首页 > D-GAI-F-01 / EMC

100% 免费真实更新 D-GAI-F-01 问题和答案轻松通过考试 [Q18-Q39]

出版日期 11 月 29, 2024

作者管理

4/5 - (1 选票)

100% 免费真实更新 D-GAI-F-01 问题和答案轻松通过考试

轻松通过新 D-GAI-F-01 验证和正确答案

新问题 18
一家公司正在考虑在其 LLM 中使用深度神经网络。
这样做的主要好处是什么？

他们可以处理更复杂的问题

它们需要的数据更少

运行成本更低

它们更容易理解

深度神经网络（DNN）是一类特别适合处理复杂模式和高维数据的机器学习模型。将 DNNs 纳入大型语言模型 (LLM) 时，DNNs 可带来多种优势，其中之一就是能够处理更复杂的问题。
DNN 在 LLM 中的主要优势：
* 解决复杂问题：DNN 可对数据中的复杂关系进行建模，使其能够理解和生成类似人类的文本。
* 分层特征学习：它们学习多层次的表示和抽象，有助于识别输入数据中的模式。
* 适应性强：DNN 非常灵活，可以进行微调，以执行从翻译到内容创建等各种任务。
* 提高上下文理解能力：通过深度层，神经网络可以捕捉更长文本的上下文，从而获得更连贯、与上下文更相关的输出结果。
总之，在 LLM 中使用深度神经网络的主要优势在于它们能够处理更复杂的问题，这源于它们的深度架构能够学习数据中错综复杂的模式和依赖关系。这使得深度神经网络成为开发复杂语言模型的重要组成部分，这些模型需要对语言和语境有细致入微的理解。

新问题 19
支持任何基于 Al 的应用的成功进展和形成所涉及的三个关键赞助人是什么？

面向客户的团队、执行团队和设施团队

营销团队、执行团队和数据科学团队

面向客户的团队、人力资源团队和数据科学团队

面向客户的团队、执行团队和数据科学团队

面向客户的团队：这些团队对于从最终用户的角度理解和定义基于人工智能的应用需求至关重要。他们收集有关客户需求、痛点和预期结果的见解，这对设计以用户为中心的人工智能解决方案至关重要。

新问题 20
某公司正在其 Generative Al 中实施治理。
这种治理的一个关键方面是什么？

透明度

用户界面设计

部署速度

成本效益

生成式人工智能的管理涉及几个关键方面，其中透明度至关重要。
人工智能治理的透明度是指人工智能系统的运行方式、使用的数据、采用的决策流程以及开发和部署方式的清晰度和公开性。它能确保利益相关者了解人工智能流程，并信任人工智能系统产生的结果。
戴尔 GenAI 基金会官方成就文件可能会强调透明度作为人工智能道德治理一部分的重要性。它将讨论有关人工智能操作的明确沟通需求，以建立信任并确保问责制1。此外，透明度也是解决道德问题、减少偏见和确保负责任地使用人工智能系统的基本要素2。
用户界面设计（选项 OB）、部署速度（选项 OC）和成本效益（选项 OD）是开发和实施人工智能系统的重要因素，但不是具体的治理方面。管理的重点是指导以合乎道德和负责任的方式使用人工智能的总体原则和做法，因此透明度是这方面的关键因素。

新问题 21
一家医疗保健公司希望利用 Al 通过分析医学图像来辅助诊断疾病。
以下哪项是生成式人工智能在这一领域的应用？

创建社交媒体帖子

库存管理

分析医学影像进行诊断

欺诈检测

生成式人工智能在医疗保健领域有着重要的应用，尤其是在用于诊断的医学图像分析方面。通过训练生成模型，可以识别 X 光片、核磁共振成像和 CT 扫描等医学图像中的模式和异常，从而帮助医疗专业人员更准确、更高效地诊断疾病。
戴尔 GenAI 基础成就官方文件可能涵盖了人工智能在各行各业（包括医疗保健）中的应用范围和影响。它将讨论生成式人工智能如何通过其先进的算法生成模仿真实数据的新数据实例，这在医学成像中尤其有用12。这些生成模型有可能有助于异常检测、图像到图像的转换、去噪和核磁共振成像重建等应用34。
创建社交媒体帖子（选项 OA）、库存管理（选项 OB）和欺诈检测（选项 OD）与用于诊断的医学图像分析没有直接关系。因此，正确答案为 C。
分析用于诊断的医学图像，因为这是生成式人工智能的应用，与问题的背景相符。

