AWS AI Practitioner (AIF-C01) — Questions d'entraînement et examen blanc

Amazon EMR (Elastic MapReduce) est la bonne réponse, car il s'agit de la plateforme big data managée d'AWS, conçue spécifiquement pour exécuter des frameworks de traitement distribué comme Apache Spark. Comme l'indique la documentation, Amazon EMR fournit des fonctionnalités pour le "traitement et l'analyse du big data sur AWS". EMR prend en charge nativement Apache Spark et sa bibliothèque MLlib, et gère le provisionnement, la configuration et la mise à l'échelle du cluster, ce qui permet aux équipes de data science de se concentrer sur la création et l'entraînement de modèles de ML distribués.

Pourquoi chaque option incorrecte est fausse :

• A. AWS Glue — AWS Glue utilise certes Apache Spark en interne pour les tâches d'ETL (Extract, Transform, Load), mais il est avant tout conçu pour l'intégration de données et les charges de travail ETL, pas pour exécuter des workflows complets d'entraînement distribué avec Spark MLlib. Il n'offre pas le même niveau de contrôle du cluster ni la même souplesse de configuration de Spark qu'EMR pour l'entraînement ML.

• C. Amazon ECS — Amazon Elastic Container Service (ECS) est un service d'orchestration de conteneurs permettant d'exécuter des conteneurs Docker. Tu pourrais en théorie conteneuriser Spark, mais ECS ne fournit ni provisionnement managé natif de clusters Spark, ni prise en charge intégrée de Spark MLlib. Il n'est pas conçu pour les charges de travail Spark distribuées.

• D. AWS Batch — AWS Batch est conçu pour exécuter des tâches de calcul par lots à grande échelle, généralement pour du HPC ou des charges de travail parallèles simples. Il ne prend pas en charge nativement les frameworks Apache Spark et ne fournit pas le provisionnement managé de clusters Spark nécessaire à l'entraînement distribué avec Spark MLlib.

(Source : https://docs.aws.amazon.com/emr/latest/ManagementGuide/emr-what-is-emr.html)

Sensitive information filters est la bonne réponse. Amazon Bedrock Guardrails fournit des sensitive information filters capables de détecter et de masquer les informations personnelles identifiables (PII), comme les Social Security numbers, les numéros de carte de crédit et les adresses e-mail, à la fois dans les entrées utilisateur et dans les réponses du modèle. Cette capacité est essentielle pour respecter les réglementations sur la confidentialité lors de la création d'applications d'AI générative destinées aux clients.

Selon la documentation AWS, Amazon Bedrock Guardrails permet de "detect and filter harmful content" et l'un des principaux types de filtres est sensitive information filters, qui cible spécifiquement la détection et le masquage des PII afin de protéger les utilisateurs finaux contre l'exposition à des données sensibles.

Pourquoi chaque option incorrecte est fausse :

• A. Content filters — Les Content filters sont conçus pour détecter et bloquer le contenu dangereux dans des catégories comme les discours haineux, les insultes, le contenu sexuel, la violence et les comportements répréhensibles. Ils ne ciblent pas spécifiquement les PII comme les Social Security numbers ou les numéros de carte de crédit.

• B. Denied topics — Les Denied topics te permettent de définir des sujets spécifiques auxquels le modèle ne doit pas répondre (par ex. conseils en investissement, discussions sur les concurrents). Il s'agit d'une restriction au niveau du sujet, pas d'un mécanisme pour détecter ou masquer des motifs de données PII spécifiques.

• D. Contextual grounding checks — Les Contextual grounding checks sont utilisés pour détecter les hallucinations en vérifiant si les réponses du modèle sont ancrées dans les sources fournies et pertinentes par rapport à la requête de l'utilisateur. Ils n'ont rien à voir avec la détection ou le masquage des PII.

