Accueil › Certifications › AIF-C01 › Questions gratuites

Questions gratuites AIF-C01 — AWS Certified AI Practitioner

Téléchargez gratuitement 43 questions d'entraînement pour la certification AIF-C01 proposée par AWS. Toutes les questions sont accompagnées de corrections détaillées avec explications techniques.

Caractéristiques de l'examen blanc

Code de certificationAIF-C01
ÉditeurAWS
Nombre de questions43
TypeQCM avec 4 réponses possibles
Niveaufoundation
CatégorieAI
Prix100% gratuit

Aperçu de 8 questions représentatives

Voici un échantillon aléatoire de 8 questions tirées de notre base d'entraînement AIF-C01. Pour accéder aux 43 questions complètes, lancez l'examen blanc gratuitement.

Question 1
Une équipe Data Science utilise Amazon SageMaker Studio pour développer un modèle de classification d'images médicales. Après plusieurs semaines d'expérimentation, ils remarquent que le modèle performe parfaitement sur les données de validation mais mal sur les nouvelles images hospitalières. Quel est le problème le plus probable et quelle action AWS est recommandée ?
  1. Surapprentissage (overfitting) ; utiliser SageMaker Automatic Model Tuning pour optimiser la régularisation et augmenter la diversité des données d'entraînement
  2. Sous-apprentissage (underfitting) ; augmenter la complexité du modèle en ajoutant des couches supplémentaires au réseau de neurones
  3. Dérive des données (data drift) ; migrer vers Amazon Rekognition Custom Labels qui gère automatiquement les distributions variables
  4. Problème d'infrastructure ; migrer vers des instances ml.p4d.24xlarge pour bénéficier d'une plus grande puissance de calcul
Question 2
Une banque internationale doit s'assurer que son modèle de crédit scoring déployé sur AWS reste conforme aux réglementations sur l'explicabilité des décisions automatisées (RGPD Art. 22, Equal Credit Opportunity Act). Quelle combinaison de services AWS permet de répondre à cette exigence ?
  1. Amazon SageMaker Clarify pour générer des explications SHAP par prédiction, combiné à SageMaker Model Monitor pour surveiller la dérive des explications en production
  2. Amazon SageMaker Debugger pour tracer les gradients du modèle et AWS CloudTrail pour auditer les appels API de prédiction
  3. Amazon Comprehend pour analyser le sentiment des décisions de crédit et Amazon QuickSight pour visualiser les distributions de scores
  4. AWS Config pour vérifier la conformité des ressources SageMaker et Amazon Inspector pour scanner les vulnérabilités du modèle
Question 3
Une startup veut analyser des contrats juridiques en PDF pour extraire automatiquement les clauses importantes (date d'expiration, montants, parties contractantes). Quelle combinaison de services AWS est la plus adaptée ?
  1. Amazon Textract pour extraire le texte et les formulaires des PDFs, suivi d'Amazon Comprehend pour identifier et extraire les entités nommées (dates, montants, organisations)
  2. Amazon Rekognition pour analyser les pages de contrats comme des images et détecter les zones de texte importantes
  3. AWS Lambda avec une bibliothèque PDF Python (PyMuPDF) pour extraire le texte, suivi d'Amazon Lex pour comprendre le contenu contractuel
  4. Amazon Kendra pour indexer les PDFs et Amazon QuickSight pour visualiser les informations contractuelles extraites
Question 4
Qu'est-ce que le RLHF (Reinforcement Learning from Human Feedback) et quel est son rôle dans l'alignement des LLM ?
  1. Une technique d'entraînement qui utilise les préférences humaines pour entraîner un modèle de récompense, puis optimise le LLM via PPO pour générer des réponses plus alignées avec les valeurs humaines
  2. Un processus d'étiquetage humain supervisé où des annotateurs corrigent directement les sorties incorrectes du modèle pour créer un dataset de fine-tuning
  3. Une méthode d'évaluation où des humains notent les modèles LLM selon des critères de qualité pour établir des benchmarks comparatifs
