CADERNO DE FASE 1-2 AI PRACTITIONER

Domínio 1: Fundamentos de IA e ML 20% do exame

1.1 Explicar conceitos e terminologias básicos de IA.

Objetivos

• Definir termos básicos de IA [por exemplo, IA, ML, aprendizado profundo, redes neurais, visão computacional, processamento de linguagem natural (PLN), modelo, algoritmo, treinamento e inferência, viés, imparcialidade, ajuste e grande modelo de linguagem (LLM)].
• Descrever as semelhanças e diferenças entre IA, ML e aprendizado profundo.
• Descrever vários tipos de inferência (por exemplo, em lote e em tempo real).
• Descrever os diferentes tipos de dados nos modelos de IA (por exemplo, rotulados e não rotulados, tabulares, de série temporal, de imagem, de texto, estruturados e não estruturados).
• Descrever o aprendizado supervisionado, o aprendizado não supervisionado e o aprendizado por reforço.

1.2 Identificar casos de uso práticos de IA.

Objetivos

• Reconhecer aplicações em que a IA e o ML podem agregar valor (por exemplo, auxílio na tomada de decisões humanas, escalabilidade da solução e automação).
• Determinar quando as soluções de IA/ML não são apropriadas (por exemplo, análises de custo-benefício, situações em que é necessário um resultado específico em vez de uma previsão).
• Selecionar as técnicas de ML apropriadas para casos de uso específicos (por exemplo, regressão, classificação e agrupamento).
• Identificar exemplos de aplicações de IA reais (por exemplo, visão computacional, PLN, reconhecimento de fala, sistemas de recomendação, detecção de fraude e previsão).
• Explicar os recursos dos serviços de IA/ML gerenciados pela AWS (por exemplo, SageMaker, Amazon Transcribe, Amazon Translate, Amazon Comprehend, Amazon Lex e Amazon Polly).

1.3 Descrever o ciclo de vida do desenvolvimento de ML.

Objetivos

• Descrever os componentes de um pipeline de ML [por exemplo, coleta de dados, análise exploratória de dados (AED), pré-processamento de dados, engenharia de atributos, treinamento do modelo, ajuste de hiperparâmetros, avaliação, implantação e monitoramento].
• Entender as origens dos modelos de ML (por exemplo, modelos pré-treinados de código aberto e modelos personalizados de treinamento).
• Descrever os métodos para usar um modelo na produção (por exemplo, serviço de API gerenciado e API auto-hospedada).
• Identificar os serviços e recursos relevantes da AWS para cada estágio de um pipeline de ML (por exemplo, SageMaker, Amazon SageMaker Data Wrangler, Amazon SageMaker Feature Store e Amazon SageMaker Model Monitor).
• Entender os conceitos fundamentais das operações de ML (MLOps) (por exemplo, experimentação, processos repetíveis, sistemas dimensionáveis, gerenciamento de dívidas técnicas, obtenção de prontidão para a produção, monitoramento de modelos e retreinamento de modelos).
• Entender as métricas de desempenho de modelos [por exemplo, acurácia, área sob a curva ROC (AUC) e pontuação F1] e as métricas empresariais [por exemplo, custo por usuário, custos de desenvolvimento, feedback de clientes e retorno sobre o investimento (ROI)] para avaliar modelos de ML.

Domínio 2: Fundamentos de IA generativa 24% do exame

2.1 Explicar os conceitos básicos de IA generativa.

Objetivos

• Entender os conceitos básicos de IA generativa (por exemplo, tokens, fragmentação, incorporações, vetores, engenharia de prompts, LLMs baseados em transformadores, modelos de base, modelos multimodais e modelos de difusão).
• Identificar possíveis casos de uso para modelos de IA generativa (por exemplo, geração de imagem, áudio e vídeo; resumo; chatbots; tradução; geração de código; atendentes de suporte ao cliente; pesquisa; e mecanismos de recomendação).
• Descrever o ciclo de vida do modelo de base (por exemplo, seleção de dados, seleção de modelos, pré-treinamento, ajuste fino, avaliação, implantação e feedback).

