AWS認定資格 WEB問題集＆徹底解説
AIプラクティショナー
- 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.14 保険書類のデジタル処理における適切な構成
- No.18 VPC内SageMakerとS3の安全な接続
- No.19 顧客フィードバックの自動感情分析
- No.21 AIモデルのバイアス検出と透明性向上
- No.28 SageMaker Clarifyの活用
- No.43 Amazon Bedrockでコスト効率の高い推論方式を選ぶ
- No.51 ML予測の透明性と解釈可能性
- No.61 AIモデルのバイアス検出と公平性評価
- No.62 設備故障予兆検知のための統合ML環境選定
- No.72 機械学習における学習と推論の違い
- No.77 学習データの不均衡によるバイアスへの対処
- No.80 モデル開発における説明可能性とパフォーマンスの関係
- No.84 MLモデルのバイアス検出と説明可能性
- No.106 SageMakerにおけるチーム別データアクセス制御
- No.113 機微な人事データを扱う機械学習アプリのセキュリティ確保
- No.114 BedrockとSageMaker JumpStartの比較
- No.121 AIモデルの透明性と説明可能性
- No.127 大規模データ推論に適した構成の選択
- No.137 NLPに適したAWSのAI/MLサービス
- No.144 画像認識・分類のAWSサービス選択
- No.146 生成AIサービス利用時のインフラ運用負荷
- No.149 過学習への対処と汎化性能の向上
- No.153 AIモデルの透明性と説明可能性
- No.158 SageMakerモデルの文書化
- No.160 SageMaker Model CardsとAI Service Cardsの役割の違い
- No.175 Amazon Q Developer の機能理解
- No.176 MLモデルの文書化ツール
- 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.182 AIモデルの監視とバイアス検出
- No.197 信用評価システムにおける説明可能性の重要性
- No.199 人間のレビューと監査の実装
- No.212 インターネットを経由しないVPCからのS3アクセス経路
- 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.216 LLM出力の公平性評価手法
- No.223 BedrockとJumpStartの比較
- No.227 夜間車両ナンバー検出に適したサービス
- No.233 医療AIモデルの透明性と信頼性維持
- No.251 SageMakerのデータ集約サービス
- No.252 AIモデルのバイアス検出サービス
- No.257 AIモデルのバイアス検出と最小化
- No.264 SageMaker Clarifyの機能
- No.270 金融ML運用のガバナンスツール
- 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.274 SageMaker Clarifyの利点
- No.279 生成AI実装におけるセキュリティ責任範囲の評価
- No.286 MLモデルのスケーラブルなAPI提供
- No.291 AIモデルのバイアス検出ツール
- No.293 AIモデルの予測モニタリング
- 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.299 NLPのための最適なAWSサービス
- No.302 AIモデルのバイアス検出と対策
- 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.319 責任あるAI実践のための偏り検出と説明可能性
- No.328 SageMaker Clarifyの主要機能
- No.330 ノーコードMLツールの選択
- No.333 定期的な品質データ分析に適した推論方式
- No.335 AIモデルのデプロイと推論
- No.339 Amazon Bedrockのファインチューニング
- No.358 音声認識とカスタム画像分析の統合
- 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.377 機械学習モデルにおけるバイアスの発生要因
- No.380 過学習が発生しているモデルの改善手法
- No.383 AWS責任共有モデルにおける顧客の責任範囲
- No.385 モデルパラメータとハイパーパラメータの違い
- No.389 モデルガバナンスのためのドキュメント化機能
- No.390 SageMakerへの役割別アクセス制御
- No.395 本番環境での継続的なモデル監視と人間レビューの実現
- No.397 SageMakerでの推薦モデル最適化手法
- No.406 テキスト要約モデルの品質評価
- 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.418 AIモデルの公平性・透明性確保
- No.420 SageMakerサービスのユースケース選択
- No.421 モデルパラメータとハイパーパラメータの違い
- No.426 機械学習モデルの予知保全システムにおける設計判断
- No.447 LLMにおけるtop-kサンプリングの利点
- No.449 SageMakerのデプロイモデル選定
- No.450 モデル予測の説明可能性を高めるサービスの選定
- No.456 金融機関のAI不正検知と監査対応
- No.460 SageMakerにおける特徴量の一貫性維持
- No.465 SageMaker JumpStart の特徴
- No.468 機械学習モデルの汎化性能最適化
- No.470 機械学習モデルの説明可能性手法の理解
- No.471 基盤モデル活用によるAIチャットボット構築
- No.472 機械学習モデルの過学習と未学習の関係
- No.477 機械学習ワークロードの認証情報管理戦略
- No.478 機械学習ワークロードの体系的改善
- 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.481 機械学習モデルの過学習の根本原因特定
- No.485 AIモデルの透明性と説明責任を確保
- 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.494 医療画像のデータラベリング効率化
- No.496 SageMaker Autopilotの主な目的
広告