[NEW] AWS Certified Generative AI Developer - Professional

أهلا بك عزيزي المتابع لموقع (journey for learn) نقدم دورات بكوبونات متاحة لاول 1000 تسجيل مجاني فقط وكوبونات اخري لفترة محدودة فاذا كنت تريد ان تحصل علي كل الكورسات علي موقعنا وان تكون اول المسجلين في الكورسات المجانية قم بتسجيل الدخول أوقم بالدخول علي وسائل التواصل الاجتماعي وخصوصا التليجرام نوضح الوصف المختصر والطويل للدورات لكي تعرف الدروس التي سوف تتعلمها بسهولة ويسر :

مطور الذكاء الاصطناعي التوليدي المعتمد من AWS - تغطية احترافية تفصيلية لمجال الاختبارقبل التعمق في تفاصيل الدورة، إليك التفاصيل الدقيقة لمطور الذكاء الاصطناعي التوليدي المعتمد من AWS - مجالات الاختبار الاحترافي لمساعدتك على تركيز جهودك الدراسية:

• المجال 1: تكامل النموذج الأساسي، وإدارة البيانات، والامتثال (31%)
  • دمج النماذج الأساسية في التطبيقات وسير العمل.
  • تصميم وإدارة مسارات البيانات لـ GenAI الحلول.
  • تطبيق معايير الامتثال والحوكمة وأمن البيانات.
  • استخدام مخازن المتجهات والجيل المعزز للاسترجاع (RAG).
  • تقييم النماذج الأساسية للجودة والمسؤولية.
• المجال 2: التنفيذ والتكامل (26%)
  • تنفيذ خدمات GenAI باستخدام AWS Bedrock والخدمات ذات الصلة.
  • تطوير الهندسة السريعة وتطبيقها التقنيات.
  • إنشاء حلول الذكاء الاصطناعي الفعالة وتنسيق سير العمل.
  • دمج تطبيقات GenAI مع AWS Lambda وAPI Gateway وغيرها من الخدمات.
  • نشر نماذج الذكاء الاصطناعي التوليدية وإدارتها في الإنتاج.
• المجال 3: سلامة الذكاء الاصطناعي وأمنه وإدارته (20%)
  • تطبيق ضوابط الأمان والتشفير لـ GenAI أعباء العمل.
  • تنفيذ ممارسات الذكاء الاصطناعي المسؤولة وتقييمات المخاطر.
  • إنشاء أطر حوكمة لاستخدام النماذج.
  • ضمان خصوصية البيانات والامتثال للمتطلبات التنظيمية.
  • مراقبة وتدقيق سلوك نظام الذكاء الاصطناعي من أجل السلامة.
• المجال 4: الكفاءة التشغيلية والتحسين لتطبيقات GenAI (12%)
  • تحسين تكلفة وأداء GenAI أعباء العمل.
  • قياس الاستدلال باستخدام خيارات حساب AWS المناسبة.
  • مراقبة مقاييس التطبيق باستخدام CloudWatch والسجلات.
  • تنفيذ إستراتيجيات التخزين المؤقت وتقليل زمن الاستجابة.
  • ضبط معلمات النموذج لتحقيق الكفاءة التشغيلية.
• المجال 5: الاختبار والتحقق من الصحة واستكشاف الأخطاء وإصلاحها (11%)
  • التحقق من صحة مخرجات النموذج مقابل الجودة المعايير.
  • إجراء اختبار الأداء الوظيفي لحلول GenAI.
  • استكشاف مشكلات التكامل ووقت التشغيل وإصلاحها.
  • إجراء اختبار التحميل والضغط من أجل قابلية التوسع.
  • تنفيذ المراقبة والتنبيه المستمرين.

وصف الدورة التدريبية اجتياز مطور الذكاء الاصطناعي المولد المعتمد من AWS - تتطلب الشهادة الاحترافية أكثر من مجرد فهم عالي المستوى للذكاء الاصطناعي. فهو يتطلب خبرة عميقة وعملية في إنشاء تطبيقات الذكاء الاصطناعي التوليدية على مستوى الإنتاج وتأمينها وتوسيع نطاقها على AWS. لقد قمت بإنشاء دورة الاختبار التدريبي هذه لسد الفجوة بين المعرفة النظرية والأسئلة المعقدة المستندة إلى السيناريوهات التي ستواجهها في الاختبار الفعلي. خلال هذه الاختبارات التدريبية، سيتم اختبارك بشأن القرارات المعمارية الواقعية. تتعمق الأسئلة في تقييم النماذج الأساسية لحالات استخدام محددة، وإعداد مسارات بيانات آمنة من أجل إنشاء الاسترجاع المعزز (RAG)، واستخدام Amazon Bedrock لبناء مسارات عمل وكيلة. نظرًا لأن الكفاءة التشغيلية والحوكمة تشكل جزءًا كبيرًا من الاختبار، فقد ركزت أيضًا بشكل كبير على السيناريوهات التي تتطلب منك تحسين تكاليف الاستدلال، وتنفيذ Guardrails لخصوصية البيانات، ومراقبة أعباء عمل الذكاء الاصطناعي باستخدام Amazon CloudWatch. يتضمن كل سؤال في هذا البنك تحليلاً شاملاً للبنية الصحيحة وتفسيرات تفصيلية لسبب فشل الخيارات غير الصحيحة في بيئة الإنتاج. هدفي هو التأكد من فهمك لمنهجيات AWS GenAI الأساسية حتى تتمكن من الدخول إلى غرفة الاختبار بثقة تامة. معاينة أسئلة التدريب فيما يلي عينة من النوع الدقيق للأسئلة المستندة إلى السيناريو التي ستجدها داخل الدورة التدريبية:

