AWS AI Practitioner

Como é a prova

A prova oficial tem 65 questões dos tipos múltipla escolha, múltipla resposta, ordenação e correspondência, das quais 50 contam para a nota e 15 são de pré-teste (não pontuadas e não identificadas), com até 90 minutos de prova. Custa US$ 100, vale por 3 anos e é feita online com supervisão remota ou presencial em centro de testes (Pearson VUE). A AWS publica a nota de corte: 700 na escala de 100 a 1000 (pontuação escalonada, não é percentual de acertos). Os pesos por domínio também são publicados. Quem não tem inglês como língua nativa e faz a prova em inglês pode pedir 30 minutos extras (ESL +30) antes de agendar. Materiais oficiais gratuitos: exam guide, learning path e Official Practice Question Set gratuito (20 questões).

O simulado do PassMind tem 65 questões de múltipla escolha em 90 minutos. Consideramos aprovado a partir de 70% de acertos: é a meta do nosso simulado; a nota oficial é escalonada (700 de 1000) e não equivale exatamente a um percentual de acertos. As questões são sorteadas de um banco de 1.179 questões originais, todas com explicação.

Duração

90 min

Meta do simulado

70%

Questões por simulado

65

Questões no banco

1.179

Domínios e pesos

Os domínios seguem o guia oficial da prova. Os percentuais são os pesos oficiais publicados pela AWS no guia da prova.

• Fundamentals of AI and ML20%
• Fundamentals of GenAI24%
• Applications of Foundation Models28%
• Guidelines for Responsible AI14%
• Security, Compliance, and Governance for AI Solutions14%

Questões de amostra

5 questões do banco do PassMind, com gabarito e explicação.

1. Questão 1Fácil

   No modelo de precificação on-demand para inferência no Amazon Bedrock, qual tipo de tokens geralmente gera custos mais elevados?

   • AInput tokens submitted in the prompt
   • BSystem tokens embedded in internal processing
   • COutput tokens generated by the model
   • DCached tokens reused from previous requests
   Ver gabarito e explicação

   Resposta correta: C. Output tokens generated by the model

   Tokens de output tipicamente custam mais porque gerar as respostas do modelo demanda mais recursos computacionais comparado a processar tokens de input. Tokens de system não são uma categoria distinta para preço, e tokens em cache otimizam custo ao evitar processamento repetido, não constituindo tipo de token tarifado.

2. Questão 2Fácil

   O que significa Machine Learning (ML)?

   • AUm processo manual para escrever every rule à mão
   • BUm método para substituir all computers por robots
   • CUma tool usada apenas para desenhar charts
   • DUma forma de os systems aprenderem patterns a partir de data
   Ver gabarito e explicação

   Resposta correta: D. Uma forma de os systems aprenderem patterns a partir de data

   Uma forma de os systems aprenderem patterns a partir de data está correto porque ML é um subset de AI. Em vez de programar every rule explicitamente, o system aprende com exemplos e melhora suas predictions ou decisions.

3. Questão 3Média

   Qual informação chave o SageMaker Pipelines rastreia para garantir a reprodutibilidade de experimentos?

   • AOs endpoints do modelo implantado e suas configurações de runtime
   • BAs métricas do treinamento e os logs de utilização de recursos
   • CA sequência de etapas do pipeline junto com suas entradas e saídas
   • DAs permissões da conta AWS e o histórico de acesso dos usuários
   Ver gabarito e explicação

   Resposta correta: C. A sequência de etapas do pipeline junto com suas entradas e saídas

   O SageMaker Pipelines rastreia a sequência de etapas e as entradas e saídas associadas para permitir a reprodutibilidade dos fluxos de trabalho de machine learning. Esse rastreamento detalhado permite que os usuários recriem os experimentos exatamente como foram executados. Outros dados, como métricas de treinamento ou permissões, não fornecem o mesmo nível de reprodutibilidade para todo o processo do pipeline.

4. Questão 4Média

   Qual métrica melhor quantifica o custo operacional direto associado ao deployment de um modelo de IA?

   • AUser engagement rate
   • BMarket share percentage
   • CEmployee productivity index
   • DInference cost per request
   Ver gabarito e explicação

   Resposta correta: D. Inference cost per request

   Inference cost per request mede diretamente as despesas incorridas cada vez que o modelo de IA processa uma entrada, refletindo o custo operacional da solução de IA. Outras métricas como user engagement ou market share estão relacionadas ao desempenho ou impacto de negócio, mas não capturam o custo. Employee productivity mede a eficiência da força de trabalho, que não está relacionada aos custos de deployment da IA.

5. Questão 5Difícil

   Qual padrão de arquitetura melhor possibilita que um sistema de geração aumentada por recuperação responda perguntas usando documentos internos enquanto minimiza alucinações?

   • AClassificar documentos com reconhecimento de imagem antes de gerar respostas a partir do language model
   • BSubstituir o language model por um motor de regras fixo que retorna respostas pré-determinadas
   • CAjustar finamente um language model apenas com dados de interação de chat sem usar recuperação de documentos externos
   • DArmazenar documentos em uma base de conhecimento pesquisável, recuperar trechos relevantes no momento da consulta e incluí-los no prompt do modelo
   Ver gabarito e explicação

   Resposta correta: D. Armazenar documentos em uma base de conhecimento pesquisável, recuperar trechos relevantes no momento da consulta e incluí-los no prompt do modelo

   Usar uma base de conhecimento pesquisável para recuperar trechos relevantes no momento da consulta e fornecê-los como contexto no prompt ajuda o modelo a gerar respostas precisas fundamentadas em documentos internos, reduzindo alucinações. Essa abordagem aumentada por recuperação garante que as respostas sejam baseadas em dados reais e não apenas no treinamento do modelo.