Guia do Exame AWS Certified Machine Learning - Specialty

A certificação **AWS Machine Learning Specialty** valida sua experiência na criação, treinamento e implantação de modelos de ML na AWS. Abrange SageMaker, engenharia de dados e serviços de IA.

Uma organização deseja construir um sistema de recomendação personalizado para seus usuários com base em seu histórico de navegação e compras. O sistema precisa processar grandes quantidades de dados de eventos em tempo real e gerar recomendações de baixa latência. Qual arquitetura de serviço da AWS seria mais eficiente para este caso de uso?

Resposta : Capturar eventos com Amazon Kinesis Data Streams, processar com AWS Lambda e armazenar perfis de usuário/itens em Amazon DynamoDB para inferência rápida.

Sistemas de recomendação eficazes exigem a capacidade de processar dados de comportamento do usuário em tempo real e responder com baixa latência. A combinação de serviços de streaming (Kinesis), computação serverless (Lambda) e bancos de dados NoSQL de alta performance (DynamoDB) é uma arquitetura comum para construir esses sistemas.

Uma empresa está desenvolvendo um modelo de machine learning para prever a rotatividade de clientes. O conjunto de dados contém informações sobre o comportamento do cliente, dados demográficos e histórico de interações. Qual serviço da AWS é mais adequado para treinar e implantar este modelo de forma escalável e gerenciada?

Resposta : Amazon SageMaker

O Amazon SageMaker é um serviço de machine learning totalmente gerenciado que permite aos desenvolvedores e cientistas de dados construir, treinar e implantar modelos de ML rapidamente. Ele simplifica cada etapa do ciclo de vida do ML, desde a anotação de dados até a implantação do modelo.

Uma equipe de ciência de dados está trabalhando em um projeto que envolve o processamento de grandes volumes de dados não estruturados (logs de aplicação) para identificar padrões anômalos. Eles precisam de uma solução que possa escalar horizontalmente e integrar-se com ferramentas de análise de dados existentes. Qual combinação de serviços da AWS seria mais apropriada para essa tarefa?

Resposta : Amazon EMR com Apache Spark para processamento em lote e Amazon OpenSearch Service para análise

O Amazon EMR (Elastic MapReduce) permite executar frameworks de big data como Apache Spark, Hadoop e Presto em clusters escaláveis. O Apache Spark é amplamente utilizado para processamento de dados em lote e análise de grandes conjuntos de dados. O Amazon OpenSearch Service (anteriormente Elasticsearch Service) é uma ferramenta poderosa para análise de logs e busca em tempo real.

Qual serviço da AWS é projetado para facilitar a criação e o gerenciamento de pipelines de integração e implantação contínuas (CI/CD) para aplicações, incluindo aquelas que utilizam machine learning?

Resposta : AWS CodePipeline

A integração e implantação contínuas (CI/CD) são práticas essenciais para automatizar o ciclo de vida de desenvolvimento de software. O AWS CodePipeline permite modelar, visualizar e automatizar os fluxos de trabalho de liberação, conectando diferentes serviços da AWS para criar pipelines robustos.

Ao implantar um modelo de machine learning para inferência em tempo real, qual é uma consideração crucial de segurança para proteger os endpoints da API contra acesso não autorizado?

Resposta : Utilizar AWS Identity and Access Management (IAM) para controlar o acesso ao endpoint

A segurança é fundamental em qualquer implantação de ML. O AWS Identity and Access Management (IAM) é um serviço central para gerenciar o acesso aos recursos da AWS. Ao aplicar políticas IAM aos endpoints de inferência, você pode garantir que apenas entidades autenticadas e autorizadas possam invocar seu modelo.

Related Certifications

Local Testing

Careers

preload
preload
preload
preload
preload
preload