(Source: https://docs.aws.amazon.com/bedrock/latest/userguide/guardrails.html)

Augmentation de données est la bonne réponse. L'augmentation de données est une technique qui crée des versions modifiées des images d'entraînement existantes — rotations, retournements, ajustements de couleur et recadrages — afin d'accroître artificiellement la taille effective et la diversité du jeu de données d'entraînement. C'est particulièrement utile quand peu de données d'entraînement supplémentaires sont disponibles, car cela aide le modèle à mieux généraliser en l'exposant à des variations réalistes des échantillons existants. Une image de chat pivotée ou retournée reste un chat : le modèle apprend donc à reconnaître les objets quelles que soient l'orientation, l'échelle ou les conditions d'éclairage.

Pourquoi les autres options sont incorrectes :

• A. Régularisation — La régularisation est une technique qui sert à éviter le surapprentissage en ajoutant un terme de pénalité à la fonction de perte du modèle (par exemple la régularisation L1/L2) ou en utilisant des méthodes comme le dropout. Elle ne consiste pas à créer des versions modifiées des images d'entraînement : elle limite plutôt la complexité du modèle.

• C. Ingénierie des caractéristiques — L'ingénierie des caractéristiques consiste à sélectionner, transformer ou créer des caractéristiques d'entrée pour améliorer les performances du modèle. Elle manipule certes la représentation des données, mais elle ne consiste pas à créer des copies modifiées des images d'entraînement par des transformations géométriques ou colorimétriques.

• D. Apprentissage par transfert — L'apprentissage par transfert consiste à prendre un modèle pré-entraîné sur un grand jeu de données (par exemple ImageNet) et à l'affiner sur un jeu de données plus petit et spécifique à la tâche. C'est utile quand les données d'entraînement sont limitées, mais cela ne consiste pas à créer des versions modifiées des images d'entraînement existantes.

L'augmentation de données est une technique standard et très répandue en vision par ordinateur, qui répond directement au problème du manque de données d'entraînement en générant des variations réalistes des échantillons existants.

(Source : https://docs.aws.amazon.com/prescriptive-guidance/latest/image-classification/examples.html)

Le prompting par chaîne de pensée (chain-of-thought, CoT) est la bonne technique pour demander à un modèle de raisonner étape par étape sur des problèmes complexes avant d’arriver à une réponse finale. La documentation AWS décrit le raisonnement par chaîne de pensée comme le fait de prendre une tâche plus vaste et complexe pour la décomposer en étapes plus petites et plus simples. Elle précise que cette approche peut souvent améliorer la précision du modèle et rendre le processus de raisonnement plus transparent. Cette technique consiste soit à demander explicitement au modèle de « réfléchir étape par étape », soit à fournir des exemples qui montrent des étapes de raisonnement intermédiaires. Elle est surtout utile pour des tâches comme l’analyse en plusieurs étapes, les problèmes de mathématiques et le raisonnement complexe.

Pourquoi les autres options sont fausses :

• A. Prompting négatif — Le prompting négatif est une technique où tu indiques au modèle ce qu’il ne doit PAS faire ou générer (par ex. « N’inclus pas d’opinions personnelles »). Il restreint les sorties, mais n’encourage pas le raisonnement étape par étape.

• B. Prompting zero-shot — Le prompting zero-shot fournit une consigne sans aucun exemple et s’appuie entièrement sur les connaissances préentraînées du modèle. Même s’il peut être combiné avec le CoT (zero-shot CoT), à lui seul il n’incite pas spécifiquement le modèle à montrer des étapes de raisonnement intermédiaires.

• D. Mise en cache des prompts — La mise en cache des prompts est une fonctionnalité d’optimisation qui met en cache des préfixes de prompt réutilisables afin de réduire la latence de réponse à l’inférence et le coût des tokens d’entrée. Elle sert l’efficacité et n’a pas pour but de faire raisonner le modèle étape par étape.

(Source : https://docs.aws.amazon.com/bedrock/latest/userguide/inference-reasoning.html; https://docs.aws.amazon.com/bedrock/latest/userguide/prompt-caching.html)