新问题 22
什么是人工智能（ANI）？

可自主执行任何任务的 Al 系统

Al 系统能够处理超出人类能力的问题

能像人类一样思考和决策的 Al 系统

可自主执行特定任务的 Al 系统

人工智能（Artificial Narrow Intelligence，ANI）指的是专为执行一项或一组特定任务而设计的人工智能系统。正确答案是选项 D：
人工智能的定义：人工智能又称弱人工智能，专门从事某一领域的工作。它能很好地完成某一特定功能，如面部识别、语言翻译或下棋等。
特点：与一般人工智能不同，ANI 不具备一般认知能力。在没有人类干预或再训练的情况下，它无法执行特定领域之外的任务。
例如：Siri、Alexa 和谷歌的搜索算法都是 ANI 的例子。这些系统在其指定任务中表现出色，但却无法将其学习成果迁移到无关领域。
参考资料
Goodfellow, I., Bengio, Y., & Courville, A. (2016).Deep Learning.麻省理工学院出版社。
Kaplan, A., & Haenlein, M. (2019)。Siri，Siri，在我手中：谁是这片土地上最公平的人？关于人工智能的解释、说明和影响。商业视野》，62（1）、
15-25.

新问题 23
企业开发基于 Al 的应用程序的第一步是什么？

优先考虑 Al。

制定业务战略。

解决道德和法律问题。

制定数据战略。

要开发基于人工智能的应用程序，企业必须采取的第一步是制定数据战略。正确答案是选项 D：
数据的重要性：数据是任何人工智能系统的基础。如果没有明确的数据战略，人工智能计划很可能会失败，因为模型的性能在很大程度上取决于数据的质量和数量。
数据战略的组成部分：全面的数据战略包括数据收集、存储、管理和确保数据质量。它还包括制定数据管理政策，以维护数据的完整性和安全性。
与业务目标保持一致：数据战略应与组织的业务目标保持一致，以确保所开发的人工智能应用具有相关性并能带来附加值。
参考资料
Davenport, T. H., & Ronanki, R. (2018).现实世界中的人工智能。哈佛商业评论》，96（1），108-116。
Marr, B. (2017).数据战略：如何从大数据、分析和物联网世界中获利》。Kogan Page Publishers.

新问题 24
为什么 Al 培训数据的多样性很重要？

使 Al 模型的开发成本更低

减少数据存储需求

为确保模型能在不同情况下通用

提高模型的计算速度

人工智能训练数据的多样性对于开发稳健、公平的人工智能模型至关重要。正确答案是选项 C：原因如下：
泛化：多样化的训练数据集可确保人工智能模型能在不同场景中很好地泛化，并在实际应用中准确地执行。
减少偏差：多样化的数据有助于减少因某些群体或情况的代表性过高或过低而产生的偏差。
公平性和包容性：确保数据的多样性有助于创建公平、包容的人工智能系统，这对人工智能的道德发展至关重要。
参考资料
Barocas, S., Hardt, M., & Narayanan, A. (2019).Fairness and Machine Learning. Fairmlbook.org.
Mehrabi, N., Morstatter, F., Saxena, N., Lerman, K., & Galstyan, A. (2021)。机器学习中的偏见与公平性调查》。ACM Computing Surveys (CSUR), 54(6), 1-35.

