AWS認定資格 WEB問題集＆徹底解説
AIプラクティショナー
分野4：責任ある AI に関するガイドライン
- No.15 機械学習におけるバイアス低減手法
- 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.21 AIモデルのバイアス検出と透明性向上
- No.32 生成AIモデル設計におけるトレードオフの理解
- No.35 AI/MLのバイアス防止方法
- 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.64 AIモデルの公平性確保
- No.77 学習データの不均衡によるバイアスへの対処
- No.84 MLモデルのバイアス検出と説明可能性
- No.90 Amazon Bedrockの保護機能
- No.105 生成AIのリスク軽減策
- No.116 AI/MLモデルの公平性確保
- No.120 生成AIモデルの潜在的リスク
- No.121 AIモデルの透明性と説明可能性
- No.162 機械学習予測への人間レビュー統合
- No.165 生成AIの誤情報管理手法
- No.171 RLHFとA2Iの違い
- No.179 AIモデルの公平性確保アプローチ
- No.180 画像生成AIのバイアス軽減方法
- No.182 AIモデルの監視とバイアス検出
- 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.192 AI/MLモデルのバイアス防止手法
- No.199 人間のレビューと監査の実装
- No.210 AIモデルのバイアスによる影響
- No.216 LLM出力の公平性評価手法
- No.232 AIモデルのバイアス防止方法
- 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.259 金融業界での生成AI採用戦略
- No.264 SageMaker Clarifyの機能
- No.268 AIモデルのバイアス特定
- No.274 SageMaker Clarifyの利点
- No.282 AIモデルのバイアス防止アプローチ
- 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.295 LLMの偏見評価に適したデータソース
- No.302 AIモデルのバイアス検出と対策
- 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.337 生成AIチャットボットの主要考慮点
- No.348 基盤モデルの出力を安全に制御する方法
- No.354 生成AIシステムの倫理的評価における優先事項
- No.377 機械学習モデルにおけるバイアスの発生要因
- 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.400 Amazon Q Businessのデータ管理とセキュリティ制御
- No.412 生成AIチャットボットのセキュリティとコンプライアンス対策
- No.415 AIガバナンスにおける責任あるシステム運用
- No.418 AIモデルの公平性・透明性確保
- No.430 生成AIの利用検出が対処するリスク
- No.437 Amazon Q Businessのガバナンスと監査
- No.444 Amazon Q Business ガードレールの目的
- 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.470 機械学習モデルの説明可能性手法の理解
- No.479 生成AI画像モデルのバイアス是正とデータ拡張
- No.487 生成AIの安全な導入戦略
広告