Questions d'entraînement — AIF-C01

Question 1

Une banque souhaite utiliser l'intelligence artificielle pour automatiser l'approbation de prêts. Le régulateur exige que chaque décision de refus puisse être expliquée au client de manière compréhensible. L'équipe ML évalue plusieurs approches. Laquelle répond le mieux à cette exigence d'explicabilité (explainability) tout en maintenant une performance prédictive acceptable ?

Answer

A. Entraîner un deep neural network complexe et utiliser SHAP (SHapley Additive exPlanations) pour générer des explications post-hoc pour chaque décision

Answer

B. Utiliser exclusivement un modèle de règles métier codées manuellement (rule-based system) sans machine learning

Answer

C. Entraîner un ensemble de modèles (ensemble method) puis sélectionner la prédiction majoritaire sans mécanisme d'explication

Answer

D. Déployer un modèle de type generative AI (large language model) pour analyser les dossiers de prêt et générer des justifications textuelles

Question 2

Qu'est-ce que le RLHF (Reinforcement Learning from Human Feedback) et quel est son rôle dans l'alignement des LLM ?

Answer

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

Answer

Un processus d'étiquetage humain supervisé où des annotateurs corrigent directement les sorties incorrectes du modèle pour créer un dataset de fine-tuning

Answer

Une méthode d'évaluation où des humains notent les modèles LLM selon des critères de qualité pour établir des benchmarks comparatifs

Answer

Un système de feedback en production où les utilisateurs signalent les mauvaises réponses pour déclencher un réentraînement automatique du modèle

Question 3

Une entreprise de médias souhaite automatiser la modération de contenu sur sa plateforme de partage de vidéos. Elle doit détecter les contenus inappropriés (violence, nudité) dans les vidéos téléchargées par les utilisateurs et recevoir des résultats incluant un score de confiance pour chaque catégorie détectée. L'équipe souhaite une solution entièrement managée sans entraîner de modèle personnalisé. Quel service et quelle API AWS répondent le mieux à ce besoin ?

Answer

A. Amazon Rekognition Video avec l'API StartContentModeration pour analyser les vidéos de manière asynchrone et obtenir des labels de modération avec scores de confiance

Answer

B. Amazon Comprehend avec l'API DetectSentiment pour analyser le contenu textuel associé aux vidéos et filtrer les contenus négatifs

Answer

C. Amazon SageMaker avec un modèle de classification d'images pré-entraîné déployé sur un endpoint temps réel pour analyser chaque frame

Answer

D. Amazon Textract avec l'API AnalyzeDocument pour extraire le texte superposé aux vidéos et identifier les mots inappropriés

Question 4

Quel est le principe de 'least privilege' (moindre privilège) appliqué aux rôles IAM des jobs d'entraînement SageMaker, et pourquoi est-il critique en ML ?

Answer

Le rôle IAM du job d'entraînement ne doit avoir accès qu'aux ressources strictement nécessaires (buckets S3 spécifiques, secrets spécifiques), limitant l'impact potentiel si le code d'entraînement contient des vulnérabilités ou du code malveillant

Answer

Les modèles ML ne doivent accéder qu'aux données d'entraînement récentes (6 derniers mois maximum) pour éviter les biais liés aux données historiques obsolètes

Answer

Chaque expérience SageMaker doit utiliser le moins de données possible pour minimiser les coûts de stockage S3 et respecter les quotas de données personnelles

Answer

Les hyperparamètres du modèle doivent être optimisés en minimisant le nombre de paramètres pour réduire le risque de surapprentissage et améliorer la généralisation

Question 5

Amazon SageMaker JumpStart offre des modèles pré-entraînés et des solutions ML. Dans quel cas JumpStart est-il préférable à l'utilisation d'Amazon Bedrock pour déployer un LLM ?

Answer

Quand l'entreprise veut héberger un LLM open-source (Llama, Mistral) sur sa propre infrastructure VPC avec un contrôle total sur les données d'inférence, sans que les requêtes transitent par une API managée externe

Answer

Quand l'entreprise veut utiliser Claude d'Anthropic ou Titan d'Amazon, car ces modèles sont exclusivement disponibles via JumpStart et non via Bedrock

Answer

Quand les volumes de requêtes sont faibles (moins de 100 requêtes/jour), car JumpStart offre un niveau gratuit illimité contrairement à Bedrock qui facture dès la première requête

Answer

Quand l'application nécessite un fine-tuning du modèle, car Bedrock ne supporte pas le fine-tuning de modèles fondamentaux

Examen AIF-C01 — AIF-C01 — AWS Certified AI Practitioner

À propos de l'examen AIF-C01

Comment se préparer à l'examen AIF-C01 ?

5 exemples de questions — AIF-C01

Encore 38 questions dans l'examen complet

📖 Préparez-vous avec nos guides

Commencer l'examen AIF-C01 complet