Questions d'entraînement — AIF-C01

Question 1

Qu'est-ce que le 'prompt engineering' et quelle technique est recommandée pour améliorer le raisonnement pas-à-pas d'un LLM sur des problèmes complexes ?

Answer

L'art de formuler des instructions optimales pour les LLM ; la technique Chain-of-Thought (CoT) incite le modèle à décomposer son raisonnement en étapes intermédiaires explicites

Answer

La conception d'architectures de réseaux de neurones optimisées pour les données textuelles ; la technique principale est l'attention multi-têtes (multi-head attention)

Answer

La compression des prompts pour réduire les coûts d'inférence ; la technique principale est la troncature des tokens non essentiels en début de prompt

Answer

L'ajustement des hyperparamètres de génération (température, top-p) pour améliorer la cohérence des réponses sur des problèmes logiques

Question 2

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 3

Une startup développe un assistant virtuel basé sur un Large Language Model (LLM) pour aider les médecins à synthétiser des dossiers patients. Lors des tests, l'équipe constate que le modèle génère parfois des informations médicales factuellement incorrectes mais formulées de manière très convaincante. Ce phénomène est connu sous un terme spécifique dans le domaine de l'IA générative. De quel phénomène s'agit-il et quelle approche est la plus efficace pour l'atténuer dans ce contexte critique ?

Answer

A. Il s'agit du concept drift. La solution est de réentraîner le modèle quotidiennement avec les dernières données médicales disponibles.

Answer

B. Il s'agit de l'overfitting. La solution est d'augmenter la taille du jeu de données d'entraînement et d'appliquer une régularisation plus forte.

Answer

C. Il s'agit des hallucinations (hallucinations). La solution la plus efficace est d'implémenter une architecture Retrieval-Augmented Generation (RAG) couplée à des guardrails de validation factuelle.

Answer

D. Il s'agit du mode collapse. La solution est d'ajuster les hyperparamètres de température et de top-k sampling pour diversifier les réponses du modèle.

Question 4

Qu'est-ce que l'encodage positionnel (Positional Encoding) dans l'architecture Transformer et pourquoi est-il nécessaire ?

Answer

Un mécanisme qui injecte l'information de position de chaque token dans son embedding, car le mécanisme d'attention est invariant à l'ordre des tokens et ne peut pas distinguer 'le chien mange' de 'mange le chien' sans cette information

Answer

Un processus de normalisation des embeddings de tokens pour éviter les problèmes de gradient vanishing pendant l'entraînement des Transformers profonds

Answer

Une technique d'encodage spéciale pour les tokens de position spéciale comme [CLS] et [SEP] dans les modèles BERT qui nécessitent un traitement différencié

Answer

Un mécanisme de cache des représentations intermédiaires pour accélérer l'inférence sur des séquences longues en évitant les recalculs redondants

Question 5

Un data scientist travaillant pour une compagnie d'assurance constate que son modèle de machine learning obtient une accuracy de 99.2% sur le jeu de test pour détecter les réclamations frauduleuses. Cependant, le modèle ne parvient à identifier correctement que 12% des fraudes réelles. Quel problème fondamental ce scénario illustre-t-il et quelle métrique serait la plus pertinente pour évaluer correctement les performances du modèle ?

Answer

A. Le modèle souffre d'overfitting et devrait être évalué avec la métrique R-squared (R²)

Answer

B. Le jeu de données est déséquilibré (imbalanced) et le modèle devrait être évalué avec le recall (sensibilité) ou le F1-score plutôt que l'accuracy

Answer

C. Le modèle souffre d'underfitting et nécessite plus de features pour améliorer sa précision globale

Answer

D. Le problème vient d'un data leakage dans le pipeline d'entraînement qui gonfle artificiellement l'accuracy

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