Questões de exemplo AWS AI Practitioner (AIF-C01)
12 questões originais do AIF-C01 cobrindo os cinco domínios do exame, cada uma com a resposta correta e o motivo de as outras opções estarem erradas.
Neste artigo
- Fatos do exame AIF-C01 num relance
- Domínio 1: Fundamentals of AI and ML
- Domínio 2: Fundamentals of GenAI
- Domínio 3: Applications of Foundation Models
- Domínio 4: Guidelines for Responsible AI
- Domínio 5: Security, Compliance, and Governance for AI Solutions
- Como se avaliar
- Como estas questões foram escritas
- Pratique mais questões do AIF-C01
Abaixo estão 12 questões originais de prática para o exame AWS Certified AI Practitioner (AIF-C01), com a resposta correta e uma explicação curta para cada uma, incluindo por que as outras opções estão erradas. Elas cobrem os cinco domínios oficiais aproximadamente na mesma proporção do exame real, para você descobrir seus pontos fracos antes do dia da prova.
Tente cada questão antes de ler a resposta. Chutar primeiro e conferir depois é o que faz a prática render; ler a resposta de cara quase só dá a sensação de que você aprendeu.
Resumo rápido
- O AIF-C01 tem 65 questões (50 pontuadas) em 90 minutos, e a aprovação exige uma nota escalonada de 700 em 1.000.
- O Domínio 3, Applications of Foundation Models, vale 28% da nota, então 4 das 12 questões abaixo vêm dele.
- A maioria das questões do AIF-C01 testa se você consegue associar uma necessidade de negócio ao conceito ou serviço AWS certo, não se consegue construir um modelo.
- Quando duas respostas parecem certas, a opção mais barata, gerenciada e menos personalizada costuma ser a que a AWS quer em um cenário de nível básico.
Fatos do exame AIF-C01 num relance
Estes fatos vêm do guia oficial do exame AIF-C01 e da página do AWS Certified AI Practitioner, consultados em 2026-10-21. Para a lista completa de fatos, o que cada domínio cobre e um plano de estudos, veja nossa página de preparação para o AIF-C01.
| Fato | Valor oficial |
|---|---|
| Questões | 65 (50 pontuadas, 15 não pontuadas) |
| Duração | 90 minutos |
| Nota de aprovação | 700 (nota escalonada de 100–1.000) |
| Preço | 100 USD |
| Tipos de questão | Múltipla escolha, múltipla resposta, ordenação, correspondência |
| Domínio | Peso | Questões abaixo |
|---|---|---|
| 1. Fundamentals of AI and ML | 20% | 1–2 |
| 2. Fundamentals of GenAI | 24% | 3–4 |
| 3. Applications of Foundation Models | 28% | 5–8 |
| 4. Guidelines for Responsible AI | 14% | 9–10 |
| 5. Security, Compliance, and Governance for AI Solutions | 14% | 11–12 |
O guia atual do exame é a versão 1.1, publicada em 30 de abril de 2026. Ela incluiu nos objetivos IA agêntica, context engineering, Model Context Protocol (MCP) e Amazon Bedrock AgentCore, então conjuntos de prática mais antigos podem não cobrir esses temas.
Domínio 1: Fundamentals of AI and ML
Questão 1
Uma varejista quer agrupar seus clientes por comportamento de compra. Ela não tem rótulos prévios para os grupos. Que tipo de machine learning se encaixa nessa tarefa?
- A. Aprendizado supervisionado com um modelo de classificação
- B. Aprendizado não supervisionado com clusterização
- C. Aprendizado por reforço com uma função de recompensa
- D. Aprendizado supervisionado com um modelo de regressão
Resposta: B. A clusterização é não supervisionada: ela encontra grupos em dados sem rótulos, que é exatamente a situação descrita.
- A e D estão erradas porque o aprendizado supervisionado precisa de exemplos rotulados (grupos conhecidos ou alvos numéricos conhecidos), e a empresa não tem nenhum.
- C está errada porque o aprendizado por reforço treina um agente por meio de recompensas por ações em um ambiente; aqui não há agente nem ação.
Questão 2
Um modelo atinge 98% de acurácia nos dados de treinamento, mas apenas 71% em dados novos que nunca viu. Qual é o problema mais provável?
- A. Underfitting
- B. Overfitting
- C. Data drift no conjunto de treinamento
- D. O endpoint de inferência é pequeno demais
Resposta: B. Overfitting significa que o modelo aprendeu os dados de treinamento de forma excessivamente fiel, incluindo o ruído, e por isso não generaliza. Uma grande diferença entre o desempenho no treinamento e na validação é o sinal clássico.
- A está errada porque um modelo com underfitting também vai mal nos dados de treinamento.