新问题 25
大型语言模型（LLM）在自然语言处理中的主要功能是什么？

LLM 接收人类语言的输入，并产生人类语言的输出。

LLM 用于缩小神经网络的规模。

LLM 用于增加神经网络的规模。

LLM 用于解析图像、音频和视频数据。

在自然语言处理（NLP）中，大型语言模型（LLM）的主要功能是处理和生成人类语言。以下是详细解释：
本地语言管理器的功能：本地语言管理器旨在理解、解释和生成人类语言文本。
它们可以执行翻译、摘要和对话等任务。
输入和输出：LLM 以文本形式接收输入，并以文本形式产生输出，使其成为各种语言应用的通用工具。
应用：这些模型可用于聊天机器人、虚拟助手、翻译服务等，展示了它们高效处理自然语言的能力。
参考资料
Devlin, J., Chang, M. W., Lee, K., & Toutanova, K. (2018).BERT: Pre-training of Deep Bidirectional Transformers for Language Understanding. arXiv preprint arXiv:1810.04805.
Brown, T. B.、Mann, B.、Ryder, N.、Subbiah, M.、Kaplan, J.、Dhariwal, P.、...... & Amodei, D.
(2020).语言模型是少量学习者。神经信息处理系统进展》。

新问题 26
一家金融机构希望使用一个较小的、高度专业化的模型来完成其财务任务。
他们应该考虑哪种模式？

伯特

GPT-4

彭博 GPT

GPT-3

对于希望使用较小的、高度专业化的模型来完成金融任务的金融机构来说，Bloomberg GPT 是最合适的选择。该模型专为金融数据和任务定制，非常适合需要在金融领域具备精确和专业能力的机构。
虽然 BERT 和 GPT-3 是功能强大的模型，但它们更具通用性。GPT-4 是备选方案中最新的一个，也是一个通用模型，但规模更大，对于专业任务来说可能没有必要。因此，方案 C：Bloomberg GPT 是建议考虑用于专门金融任务的模型。

新问题 27
在大型语言模型（LLM）的生命周期中，在线调整的主要目的是什么？

随机化神经网络的所有统计权重

通过输入特定任务的内容，为特定任务定制模型

为模型提供来自各种主题的大量数据

将文本输入提示符，与云端 Al 系统互动

微调的定义：微调是指在较小的特定任务数据集上进一步训练预训练模型的过程。这有助于模型适应特定任务或领域，提高其在这些领域的性能。

新问题 28
组织可以实施哪些战略来减少偏见并解决技术领域缺乏多样性的问题？

限制与非营利组织和非政府组织的合作。

与非营利组织、客户和同行公司在联盟、宣传团体和公共政策倡议方面开展合作。

减少技术团队和角色的多样性。

忽略这个问题，希望它能随着时间的推移自行解决。

与非营利组织合作：与非营利组织合作可为解决技术中的多样性和偏见问题提供宝贵的见解和资源。非营利组织通常拥有宣传和社区参与方面的专业知识，有助于推动有意义的变革。

新问题 29
Al 训练数据中的偏差会产生什么影响？

它能确保模型更快地处理数据。

它可能导致不公平或不正确的结果。

它简化了算法的复杂性。

它能均匀地提高模型在不同任务中的性能。

偏差的定义：人工智能中的偏差是指在数据收集、模型训练或部署阶段，由于偏见性假设而可能在模型中出现的系统误差。

新问题 30
想象一下，一家公司希望使用 Al 来改进客户服务，为客户的咨询生成个性化的回复。
哪种类型的 Al 最适合这项任务？

生成 Al

分析铝

分类 Al

存储铝

生成式人工智能是最适合生成个性化客户咨询回复的人工智能类型。这类人工智能侧重于创建内容，无论是文本、图像还是其他形式的媒体，都与经过训练的数据相似。在客户服务方面，生成式人工智能可用于开发聊天机器人或虚拟助理，为用户提供即时、相关和个性化的交流。
戴尔 GenAI 基础成就官方文件可能会讨论生成式人工智能在业务应用（包括客户服务）方面的功能。它将解释生成式人工智能如何通过提供高级分析、超个性化产品以及自然语言交互支持来改善客户互动1。这与通过人工智能驱动的个性化来提升客户服务的目标是一致的。
分析型人工智能（选项 OB）通常指分析数据并提供见解的人工智能，这对决策至关重要，但与生成回复并无直接关系。排序型人工智能（选项 OC）和存储型人工智能（选项 OD）不是人工智能的标准类别，也不具体涉及生成个性化内容的任务。因此，正确答案是 A.生成式人工智能，因为它旨在生成新的内容，可以模仿人类的互动，是个性化客户服务应用的理想选择。

