Diese Seite wurde exportiert von Free Exams Dumps Materials [ http://exams.dumpsmaterials.com ] Exportdatum:Thu Dec 26 11:15:37 2024 / +0000 GMT ___________________________________________________ Titel: Push für Ihren Erfolg mit Oracle Cloud 1z0-1122-23 Prüfungsfragen [Q17-Q35] --------------------------------------------------- Schieben Sie Ihren Erfolg mit Oracle Cloud 1z0-1122-23 Prüfungsfragen 1z0-1122-23 100% Guarantee Download 1z0-1122-23 Exam PDF Q&A NEUE FRAGE 17Was ist der Unterschied zwischen Large Language Models (LLMs) und traditionellen maschinellen Lernmodellen? LLMs benötigen gelabelten Output für das Training. LLMs haben im Vergleich zu anderen Modellen eine begrenzte Anzahl von Parametern. LLMs sind speziell für die Verarbeitung und das Verstehen natürlicher Sprache konzipiert. LLMs konzentrieren sich auf Bilderkennungsaufgaben. Große Sprachmodelle (LLMs) sind eine Klasse von Deep-Learning-Modellen, die unter anderem natürliche Sprache erkennen und generieren können. LLMs werden auf großen Mengen von Textdaten trainiert und lernen dabei Grammatik, Semantik und Kontext. LLMs verwenden die Transformer-Architektur, die sich auf die Selbstbeobachtung stützt, um die Eingabe- und Ausgabesequenzen zu verarbeiten und zu verstehen. LLMs können auf der Grundlage der bereitgestellten Eingaben verschiedene Aufgaben zur Verarbeitung und zum Verstehen natürlicher Sprache durchführen, wie z. B. Textzusammenfassung, Beantwortung von Fragen, Texterstellung usw.34. Herkömmliche Modelle des maschinellen Lernens hingegen werden in der Regel mit spezifischen statistischen Algorithmen trainiert, die vordefinierte Ergebnisse liefern. Sie erfordern häufig markierte Daten und Feature-Engineering und sind nicht so flexibel und anpassungsfähig wie LLMs5. Referenz: Was sind LLMs und wie werden sie in der generativen KI eingesetzt?, An Introduction to LLMOps: Operationalizing and Managing Large Language Models using Azure ML, An Introduction to Large Language Models (LLMs): How It Got ... - LabellerrNEW QUESTION 18Was ist der Unterschied zwischen Klassifizierung und Regression beim überwachten maschinellen Lernen? Die Klassifizierung ordnet Datenpunkte Kategorien zu, während die Regression kontinuierliche Werte vorhersagt. Klassifizierung und Regression sagen beide kontinuierliche Werte voraus. Die Klassifizierung sagt kontinuierliche Werte voraus, während die Regression Datenpunkte Kategorien zuordnet. Sowohl Klassifizierung als auch Regression ordnen Datenpunkte Kategorien zu. Klassifizierung und Regression sind zwei Unterarten des überwachten Lernens beim maschinellen Lernen. Der Hauptunterschied zwischen ihnen besteht in der Art der Ausgangsvariablen, mit denen sie arbeiten. Bei der Klassifizierung werden Datenpunkte auf der Grundlage bestimmter Kriterien oder Regeln diskreten Kategorien zugewiesen. Beispielsweise ist die Klassifizierung von E-Mails in Spam oder Nicht-Spam auf der Grundlage ihres Inhalts ein Klassifizierungsproblem, da die Ausgabevariable binär ist (Spam oder Nicht-Spam). Die Regression sagt kontinuierliche Werte für Datenpunkte auf der Grundlage ihrer Eingabemerkmale voraus. Beispielsweise ist die Vorhersage von Hauspreisen auf der Grundlage von Größe, Lage, Ausstattung usw. ein Regressionsproblem, da die Ausgangsvariable kontinuierlich ist (Hauspreis). Klassifizierung und Regression verwenden verschiedene Arten von Algorithmen und Metriken, um ihre Leistung zu