AIF05
問題一覧
1
自然言語処理(NLP)
2
顧客の信頼を高め、コンバージョン率を向上させる
3
Amazon Comprehend, Amazon Transcribe
4
インコンテキストラーニングは再トレーニングを必要とせず、データ準備コストを大幅に削減する
5
エージェントが各ステップを一貫したフローで管理し、ユーザー体験を向上させる
6
PartyRock, an Amazon Bedrock Playground
7
Amazon Comprehend Medical
8
視覚的に解釈可能な決定木モデル
9
Amazon QuickSight
10
遅延時間の短縮
11
Amazon Personalize
12
自然言語処理 (NLP)
13
知的財産権の侵害リスクが存在する
14
モデルの複雑さと性能のバランス
15
多様なデータセットを用いてモデルをトレーニングする
16
分類
17
埋め込みとトークン化
18
Amazon Bedrockのガードレール
19
データレジデンシー
20
AWS Audit Manager
21
シンプルなロジスティック回帰モデルを使用し、係数の意味を説明する
22
データカタログ化
23
需要予測のための回帰分析を用いた教師あり学習, 価格と需要の最適化を学習するための強化学習
24
解釈可能なモデル(例:決定木、線形回帰)を使用する
25
指示調整
26
データキュレーション
27
Amazon DocumentDB
28
コンテンツの信頼性の低下
29
頑健性
30
外部データソースを利用し、正確かつ文脈に沿った回答を提供できる
31
AWS Key Management Service (KMS)
32
データセットにバランスが欠けており、偏りが生じる可能性がある
33
Amazon SageMaker Feature Store
34
人間の脳の構造に基づいた相互接続されたノードで構成される計算モデル
35
教師あり学習を用いた分類アルゴリズム, 構造化データを活用したバッチ推論
36
Amazon RDS
37
既存の事前学習モデルを微調整する:再利用可能なリソースを活用
38
ディフュージョンモデル
39
プロンプトで具体性と簡潔さを優先する
40
AWS Glue
41
ラベル付きデータでトレーニングされたリアルタイム推論モデル, Amazon Rekognitionでのリアルタイム映像分析
42
Amazon Augmented AI (A2I)
43
AWS Trusted Advisor
44
IAMポリシー
45
SageMaker Model Monitorを使用してモデル挙動を継続的に監視する
46
モデルを再トレーニングする
47
適応性, 応答性
48
モデル開発履歴の文書化
49
Amazon S3
50
ガバナンスポリシーの一貫した更新と評価を確保する
51
ハルシネーション
52
各地域の法令に準拠したデータストレージの設定
53
BERTScore
54
膨大なデータセットと計算リソースが必要になり、コストが急増する
55
AWSリージョナルカバレッジの活用
56
Amazon Comprehend
57
ハイパーパラメータ調整
58
Amazon Inspectorを使用して定期的にセキュリティスキャンを行う
59
多言語対応
60
AI/MLは異常パターンを学習し、大規模データの中から迅速に検出可能
61
入力と出力の長さ
62
ヒューマン評価
63
Amazon Neptune
64
インコンテキスト学習
65
Amazon Aurora
66
強化学習(Reinforcement Learning)
67
特定のユースケースに合わせてモデルをファインチューニング
68
ISO 27001
69
ユーザーからのフィードバック
70
Amazon Inspector
71
データガバナンス
72
生産性の向上
73
AWS Audit Manager
74
ROUGE(Recall-Oriented Understudy for Gisting Evaluation)
75
Amazon Bedrock
76
AWS IAM ロール
77
透明性向上のためにAmazon SageMaker Model Cardsを使用する
78
Amazon SageMaker Ground Truth
79
マルチモーダルサポート
80
モデル汚染
81
回避プロンプト
82
最適なプロンプトを特定する
83
Amazon SageMaker Feature Store
84
BLEUスコア
85
データを保存時および転送時に暗号化
