内容领域 2： 生成式人工智能基础知识
领域 2 涵盖了生成式人工智能的基础知识，占考试计分内容的 24%。
任务
任务说明 2.1： 解释生成式人工智能的基本概念。
目标：
定义生成式人工智能的基础概念（例如，词元、分块、嵌入、向量、提示工程、基于转换器的 LLM、基础模型 [FM]、多模态模型、扩散模型）。
确定生成式人工智能模型的潜在使用案例（例如，图像、视频和音频生成；摘要；AI 助手；翻译；代码生成；客户服务座席；搜索；推荐引擎）。
描述基础模型生命周期（例如，数据选择、模型选择、预训练、微调、评估、部署、反馈）。
任务说明 2.2： 了解生成式人工智能解决业务问题的能力和局限性。
目标：
描述生成式人工智能的优势（例如，适应性、响应性、简单性）。
确定生成式人工智能解决方案的缺点（例如，幻觉、可解释性、不准确、不确定性）。
确定在选择生成式人工智能模型时需考虑的各种因素（例如，模型类型、性能要求、能力、限制、合规性）。
确定生成式人工智能应用程序的商业价值和指标（例如，跨领域性能、效率、转化率、每用户平均收入、准确率、客户生命周期价值）。
任务说明 2.3： 描述用于构建生成式人工智能应用程序的 AWS 基础设施和技术。
目标：
确定用于开发生成式人工智能应用程序的 AWS 服务和功能（例如，Amazon SageMaker JumpStart、Amazon Bedrock PartyRock、Amazon Q、Amazon Bedrock 数据自动化）。
描述使用 AWS 生成式人工智能服务构建应用程序的优势（例如，可访问性、门槛较低、效率、成本效益、产品上市速度、实现业务目标的能力）。
描述 AWS 基础设施为生成式人工智能应用程序带来的益处（例如，安全性、合规性、负责任、保障）。
描述 AWS 生成式人工智能服务的成本权衡（例如，响应能力、可用性、冗余、性能、区域覆盖范围、基于词元的定价、预置吞吐量、自定义模型）。