- C está errada porque drift descreve os dados de produção mudando ao longo do tempo, depois do treinamento.
- D está errada porque o tamanho da instância afeta velocidade e custo, não a acurácia.
Domínio 2: Fundamentals of GenAI
Questão 3
Uma equipe quer criar um chatbot que chame modelos de fundação de vários provedores por uma única API, sem provisionar nem gerenciar nenhum servidor. Qual serviço AWS se encaixa melhor?
- A. Amazon SageMaker AI com um job de treinamento personalizado
- B. Amazon Bedrock
- C. Amazon EC2 com instâncias de GPU
- D. Amazon Comprehend
Resposta: B. O Amazon Bedrock é um serviço totalmente gerenciado que dá acesso por API a modelos de fundação da Amazon e de outros provedores de modelos, então não há infraestrutura para operar.
- A está errada porque um job de treinamento serve para construir ou ajustar o seu próprio modelo, e a equipe não precisa disso.
- C está errada porque hospedar modelos por conta própria no EC2 significa gerenciar servidores, o oposto do requisito.
- D está errada porque o Amazon Comprehend é um serviço de processamento de linguagem natural (entidades, sentimento, classificação), não uma forma de chamar modelos de fundação de uso geral.
Questão 4
Uma empresa percebe que seus custos de IA generativa sobem bastante quando os usuários colam documentos longos no prompt. O que explica isso?
- A. O preço dos modelos sob demanda costuma se basear no número de tokens de entrada e de saída.
- B. Prompts longos obrigam o modelo a ser retreinado.
- C. O preço se baseia no número de usuários da API.
- D. Prompts longos sempre usam um modelo maior.
Resposta: A. Os modelos de texto costumam ser cobrados por token, e um token é um pedaço de texto (muitas vezes parte de uma palavra). Um documento longo colado adiciona muitos tokens de entrada a cada requisição, então o custo cresce com o tamanho do prompt.
- B está errada porque a inferência não retreina o modelo.
- C está errada porque o número de usuários não define o custo por requisição.
- D está errada porque o modelo é escolhido pela aplicação, não pelo tamanho do prompt.
Domínio 3: Applications of Foundation Models
Questão 5
Um banco usa um modelo de fundação para preencher um modelo fixo de relatório. As respostas variam demais entre requisições idênticas. Qual mudança de parâmetro de inferência ajuda mais?
- A. Aumentar a temperatura
- B. Diminuir a temperatura
- C. Aumentar o comprimento máximo da saída
- D. Remover as stop sequences
Resposta: B. A temperatura controla a aleatoriedade quando o modelo escolhe o próximo token. Uma temperatura menor deixa a saída mais focada e consistente, o que serve para preencher modelos.
- A está errada porque uma temperatura maior torna a saída mais variada e criativa, o oposto do que o banco quer.
- C está errada porque o comprimento da saída limita o tamanho da resposta, não sua consistência.
- D está errada porque as stop sequences apenas encerram a geração em um ponto escolhido.
Questão 6
Uma empresa quer um assistente interno que responda a perguntas com base nas suas políticas de RH. As políticas mudam todo mês, e as respostas precisam refletir a versão atual. Qual abordagem é a mais econômica?
- A. Fazer o pré-treinamento de um novo modelo de fundação com as políticas
- B. Fazer o fine-tuning de um modelo todo mês com as novas políticas
- C. Usar Retrieval Augmented Generation (RAG) com o Amazon Bedrock Knowledge Bases
- D. Colar todas as políticas em um prompt few-shot como exemplos
Resposta: C. O RAG recupera os trechos relevantes dos documentos atuais no momento da pergunta e os entrega ao modelo como contexto. Quando as políticas mudam, basta atualizar a base de conhecimento, sem retreinar.
- A está errada porque o pré-treinamento é, de longe, a opção de personalização mais cara.
- B está errada porque o fine-tuning mensal custa tempo e dinheiro, e o fine-tuning é melhor para ensinar estilo ou uma tarefa do que para manter fatos atualizados.
- D está errada porque colar todas as políticas em cada prompt aumenta o custo de tokens e pode estourar a janela de contexto; exemplos ensinam um formato, não um conjunto de documentos.
Se o RAG é novidade para você, nosso guia de retrieval-augmented generation explica o padrão passo a passo.
Questão 7
Um prompt pede que um modelo classifique chamados de suporte em uma de cinco categorias, mas o modelo insiste em usar nomes de categoria próprios. Qual é a correção mais simples de engenharia de prompts?
- A. Adicionar alguns exemplos rotulados que usem os nomes exatos das categorias (few-shot prompting)
- B. Fazer o fine-tuning do modelo com 10,000 chamados
- C. Aumentar a temperatura
- D. Trocar por um modelo maior
Resposta: A. Alguns exemplos resolvidos com os rótulos exatos mostram ao modelo a saída esperada, e listar as categorias permitidas na instrução também ajuda. Não custa nada tentar e é o primeiro passo antes de opções mais pesadas.
