Como é a prova AIF-C01
Domínios cobrados e peso de cada um
Simulado AIF-C01 online: questões com resposta comentada
Clique na alternativa: a correção e a explicação aparecem na hora.
Uma plataforma de e-commerce deseja aproveitar modelos de base para gerar descrições de produtos em vários idiomas, mantendo consistência com o tom de voz da marca e reduzindo o esforço manual da equipe de marketing. Como a empresa pode atingir esse objetivo de forma mais eficaz usando serviços da AWS?
✓ Resposta: B) Usar um modelo de base do Amazon Bedrock com prompt engineering e, se necessário, fine-tuning ou ajuste por instruções (instruction tuning) com exemplos de descrições aprovadas pela marca
Por quê: Esta alternativa é a mais adequada porque aproveita diretamente modelos de base no Amazon Bedrock para geração de texto, utilizando boas práticas como prompt engineering e, se necessário, fine-tuning ou ajuste por instruções com exemplos reais da marca. Isso permite personalizar o tom, o estilo e a estrutura das descrições de produtos, mantendo consistência em múltiplos idiomas sem precisar treinar um modelo do zero.
Dica de prova: Ao usar modelos de base para geração de conteúdo, pense em três camadas: (1) um bom prompt que descreva claramente o papel do modelo, o público-alvo e o estilo desejado; (2) exemplos de entrada/saída (few-shot) para orientar o modelo; e (3) se o padrão ainda não for suficiente, use fine-tuning ou ajustes baseados em instruções com dados aprovados pelo negócio. Na prova, sempre que aparecer "personalizar estilo" ou "capturar tom de voz", procure respostas com uso de modelos de base pré-treinados + ajustes leves, em vez de treinamento do zero.
Referência: Amazon Bedrock: personalização de modelos
Uma startup de varejo quer usar um modelo de IA generativa para responder dúvidas de clientes em tempo real. Para alinhar-se às diretrizes de IA responsável da AWS, qual é a MELHOR ação a ser priorizada antes de colocar o modelo em produção?
✓ Resposta: D) Usar filtros de conteúdo, limites a temas sensíveis e escalonamento claro para atendentes humanos
Por quê: Esta alternativa é a melhor prática alinhada às diretrizes de IA responsável da AWS, pois enfatiza a implementação de salvaguardas de segurança e mecanismos de controle antes da produção. Isso inclui filtros de conteúdo para reduzir respostas tóxicas ou inadequadas, restrições sobre temas sensíveis (por exemplo, aconselhamento médico, financeiro ou legal) e um fluxo de escalonamento para humanos quando o modelo não estiver apto a responder com segurança.
Dica de prova: Em questões de IA responsável na AWS, procure por ações que: 1) Antecipam riscos (testes, avaliação de impacto). 2) Incluem salvaguardas técnicas (filtros, limites, controles de acesso). 3) Preveem supervisão e possibilidade de intervenção humana. 4) Valorizam transparência e prestação de contas, não apenas proteção legal. Se a alternativa enfatiza apenas performance, tamanho de modelo ou transferência de responsabilidade para o usuário, desconfie.
Referência: Amazon Bedrock Guardrails: tópicos negados
Em termos de fundamentos de aprendizado de máquina, qual opção descreve com mais precisão o que é *overfitting* (sobreajuste) em um modelo de IA?
✓ Resposta: A) Quando o modelo memoriza os dados de treino e perde capacidade de generalizar para dados novos
Por quê: Esta alternativa está correta porque descreve exatamente o conceito de sobreajuste (*overfitting*): o modelo se ajusta demais aos dados de treinamento, incluindo ruídos e detalhes específicos, o que faz com que ele tenha ótimo desempenho nesses dados, mas desempenho pior em novos dados (baixa capacidade de generalização).
Dica de prova: Lembre-se: *overfitting* = modelo "esperto demais" para o treino (memoriza), ruim no teste; *underfitting* = modelo "ingênuo demais" (não aprende nem o básico). Sempre compare desempenho em treino x teste para identificar esses problemas.
Referência: Underfitting vs. Overfitting
Um time de desenvolvimento está avaliando diferentes abordagens para criar aplicações com IA generativa. Eles desejam reduzir o tempo de desenvolvimento, aproveitar modelos já treinados em grande escala e focar apenas em ajustar o comportamento do modelo para o seu domínio específico, sem precisar treinar modelos do zero. Qual opção descreve da forma mais adequada essa abordagem?