2.2 Entender os recursos e as limitações da IA generativa para resolver problemas empresariais.

Objetivos

• Descrever as vantagens da IA generativa (por exemplo, adaptabilidade, capacidade de resposta e simplicidade).
• Identificar as desvantagens das soluções de IA generativa (por exemplo, alucinações, interpretabilidade, imprecisão e não determinismo).
• Entender os diversos fatores para escolher modelos de IA generativa apropriados (por exemplo, tipos de modelo, requisitos de desempenho, recursos, restrições e conformidade).
• Determinar o valor comercial e as métricas para aplicações de IA generativa (por exemplo, desempenho entre domínios, eficiência, taxa de conversão, receita média por usuário, acurácia e valor da vida útil do cliente).

2.3 Descrever a infraestrutura e as tecnologias da AWS para criar aplicações de IA generativa.

Objetivos

• Identificar os serviços e recursos da AWS para desenvolver aplicações de IA generativa (por exemplo, Amazon SageMaker JumpStart; Amazon Bedrock; PartyRock, um Amazon Bedrock Playground; e Amazon Q).
• Descrever as vantagens de usar os serviços de IA generativa da AWS para criar aplicações (por exemplo, acessibilidade, menor barreira de entrada, eficiência, custo-benefício, velocidade de comercialização e capacidade de atingir os objetivos empresariais).
• Entender os benefícios da infraestrutura da AWS para aplicações de IA generativa (por exemplo, proteção, conformidade, responsabilidade e segurança).
• Entender as compensações de custos dos serviços de IA generativa da AWS (por exemplo, capacidade de resposta, disponibilidade, redundância, desempenho, cobertura regional, preços baseados em tokens, throughput de provisão e modelos personalizados).

Domínio 3: Aplicações de modelos de base 28% do exame

3.1 Descrever as considerações sobre design de aplicações que usam modelos de base.

Objetivos

• Identificar os critérios de seleção para escolher modelos pré-treinados (por exemplo, custo, modalidade, latência, multilíngue, tamanho do modelo, complexidade do modelo, personalização e tamanho da entrada/saída).
• Entender o efeito dos parâmetros de inferência nas respostas do modelo (por exemplo, temperatura e tamanho da entrada/saída).
• Definir a geração aumentada de recuperação (RAG) e descrever suas aplicações empresariais (por exemplo, Amazon Bedrock e base de conhecimento).
• Identificar os serviços da AWS que ajudam a armazenar incorporações em bancos de dados de vetores [por exemplo, Amazon OpenSearch Service, Amazon Aurora, Amazon Neptune, Amazon DocumentDB (compatível com MongoDB) e Amazon RDS para PostgreSQL].
• Explicar as compensações de custos de várias abordagens para a personalização do modelo de base (por exemplo, pré-treinamento, ajuste fino, aprendizado em contexto e RAG).
• Entender a função dos agentes em tarefas de várias etapas (por exemplo, agentes do Amazon Bedrock).

3.2 Escolher técnicas eficazes de engenharia de prompts.

Objetivos

• Descrever os conceitos e os componentes da engenharia de prompts (por exemplo, contexto, instrução, prompts negativos e espaço latente do modelo).
• Entender as técnicas de engenharia de prompts (por exemplo, modelos de cadeia de pensamento, zero shot, single shot, few shot e de prompt).
• Entender os benefícios e as práticas recomendadas da engenharia de prompts (por exemplo, melhoria da qualidade da resposta, experimentação, barreiras de proteção, descoberta, especificidade e concisão e uso de vários comentários).
• Definir os possíveis riscos e limitações da engenharia de prompts (por exemplo, exposição, envenenamento, sequestro e jailbreak).

3.3 Descrever o processo de treinamento e ajuste fino dos modelos de base.

Objetivos

• Descrever os principais elementos do treinamento de um modelo de base (por exemplo, pré-treinamento, ajuste fino e pré-treinamento contínuo).
• Definir os métodos de ajuste fino de um modelo de base (por exemplo, ajuste de instruções, adaptação de modelos para domínios específicos, aprendizado por transferência e pré-treinamento contínuo).
• Descrever como preparar dados para o ajuste fino de um modelo de base [por exemplo, curadoria de dados, governança, tamanho, rotulagem, representatividade e aprendizado por reforço com feedback humano (RLHF)].