- B está errada porque o fine-tuning pode funcionar, mas é bem mais caro do que corrigir o prompt primeiro.
- C está errada porque uma temperatura maior deixa a saída menos previsível.
- D está errada porque um modelo maior ainda pode inventar rótulos se o prompt nunca mostra o formato esperado.
Nosso texto sobre zero-shot vs few-shot cobre quando os exemplos ajudam e quando saem pela culatra.
Questão 8
Uma equipe quer uma métrica automática para comparar resumos gerados por um modelo com resumos de referência escritos por pessoas. Qual métrica foi criada para isso?
- A. ROUGE
- B. Erro quadrático médio
- C. F1 score para classificação de imagens
- D. Latência
Resposta: A. O ROUGE (Recall-Oriented Understudy for Gisting Evaluation) mede a sobreposição entre o texto gerado e o texto de referência e é muito usado em resumos. O guia do exame também lista o BLEU (muito usado em tradução), o BERTScore e o LLM-as-a-judge.
- B está errada porque o erro quadrático médio mede o erro de previsão numérica em regressão.
- C está errada porque a tarefa é de resumo de texto, não de classificação de imagens.
- D está errada porque a latência mede velocidade, não qualidade.
Domínio 4: Guidelines for Responsible AI
Questão 9
Uma financeira quer verificar se o seu modelo de aprovação de empréstimos trata de forma injusta candidatos de diferentes faixas etárias, tanto nos dados de treinamento quanto nas previsões do modelo. Qual recurso AWS foi criado para isso?
- A. Amazon SageMaker Clarify
- B. AWS CloudTrail
- C. Amazon Textract
- D. Amazon Bedrock Knowledge Bases
Resposta: A. O SageMaker Clarify detecta possíveis vieses nos dados e nas previsões do modelo, e também fornece explicações de atribuição de features sobre como as entradas afetam as previsões.
- B está errada porque o CloudTrail registra a atividade de API; ele não analisa a justiça do modelo.
- C está errada porque o Textract extrai texto e dados de documentos.
- D está errada porque o Knowledge Bases fornece recuperação para aplicações de RAG.
Questão 10
Os reguladores exigem que uma empresa explique a cada cliente por que o modelo recusou o seu pedido. Qual escolha melhor atende a esse requisito?
- A. Usar a rede neural profunda mais precisa disponível, sem se importar com a interpretabilidade
- B. Usar um modelo mais interpretável ou adicionar ferramentas de explicabilidade que mostrem quais features motivaram cada decisão
- C. Ocultar as entradas do modelo para proteger a propriedade intelectual
- D. Aumentar o tamanho do conjunto de dados de treinamento
Resposta: B. A IA responsável na AWS inclui transparência e explicabilidade. Um modelo mais simples e interpretável, ou explicações de atribuição de features, permite que a empresa diga ao cliente quais fatores levaram à decisão. O equilíbrio entre desempenho e interpretabilidade é um tema recorrente no exame.
- A está errada porque um modelo que ninguém consegue explicar pode não atender ao requisito regulatório, mesmo sendo preciso.
- C está errada porque ocultar as entradas reduz a transparência.
- D está errada porque mais dados podem melhorar a acurácia, mas não explicam decisões individuais.
Domínio 5: Security, Compliance, and Governance for AI Solutions
Questão 11 (escolha duas)
O chatbot voltado ao cliente de uma empresa, criado no Amazon Bedrock, precisa bloquear tentativas de sobrepor suas instruções e não pode revelar dados pessoais dos clientes nas respostas. Quais duas medidas atendem a esses requisitos? (Selecione DUAS.)
- A. Configurar o Amazon Bedrock Guardrails com um filtro de ataques de prompt
- B. Configurar os filtros de informações sensíveis do Amazon Bedrock Guardrails para mascarar ou bloquear dados pessoais
- C. Aumentar a temperatura do modelo
- D. Armazenar o prompt de sistema em um bucket público do Amazon S3
- E. Desativar o registro em log para que os atacantes não possam lê-lo
Resposta: A e B. O Guardrails consegue detectar ataques de prompt, como jailbreaks e prompt injection, e seus filtros de informações sensíveis podem bloquear ou mascarar dados de identificação pessoal nas entradas e saídas. Juntos, cobrem os dois requisitos.
- C está errada porque a temperatura muda a aleatoriedade, não a segurança.
- D está errada porque um bucket público expõe o prompt de sistema a qualquer pessoa.
- E está errada porque os logs são necessários para auditoria e resposta a incidentes; a solução é restringir o acesso a eles, não desativá-los.
