列，用于处理失败的请求。配置一个 AWS Lambda 函数来分析与令牌相关的失败。利用 Amazon CloudWatch Logs Insights 根据来自 Amazon Bedrock API 响应的错误日志生成令牌使用模式的报告。
D. 使用 Amazon API Gateway 为所有 Amazon Bedrock API 调用创建代理。根据预定义令牌配额的自定义使用计划配置请求限流。配置 API Gateway 以拒绝超出令牌限制的请求。

答案: A

解析: 选项A是最佳解决方案，因为它满足所有三个要求：(1) 主动告警 - Lambda函数在向Amazon Bedrock发送请求之前估算token使用量，并在接近限制时触发CloudWatch告警；(2) 高吞吐量 - Lambda函数可以扩展以处理每分钟超过5,000个请求；(3) 成本分配 - DynamoDB存储详细的token使用指标，可以跨业务部门进行报告。选项B仅捕获被拒绝请求的指标（被动响应，而非主动监控），并且Bedrock Guardrails主要用于内容过滤，而不是token配额管理。选项C是被动响应（仅在发生故障后处理），无法提供主动告警。选项D使用API Gateway限流，这是用于速率限制的，无法基于token级别进行跟踪，也不能根据输入/输出内容准确测量token使用量。

第 40 题 · 题号 87 · 单选

一家医疗保健公司使用 Amazon Bedrock 部署了一个用于生成临床文档摘要的应用程序。该应用程序存在响应质量不一致的问题，偶尔会出现事实性幻觉。月度成本超出公司预算的 40%。一名 GenAI 开发人员必须实施一个近实时监控解决方案，以检测幻觉、识别异常的 token 消耗，并对成本异常提供早期预警。该解决方案必须只需极少的自定义开发工作和维护开销。\n\n哪种解决方案能满足这些要求？

A. 配置 Amazon CloudWatch 警报以监控 InputTokenCount 和 OutputTokenCount 指标，从而检测异常。将模型调用日志存储在 Amazon S3 存储桶中。使用 AWS Glue 和 Amazon Athena 来识别潜在的幻觉。
B. 运行使用基于LLM的判断来检测幻觉的Amazon Bedrock评估任务。配置Amazon CloudWatch以跟踪令牌使用情况。创建一个AWS Lambda函数来处理CloudWatch指标。配置该Lambda函数以发送使用模式通知。
C. 将 Amazon Bedrock 配置为将模型调用日志存储在 Amazon S3 存储桶中。启用文本输出日志记录。配置 Amazon Bedrock 防护机制以运行上下文基础检查来检测幻觉。创建 Amazon CloudWatch 异常检测告警以监控令牌使用指标。
D. 使用 AWS CloudTrail 记录所有 Amazon Bedrock API 调用。在 Amazon QuickSight 中创建自定义仪表板以可视化令牌使用模式。使用 Amazon SageMaker Model Monitor 检测生成摘要中的质量漂移。

答案: C

解析: 选项C是正确答案，因为它以最少的自定义开发工作满足了所有要求。Amazon Bedrock Guardrails 的上下文基础性检查（contextual grounding checks）是一项原生内置功能，专门用于通过评估模型响应是否基于源材料来近乎实时地检测幻觉。这对于医疗保健公司的临床文档摘要用例至关重要。Amazon CloudWatch 异常检测告警可以自动提供成本异常和异常 token 消耗的早期预警，无需自定义代码或 Lambda 函数。这两项服务都是完全托管的，从而降低了维护开销。相比之下，选项 A 需要构建自定义的 Glue 和 Athena 工作流；选项 B 需要自定义 Lambda 函数，并依赖于批处理评估作业（这些作业并非近乎实时）；选项 D 涉及 CloudTrail（用于审计而非监控）和 SageMaker Model Monitor（专为传统 ML 模型而非 Bedrock LLM 输出设计），所有这些都需要大量的自定义开发和维护工作。