• السؤال 1: أنت تقوم ببناء وكيل دعم عملاء مبتكر يعتمد على الذكاء الاصطناعي باستخدام Amazon Bedrock. يحتاج الوكيل إلى الاستعلام عن واجهة برمجة تطبيقات المخزون الداخلي للشركة للإجابة على أسئلة المستخدم حول توفر المنتج. ما التنفيذ الذي يتطلب أقل قدر من كود التنسيق المخصص؟
  • الخيار أ: نشر برنامج نصي للتنسيق مخصص على مثيل Amazon EC2 باستخدام إطار عمل مفتوح المصدر مثل LangChain.
  • الخيار ب: تكوين وكلاء Amazon Bedrock مع مجموعة عمل تقوم بتشغيل وظيفة AWS Lambda للاستعلام عن واجهة برمجة تطبيقات المخزون.
  • الخيار ج: إنشاء آلة حالة AWS Step Functions التي تستدعي Bedrock InvocModel API وBedrock InvocModel API بالتناوب. واجهة برمجة تطبيقات المخزون.
  • الخيار د: ضبط نموذج الأساس في قاعدة بيانات المخزون الداخلية بحيث يكون لديه معرفة أصلية بتوفر المنتج.
  • الخيار E: نشر نموذج أساسي مخصص على نقاط نهاية Amazon SageMaker واستخدام AWS Glue لإدخال بيانات المخزون في الموجه.
  • الخيار F: استخدم Amazon Kendra لفهرسة قاعدة بيانات المخزون وتمرير نتائج البحث مباشرة إلى المستخدم دون نموذج أساسي.
  • الإجابة الصحيحة: الخيار ب
  • الشرح العام: تم تصميم وكلاء Amazon Bedrock لتنسيق التفاعلات بشكل مستقل بين النماذج الأساسية ومصادر البيانات وواجهات برمجة التطبيقات الخارجية. من خلال تحديد مجموعة عمل وربطها بوظيفة Lambda، يتعامل الوكيل مع المنطق المعقد وتنسيق واجهة برمجة التطبيقات محليًا، مما يقلل بشكل كبير من التعليمات البرمجية المخصصة المطلوبة مقارنة ببناء أجهزة الحالة اليدوية أو استضافة أطر عمل مفتوحة المصدر.
  • لماذا تكون الخيارات صحيحة/غير صحيحة:
    • أ (غير صحيح): تتطلب إدارة البرامج النصية LangChain المخصصة على EC2 أعباء تشغيلية عالية (التصحيح والقياس) وتعليمات برمجية مخصصة كبيرة.
    • ب (صحيح): يتعامل عملاء Bedrock بشكل أساسي مع التنسيق واستخدام الأداة. يتطلب توصيل مجموعة عمل بوظيفة Lambda الحد الأدنى من التعليمات البرمجية المخصصة بشكل صارم لاستدعاء واجهة برمجة التطبيقات نفسها.
    • C (غير صحيح): يمكن لوظائف الخطوة تنسيق واجهات برمجة التطبيقات، ولكن إنشاء منطق التوجيه يدويًا بين مطالبات المستخدم، وLLM، وواجهة برمجة التطبيقات يتطلب تكوينًا مخصصًا مكثفًا.
    • د (غير صحيح): لا يوفر الضبط الدقيق إمكانيات البحث في الوقت الفعلي. ستصبح معرفة النموذج بالمخزون قديمة على الفور.
    • E (غير صحيح): نقاط نهاية SageMaker مخصصة لاستضافة النماذج، وليس لتنظيم استدعاءات واجهة برمجة التطبيقات. وهذا يضيف تعقيدًا هائلاً ولا يحل مشكلة التنسيق بكفاءة.
    • F (غير صحيح): Kendra هي خدمة بحث ذكية، وليست وكيل تنسيق. ولا يمكنها تحليل استعلامات المحادثة والاستعلام عن واجهات برمجة تطبيقات المعاملات المباشرة وإنشاء استجابات محادثة من تلقاء نفسها.
• السؤال 2: تستخدم مؤسسة مالية قواعد معارف Amazon Bedrock لإنشاء تطبيق جيل الاسترجاع المعزز (RAG). تحتوي ملفات PDF المصدر المخزنة في Amazon S3 على معلومات تعريف شخصية حساسة (PII). كيف يمكنك التأكد من تنقيح معلومات تحديد الهوية الشخصية قبل أن يولد النموذج الأساسي استجابة، مع فرض تصفية مسؤولة لمحتوى الذكاء الاصطناعي؟