3.4 Descrever os métodos para avaliar o desempenho do modelo de base.

Objetivos

• Entender as abordagens para avaliar o desempenho do modelo de base (por exemplo, avaliação humana e conjuntos de dados de referência).
• Identificar métricas relevantes para avaliar o desempenho do modelo de base [por exemplo, ROUGE (Recall-Oriented Understudy for Gisting Evaluation), BLEU (Bilingual Evaluation Understudy) e BERTScore].
• Determinar se um modelo de base atende efetivamente aos objetivos empresariais (por exemplo, produtividade, envolvimento dos usuários e engenharia de tarefas).

Domínio 4: Diretrizes de IA responsável 14% do exame

4.1 Explicar o desenvolvimento de sistemas de IA que são responsáveis.

Objetivos

• Identificar as características da IA responsável (por exemplo, viés, imparcialidade, inclusão, robustez, segurança e veracidade).
• Entender como usar ferramentas para identificar recursos de IA responsável (por exemplo, barreiras de proteção do Amazon Bedrock).
• Entender as práticas responsáveis para escolher um modelo (por exemplo, considerações ambientais, sustentabilidade e agência moral).
• Identificar os riscos legais de trabalhar com IA generativa (por exemplo, reivindicações relacionadas à violação de propriedade intelectual, resultados de modelos tendenciosos, perda da confiança do cliente, risco do usuário final e alucinações).
• Identificar as características dos conjuntos de dados (por exemplo, inclusão, diversidade, fontes de dados com curadoria e conjuntos de dados balanceados).
• Entender os efeitos do viés e da variância (por exemplo, efeitos em grupos demográficos, imprecisão, sobreajuste e subajuste).
• Descrever as ferramentas para detectar e monitorar vieses, confiabilidade e veracidade [por exemplo, análise da qualidade do rótulo, auditorias humanas, análise de subgrupos, Amazon SageMaker Clarify, Monitor de Modelos do SageMaker e Amazon Augmented AI (Amazon A2I)].

4.2 Reconhecer a importância de modelos transparentes e explicáveis.

Objetivos

• Entender as diferenças entre modelos que são transparentes e explicáveis e os que não são.
• Entender as ferramentas para identificar modelos transparentes e explicáveis (por exemplo, Cartões de Modelos do Amazon SageMaker, modelos de código aberto, dados e licenciamento).
• Identificar as concessões entre a segurança e a transparência do modelo (por exemplo, avaliação do desempenho e da interpretabilidade).
• Entender os princípios do design centrado no ser humano em prol da IA explicável.

Domínio 5: Segurança, conformidade e governança para soluções de IA 14% do exame

5.1 Explicar os métodos para proteger os sistemas de IA.

Objetivos

• Identificar os serviços e recursos da AWS para proteger os sistemas de IA (por exemplo, políticas, permissões e perfis do IAM; criptografia; Amazon Macie; AWS PrivateLink; e Modelo de responsabilidade compartilhada da AWS).
• Entender o conceito de citação de fontes e documentar as origens dos dados (por exemplo, linhagem de dados, catalogação de dados e Cartões de Modelos do SageMaker).
• Descrever as práticas recomendadas para uma engenharia de dados segura (por exemplo, avaliação da qualidade dos dados, implementação de tecnologias que aumentam a privacidade, controle de acesso a dados e integridade dos dados).
• Entender as considerações de segurança e privacidade dos sistemas de IA (por exemplo, segurança de aplicações, detecção de ameaças, gerenciamento de vulnerabilidades, proteção de infraestrutura, injeção de prompt e criptografia em repouso e em trânsito).

5.2 Reconhecer os regulamentos de governança e conformidade de sistemas de IA.

Objetivos

• Identificar padrões de conformidade regulatória de sistemas de IA [por exemplo, Organização Internacional de Normalização (ISO), controles de organizações e sistemas (SOC) e leis de responsabilidade algorítmica].
• Identificar os serviços e recursos da AWS para promover a conformidade com a governança e a regulamentação (por exemplo, AWS Config, Amazon Inspector, AWS Audit Manager, AWS Artifact, AWS CloudTrail e AWS Trusted Advisor).
• Descrever as estratégias de governança de dados (por exemplo, ciclos de vida de dados, registro em log, residência, monitoramento, observação e retenção).
• Descrever os processos para seguir os protocolos de governança (por exemplo, políticas, cadência de revisão, estratégias de revisão, frameworks de governança, como a Matriz de Escopos de Segurança da IA Generativa, padrões de transparência e requisitos de treinamento de equipe).