AWS認定資格 WEB問題集＆徹底解説
AIプラクティショナー
- No.6 IDE向け生成AI開発支援サービスの選定
- No.7 金融機関における生成AI基盤モデル利用
- No.10 生成AIモデルの構築・トレーニング・デプロイ基盤
- No.13 複数プロバイダーの基盤モデルとエージェントを扱うサービス選定
- No.17 生成AI応答におけるハルシネーションとトキシシティの識別
- No.27 生成AIのハルシネーション軽減策
- No.37 生成AI導入効果を測るビジネス指標の選定
- No.42 生成AIの基本概念の定義
- No.43 Amazon Bedrockでコスト効率の高い推論方式を選ぶ
- No.44 生成モデルアーキテクチャごとの動作原理の違い
- No.46 生成AIが事実でない情報を生成する現象
- No.48 文脈による語義の違いを捉える埋め込みモデル
- No.49 基盤モデルがラベルを自ら生成する学習手法
- No.53 自然言語からSQLクエリへの変換
- No.56 生成AIアシスタント導入効果を測る指標の選定
- No.74 Amazon Bedrockの主要な利点
- No.101 Transformerモデルの動作原理
- No.105 生成AIのリスク軽減策
- No.110 マルチモーダルモデルの能力
- No.111 トランスフォーマーの最適用途
- No.114 BedrockとSageMaker JumpStartの比較
- No.117 モデル推論と評価の違い
- No.142 大規模言語モデルの誤り
- No.146 生成AIサービス利用時のインフラ運用負荷
- No.147 生成AIチャットアシスタントの品質が左右するビジネス指標
- No.151 生成AIが事実に基づかない情報を出力する現象
- No.159 NLPにおけるトークン化の重要性
- No.173 LLMの応答の非決定性
- No.175 Amazon Q Developer の機能理解
- No.177 LLM開発に適したAWSサービスの組み合わせ
- No.181 生成AIによるマーケティングコンテンツ作成の運用負荷最小化
- No.184 生成AIアプリケーションのデプロイ効率を測るビジネス指標
- No.185 コーディング支援に適した生成AIアシスタントの選択
- No.187 企業向け生成AI搭載アシスタント
- No.190 Transformerモデルの動作原理
- No.200 生成AIチャットボットの応答再利用
- No.202 生成AIをAWSで活用する利点の理解
- No.203 Amazon Q Developerの基盤
- No.207 Amazon Bedrockの効率的な推論
- No.211 生成AIモデルの誤った出力の防止策
- No.213 プロンプトエンジニアリングの構成要素
- No.218 生成AIシステムのリソース効率を測る評価指標
- No.223 BedrockとJumpStartの比較
- No.230 生成AIの基本概念と特徴
- No.234 Temperatureの影響
- No.235 生成AIによる新規コンテンツ作成
- No.236 基盤モデルの特徴と能力
- No.240 LLMの特性（非決定性）
- No.244 Amazon Q Developerの利用環境
- No.248 生成AI活用による運用コスト削減の説明
- No.256 Amazon Q Developerを支える基盤サービス
- No.258 Amazon Q Businessの基盤サービス
- No.266 自然言語によるBIダッシュボード作成を支援するサービス
- No.271 Bedrockの生成結果を保存するストレージ
- No.272 カスタムモデル学習と基盤モデル統合の役割分担
- No.277 AIモデルの処理能力の限界
- No.278 自然言語でのBIダッシュボード作成
- No.281 生成 AI アプリケーションの評価指標（ユーザー満足度）
- No.283 LLMの主要な用途
- No.288 生成AIの重要性と応用
- No.290 生成AIにおけるトークンの概念
- No.296 学習済みモデルを即座に活用できるSageMaker機能の選択
- No.297 基盤モデルとLLMの主な違い
- No.300 生成AIのハルシネーション対策
- No.303 医療関連データを扱う生成AIアプリでHIPAA準拠とデータ非保持を両立するサービス選定
- No.306 Top Pパラメータの影響
- No.307 合成データ生成のGAN活用
- No.308 Amazon Q Developerが提供する機能の把握
- No.322 文脈的意味を区別する埋め込みモデル
- No.324 生成AI機能のビジネス価値を測る指標設計
- No.337 生成AIチャットボットの主要考慮点
- No.341 生成AIアプリケーションにおけるNPS(ネットプロモータースコア)が示す指標
- No.342 Temperatureパラメータの影響
- No.346 Amazon Q Developerの機能
- No.347 生成AI機能の事業インパクトを測るビジネス指標
- No.350 社内データを横断する生成AIアシスタントの選定
- No.356 Amazon Bedrockの主要機能
- No.365 Amazon Q と Amazon Bedrock の違い
- No.370 LLMにおける埋め込みとベクトル表現の役割
- No.371 基盤モデルの即利用と独自学習を両立するサービスの組み合わせ
- No.372 生成AIモデルの適切な活用シナリオ
- No.373 Amazon Bedrock がインフラ管理を不要にする仕組み
- No.375 Foundation Modelとカスタマイゼーションの定義
- No.384 テキストの数値表現に関する概念
- No.387 判別モデルと生成モデルの主要な相違点
- No.391 生成AIレコメンド機能の効果測定に用いるビジネス指標
- No.404 大量レポートの一括要約における Bedrock 推論コストの最小化
- No.413 受験生向けアシスタントに求める安全対策とデータ保護
- No.417 顧客サポート向け生成AIソリューション選定
- No.425 Amazon Q Businessを支える基盤サービス
- No.430 生成AIの利用検出が対処するリスク
- No.431 Amazon Bedrockにおけるハルシネーションリスク
- No.435 生成AIによるテキスト分析の能力と限界
- No.447 LLMにおけるtop-kサンプリングの利点
- No.457 社内チャットボットの誤回答が示す生成AIの課題
- No.462 統計的特性を保った合成データ生成に適した手法
- No.463 社内データに基づいて回答・要約・作業実行を行う生成AIアシスタント
- No.464 生成AIの現代における価値
- No.465 SageMaker JumpStart の特徴
- No.475 生成AIチャットボットが事実と異なる回答を生成する現象
- No.476 コンタクトセンターのオペレーター支援に適した生成AIサービス
- No.480 生成AIパイロットにおけるインフラ管理不要なアプローチの選択
- No.490 生成AIレコメンドのビジネス評価指標
- No.491 事前学習済み基盤モデルの活用に適したサービス
- No.498 生成AIにおける拡散モデルの特性
広告