  4. Un système de feedback en production où les utilisateurs signalent les mauvaises réponses pour déclencher un réentraînement automatique du modèle
Question 5
Un cabinet de conseil en sécurité développe un système de contrôle d'accès physique basé sur la reconnaissance faciale. Le système doit comparer le visage capturé par une caméra avec une base de données de visages autorisés. Les exigences incluent : une latence inférieure à 2 secondes, la capacité de gérer une collection de 50 000 visages, et un seuil de similarité configurable pour minimiser les faux positifs. Quelle approche architecturale avec Amazon Rekognition est la plus adaptée ?
  1. A. Utiliser CompareFaces pour comparer le visage capturé avec chaque image de la base de données une par une jusqu'à trouver une correspondance
  2. B. Créer une collection avec CreateCollection, indexer les visages avec IndexFaces, puis utiliser SearchFacesByImage avec un FaceMatchThreshold personnalisé pour la recherche
  3. C. Utiliser DetectFaces pour chaque image de la base de données, stocker les attributs faciaux dans Amazon DynamoDB, puis comparer manuellement les attributs géométriques
  4. D. Entraîner un modèle Amazon Rekognition Custom Labels avec les images de chaque employé comme catégorie distincte pour la classification
Question 6
Un responsable IT d'une entreprise manufacturière souhaite comprendre les différences entre les paradigmes d'intelligence artificielle pour choisir la bonne approche. Son équipe doit résoudre trois problèmes : (1) optimiser en temps réel les trajectoires de bras robotiques sur une chaîne de montage, (2) segmenter automatiquement les clients en groupes homogènes sans catégories prédéfinies, et (3) classifier des images de pièces défectueuses à partir d'un jeu de données étiqueté. Quel mapping entre les problèmes et les paradigmes d'apprentissage est correct ?
  1. A. (1) Supervised learning, (2) Reinforcement learning, (3) Unsupervised learning
  2. B. (1) Reinforcement learning, (2) Unsupervised learning, (3) Supervised learning
  3. C. (1) Unsupervised learning, (2) Supervised learning, (3) Reinforcement learning
  4. D. (1) Reinforcement learning, (2) Supervised learning, (3) Unsupervised learning
Question 7
Dans le cadre de l'IA Responsable, qu'est-ce que le 'biais algorithmique' et quel service AWS aide à le détecter dans les modèles de ML ?
  1. Des prédictions systématiquement défavorables envers certains groupes démographiques ; détectable via Amazon SageMaker Clarify
  2. Des erreurs aléatoires dans les prédictions dues à un manque de données d'entraînement ; détectables via Amazon SageMaker Debugger
  3. La tendance d'un modèle à favoriser les features numériques sur les features catégorielles ; corrigeable via la normalisation des données
  4. Un problème de variance excessive dans les hyperparamètres ; identifiable via SageMaker Experiments
Question 8
Quelle est la différence entre 'Amazon Lex' et un LLM déployé via 'Amazon Bedrock' pour la construction d'un assistant conversationnel d'entreprise ?
  1. Amazon Lex utilise une architecture basée sur des intents et slots définis manuellement pour des flux conversationnels structurés, tandis que Bedrock avec un LLM offre une compréhension du langage naturel plus générique et flexible mais moins prévisible
  2. Amazon Lex est un service de transcription vocale temps réel tandis que Bedrock avec LLM est exclusivement pour les interactions textuelles
  3. Amazon Lex est gratuit et illimité dans le niveau Free Tier d'AWS tandis que Bedrock avec LLM facture à la requête selon le nombre de tokens
  4. Amazon Lex intègre nativement les connaissances des LLM d'Amazon Bedrock tandis que Bedrock nécessite une intégration Lambda manuelle pour chaque réponse

Accédez aux 43 questions complètes gratuitement

Aucune carte bancaire requise. Examen chronométré, corrections détaillées, score final.

Lancer l'examen blanc AIF-C01 →

Pourquoi s'entraîner avec Certifexpress ?