AWS AI Business Strategist (AIB-C01) — Questões de prática e simulado

Os princípios dão a um centro de excelência um mandato defensável e uma forma de se medir. Research decide quais áreas explorar e quais práticas construir. Evangelize espalha conhecimento por meio de eventos, publicações e treinamentos. Apply transforma isso em um roadmap de entrega de ponta a ponta, e Lead comprova a capacidade com pilotos e primeiras vitórias. Mentor é o que mira a transferência de capacidade para além da própria equipe, e Scale transforma o que funcionou em padrões reutilizáveis. Um centro de excelência que só entrega projetos abandonou silenciosamente vários deles. Dica de prova: associe o princípio ao verbo do enunciado, já que fazer onboarding e orientar os outros correspondem a Mentor, enquanto publicar e divulgar correspondem a Evangelize.

A identificação do objetivo de negócio é a fase em que um programa ainda pode concluir que não precisa de modelo nenhum. O lens pede uma descrição clara do problema e do valor de negócio esperado e, só depois, um julgamento sobre se machine learning é o caminho certo para chegar lá. As alternativas são comparadas pela acurácia que entregariam, pelo custo e por quão bem escalam, o que é uma comparação de negócio e não técnica. Pular esse passo é como as organizações acabam mantendo um modelo onde uma regra, um relatório ou uma mudança de processo teria resolvido. É também o momento de verificar se realmente existem dados de treinamento relevantes e de boa qualidade em quantidade suficiente. Dica de prova: uma opção sobre algoritmos, instâncias ou retreinamento está respondendo a uma fase posterior àquela sobre a qual a pergunta trata.

A escada de customização existe porque cada degrau custa mais e compromete mais. O prompt engineering não muda nada de forma permanente, pode ser revisado em uma tarde e resolve uma parcela surpreendente das reclamações de qualidade, e é por isso que é o primeiro passo recomendado. A retrieval augmentation é o degrau certo quando a lacuna é de conhecimento e não de comportamento, e ela se encaixa especialmente bem em material volátil, porque atualizar a fonte atualiza as respostas sem tocar no modelo. O fine-tuning altera os pesos e, portanto, produz um artefato que precisa ser retreinado sempre que o conteúdo por trás dele muda, o que o torna uma escolha ruim para um manual revisado toda semana e uma escolha razoável para tom, formato ou comportamento de tarefa consistentes. Nomear a lacuna corretamente é o que seleciona o degrau.

Endpoints de modelos de fundação são um novo tipo de porta de entrada, e os dados que voltam por eles costumam ser mais sensíveis do que a requisição que os abriu. A identidade é a camada que se sustenta independentemente de onde o modelo está hospedado, e por isso o lens apresenta o menor privilégio como uma proteção que vale para qualquer arranjo de hospedagem, e não como um substituto dos controles de rede. Sessões e permission boundaries acrescentam limites no tempo e no escopo, de modo que um papel que legitimamente precisa de acesso não o carregue indefinidamente nem além da sua finalidade. O lens também coloca esses limites no documento de política de IA da organização, e não na documentação de cada projeto, para que possam ser revisados como parte de uma revisão periódica de acessos e aplicados de forma consistente em todas as workloads, em vez de serem renegociados a cada vez.