bewerten. Referenz: : Oracle Cloud Infrastructure AI - Machine Learning Concepts, Classification vs. Regression in Machine Learning | by ...NEW QUESTION 19Welcher KI-Bereich ist mit Aufgaben wie der Erkennung von Kräften in Bildern und der Klassifizierung von Objekten verbunden? Computer Vision Anomalie-Erkennung Sprachverarbeitung Verarbeitung natürlicher Sprache Computer Vision ist ein Bereich der künstlichen Intelligenz, der sich mit Aufgaben wie der Erkennung von Gesichtern in Bildern und der Klassifizierung von Objekten befasst. Computer Vision ist ein Bereich der künstlichen Intelligenz, der es Computern und Systemen ermöglicht, sinnvolle Informationen aus digitalen Bildern, Videos und anderen visuellen Eingaben abzuleiten und auf der Grundlage dieser Informationen Maßnahmen zu ergreifen oder Empfehlungen auszusprechen. Beim maschinellen Sehen werden Modelle des maschinellen Lernens und des Deep Learning auf visuelle Daten wie Pixel, Farben, Formen, Texturen usw. angewendet und Merkmale und Muster extrahiert, die für verschiedene Zwecke verwendet werden können. Einige der gängigen Techniken und Anwendungen der Computer Vision sind: Gesichtserkennung: Identifizieren oder Überprüfen der Identität einer Person anhand ihrer Gesichtsmerkmale.Objekterkennung: Lokalisierung und Kennzeichnung von Objekten von Interesse in einem Bild oder einem Video.Objekterkennung: Klassifizierung von Objekten in vordefinierte Kategorien, wie z. B. Tiere, Fahrzeuge, Früchte usw. Szenenverständnis: Analyse des Kontexts und der Semantik einer visuellen Szene, z. B. Ort, Zeit, Wetter, Aktivität usw. Bildsegmentierung: Aufteilung eines Bildes in mehrere Regionen mit ähnlichen Merkmalen wie Farbe, Textur, Form usw. Bildverbesserung: Verbesserung der Qualität oder des Aussehens eines Bildes durch Anwendung von Filtern, Transformationen oder Korrekturen.Bilderzeugung: Erstellen von realistischen oder stilisierten Bildern von Grund auf oder auf der Grundlage von Eingabedaten wie Skizzen, Beschriftungen oder Attributen. Referenz: : Was ist Computer Vision? | IBM, Computer Vision - WikipediaNEUE FRAGE 20Welche Fähigkeit wird durch den Oracle Cloud Infrastructure Vision Service unterstützt? Erkennen und Klassifizieren von Objekten in Bildern Generierung realistischer Bilder aus Text Analysieren von historischen Daten auf ungewöhnliche Muster Erkennen und Verhindern von Betrug bei Finanztransaktionen Oracle Cloud Infrastructure Vision ist ein serverloser, mandantenfähiger Dienst, der über die Konsole oder über REST-APIs zugänglich ist. Sie können Bilder hochladen, um Objekte darin zu erkennen und zu klassifizieren. Wenn Sie viele Bilder haben, können Sie diese über asynchrone API-Endpunkte im Stapel verarbeiten. Die Funktionen von Vision sind thematisch aufgeteilt in Document AI für dokumentenzentrierte Bilder und Image Analysis für objekt- und szenenbasierte Bilder. Image Analysis unterstützt sowohl vortrainierte als auch benutzerdefinierte Modelle zur Objekterkennung und Bildklassifizierung3. Referenz: Vision - OracleNEUE FRAGE 21Welche KI-Aufgabe beinhaltet die Audiogenerierung aus Text? Text zu Sprache Audio-Aufnahme Spracherkennung Textzusammenfassung Text to Speech (TTS) ist eine KI-Aufgabe, die die Audiogenerierung aus Text beinhaltet. TTS ist eine Technologie, die Text mit natürlich klingenden Stimmen in gesprochenes Audio umwandelt. TTS kann beliebige Textdaten vorlesen, z. B. PDFs, Websites, Bücher, E-Mails