✓ Resposta: A) Usar um modelo de base via API com engenharia de prompts e ajuste fino leve para o domínio
Por quê: Esta alternativa descreve corretamente a abordagem moderna de usar modelos básicos (foundation models) pré-treinados, geralmente acessados via API, e adaptá-los ao contexto específico por meio de técnicas como prompt engineering, few-shot learning ou fine-tuning leve. Isso reduz o custo, o tempo de desenvolvimento e a necessidade de grandes volumes de dados e infraestrutura, aproveitando o conhecimento já aprendido pelo modelo em larga escala.
Dica de prova: Quando o enunciado mencionar reaproveitar conhecimento pré-existente, reduzir custo de treinamento e focar na adaptação ao domínio, pense em foundation models, APIs de modelos gerativos e técnicas de ajuste como prompt engineering e fine-tuning.
Referência: Amazon Bedrock: personalização de modelos
Uma organização do setor financeiro está desenvolvendo um chatbot interno usando modelos de IA generativa hospedados na AWS. O chatbot responderá perguntas de funcionários sobre dados de clientes que são classificados como informações altamente sensíveis (PII e dados financeiros). A equipe de governança quer garantir que o uso desse chatbot esteja alinhado com requisitos de confidencialidade, auditoria e minimização de exposição de dados. Qual abordagem é a MAIS adequada para atender a esses requisitos de segurança e conformidade?
✓ Resposta: C) Restringir o chatbot a um data store anonimizado ou pseudonimizado, aplicar RBAC via IAM, registrar todas as interações para auditoria e criptografar os dados em repouso e em trânsito.
Por quê: Esta alternativa é a mais adequada porque combina vários princípios de segurança e governança de dados: minimização de dados (uso de dados anonimizado ou pseudonimizado), controle de acesso baseado em função (RBAC com IAM), trilha de auditoria (registro de interações) e proteção criptográfica (em repouso e em trânsito). Em um cenário com PII e dados financeiros, essas práticas mitigam o risco de exposição indevida, ajudam na conformidade com regulações como LGPD e facilitam investigações em caso de incidentes.
Dica de prova: Sempre que o enunciado mencionar PII, dados financeiros ou informações altamente sensíveis, pense em: mínimo privilégio (IAM/RBAC), criptografia em repouso e em trânsito, mascaramento/anonimização de dados e logging/auditoria. Em IA generativa, lembre também de limitar o contexto enviado ao modelo para evitar vazamento de dados desnecessários.
Referência: AWS Whitepaper: segurança de IA generativa
Uma empresa já opera seus sistemas em um banco Aurora compatível com PostgreSQL e quer criar uma base de conhecimento do Amazon Bedrock guardando os embeddings no mesmo banco que a equipe já administra. Qual armazenamento vetorial atende a esse requisito?
✓ Resposta: D) Amazon Aurora PostgreSQL com a extensão pgvector
Por quê: O guia cita serviços que armazenam embeddings em bancos vetoriais: Amazon OpenSearch Service, Amazon Aurora, Amazon Neptune e Amazon RDS for PostgreSQL. As bases de conhecimento do Bedrock suportam, entre outros, OpenSearch Serverless, Aurora PostgreSQL, Neptune Analytics (GraphRAG) e Amazon S3 Vectors.
Dica de prova: Já usa Aurora PostgreSQL? O pgvector guarda os embeddings no mesmo banco.
Referência: Amazon Bedrock Knowledge Bases: armazenamentos vetoriais
Gostando? São 390 questões como estas.
6 provas completas no tempo do exame, com a explicação de cada alternativa.
Ver as 6 provas completas →
Uma empresa de saúde está treinando um modelo de IA generativa no Amazon Bedrock para auxiliar médicos com resumos de prontuários. A organização quer reduzir o risco de o modelo gerar recomendações incorretas ou potencialmente perigosas para pacientes. Qual prática está MAIS alinhada com diretrizes de IA responsável nesse contexto?
✓ Resposta: C) Adotar revisão humana obrigatória, testes, monitoramento e aviso de que é apoio, não decisão clínica
Por quê: Esta alternativa reflete boas práticas de IA responsável em um cenário de alto risco, como saúde. Ela combina vários elementos fundamentais: supervisão humana obrigatória (médico continua responsável pela decisão), testes rigorosos e monitoramento contínuo para detectar falhas do modelo em produção, além de comunicação clara sobre o papel da IA como apoio, não substituto da decisão clínica. Esse conjunto reduz o risco de danos, melhora a segurança e aumenta a transparência no uso do sistema.
Dica de prova: Em contextos sensíveis (saúde, finanças, setor público), procure sempre pelas alternativas que mencionam: supervisão humana, monitoramento contínuo, testes de segurança, transparência sobre limitações do modelo e proteção de dados (não apenas "não logar", mas logar com segurança). Essas são palavras-chave de IA responsável.