  • الخيار أ: اكتب وظيفة AWS Lambda مخصصة لتحليل النص وتنقيحه باستخدام التعبيرات العادية قبل أن يصل إلى Bedrock.
  • الخيار ب: تنفيذ Guardrails لـ Amazon Bedrock، وتكوين عوامل تصفية المعلومات الحساسة لمعلومات تحديد الهوية الشخصية ومرشحات المحتوى للسموم.
  • الخيار ج: تمكين AWS WAF على Amazon API البوابة التي تواجه تطبيق Bedrock لحظر الطلبات التي تحتوي على معلومات تحديد الهوية الشخصية (PII).
  • الخيار د: معالجة جميع المستندات المصدر باستخدام Amazon Macie لحذف معلومات تحديد الهوية الشخصية (PII) نهائيًا من حاوية S3 قبل الاستيعاب.
  • الخيار E: تدريب نموذج تصنيف نص مخصص باستخدام Amazon SageMaker لتصفية معلومات تحديد الهوية الشخصية (PII) والمحتوى السام.
  • الخيار F: استخدم AWS Key Management Service (KMS) لتشفير حقول بيانات PII داخل كائنات S3.
  • صحيح الإجابة: الخيار ب
  • الشرح العام: توفر Guardrails for Amazon Bedrock طريقة أصلية ومُدارة لتنفيذ الضمانات عبر تطبيقات الذكاء الاصطناعي التوليدية لديك. إنها تسمح لك بتحديد عوامل تصفية المعلومات الحساسة (التي يمكنها إخفاء معلومات تحديد الهوية الشخصية أو حظرها تلقائيًا) ومرشحات المحتوى (لحظر المحتوى الضار أو السام) دون كتابة تعبير عادي مخصص معقد أو إدارة نماذج تصنيف منفصلة.
  • لماذا تكون الخيارات صحيحة/غير صحيحة:
    • أ (غير صحيح): التعبير العادي المخصص في Lambda هش، ويصعب صيانته، ولا يتعامل أصلاً مع تصفية محتوى الذكاء الاصطناعي المسؤولة (السمية).
    • ب (صحيح): تدعم حواجز الحماية أصلاً كلاً من معلومات تحديد الهوية الشخصية (PII). التنقيح (مرشحات المعلومات الحساسة) وحظر السمية (مرشحات المحتوى) على مستوى Bedrock API.
    • C (غير صحيح): يقوم AWS WAF بتحليل رؤوس طلبات الويب والحمولات الخاصة بعمليات الاستغلال، وليس معلومات تحديد الهوية الشخصية (PII) الدلالية أو السمية في تفاعلات الذكاء الاصطناعي التوليدية.
    • D (غير صحيح): يمكن لـ Amazon Macie اكتشاف معلومات تحديد الهوية الشخصية (PII)، ولكن حذف البيانات نهائيًا من المستندات المصدر يؤدي إلى تغيير السجلات الأصلية، وهو ما قد لا يكون مقبولاً. تعمل حواجز الحماية على إخفاء البيانات ديناميكيًا.
    • E (غير صحيح): يؤدي إنشاء نموذج SageMaker مخصص للتصنيف وصيانته إلى زيادة الحمل التشغيلي غير الضروري عند وجود ميزة مُدارة أصلية.
    • F (غير صحيح): يقوم KMS بتشفير البيانات أثناء عدم النشاط. عندما يقرأ مسار RAG المستند، يتم فك تشفير البيانات، مما يعني أن LLM ستظل معرضة لنص واضح لمعلومات تحديد الهوية الشخصية (PII).
• السؤال 3: أنت تعمل على تحسين روبوت محادثة يعمل بالذكاء الاصطناعي عالي الحركة ومدعوم من Amazon Bedrock. كثيرًا ما يطرح المستخدمون نفس الأسئلة أو أسئلة مشابهة لغويًا. أنت بحاجة إلى تقليل تكاليف استدعاء Bedrock API وتحسين زمن الوصول للاستدلال. ما هي الإستراتيجية الأكثر كفاءة من الناحية التشغيلية؟
  • الخيار أ: تنفيذ التخزين المؤقت للمطابقة التامة باستخدام Amazon API Gateway.
