AIF02
問題一覧
1
クエリに基づいてリアルタイムで外部データを検索し応答を生成する
2
リアルタイム推論
3
Amazon Bedrock
4
Amazon RDS
5
自然言語処理(NLP)
6
視覚的に解釈可能な決定木モデル
7
監視付き学習によるリアルタイム推論, ディープラーニングを使用したリアルタイム推論
8
ハルシネーション
9
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
10
真実性(Veracity)
11
偏った出力が差別を助長し、法的影響や顧客の信頼喪失を招く
12
モデル評価
13
厳格なラベリング基準とガバナンスを適用する
14
ディフュージョンモデル
15
知的財産権の侵害リスクが存在する
16
効率性
17
新しいデータを活用し、継続的に事前学習を更新する
18
BERTScore
19
温度(Temperature)
20
Amazon SageMaker
21
異なる契約書タイプを含むベンチマークデータセットを使用し、リコールを測定する
22
SageMaker ClarifyとModel Monitor
23
IAMポリシー
24
グループごとの予測結果を比較して公平性を評価する
25
Amazon Bedrockのガードレール
26
ROC曲線下面積(AUC)
27
ジェイルブレイキング
28
ディフュージョンモデルでの画像生成, GAN(生成的敵対ネットワーク)を使用してアート生成
29
データライフサイクル管理
30
入力を厳密に検証し、処理前に安全化(サニタイズ)する
31
プロンプトインジェクション;入力のサニタイズを実施する
32
簡潔で具体的なプロンプトを使用して出力をガイドする
33
ガバナンスポリシーの一貫した更新と評価を確保する
34
コンピュータビジョン
35
AWS Config
36
データレジデンシー
37
Amazon Polly
38
Amazon DocumentDB
39
BERTスコア
40
教師あり学習
41
Amazon SageMaker Data Wrangler
42
取引異常のリアルタイムアラート, 金融取引の不正検出
43
AWSリージョナルカバレッジの活用
44
従量課金制と弾力的スケーリング
45
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
46
解釈可能なモデル(例:決定木、線形回帰)を使用する
47
Amazon Polly
48
Amazon Bedrock - 膨大なデータを解析するファウンデーションモデルを利用する
49
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
50
Amazon Lex
51
レコメンデーションシステム
52
人間による評価
53
応答速度と処理効率
54
温度(Temperature)
55
Amazon SageMaker JumpStart
56
画像生成モデル
57
複数のコメントを1つのプロンプト内で管理する
58
アルゴリズム説明責任法
59
モデルの複雑さと性能のバランス
60
モデルが幻覚(ハルシネーション)を起こしている
61
応答性, 適応性
62
外部ソースから関連データを取得し、その情報に基づいて応答を生成する
63
Amazon SageMaker Model Cards
64
頑健性
65
データリネージ
66
詐欺データをオーバーサンプリングし、データセットをバランスさせる
67
長文から主要なポイントを抽出する要約モデル
68
Amazon Personalize
69
Amazon Neptune
70
グローバルインフラストラクチャにより、データを特定地域に保存できる
71
Amazon ECS
72
AWS CloudTrail
73
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
74
単一予測にかかるコスト (Cost per prediction)
75
チームトレーニング要件
76
チェインオブソートプロンプティング
77
一般的な言語パターンの学習
78
AWS Data Exchange
79
ROUGEスコア:要約タスクの評価指標
80
Amazon Macie
81
Amazon Polly と Amazon Lex
82
モデルのブラックボックス性
83
回帰モデル
84
推薦コンテンツのクリック率(CTR)
85
一度限りのカスタマイズ費用と運用コスト削減
問題一覧
1
クエリに基づいてリアルタイムで外部データを検索し応答を生成する
2
リアルタイム推論
3
Amazon Bedrock
4
Amazon RDS
5
自然言語処理(NLP)
6
視覚的に解釈可能な決定木モデル
7
監視付き学習によるリアルタイム推論, ディープラーニングを使用したリアルタイム推論
8
ハルシネーション
9
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
10
真実性(Veracity)
11
偏った出力が差別を助長し、法的影響や顧客の信頼喪失を招く
12
モデル評価
13
厳格なラベリング基準とガバナンスを適用する
14
ディフュージョンモデル
15
知的財産権の侵害リスクが存在する
16
効率性
17
新しいデータを活用し、継続的に事前学習を更新する
18
BERTScore
19
温度(Temperature)
20
Amazon SageMaker
21
異なる契約書タイプを含むベンチマークデータセットを使用し、リコールを測定する
22
SageMaker ClarifyとModel Monitor
23
IAMポリシー
24
グループごとの予測結果を比較して公平性を評価する
25
Amazon Bedrockのガードレール
26
ROC曲線下面積(AUC)
27
ジェイルブレイキング
28
ディフュージョンモデルでの画像生成, GAN(生成的敵対ネットワーク)を使用してアート生成
29
データライフサイクル管理
30
入力を厳密に検証し、処理前に安全化(サニタイズ)する
31
プロンプトインジェクション;入力のサニタイズを実施する
32
簡潔で具体的なプロンプトを使用して出力をガイドする
33
ガバナンスポリシーの一貫した更新と評価を確保する
34
コンピュータビジョン
35
AWS Config
36
データレジデンシー
37
Amazon Polly
38
Amazon DocumentDB
39
BERTスコア
40
教師あり学習
41
Amazon SageMaker Data Wrangler
42
取引異常のリアルタイムアラート, 金融取引の不正検出
43
AWSリージョナルカバレッジの活用
44
従量課金制と弾力的スケーリング
45
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
46
解釈可能なモデル(例:決定木、線形回帰)を使用する
47
Amazon Polly
48
Amazon Bedrock - 膨大なデータを解析するファウンデーションモデルを利用する
49
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
50
Amazon Lex
51
レコメンデーションシステム
52
人間による評価
53
応答速度と処理効率
54
温度(Temperature)
55
Amazon SageMaker JumpStart
56
画像生成モデル
57
複数のコメントを1つのプロンプト内で管理する
58
アルゴリズム説明責任法
59
モデルの複雑さと性能のバランス
60
モデルが幻覚(ハルシネーション)を起こしている
61
応答性, 適応性
62
外部ソースから関連データを取得し、その情報に基づいて応答を生成する
63
Amazon SageMaker Model Cards
64
頑健性
65
データリネージ
66
詐欺データをオーバーサンプリングし、データセットをバランスさせる
67
長文から主要なポイントを抽出する要約モデル
68
Amazon Personalize
69
Amazon Neptune
70
グローバルインフラストラクチャにより、データを特定地域に保存できる
71
Amazon ECS
72
AWS CloudTrail
73
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
74
単一予測にかかるコスト (Cost per prediction)
75
チームトレーニング要件
76
チェインオブソートプロンプティング
77
一般的な言語パターンの学習
78
AWS Data Exchange
79
ROUGEスコア:要約タスクの評価指標
80
Amazon Macie
81
Amazon Polly と Amazon Lex
82
モデルのブラックボックス性
83
回帰モデル
84
推薦コンテンツのクリック率(CTR)
85
一度限りのカスタマイズ費用と運用コスト削減