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 entreprise utilise Amazon Comprehend pour analyser les avis clients. L'équipe remarque que le modèle classe incorrectement les avis négatifs contenant de l'ironie comme positifs (ex: 'Super produit, il a explosé après 2 jours!'). Quelle approche est recommandée ?
  1. Utiliser Amazon Comprehend Custom Classifier en entraînant un modèle personnalisé sur des exemples étiquetés d'ironie et de sarcasme provenant des avis clients
  2. Augmenter le seuil de confiance du sentiment Amazon Comprehend pour filtrer les prédictions incertaines incluant les cas d'ironie
  3. Remplacer Amazon Comprehend par Amazon Lex qui intègre nativement la compréhension de l'ironie dans les conversations
  4. Utiliser Amazon Translate pour convertir les avis en anglais avant de les soumettre à Comprehend, qui performe mieux en anglais sur les nuances linguistiques
Question 2
Quel est le rôle de la température (temperature) dans la génération de texte par un LLM, et comment influence-t-elle les résultats ?
  1. La température contrôle l'aléatoire de la distribution de probabilité des tokens : une valeur élevée (proche de 1) génère des sorties plus créatives et variées, une valeur basse (proche de 0) des sorties plus déterministes et conservatrices
  2. La température détermine la vitesse d'inférence du modèle : une température élevée accélère la génération en tronquant la distribution de probabilité
  3. La température est un hyperparamètre d'entraînement qui contrôle le taux d'apprentissage du modèle lors du fine-tuning
  4. La température mesure la charge computationnelle de l'inférence : une valeur élevée indique une utilisation intensive des GPU
Question 3
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 4
Une équipe de data science prépare un pipeline de machine learning pour prédire la demande énergétique d'un réseau électrique. Les données brutes contiennent des valeurs manquantes, des outliers dans les relevés de capteurs, des variables catégorielles (type de bâtiment, zone géographique) et des features numériques à des échelles très différentes (température en degrés vs consommation en mégawatts). Quelle combinaison de techniques de feature engineering est la plus appropriée avant l'entraînement du modèle ?
  1. A. Supprimer toutes les lignes contenant des valeurs manquantes, appliquer un label encoding aux variables catégorielles, et utiliser les features numériques sans transformation
  2. B. Imputer les valeurs manquantes avec la médiane, appliquer un one-hot encoding aux variables catégorielles, normaliser ou standardiser les features numériques, et traiter les outliers
  3. C. Remplacer toutes les valeurs manquantes par zéro, convertir les variables catégorielles en valeurs binaires 0/1, et appliquer un min-max scaling uniquement à la variable cible
  4. D. Utiliser uniquement la mean imputation, ignorer les variables catégorielles car elles n'apportent pas de valeur prédictive, et appliquer une transformation logarithmique à toutes les features
Question 5
Une banque internationale déploie un modèle de machine learning pour l'approbation automatique de prêts. Le régulateur financier exige que chaque décision de refus soit accompagnée d'une explication claire des facteurs ayant conduit au rejet. L'équipe ML doit choisir entre plusieurs approches pour répondre à cette exigence de responsible AI. Quelle combinaison d'approches répond le mieux aux exigences d'explicabilité (explainability) et de transparence dans ce contexte réglementé ?
  1. A. Déployer un deep neural network avec 50 couches cachées et utiliser un simple disclaimer indiquant que le modèle est une 'boîte noire' dont les décisions ne peuvent pas être expliquées
  2. B. Utiliser exclusivement un modèle de régression linéaire car c'est le seul type de modèle qui peut fournir des explications interprétables aux régulateurs
  3. C. Déployer un modèle performant (comme un gradient boosting) et utiliser des techniques d'explicabilité post-hoc comme SHAP (SHapley Additive exPlanations) ou LIME pour générer des explications au niveau de chaque prédiction individuelle
  4. D. Entraîner le modèle uniquement sur des features anonymisées et non interprétables pour éviter tout biais et satisfaire les exigences de confidentialité, rendant l'explicabilité non nécessaire
Question 6
Une entreprise déploie un assistant IA basé sur un LLM pour ses employés internes. Elle veut s'assurer que les informations confidentielles partagées dans les conversations ne soient pas utilisées pour entraîner les modèles fondamentaux d'Amazon. Comment garantir cela avec Amazon Bedrock ?
  1. Amazon Bedrock garantit par défaut que les données des clients (prompts et réponses) ne sont pas utilisées pour améliorer les modèles fondamentaux ; activer AWS PrivateLink pour que les requêtes ne transitent pas par l'internet public ajoute une couche de sécurité réseau
  2. Signer un Data Processing Agreement (DPA) spécifique avec Amazon et activer l'option 'No Training' dans la console Amazon Bedrock
  3. Utiliser uniquement les modèles Amazon Titan via Bedrock car seuls ces modèles ont des garanties contractuelles de non-utilisation des données pour l'entraînement
  4. Chiffrer tous les prompts avec AWS KMS avant de les envoyer à Bedrock, empêchant techniquement Amazon d'accéder au contenu en clair
Question 7
Une entreprise veut construire un chatbot pour son service client en utilisant Amazon Bedrock. Le chatbot doit accéder à la base de connaissances interne de l'entreprise (manuels, FAQs, politiques) stockée dans Amazon S3. Quelle fonctionnalité Amazon Bedrock est conçue pour cette architecture ?
  1. Amazon Bedrock Knowledge Bases, qui indexe automatiquement les documents S3 dans un vector store et implémente le RAG lors de l'inférence
  2. Amazon Bedrock Agents avec des actions Lambda personnalisées qui interrogent S3 via des requêtes SQL Athena
  3. Amazon Kendra connecté à Bedrock via une API Gateway pour la recherche sémantique dans les documents internes
  4. Amazon OpenSearch Service avec un connecteur Bedrock pour indexer et récupérer les documents de la base de connaissances
Question 8
Une entreprise de médias veut analyser automatiquement des milliers de vidéos pour en extraire des transcriptions, identifier les intervenants et détecter les objets à l'écran. Quelle combinaison de services AWS couvre ces trois besoins de manière native ?
  1. Amazon Transcribe pour les transcriptions, Amazon Rekognition pour la détection d'objets et l'identification de visages, et une intégration personnalisée pour la diarisation des intervenants
  2. Amazon Comprehend pour l'analyse de contenu, Amazon Polly pour convertir l'audio en texte, et Amazon Lookout for Vision pour la détection d'objets
  3. AWS Elemental MediaConvert pour l'extraction d'audio, Amazon Lex pour la transcription, et Amazon SageMaker pour la détection d'objets
  4. Amazon Textract pour l'extraction de contenu des vidéos, Amazon Rekognition pour les visages, et Amazon Kendra pour l'indexation des transcriptions

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 ?