# Inhaltsdomäne 3: Anwendungen von Basismodellen
<a name="ai-practitioner-01-domain3"></a>

Die Inhaltsdomäne 3 behandelt Anwendungen von Basismodellen. Ihr Anteil an den gewerteten Prüfungsinhalten beträgt 28 %.

**Topics**
+ [Aufgabenstellung 3.1: Beschreibe Designüberlegungen für Anwendungen, die Basismodelle (FMs) verwenden.](#ai-practitioner-01-task3.1)
+ [Aufgabenstellung 3.2: Wähle effektive Techniken beim Prompt-Engineering.](#ai-practitioner-01-task3.2)
+ [Aufgabenstellung 3.3: Beschreibe den Prozess für das Training und die Feinabstimmung von Basismodellen.](#ai-practitioner-01-task3.3)
+ [Aufgabenstellung 3.4: Beschreibe Methoden für die Bewertung der FM-Leistung.](#ai-practitioner-01-task3.4)

## Aufgabenstellung 3.1: Beschreibe Designüberlegungen für Anwendungen, die Basismodelle (FMs) verwenden.
<a name="ai-practitioner-01-task3.1"></a>

Ziele:
+ Ermittle Auswahlkriterien für die Auswahl von Basismodellen (z. B. Kosten, Modalität, Latenz, Mehrsprachigkeit, Modellgröße, Modellkomplexität, Anpassungen, Eingabe-/Ausgabelänge, Prompt-Caching).
+ Beschreibe die Auswirkungen von Inferenzparametern auf Modellantworten (z. B. Temperatur, Eingabe-/Ausgabelänge).
+ Definiere Retrieval Augmented Generation (RAG) und die zugehörigen Geschäftsanwendungen (z. B. Amazon Bedrock Knowledge Bases).
+ Nenne AWS-Services, die das Speichern von Einbettungen in Vektordatenbanken unterstützen (z. B. Amazon OpenSearch Service, Amazon Aurora, Amazon Neptune, Amazon RDS für PostgreSQL).
+ Erläutere die Kostenabwägungen für verschiedene Ansätze bei der FM-Anpassung (z. B. Vortraining, Feinabstimmung, kontextbezogenes Lernen, RAG, Modelldestillation).
+ Definiere die Rolle von KI-Agenten und beschreibe die Geschäftsanwendungen von KI-Agenten.

## Aufgabenstellung 3.2: Wähle effektive Techniken beim Prompt-Engineering.
<a name="ai-practitioner-01-task3.2"></a>

Ziele:
+ Definiere die Konzepte und Konstrukte des Prompt-Engineerings (z. B. Kontext, Anweisung, negative Prompts).
+ Definiere Techniken für Prompt-Engineering (z. B. Chain-of-Thought-, Zero-Shot-, Single-Shot-, Few-Shot-, Prompt-Vorlagen).
+ Nenne und beschreibe die Vorteile und bewährten Verfahren für Prompt-Engineering (z. B. Verbesserung der Reaktionsqualität, Experimente, Integritätsschutz, Entdeckung, Spezifität und Prägnanz, wobei mehrere Kommentare verwendet werden).
+ Definiere potenzielle Risiken und Einschränkungen des Prompt-Engineerings (z. B. Exposure, Poisoning, Hijacking, Jailbreaking).
+ Beschreibe die Strategien für Prompt-Versionsverwaltung und -Verwaltung, bei denen Amazon Bedrock Prompt Management verwendet wird.

## Aufgabenstellung 3.3: Beschreibe den Prozess für das Training und die Feinabstimmung von Basismodellen.
<a name="ai-practitioner-01-task3.3"></a>

Ziele:
+ Beschreibe die wesentlichen Elemente des Trainings eines Basismodells (z. B. Vortraining, Feinabstimmung, kontinuierliches Vortraining, Destillation).
+ Definiere Methoden für die Feinabstimmung eines Basismodells (z. B. Anpassung von Anweisungen, Anpassung von Modellen für bestimmte Bereiche, Transferlernen, kontinuierliches Vortraining).
+ Beschreibe die Vorbereitung von Daten für die Feinabstimmung eines Basismodells (z. B. Datenkuratierung, Governance, Größe, Kennzeichnung, Repräsentativität, Reinforcement Learning from Human Feedback [RLHF]).

## Aufgabenstellung 3.4: Beschreibe Methoden für die Bewertung der FM-Leistung.
<a name="ai-practitioner-01-task3.4"></a>

Ziele:
+ Ermittle Ansätze für die Bewertung der FM-Leistung (z. B. Human-in-the-Loop-Bewertung, Benchmark-Datensätze, Amazon-Bedrock-Modellbewertung).
+ Identifiziere relevante Metriken für die Bewertung der FM-Leistung (z. B. Recall-Oriented Understudy for Gisting Evaluation [ROUGE], Bilingual Evaluation Understudy [BLEU], BERTScore, LLM-as-a-Judge).
+ Stelle fest, ob ein Basismodell (FM) die Geschäftsziele effektiv erfüllt (z. B. Produktivität, Benutzerinteraktion, Aufgabenplanung).
+ Nenne Ansätze für die Bewertung der Leistung von Anwendungen, die mit Basismodellen (FMs) erstellt wurden (z. B. RAG, Agenten, Workflows).
+ Identifiziere Metriken für die Ausrichtung an Geschäftszielen für KI-Anwendungen (z. B. Abschlussrate von Aufgaben, Benutzerzufriedenheit, Kosten pro Interaktion).