usw., und bietet ein auditives Format für den Zugriff auf schriftliche Inhalte. TTS kann für jeden hilfreich sein, der aus verschiedenen Gründen Textdaten anhören muss, z. B. aus Gründen der Zugänglichkeit, der Bequemlichkeit, des Multitaskings, des Lernens, der Unterhaltung usw. TTS verwendet verschiedene Techniken und Modelle, um Sprache aus Textdaten zu erzeugen, z. B.: Konkatenative Synthese: Kombination voraufgezeichneter Segmente menschlicher Sprache auf der Grundlage der phonetischen Einheiten des Textes.Parametrische Synthese: Generierung von Sprachsignalen aus akustischen Parametern, die mit Hilfe statistischer Modelle aus dem Text abgeleitet werden.Neuronale Synthese: Verwendung von tiefen neuronalen Netzen, um die Zuordnung zwischen Text und Sprachmerkmalen zu erlernen und qualitativ hochwertige Sprachsignale zu erzeugen.Expressive Synthese: Hinzufügen von Emotionen oder Stilen zur Sprachausgabe, um sie natürlicher und ansprechender zu machen. Referenz: : Text-to-Speech AI: Lifelike Speech Synthesis | Google Cloud, Text-to-Speech-Synthese - WikipediaNEUE FRAGE 22Welches ist eine Anwendung von Generative Adversarial Networks (GANs) im Kontext der Generativen KI? Erstellung von realistischen Bildern, die den Trainingsdaten ähneln Vorhersage von kontinuierlichen Werten aus Eingabedaten Erzeugung von markierten Ausgaben für das Training Klassifizierung von Datenpunkten in Kategorien Generative Adversarial Networks (GANs) sind eine Art von KI-Modell, das realistische Bilder erzeugen kann, die den Trainingsdaten ähneln. Die Architektur eines GAN besteht aus zwei separaten neuronalen Netzen, die in einem spielähnlichen Szenario gegeneinander antreten. Das erste Netz, das so genannte Generatornetz, versucht, gefälschte Daten zu erzeugen, die echt aussehen. Das zweite Netz, das so genannte Diskriminatornetz, versucht, zwischen echten und gefälschten Daten zu unterscheiden. Das generierende Netz lernt aus dem Feedback des diskriminierenden Netzes und versucht, es zu täuschen, indem es die Qualität der gefälschten Daten verbessert. Das Diskriminatornetz lernt ebenfalls aus den Rückmeldungen des Generatornetzes und versucht, seine Genauigkeit zu verbessern. Dieser Prozess wird so lange fortgesetzt, bis das Generatornetz Daten erzeugt, die von den echten Daten nicht mehr zu unterscheiden sind4. GANs können verwendet werden, um realistische Bilder von Gesichtern, Tieren, Landschaften und mehr zu erzeugen5. Referenz: Generative Modelle - OpenAI, Artificial Intelligence Explained: Was sind Generative Adversarial ...NEUE FRAGE 23Welche Fähigkeit wird vom Oracle Cloud Infrastructure Language Service unterstützt? Analysieren von Text, um strukturierte Informationen wie Stimmungen oder Entitäten zu extrahieren Erkennen von Objekten und Szenen in Bildern Übersetzen von Sprache in Text Umwandlung von Text in Bilder Der Oracle Cloud Infrastructure Language Service ist ein Cloud-basierter KI-Service zur Durchführung anspruchsvoller Textanalysen in großem Umfang. Er bietet verschiedene Funktionen zur Verarbeitung unstrukturierter Texte und zur Extraktion strukturierter Informationen wie Stimmungen oder Entitäten mithilfe von Techniken zur Verarbeitung natürlicher Sprache. Einige der vom Oracle Cloud Infrastructure Language Service unterstützten Funktionen sind:Spracherkennung: Erkennt Sprachen auf der Grundlage des bereitgestellten Textes und enthält eine Konfidenzbewertung.Textklassifizierung: