# Dominio del contenuto 3: Applicazioni dei modelli di fondazione
<a name="ai-practitioner-01-domain3"></a>

Il dominio 3 tratta le applicazioni dei modelli di fondazione e rappresenta il 28% dei contenuti a punteggio dell'esame.

**Topics**
+ [Obiettivo 3.1: Illustrazione delle considerazioni di progettazione per le applicazioni che utilizzano modelli di fondazione (FM)](#ai-practitioner-01-task3.1)
+ [Obiettivo 3.2: Scelta delle tecniche efficaci per la progettazione dei prompt](#ai-practitioner-01-task3.2)
+ [Obiettivo 3.3: Descrizione del processo di addestramento e fine-tuning per gli FM](#ai-practitioner-01-task3.3)
+ [Obiettivo 3.4: Descrizione dei metodi per valutare le prestazioni degli FM](#ai-practitioner-01-task3.4)

## Obiettivo 3.1: Illustrazione delle considerazioni di progettazione per le applicazioni che utilizzano modelli di fondazione (FM)
<a name="ai-practitioner-01-task3.1"></a>

Obiettivi:
+ Individuare i criteri per la scelta di FM, ad esempio costi, modalità, latenza, modelli multilingue, dimensioni del modello, complessità del modello, personalizzazione, lunghezza di input/output, caching dei prompt.
+ Descrivere l'effetto dei parametri di inferenza sulle risposte dei modelli, ad esempio, temperatura e lunghezza di input/output.
+ Definire la generazione potenziata da recupero dati (RAG) e descrivere le relative applicazioni aziendali, ad esempio Knowledge Base per Amazon Bedrock.
+ Identificare i servizi AWS che consentono di memorizzare gli embedding all'interno di database vettoriali, ad esempio Servizio OpenSearch di Amazon, Amazon Aurora, Amazon Neptune e Amazon RDS per PostgreSQL.
+ Spiegare i compromessi in termini di costo relativi ai vari approcci alla personalizzazione degli FM, ad esempio pre-addestramento, fine-tuning, apprendimento contestuale, RAG e distillazione di modelli.
+ Definire il ruolo degli agenti IA e descriverne le applicazioni aziendali.

## Obiettivo 3.2: Scelta delle tecniche efficaci per la progettazione dei prompt
<a name="ai-practitioner-01-task3.2"></a>

Obiettivi:
+ Definire i concetti e i costrutti della progettazione dei prompt (ad esempio, contesto, istruzioni, prompt negativi).
+ Definire le tecniche per la progettazione dei prompt (ad esempio, catena di pensiero, zero-shot, single-shot, few-shot e template di prompt).
+ Identificare e descrivere i vantaggi e le best practice per la progettazione dei prompt (ad esempio, miglioramento della qualità della risposta, sperimentazione, guardrail, individuazione, specificità e concisione e utilizzo di più commenti).
+ Definire i potenziali rischi e limiti della progettazione dei prompt (ad esempio, esposizione, poisoning, hijacking e jailbreaking).
+ Descrivere il versionamento dei prompt e le strategie di gestione che utilizzano Amazon Bedrock Prompt Management.

## Obiettivo 3.3: Descrizione del processo di addestramento e fine-tuning per gli FM
<a name="ai-practitioner-01-task3.3"></a>

Obiettivi:
+ Descrivere gli elementi chiave dell'addestramento di un FM (ad esempio, pre-addestramento, fine-tuning, pre-addestramento continuo e distillazione).
+ Definire i metodi per il fine-tuning di un FM (ad esempio, tuning delle istruzioni, adattamento dei modelli a domini specifici, apprendimento per trasferimento e pre-addestramento continuo).
+ Descrivere come preparare i dati per il fine-tuning di un FM, ad esempio data curation, governance, dimensioni, etichettatura, rappresentatività, apprendimento per rinforzo da feedback umano (RLHF).

## Obiettivo 3.4: Descrizione dei metodi per valutare le prestazioni degli FM
<a name="ai-practitioner-01-task3.4"></a>

Obiettivi:
+ Stabilire approcci per valutare le prestazioni degli FM, ad esempio valutazione human-in-the-loop (HITL), set di dati di benchmark, valutazione del modello in Amazon Bedrock.
+ Individuare le metriche pertinenti per valutare le prestazioni degli FM, ad esempio Recall-Oriented Understudy for Gisting Evaluation (ROUGE), valutazione bilingue (BLEU), BERTScore, LLM-as-a-judge.
+ Stabilire se un FM soddisfa in modo efficace gli obiettivi aziendali, ad esempio produttività, coinvolgimento degli utenti, progettazione delle attività.
+ Individuare approcci per valutare le prestazioni delle applicazioni create con FM, ad esempio RAG, agenti, flussi di lavoro.
+ Individuare metriche di allineamento degli obiettivi aziendali per applicazioni di IA, ad esempio percentuale di completamento delle attività, soddisfazione degli utenti, costo per interazione.