  • الخيار ب: تخزين استعلامات المستخدم في Amazon SQS ومعالجتها على دفعات كبيرة عبر AWS Lambda.
  • الخيار ج: توفير الإنتاجية المتوفرة للنموذج الأساسي المختار في Amazon Bedrock.
  • الخيار د: تنفيذ ذاكرة تخزين مؤقت دلالية باستخدام قاعدة بيانات متجهة مثل Amazon OpenSearch Serverless أو Amazon ElastiCache.
  • الخيار E: استبدل النموذج الأساسي بنموذج مفتوح المصدر أصغر حجمًا وأقل كفاءة مستضافًا على EC2.
  • الخيار F: تكوين مهمة AWS Glue لإنشاء إجابات مسبقًا لجميع استعلامات المستخدم المحتملة وتخزينها في Amazon DynamoDB.
  • الإجابة الصحيحة: الخيار D
  • الشرح العام: بالنسبة لأحمال عمل الذكاء الاصطناعي التوليدية، نادرًا ما يكتب المستخدمون نفس السلسلة بالضبط، لذلك التخزين المؤقت للمطابقة التامة غير فعال. يعمل التخزين المؤقت الدلالي على الاستفادة من قاعدة بيانات المتجهات لتحويل المطالبات الواردة إلى عمليات تضمين والبحث عن استعلامات سابقة مماثلة. إذا تمت الإجابة على استعلام مشابه جدًا مؤخرًا، فسيتم إرجاع الاستجابة المخزنة مؤقتًا على الفور. يؤدي هذا إلى تقليل استدعاءات واجهة برمجة التطبيقات (API) باهظة الثمن إلى LLM وتقليل زمن الوصول بشكل كبير.
  • لماذا تكون الخيارات صحيحة/غير صحيحة:
    • أ (غير صحيح): يعتمد التخزين المؤقت لبوابة واجهة برمجة التطبيقات (API Gateway) على التطابقات الدقيقة للسلسلة. سيفتقد صيغًا مختلفة لنفس السؤال (على سبيل المثال، "كيف يمكنني إعادة تعيين كلمة المرور الخاصة بي؟" مقابل "تعليمات إعادة تعيين كلمة المرور").
    • ب (غير صحيح): يؤدي تجميع الطلبات باستخدام SQS إلى حدوث زمن استجابة كبير، مما يؤدي إلى تدمير تجربة الوقت الفعلي لبرنامج الدردشة الآلية.
    • ج (غير صحيح): تضمن الإنتاجية المتوفرة قدرة الاستدلال ويمكنها تثبيت زمن الاستجابة، ولكنها مكلفة ولا تقلل تكاليف الاستدعاء للتكرارات. الاستعلامات.
    • D (صحيح): يستخدم التخزين المؤقت الدلالي التضمينات لمطابقة معنى المطالبة، مما يؤدي بنجاح إلى إرجاع الإجابات المخزنة مؤقتًا لأسئلة مماثلة، مما يوفر الوقت والمال.
    • E (غير صحيح): يؤدي الترحيل إلى نموذج ضعيف في EC2 إلى الإضرار بجودة التطبيق وزيادة العبء التشغيلي لإدارة البنية التحتية.
    • F (غير صحيح): من المستحيل التنبؤ وإنشاء الإجابات مسبقًا لكل استعلام محتمل باللغة الطبيعية قد قد يقوم به المستخدم. اسأل.
• مرحبًا بك في أكاديمية Mock Exam Practice Tests Academy لمساعدتك في الاستعداد لمطور الذكاء الاصطناعي المعتمد من AWS - المحترف.
• يمكنك إعادة إجراء الاختبارات عدة مرات كما تريد
• هذا بنك أسئلة أصلي ضخم
• يمكنك الحصول على الدعم من المدرسين إذا كانت لديك أسئلة
• يحتوي كل سؤال على شرح مفصل
• متوافق مع الهاتف المحمول تطبيق Udemy

آمل أن تكون مقتنعًا الآن! وهناك الكثير من الأسئلة داخل الدورة.

ما هي المتطلبات الأساسية لدخول الدورة والتسجيل فيها على موقعنا؟ رحلة التعلم:

(احصل على الدورة للدخول إلى الموقع والتسجيل)

يجب أن يكون لديك بريد إلكتروني (حساب بريد) تتذكره لنفسك وأيضًا يجب أن تتذكر كلمة مرور البريد الإلكتروني الذي ستسجل به ، وإذا لم يكن لديك حساب بريد إلكتروني ، فمن الأفضل إنشاء حساب (Gmail)