Identifiziert die Dokumentenkategorie und die Unterkategorie, zu der der Text gehört.Named Entity Recognition: Identifiziert allgemeine Entitäten, Personen, Orte, Standorte, E-Mails usw: Extrahiert einen wichtigen Satz von Phrasen aus einem Textblock.Sentiment Analysis: Identifiziert Aspekte aus dem bereitgestellten Text und klassifiziert jeden in positive, negative oder neutrale Polarität.Textübersetzung: Übersetzt den Text in die Sprache Ihrer Wahl.Persönliche Informationen, die eine Identifizierung ermöglichen: Identifiziert, klassifiziert und de-identifiziert private Informationen in unstrukturiertem Text Referenz: : Language Overview - Oracle, AI Text Analysis at Scale | OracleNEU QUESTION 24Wie unterscheidet sich die generative KI von anderen KI-Ansätzen? Generative KI versteht die zugrunde liegenden Daten und erstellt neue Beispiele. Generative KI konzentriert sich auf die Entscheidungsfindung und Optimierung. Generative KI erzeugt beschriftete Ausgaben für das Training. Generative KI wird ausschließlich für textbasierte Anwendungen eingesetzt. Generative KI ist ein Zweig der künstlichen Intelligenz, der sich auf die Erstellung neuer Inhalte oder Daten auf der Grundlage von Mustern und Strukturen vorhandener Daten konzentriert. Im Gegensatz zu anderen KI-Ansätzen, die darauf abzielen, Daten zu erkennen, zu klassifizieren oder vorherzusagen, zielt generative KI darauf ab, Daten zu erzeugen, die realistisch, vielfältig und neuartig sind. Generative KI kann verschiedene Arten von Inhalten erzeugen, z. B. Bilder, Text, Audio, Video, Softwarecode, Produktdesigns und vieles mehr. Generative KI verwendet verschiedene Techniken und Modelle, um aus Daten zu lernen und neue Beispiele zu generieren, z. B. generative adversarial networks (GANs), variational autoencoders (VAEs), diffusion models und foundation models. Generative KI findet in vielen verschiedenen Bereichen und Branchen Anwendung, z. B. in der Kunst, der Unterhaltung, dem Bildungswesen, dem Gesundheitswesen, der Technik, dem Marketing und anderen Bereichen. Referenz: : Oracle Cloud Infrastructure AI - Generative AI, Generative künstliche Intelligenz - WikipediaNEUE FRAGE 25Wie unterscheidet sich "Prompt Engineering" von "Fine-tuning" im Kontext von Large Language Models (LLMs)? Passt die Modellarchitektur an Trainiert ein Modell von Grund auf Leitet die Antwort des Modells durch vordefinierte Prompts Beinhaltet die Nachbearbeitung der Modellausgaben und die Optimierung der Hyperparameter Prompt-Engineering ist die Kunst, Anweisungen oder Abfragen in natürlicher Sprache zu entwerfen, die einem großen Sprachmodell die gewünschte Antwort entlocken können. Beim Prompt-Engineering werden die Modellparameter oder die Architektur nicht verändert, sondern es wird auf das vorhandene Wissen und die Fähigkeiten des Modells zurückgegriffen. Prompt-Engineering kann zur Durchführung verschiedener Aufgaben wie Textgenerierung, Stimmungsanalyse und Code-Vervollständigung verwendet werden, indem dem Modell der entsprechende Kontext, das entsprechende Format und die entsprechenden Beschränkungen vorgegeben werden67. Prompt-Engineering ist auch als Zero-Shot-Lernen oder abfragebasiertes Lernen bekannt. Referenz: [2211.01910] Large Language Models Are Human-Level Prompt Engineers](https://arxiv.org/abs/2211.01910), A developer's guide to prompt engineering and LLMs - The GitHub BlogNEW QUESTION 26Was ist der primäre Zweck von