Referência: Amazon Augmented AI (A2I): revisão humana
Cada cientista de dados treina e implanta modelos com notebooks próprios, e ninguém consegue reproduzir quais dados e qual código geraram o modelo que está em produção. Quais práticas de MLOps resolvem isso?
✓ Resposta: B) Pipelines automatizados e versionados, com registro e aprovação de modelos
Por quê: Fundamentos de MLOps no guia: experimentação, processos repetíveis, sistemas escaláveis, gestão de dívida técnica, prontidão para produção, monitoramento e retreinamento. Pipelines e registro de modelos dão reprodutibilidade, governança e implantação controlada.
Dica de prova: Ninguém sabe de onde veio o modelo em produção = falta pipeline versionado e Model Registry.
Referência: SageMaker AI Model Registry
Um time de desenvolvedores quer criar um agente em Python com poucas linhas de código, definindo modelo, prompt e ferramentas e deixando que o próprio modelo planeje quais ferramentas usar. Quer um SDK de código aberto da AWS para isso. Qual opção atende?
✓ Resposta: C) Strands Agents
Por quê: O guia v1.1 incluiu o Strands Agents entre as tecnologias para desenvolver aplicações de IA generativa. Os agentes criados com ele podem rodar localmente ou em produção na AWS, por exemplo no Amazon Bedrock AgentCore, que é compatível com o Strands e com outros frameworks.
Dica de prova: SDK aberto para criar agentes em poucas linhas, com o modelo decidindo as ferramentas = Strands Agents.
Referência: AWS: Strands Agents, SDK de agentes de código aberto
Uma equipe de governança de dados precisa garantir que aplicações internas que utilizam modelos de fundação na AWS estejam em conformidade com políticas de segurança e privacidade, incluindo registro de uso dos modelos, controle de quais modelos podem ser chamados por cada aplicação e prevenção de envio de dados sensíveis a modelos não autorizados. Qual abordagem é a MAIS adequada para atender esses requisitos com serviços AWS gerenciados?
✓ Resposta: B) Utilizar o Amazon Bedrock com políticas de IAM e tags de recursos para controlar quais modelos podem ser usados por cada aplicação, combinando com logs de auditoria no AWS CloudTrail para rastrear chamadas aos modelos.
Por quê: Esta alternativa é a mais adequada porque usa mecanismos nativos e gerenciados da AWS para governança de IA. O Amazon Bedrock permite controlar o acesso a modelos específicos via políticas de IAM (por exemplo, restringindo chamadas a determinados modelos de fundação) e usar tags de recursos para aplicar regras de autorização mais refinadas. Além disso, o AWS CloudTrail registra as chamadas de API, permitindo auditoria detalhada sobre quem chamou qual modelo, quando e com quais parâmetros.
Dica de prova: Para questões de segurança e governança em IA na AWS, procure sempre por: (1) uso de IAM para controle fino de acesso a modelos e endpoints; (2) logs de auditoria com CloudTrail ou serviços equivalentes; (3) abordagem de menor privilégio e segmentação por aplicação, conta ou tag; (4) preferência por serviços totalmente gerenciados (como Amazon Bedrock) em vez de soluções customizadas complexas.
Referência: Amazon Bedrock: exemplos de políticas IAM baseadas em identidade
Uma equipe de desenvolvimento está construindo um chatbot interno usando Amazon Bedrock para responder dúvidas sobre políticas corporativas, documentos de RH e manuais internos. Eles querem garantir que o modelo gere respostas com base apenas nos documentos oficiais da empresa, evitando que o modelo 'invente' informações que não existam nesses conteúdos. Qual abordagem é mais adequada para atender a esse requisito usando modelos de base?
✓ Resposta: C) Usar RAG: indexar os documentos e enviar os trechos relevantes ao modelo a cada pergunta
Por quê: A abordagem de Recuperação Aumentada por Geração (RAG) permite que os documentos internos sejam indexados em um mecanismo de busca (como um índice vetorial). A cada pergunta do usuário, o sistema recupera os trechos mais relevantes desses documentos e os inclui no prompt enviado ao modelo de base, orientando a resposta para o conteúdo oficial. Isso reduz alucinações e garante maior aderência às políticas e documentos da empresa, sem necessidade de treinar o modelo do zero.
Dica de prova: Quando o objetivo é usar conhecimento corporativo atualizado e estruturado, pense em RAG: indexar documentos + recuperar contexto relevante + enviar ao modelo. Fine-tuning é mais indicado para ajustar estilo, tom ou especializar o modelo em tarefas específicas, não apenas para injetar conhecimento factual dinâmico.
