AWS認定資格 WEB問題集＆徹底解説

会員登録/ログイン

AIプラクティショナー

• 基盤モデルの応用

• No.2 Bedrockのファインチューニング用データセットの格納先
• No.16 Bedrockの推論パラメータ設定
• No.22 未知のドメインに対するモデル汎化の手法
• No.23 データポイズニングとプロンプトリーキングの見分け方
• No.25 ブランドの語り口に合う基盤モデルを選ぶための評価アプローチ
• No.29 生成された要約の品質を評価する方法
• No.30 Bedrockでのナレッジベース活用
• No.31 Bedrockでの製品推薦モデル改善
• No.34 RAGによる応答品質向上の実装方法
• No.36 Amazon Bedrockエージェントの外部API連携機能
• No.39 複数の基盤モデルの候補絞り込み評価
• No.41 LLMの動的プロンプト最適化
• No.45 Bedrockのコスト最適化
• No.50 Bedrock基盤モデルのカスタマイズ機能
• No.60 LLMを用いた製品カタログ検索
• No.68 SageMaker Ground TruthによるRLHF支援の理解
• No.73 Amazon Bedrockにおけるファインチューニングの仕組み
• No.83 プロンプトインジェクションと情報漏えいの識別
• No.85 初心者向けの語り口を評価するための基盤モデル評価アプローチ
• No.86 インストラクションチューニングの目的
• No.87 Amazon Bedrockの出力長制御
• No.91 コンパクトモデルと大規模モデルの評価アプローチの選定
• No.92 生成AIモデルの出力多様性を制御するパラメータ
• No.94 Amazon Bedrockでの RAG 活用
• No.98 Bedrockナレッジベースのベクトルストア選定
• No.99 Amazon Bedrockにおける出力の多様性制御
• No.123 AIエージェントによるバックエンド統合の利点
• No.124 Amazon Bedrock でのプロンプト検証環境
• No.125 Amazon Bedrockにおけるモデル評価手法の違い
• No.129 基盤モデルの精度をデプロイ前に評価する方法
• No.130 効果的なプロンプトの構成要素
• No.131 企業データを活用した生成AI回答の実装方法
• No.133 機械翻訳の品質評価に適した指標の選択
• No.134 RAGとエージェントの違い
• No.135 Bedrockのファインチューニング用データセットの保存先選定
• No.136 基盤モデルの補完手法
• No.138 基盤モデル比較のための再現性ある定量評価アプローチ
• No.140 プロンプティング技術の構成要素
• No.141 Bedrockでの基盤モデル選定と本番前評価
• No.152 Amazon Bedrockのモデルカスタマイズ手法の識別
• No.156 few-shotプロンプティングによる意図分類データの設計
• No.161 RAGアプリケーションの評価-検索結果と回答の関連性測定
• No.166 Zero-shotプロンプティングの特徴
• No.171 RLHFとA2Iの違い
• No.172 Bedrockエージェントの外部システム連携構成
• No.183 Bedrockの応答長パラメータの影響
• No.186 生成AI出力のバイアス評価に適したデータソースの選定
• No.189 基盤モデルのドメイン特化手法の選択
• No.193 チャットボットの一貫性向上
• No.196 Bedrockで創造的な応答を得る推論パラメータ
• No.201 ベンチマークデータセットでの評価が難しい観点の識別
• No.208 外部データ統合による回答生成の最適実装
• No.209 Bedrockの検証データ保存先
• No.215 事前学習済みモデルへの層追加と再学習による新タスクへの適応
• No.217 Bedrockのモデルカスタマイズに適したデータセット保存先の選定
• No.238 生成AI基盤モデル選定における評価プロセス
• No.241 プロンプトインジェクション攻撃への対策
• No.246 Top K推論パラメータの影響
• No.249 温度設定とハルシネーションの関係
• No.250 基盤モデルがビジネス目標を満たすかの評価方法
• No.254 few-shotとchain-of-thoughtを組み合わせたプロンプト例
• No.265 生成AIシステムにおけるエージェントの役割
• No.269 複雑なタスクを段階的に分解させるプロンプト技術の選択
• No.275 LLMの出力創造性の調整
• No.276 法律文書からの情報抽出精度向上手法
• No.280 機械翻訳評価に伝統的に用いられる自動評価指標の選択
• No.284 基盤モデルがビジネス目標を満たすかの評価方法
• No.301 複雑な問題分解のプロンプト技術
• No.309 複数業種にまたがる生成AIモデルの適応度評価
• No.311 基盤モデルの性能向上手法
• No.312 意味的類似度を重視した生成テキストの評価指標
• No.313 ネガティブプロンプティングの活用
• No.315 基盤モデルの事前学習とファインチューニングの学習方式
• No.326 Amazon Bedrockエージェントの活用
• No.331 継続事前学習とファインチューニングの違い
• No.334 基盤モデルのパフォーマンス向上技術
• No.339 Amazon Bedrockのファインチューニング
• No.340 画像生成に適した基盤モデルの選択
• No.345 Amazon Bedrockでのファインチューニングの仕組み
• No.351 Bedrockエージェントでの文書参照機能の実装
• No.355 生成AIエージェントの処理特性
• No.357 基盤モデルの性能向上技術の特性
• No.362 基盤モデルの学習方式の特徴
• No.363 Few-shot learningにおける学習例のデータ構造
• No.367 生成された要約文の評価指標
• No.376 生成AIの出力から特定の話題を除外させるプロンプト技術
• No.385 モデルパラメータとハイパーパラメータの違い
• No.396 Amazon Bedrockナレッジベースの目的
• No.398 Amazon Bedrockの推論制御パラメータ
• No.399 ジェイルブレイクと他の攻撃手法の識別
• No.401 基盤モデルの複雑な論理推論精度向上
• No.406 テキスト要約モデルの品質評価
• No.407 Amazon Bedrockによる複雑なタスクの自動化
• No.408 生成AIの望ましくない出力抑制
• No.409 候補基盤モデルを客観的指標で比較する評価手法
• No.410 生成AIによる文面のブランドトーン統一とスケーラビリティ
• No.411 大規模言語モデルにおけるFew-shotプロンプティングの利点
• No.422 AIチャットボットの応答品質向上
• No.428 Bedrockのモデル評価で使う指標の選択
• No.429 LLMにおけるCoTプロンプティングの利点
• No.433 Amazon Novaを活用したドキュメント応答システムの設計
• No.434 RAG向けベクトル検索データストアの選定
• No.436 ファインチューニング向けデータセットのバイアス低減
• No.438 基盤モデルの主要な学習パラダイム
• No.440 Amazon Bedrock AIエージェントの基盤コンポーネント
• No.441 生成AIアシスタントのビジネス効果測定方法の選定
• No.443 基盤モデルのオブジェクト検出精度評価
• No.453 要約結果の参照比較に適した評価指標の選定
• No.458 生成AIの複雑なタスク分解戦略
• No.459 チャットボットの応答トーンをブランドに合わせる方法
• No.471 基盤モデル活用によるAIチャットボット構築
• No.473 大規模言語モデルと外部知識連携の利点
• No.482 RAG用埋め込みベクトルの保存と類似検索に適したサービス
• No.483 Bedrockモデルの教師データ保存
• No.484 Amazon Q を用いたAIアシスタントの精度向上
• No.486 基盤モデルの応答品質向上アプローチ
• No.493 Bedrockテキスト生成の候補語制御
• No.495 幅広い文章作成業務に対する生成AI活用の利点
• No.499 生成AIにおけるモデル推論とモデル評価の違い