Reinforcement Learning? Auffinden von Beziehungen innerhalb von Datensätzen Identifizierung von Mustern in Daten Vorhersagen aus beschrifteten Daten treffen Aus Ergebnissen lernen, um Entscheidungen zu treffen Verstärkungslernen ist eine Art des maschinellen Lernens, das auf dem Lernen aus Ergebnissen basiert, um Entscheidungen zu treffen. Algorithmen des Verstärkungslernens lernen aus ihren eigenen Handlungen und Erfahrungen in einer Umgebung und nicht aus markierten Daten oder explizitem Feedback. Das Ziel des Reinforcement Learning ist es, eine optimale Strategie zu finden, die eine kumulative Belohnung über die Zeit maximiert. Eine Strategie ist eine Regel, die festlegt, welche Aktion in jedem Zustand der Umgebung ausgeführt werden soll. Eine Belohnung ist ein Rückmeldesignal, das anzeigt, wie gut oder schlecht eine Aktion zum Erreichen eines gewünschten Ziels war. Verstärkungslernen beinhaltet einen Versuch-und-Irrtum-Prozess, bei dem verschiedene Aktionen erprobt und ihre Folgen beobachtet werden, um dann die Strategie entsprechend zu aktualisieren. Einige der Herausforderungen und Komponenten des Verstärkungslernens sind: Exploration vs. Exploitation: Abwägen zwischen dem Ausprobieren neuer Aktionen, die in der Zukunft zu höheren Belohnungen führen könnten (Exploration), und der Wahl bekannter Aktionen, die sofortige Belohnungen bringen (Exploitation).Markov-Entscheidungsprozess (MDP): Ein mathematischer Rahmen für die Modellierung von sequentiellen Entscheidungsproblemen unter Ungewissheit, bei denen die Ergebnisse nur vom aktuellen Zustand und der aktuellen Handlung abhängen, nicht aber von den vorherigen.Wertfunktion: Eine Funktion, die den erwarteten langfristigen Ertrag jedes Zustands oder Zustands-Aktions-Paares auf der Grundlage der aktuellen Strategie schätzt.Q-learning: Ein beliebter Algorithmus des Reinforcement Learning, der eine Wertfunktion, die so genannte Q-Funktion, lernt, die die Qualität einer bestimmten Aktion in einem bestimmten Zustand darstellt.Deep Reinforcement Learning: Ein Zweig des Verstärkungslernens, der tiefe neuronale Netze mit Algorithmen des Verstärkungslernens kombiniert, um komplexe und hochdimensionale Probleme zu bewältigen, wie z. B. das Spielen von Videospielen oder die Steuerung von Robotern. Referenz: : Reinforcement Learning - Wikipedia, Was ist Reinforcement Learning? - Überblick über die Funktionsweise - SynopsysNEUE FRAGE 27Welcher NVIDIA-Grafikprozessor wird von Oracle Cloud Infrastructure angeboten? P200 T4 A100 K80 Oracle Cloud Infrastructure bietet NVIDIA A100 Tensor Core GPUs als eine der GPU-Optionen für seine Compute-Instanzen an. Die NVIDIA A100 GPU ist eine leistungsstarke und vielseitige GPU, die eine Vielzahl von KI- und HPC-Workloads beschleunigen kann. Der A100-Grafikprozessor bietet eine bis zu 20-fach höhere Leistung als die vorherige Generation des V100-Grafikprozessors und unterstützt Funktionen wie Multi-Instance-GPU, automatische gemischte Präzision und Sparsity-Beschleunigung12. Die OCI Compute Bare-Metal-Instanz BM.GPU4.8 bietet acht NVIDIA A100-GPUs mit 40 GB, die über direkte NVIDIA NVLink-Hochgeschwindigkeits-GPU-zu-GPU-Verbindungen verbunden sind3. Diese Instanz ist ideal für das Training großer Sprachmodelle, Computer-Vision-Modelle und anderer komplexer KI-Aufgaben. Referenz: Accelerated Computing and Oracle Cloud Infrastructure (OCI) - NVIDIA, Oracle Cloud Infrastructure Offers New NVIDIA GPU-Acceler