Referência: AWS: O que é RAG (geração aumentada por recuperação)
Uma organização pública brasileira deseja adotar práticas de IA responsável ao usar Amazon Bedrock e Amazon SageMaker para construir modelos de classificação de documentos sensíveis. Considerando as diretrizes de IA responsável da AWS, qual é a MELHOR ação para garantir que o sistema respeite princípios de transparência, equidade e segurança desde o início do projeto?
✓ Resposta: A) Configurar logs detalhados e trilhas de auditoria, estabelecer um processo formal de revisão humana para decisões críticas e documentar claramente o propósito, limitações e fontes de dados do sistema.
Por quê: Esta alternativa é a melhor porque reflete diretamente as práticas alinhadas às diretrizes de IA responsável da AWS: transparência (documentar propósito, limitações e dados), segurança e responsabilidade (logs e trilhas de auditoria) e supervisão humana (revisão de decisões críticas). Ao incorporar essas medidas desde o início, a organização cria bases sólidas para governança, monitoramento contínuo e conformidade regulatória, especialmente importante em contexto do setor público.
Dica de prova: Em questões de IA responsável na AWS, procure sempre pela alternativa que: (1) inclua supervisão humana; (2) enfatize documentação, transparência e rastreabilidade; (3) considere avaliação de viés, segurança e privacidade desde a concepção, e não apenas depois da implantação.
Referência: Diretrizes de IA Responsável da AWS
Seu resultado:
Fazer as 6 provas completas →Treine com as 390 questões em 6 provas completas
- Tempo e formato do exame
- Explicação de cada alternativa, certa ou errada
- Link da documentação oficial para revisar
- Acesso vitalício, com as atualizações do curso
- Sem risco: reembolso em até 30 dias pela política da Udemy
Ver o curso completo na Udemy →
Guia de preparação AIF-C01 em PDF e flashcards para Anki, grátis
Leve o guia de preparação AIF-C01
Grátis e sem cadastro: capítulos por domínio, as pegadinhas da prova, questões comentadas e a folha de cola para a véspera.
📘 Baixar o guia grátisUma revisão por dia, de graça

Profissional de TI e instrutor na Udemy com 85 simulados de certificação e 4.545 alunos. Cada questão segue o guia oficial do exame e é revisada a partir das dúvidas dos alunos.
Plano de estudo para a AIF-C01 em 4 semanas
- Semana 1Faça a Prova 1 no tempo do exame, sem consulta, e anote o resultado por domínio.
- Semana 2Estude os domínios abaixo da nota de corte na documentação oficial e refaça as questões que errou.
- Semana 3Faça as provas 2 a 4, lendo a explicação de todas as alternativas, inclusive das que acertou.
- Semana 4Faça as provas 5 e 6 e agende o exame quando estiver em 80% ou mais (a referência é 70%).
Perguntas frequentes sobre o simulado AIF-C01
Onde fazer simulado AIF-C01 grátis?
Nesta página há 12 questões do simulado AIF-C01 com resposta comentada, de graça e sem cadastro. Para treinar com as 390 questões em 6 provas completas, use o curso na Udemy. Neste mês há vagas gratuitas com o cupom AIF-C01-FREE-NOV26 (válido até 01/12).
Quantas questões e quanto tempo tem o simulado AIF-C01?
Cada prova do simulado tem 65 questões e 90 minutos, no formato do exame, para você treinar o ritmo da prova real.
Qual a nota para passar na AIF-C01?
A referência de aprovação usada nos simulados é 70%. Antes de agendar o exame, busque ficar em 80% ou mais em todas as provas.
Como estudar para a AIF-C01?
Faça uma prova completa no tempo do exame, anote os domínios abaixo da nota de corte, estude a documentação desses domínios e refaça as questões lendo a explicação de todas as alternativas.
Tem flashcards da AIF-C01 para o Anki?
Sim: o baralho grátis desta página traz questões, conceitos-chave, pegadinhas e gatilhos de prova. Abra o arquivo no Anki do computador ou do celular e revise alguns minutos por dia.
Tem simulado AIF-C01 em português?
Sim. As questões desta página e do curso são em português, com os termos técnicos em inglês como aparecem no exame.
Simulados de certificações relacionadas




Comentários, dúvidas e sugestões
Achou um erro, tem uma dúvida ou uma sugestão? Comente aqui: leio e respondo todas as mensagens, e toda questão apontada é revisada.
Ver as 6 provas completas de AIF-C01 →
