Amazon AIF-C01: Grondbeginselen van AI en ML — Studiegids
Onderdeel van de AWS AI Practitioner AIF-C01 — Studiegids. Oefen met geverifieerde antwoorden in het Amazon-examencentrum, of doe getimede oefentests op ExamRoll.io.
Foundation Models, Implementatiepatronen en Beveiliging
Foundation models versnellen de ontwikkeling, maar introduceren specifieke architecturale keuzes en beveiligingsoverwegingen. Amazon Bedrock biedt beheerde toegang tot meerdere basismodellen en ondersteunt fine-tuning, retrieval-augmented generation (RAG) workflows en integratie met vector stores zoals Amazon OpenSearch Service (k-NN) of Amazon Kendra voor semantisch zoeken. Kies tussen fine-tuning, instruction-tuning of lichtgewicht adapters op basis van de datagrootte en veiligheidseisen. Voor inference met lage latentie en hoge doorvoersnelheid, overweeg het implementeren van geoptimaliseerde modellen op Amazon EC2 Inf1 (Inferentia) of het gebruik van SageMaker Neo/Edge Manager om modellen te compileren en te hosten op edge-apparaten; de absoluut laagste latentie voor on-device inference vereist modelkwantisatie, pruning en een lokale runtime via SageMaker Edge Manager of AWS IoT Greengrass, wat een afweging is tussen modelgrootte en nauwkeurigheid. Beveiligingspatronen omvatten VPC-eindpunten, AWS PrivateLink voor Bedrock, strikte IAM-rollen, KMS-ondersteunde S3-encryptie voor gevoelige data en auditlogging. Om hallucinatie en prompt-aanvallen te verminderen, implementeer guardrails: input-sanering, prompt-templates, responsfilters en RLHF- of nabewerkingscontroles. Monitor het gebruik en afwijkende API-aanroepen met CloudTrail en implementeer rate limits en anomaliedetectie om de toegang tot het model en de dataprivacy te beschermen.
Praktijkprobleem: Gebruiksscenario
Scenario: GreenGene Labs gebruikt een AWS AI-omgeving met Amazon S3 voor ruwe data, SageMaker voor modelontwikkeling en Amazon Bedrock voor het experimenteren met foundation models. Ze beheren gevoelige genomische en klinische metadata onder strikte toegangscontroles en hebben schaalbare inference nodig voor onderzoeks-dashboards.
Uitdaging: Classificeer menselijke genmonsters in 20 categorieën met transparante beslissingslogica, zorg voor hergebruik van features door verschillende teams en implementeer een gemonitorde API met lage latentie voor onderzoekers.
Aanbevolen Aanpak:
- Gebruik SageMaker Processing en Ground Truth om data voor te bereiden en te labelen, en sla de gecureerde features op in SageMaker Feature Store.
- Train interpreteerbare modellen (XGBoost, decision trees) in SageMaker Training; registreer modellen in de SageMaker Model Registry en leg de lineage vast.
- Implementeer het beste model op een SageMaker-eindpunt achter een Application Load Balancer met autoscaling; schakel SageMaker Model Monitor in voor drift en CloudWatch-alerts.
- Gebruik voor experimenten met grotere representaties Bedrock- of Hugging Face-modellen voor embeddings en voeg een OpenSearch-vectorindex toe voor similarity search; combineer dit met het interpreteerbare model voor de uiteindelijke classificatie.
Rationale: Gecentraliseerd featurebeheer en reproduceerbare pipelines verminderen datalekken en versnellen de samenwerking, terwijl de prioriteit voor interpreteerbare modellen voldoet aan de transparantie-eisen en Bedrock-embeddings een rijkere representatie mogelijk maken zonder in te boeten op governance.
Alle domeinen · Generatieve AI Concepten →
Oefen deze vragen → · Getimede oefening op ExamRoll.io →
Pass the whole exam — not just this question
You found this answer. Get every verified question and explanation in one place, and save hours of prep. Free to start.
Slaag voor je examen →