Mais contexto sobre o ataque em si está em nosso texto prompt injection explicado.
Questão 12
Um auditor pede à empresa que mostre quem chamou as APIs do Amazon Bedrock e quando, nos últimos 90 dias. Qual serviço AWS fornece esse registro?
- A. AWS CloudTrail
- B. Amazon Inspector
- C. AWS Trusted Advisor
- D. Amazon Macie
Resposta: A. O CloudTrail registra as chamadas de API feitas em uma conta AWS, incluindo quem fez cada chamada, quando e de onde, o que o torna a trilha de auditoria para esse tipo de pergunta.
- B está errada porque o Amazon Inspector examina cargas de trabalho em busca de vulnerabilidades de software.
- C está errada porque o Trusted Advisor dá recomendações de boas práticas sobre custo, segurança e limites.
- D está errada porque o Amazon Macie descobre dados sensíveis no Amazon S3.
Como se avaliar
Conte seus acertos em 12 e olhe quais domínios você errou, e não o total. Doze questões são poucas para prever o resultado do exame; um erro no Domínio 3 pesa mais do que um no Domínio 4 só porque o Domínio 3 tem o dobro do peso no exame real.
- 10–12 acertos: passe para prática cronometrada de duração completa e continue revisando as questões que erra.
- 7–9 acertos: volte aos objetivos dos domínios que você errou, no guia do exame.
- 6 ou menos: comece pelos conceitos. Nossa trilha de aprendizado de engenharia de prompts cobre as ideias de GenAI por trás dos Domínios 2 e 3.
As questões que você erra valem mais do que as que acerta. Anote por que escolheu a resposta errada e tente uma questão parecida alguns dias depois.
Como estas questões foram escritas
A TokIQ Editorial escreveu estas questões a partir dos task statements do guia do exame AIF-C01 (versão 1.1). Elas não são questões reais do exame e não foram tiradas de nenhum banco de questões vazado; a AWS mantém o conteúdo do exame confidencial. Os fatos do exame foram conferidos nas páginas da AWS linkadas acima em 2026-10-21. O TokIQ não tem vínculo com a Amazon Web Services nem é endossado por ela.
Também estuda para o exame de fundamentos de IA da Microsoft? Veja nossas questões de prova do AI-901, que também explicam o que substituiu o AI-900.
Pratique mais questões do AIF-C01
Se você quer um conjunto curto como este todos os dias, o TokIQ (no Google Play, em breve no iPhone) tem um modo de preparação para o AIF-C01: uma sessão diária que traz de volta as questões que você errou com repetição espaçada, dá mais peso ao seu domínio mais fraco e inclui simulados. Cada questão cita a fonte oficial da AWS em que se baseia, e há uma explicação depois de cada resposta, no seu idioma.
Pronto para o nível associado? Veja as questões de exemplo do MLA-C02 ou compare as opções em qual certificação de IA fazer primeiro.
Perguntas frequentes
Estas são questões reais do exame AIF-C01?
Não. As 12 questões foram escritas pela TokIQ Editorial para prática, com base nos objetivos do guia oficial do exame da AWS. As questões reais do exame são confidenciais: os candidatos aceitam um acordo de confidencialidade, então conjuntos vendidos como exam dumps são um risco, não um atalho. Use-as para checar seu entendimento, não para decorar respostas.
Quantas questões tem o exame AWS Certified AI Practitioner?
O exame AIF-C01 tem 65 questões em 90 minutos. Cinquenta contam para a sua nota e 15 são questões não pontuadas que a AWS está testando; você não sabe quais são. Questões sem resposta contam como erradas e não há penalidade por chute (guia do exame da AWS, consultado em 2026-10-21).
Que nota é preciso para passar no AIF-C01?
É preciso uma nota escalonada de 700 em uma escala de 100 a 1.000. A pontuação é compensatória, então você é aprovado ou reprovado pelo exame como um todo e não precisa passar em cada domínio separadamente (guia do exame da AWS, consultado em 2026-10-21).
Qual domínio do AIF-C01 devo praticar mais?
Applications of Foundation Models é o maior domínio, com 28% do conteúdo pontuado, seguido por Fundamentals of GenAI com 24% e Fundamentals of AI and ML com 20%. Responsible AI e Security, Compliance and Governance têm 14% cada. Divida o tempo de prática mais ou menos nessa proporção.
Que tipos de questão há no exame AIF-C01?
O guia do exame lista quatro tipos: múltipla escolha (uma correta entre quatro), múltipla resposta (duas ou mais corretas entre cinco ou mais, todas necessárias para pontuar), ordenação e correspondência. A questão 11 acima é um exemplo de múltipla resposta.
- #AIF-C01
- #AWS Certified AI Practitioner
- #questões de prova
- #preparação para certificação