新问题 31
指导组织、政府和开发人员合乎道德地使用 Al 的原则是什么？

只有监管机构才应对 Al 模型的准确性、公平性和使用负责

Al 模型的价值只能用经济收益来衡量。

Al 模型必须确保数据的隐私性和保密性。

Al 模型必须始终与用户的观点保持一致。

合乎道德地使用人工智能的指导原则之一是确保数据的隐私性和保密性。以下是详细解释：
道德原则：
说明：组织、政府和开发人员日益认识到保护个人数据的重要性。确保数据隐私和保密性对于维护信任和遵守法律标准至关重要。
实施：人工智能模型的设计必须负责任地处理数据，采用加密、匿名化和安全数据存储等技术来保护敏感信息。
法规合规性：遵守 GDPR（《通用数据保护条例》）和 CCPA（《加州消费者隐私法案》）等法规对于合法、合乎道德地部署人工智能至关重要。
参考资料
Jobin, A., Ienca, M., & Vayena, E. (2019).人工智能伦理指南的全球格局。
自然-机器智能》，1（9），389-399。
Floridi, L., & Taddeo, M. (2016)。什么是数据伦理？皇家学会哲学论文集 A：数学、物理和工程科学》，374（2083）、
20160360.

新问题 32
在生成 Al 的生命周期中，微调的目的是什么？

将文本输入提示符，与云端 Al 系统互动

随机化神经网络的所有统计权重

通过输入特定任务的内容，为特定任务定制模型

为模型提供来自各种主题的大量数据

定制：微调包括在与特定任务相关的较小数据集上调整预训练模型，提高其在特定应用中的性能。

新问题 33
在 Al 模型中，解释环的目的是什么？

它们用来增加 Al 模型的复杂性。

它们用于深入了解模型的推理过程，使用户和开发人员能够理解模型做出某些预测或决策的原因。

它们被用来降低 Al 模型的精度。

它们被用来增加铝模型的偏差。

解释循环：这些机制或工具旨在解释和说明人工智能模型做出的决定。它们可以帮助用户和开发人员理解模型预测背后的原理。

新问题 34
Al 训练数据中的偏差会产生什么影响？

它可能导致不公平或不正确的结果。

它简化了算法的复杂性。

它能确保模型更快地处理数据。

它能均匀地提高模型在不同任务中的性能。

偏差的定义：人工智能中的偏差是指在数据收集、模型训练或部署阶段，由于偏见性假设而可能在模型中出现的系统误差。

新问题 35
大型语言模型 Al 生命周期的三大步骤是什么？

培训、定制和推理

预处理、训练和后处理

初始化、培训和部署

数据收集、模型建立和评估

训练：模型从大型数据集学习的初始阶段。这包括向模型输入大量文本数据，并使用监督或无监督学习等技术来调整模型参数。

新问题 36
一家公司希望使用 Al，通过生成个性化的客户咨询回复来改善客户服务。
以下哪项是生成式人工智能用于改善客户体验的方法？

创造新的产品设计

通过自动执行重复性任务

通过聊天机器人提供个性化的及时回复

降低运营成本

生成式人工智能可提供个性化的及时响应，从而大大提升客户体验。
方法如下
* 了解客户咨询：生成式人工智能分析客户的语言、情绪和具体的询问细节。
* 个性化：它利用客户过去的互动和偏好来定制响应。
* 及时性：人工智能可以即时响应，减少等待时间，提高满意度。
* 一致性：无论咨询量有多大，都能确保答复质量的一致性。
* 可扩展性：人工智能可同时处理大量查询，这在高峰期非常有利。
参考资料
* 人工智能提供个性化体验的能力已在客户服务研究中得到充分证明。
* 关于人工智能聊天机器人的研究表明，聊天机器人的响应时间和客户满意度都有所提高。
* 行业报告经常强调人工智能在管理客户服务任务方面的可扩展性和一致性。
这种方法符合利用人工智能通过生成个性化回复来改善客户服务的目标，使 OC 选项成为经过验证的答案。

