AWS Certified AI Practitioner (AIF-C01)

AWS Certified AI Practitioner (AIF-C01) 更新于今天
  • 查看第 4 至第 24 页.
  • 查看第 16-20 至第 120 道题
Disclaimers:
  • - ExamTopics website is not related to, affiliated with, endorsed or authorized by Amazon.and Azure
  • - Trademarks, certification & product names are used for reference only and belong to Amazon.and Azure

Topic 1 - Exam A

Question #16 Topic 1

一家公司正在开发一个 ML 模型来预测客户流失。该模型在训练数据集上表现良好,但不能准确预测新数据的流失率。哪种解决方案可以解决此问题?

  • A 减小正则化参数以增加模型复杂性。
  • B 增加正则化参数以降低模型复杂性。
  • C 向输入数据添加更多特征。
  • D 训练模型以获得更多 epoch。
正确答案: B
解析: 这是一个多选题,因为它提供了四个选项(A、B、C和D)。正确答案是B,因为增加正则化参数可以帮助降低模型复杂度并减少过拟合,这似乎是评审文本中描述的问题。
Question #17 Topic 1

一家公司希望使用大型语言模型 (LLM) 为公司的产品生成简洁、特定于功能的描述。哪种提示工程技术满足这些要求?

  • A 创建一个涵盖所有产品的提示。编辑响应,使响应更具体、更简洁,并针对每个产品进行定制。
  • B 为每个产品类别创建提示,以突出关键功能。包括每个提示响应所需的输出格式和长度。
  • C 在每个提示中包含各种产品功能,以生成富有创意和独特的描述。
  • D 提供详细的、特定于产品的提示,以确保准确和自定义的描述。
正确答案: B
解析: -
Question #18 Topic 1

一家公司注意到其基础模型 (FM) 生成的图像与提示无关。该公司希望修改提示技术以减少不相关的图像。哪种解决方案满足这些要求?

  • A 使用 zero-shot 提示。
  • B 使用否定提示。
  • C 使用肯定的提示。
  • D 使用不明确的提示。
正确答案: B
解析: 选择'B'是因为使用负面提示(negative prompts)可以帮助模型理解不应该生成哪些内容,从而减少与提示无关的图像。相比之下,正面提示(positive prompts)可能会引入更多不相关的图像,零次学习提示(zero-shot prompts)和模糊提示(ambiguous prompts)则可能不会提供足够的指导来明确地调整模型生成的内容。
Question #19 Topic 1

一家公司正在推出一款帮助用户学习外语的移动应用程序。该应用程序通过调用大型语言模型 (LLM) 使文本更加连贯。该公司收集了多样化的文本数据集,并用可读性更强的版本示例补充了数据集。该公司希望 LLM 输出类似于提供的示例。公司应该使用哪个指标来评估 LLM 是否满足这些要求?

  • A 损失函数的值
  • B 语义稳健性
  • C 用于 Gisting Evaluation 的 Recall-Oriented Understudy (ROUGE) 评分
  • D 文本生成的延迟
正确答案: C
解析: 在给定的文本中,公司需要确保语言模型(LLM)的输出与提供的示例相似。在这种情况下,ROUGE分数是一种常用的评估指标,用于衡量生成文本与参考文本之间的相似性。ROUGE分数通常用于自动评估文本摘要的质量,但也适用于衡量文本生成任务中的输出质量。
Question #20 Topic 1

一家公司希望使用大型语言模型 (LLM) 从自然语言代码注释生成代码。哪个 LLM 功能满足这些要求?

  • A 文本摘要
  • B 文本生成
  • C 文本补全
  • D 文本分类
正确答案: B
解析: 这个问题询问哪种大型语言模型(LLMs)的功能可以用于从自然语言代码注释生成代码。在这些选项中,文本生成是最适合此任务的功能,因为它涉及根据输入生成新的文本,在这种情况下是将自然语言转换为代码。