問題一覧
1
自然言語処理(NLP)
2
顧客の信頼を高め、コンバージョン率を向上させる
3
Amazon Comprehend, Amazon Transcribe
4
インコンテキストラーニングは再トレーニングを必要とせず、データ準備コストを大幅に削減する
5
エージェントが各ステップを一貫したフローで管理し、ユーザー体験を向上させる
6
PartyRock, an Amazon Bedrock Playground
7
Amazon Comprehend Medical
8
視覚的に解釈可能な決定木モデル
9
Amazon QuickSight
10
遅延時間の短縮
11
Amazon Personalize
12
自然言語処理 (NLP)
13
知的財産権の侵害リスクが存在する
14
モデルの複雑さと性能のバランス
15
多様なデータセットを用いてモデルをトレーニングする
16
分類
17
埋め込みとトークン化
18
Amazon Bedrockのガードレール
19
データレジデンシー
20
AWS Audit Manager
21
シンプルなロジスティック回帰モデルを使用し、係数の意味を説明する
22
データカタログ化
23
需要予測のための回帰分析を用いた教師あり学習, 価格と需要の最適化を学習するための強化学習
24
解釈可能なモデル(例:決定木、線形回帰)を使用する
25
指示調整
26
データキュレーション
27
Amazon DocumentDB
28
コンテンツの信頼性の低下
29
頑健性
30
外部データソースを利用し、正確かつ文脈に沿った回答を提供できる
31
AWS Key Management Service (KMS)
32
データセットにバランスが欠けており、偏りが生じる可能性がある
33
Amazon SageMaker Feature Store
34
人間の脳の構造に基づいた相互接続されたノードで構成される計算モデル
35
教師あり学習を用いた分類アルゴリズム, 構造化データを活用したバッチ推論
36
Amazon RDS
37
既存の事前学習モデルを微調整する:再利用可能なリソースを活用
38
ディフュージョンモデル
39
プロンプトで具体性と簡潔さを優先する
40
AWS Glue
41
ラベル付きデータでトレーニングされたリアルタイム推論モデル, Amazon Rekognitionでのリアルタイム映像分析
42
Amazon Augmented AI (A2I)
43
AWS Trusted Advisor
44
IAMポリシー
45
SageMaker Model Monitorを使用してモデル挙動を継続的に監視する
46
モデルを再トレーニングする
47
適応性, 応答性
48
モデル開発履歴の文書化
49
Amazon S3
50
ガバナンスポリシーの一貫した更新と評価を確保する
51
ハルシネーション
52
各地域の法令に準拠したデータストレージの設定
53
BERTScore
54
膨大なデータセットと計算リソースが必要になり、コストが急増する
55
AWSリージョナルカバレッジの活用
56
Amazon Comprehend
57
ハイパーパラメータ調整
58
Amazon Inspectorを使用して定期的にセキュリティスキャンを行う
59
多言語対応
60
AI/MLは異常パターンを学習し、大規模データの中から迅速に検出可能
61
入力と出力の長さ
62
ヒューマン評価
63
Amazon Neptune
64
インコンテキスト学習
65
Amazon Aurora
66
強化学習(Reinforcement Learning)
67
特定のユースケースに合わせてモデルをファインチューニング
68
ISO 27001
69
ユーザーからのフィードバック
70
Amazon Inspector
71
データガバナンス
72
生産性の向上
73
AWS Audit Manager
74
ROUGE(Recall-Oriented Understudy for Gisting Evaluation)
75
Amazon Bedrock
76
AWS IAM ロール
77
透明性向上のためにAmazon SageMaker Model Cardsを使用する
78
Amazon SageMaker Ground Truth
79
マルチモーダルサポート
80
モデル汚染
81
回避プロンプト
82
最適なプロンプトを特定する
83
Amazon SageMaker Feature Store
84
BLEUスコア
85
データを保存時および転送時に暗号化