新问题 37
一个团队正在分析其 Al 模型的性能，并注意到这些模型正在强化现有的有缺陷的想法。
这是哪种偏见？

系统偏差

确认偏差

语言偏见

数据偏差

当人工智能模型强化了现有的错误观念时，通常表明存在系统性偏见。当包括数据、算法和其他结构性因素在内的基础系统本质上偏向于某些结果或观点时，就会出现这种类型的偏见。系统性偏见会导致刻板印象、不平等或不公平做法的长期存在，而这些都存在于用于训练模型的数据或流程中。
戴尔 GenAI 基础成就官方文件可能涵盖各种类型的偏见及其对人工智能系统的影响。它将讨论系统性偏见如何影响人工智能模型的性能和公平性，以及识别和减少此类偏见的重要性，以提高人类对机器的信任123。该文件将强调有必要建立一种积极寻求减少偏见并确保人工智能道德实践的文化。
确认偏差（选项 OB）是指在处理信息时倾向于寻找或解释与自己现有信念相一致的信息。语言偏差（选项 OC）涉及因数据中使用的语言的细微差别而产生的偏差。数据偏见（选项 OD）是一个更宽泛的术语，可以包含数据中的各种类型的偏见，但并不像系统性偏见那样特指强化有缺陷的想法。因此，正确答案是 A. 系统性偏见。

新问题 38
一家公司正在为 Al 生成生命周期规划资源。
哪个阶段需要的资源最多？

部署

推理

微调

培训

生成式人工智能生命周期的训练阶段通常需要最大量的资源。这是因为训练涉及处理大型数据集，以创建可生成新数据或预测的模型。
它需要大量的计算能力和时间，尤其是对于深度学习神经网络等复杂模型而言。所需的资源包括数据存储、处理能力（通常使用 GPU 或专用硬件）以及模型从数据中学习所需的时间。
相比之下，部署涉及将模型应用到生产环境中，尽管这很重要，但往往不像训练阶段那样需要大量资源。推理是训练好的模型进行预测的过程，这确实需要资源，但所需资源没有训练阶段那么多。微调是根据特定任务调整预训练模型的过程，与初始训练阶段相比，使用的资源也较少。
戴尔 GenAI 基础成就官方文件概述了理解人工智能、机器学习和深度学习概念的重要性，以及人工智能在当今业务中的范围和需求，其中包括生成式人工智能生命周期的知识1。

新问题 39
您正在开发一种新的 Al 模型，该模型涉及两个神经网络在竞争环境中协同工作，以生成新数据。
这种模式叫什么？

前馈神经网络

生成式对抗网络（GANs）

变形金刚

变异自动编码器 (VAE)

生成对抗网络（GAN）是一类人工智能模型，涉及两个神经网络，即生成器网络和判别器网络，它们在竞争环境中工作。生成器网络生成新的数据实例，而判别器网络则对其进行评估。生成器的目标是生成与真实数据无异的数据，而判别器的目标是正确地对真实数据和生成的数据进行分类。这一竞争过程产生了高质量的新数据1。
前馈神经网络（选项 OA）是基本的神经网络，节点之间的连接不形成循环，本质上不具有竞争性。变换器（选项 OC）是利用自我注意机制处理数据序列（如自然语言）的模型，用于翻译和文本摘要等任务。变异自编码器（VAE）（选项 OD）是一种使用概率编码器和解码器生成新数据实例的神经网络，但不涉及两个网络之间的竞争设置。因此，正确答案是 B. 生成对抗网络（GANs），因为它们是由生成器网络和判别器网络之间的竞争性互动定义的2。

加载中 …