GES-C01 练习题 — GES-C01:生成人工智能专项认证

1. 题库联网,会自动更新,无需重新获取;

2. 激活题库立即做题,支持网站、小程序同时做题,每题双语一键切换;

3. 包含在线练习,模拟测试,笔记、错题记录等功能,有效期一年;

4. 建议做题顺序:开背题模式看题➡️顺序练习做题➡️模拟考试 考前自测

5. 激活码可点击右侧 立即购买,或通过天猫旗舰店购买;

6. 有问题可通过小程序、微信、WhatsApp、LINE 联系客服。

考试信息

一、考试基本信息(GES-C01)

- 考试代码:GES-C01

- 考试全称:SnowPro® Specialty: Gen AI Certification(生成人工智能专项认证)

- 前置要求:需持有有效的 SnowPro Core(COF-C02/COF-C03) 或 SnowPro Associate: Platform 认证

- 考试形式:在线监考(Pearson VUE) 或 线下考场机考

- 题型:单选题、多选题(情境应用型题目为主)

- 题量:约60题(以实际考试为准,符合Snowflake专项考试标准设置)

- 时长:90分钟

- 及格分数:750 / 1000(约75%正确率,采用标准分制)

- 考试费用:$225 USD(不含税;印度地区为$180 USD)

- 语言:英语

- 有效期:2年

- 重认证:到期前重考当前版Gen AI专项认证,或通过更高等级Snowflake认证



二、适合人群

- 数据工程师、数据科学家、AI/ML工程师

- 负责构建Snowflake Gen AI应用的开发人员、云架构师

- 计划在Snowflake平台部署生成式AI工作负载的技术人员

- 希望验证Snowflake Cortex、Document AI等Gen AI功能实操能力的从业者

- 推荐背景:具备1年以上Snowflake生成式AI/ML项目经验,熟悉Python、SQL及基础AI/ML概念



三、考试内容与占比(GES-C01)

1.  Snowflake 生成式AI概述(26%)

   - Snowflake AI数据云的Gen AI架构与核心能力

   - Cortex、Document AI、Cortex Analyst等Gen AI组件定位

   - 生成式AI在数据云场景的应用场景与价值

   - Snowflake Gen AI生态(Notebooks、Streamlit、Model Registry)


2.  Snowflake Gen AI 与LLM核心功能(40%)

   - Cortex LLM函数(`COMPLETE`/`EMBED`/`CLASSIFY`等)的使用与优化

   - 生成式AI工作流设计(RAG、Prompt工程、模型调用)

   - 基于Snowflake的AI应用开发(Snowpark、Streamlit集成)

   - 模型管理与部署(Model Registry、Snowpark Container Services)

   - 向量数据库与向量检索的实现


3.  Snowflake Gen AI 治理与安全(22%)

   - Gen AI工作负载的访问控制与RBAC权限设计

   - 数据隐私与合规(数据脱敏、访问策略、AI伦理)

   - 模型可观测性与监控

   - 生成式AI应用的安全最佳实践


4.  Snowflake Document AI(12%)

   - Document AI的架构与核心功能

   - 非结构化数据处理(文档解析、OCR、信息提取)

   - Document AI的配置、使用与集成场景

   - 文档处理工作流的设计与优化



四、报名与考试流程

1.  前置认证验证

   - 持有有效的SnowPro Core(COF-C02/COF-C03)或SnowPro Associate: Platform认证

2.  注册账号

   - 访问 Snowflake 认证门户:https://learn.snowflake.com/en/certifications/

   - 注册/登录账号 → 选择 SnowPro Specialty: Gen AI → 进入报名页面

3.  预约考试

   - 跳转至 Pearson VUE:选择「在线监考」或「线下考场」

   - 支付 $225 USD(支持信用卡、PayPal)

4.  在线考试要求

   - 安静独立房间、无他人干扰,桌面无任何参考资料

   - 电脑:Windows/macOS,内置/外接摄像头、麦克风

   - 安装Pearson VUE监考软件,完成ID验证(护照/驾照)

   - 考试期间全程网络稳定,禁止切换窗口/使用其他设备



五、备考建议

- 官方资料

 - Snowflake 官方Gen AI文档:https://docs.snowflake.com/en/user-guide/snowflake-cortex

 - Level Up 系列免费课程(Snowflake Cortex、Document AI专项)

 - SnowPro Specialty: Gen AI 官方考试大纲

 - 实操实验室:Snowflake免费试用账户 + Cortex、Document AI实战练习

- 经验要求

 - 1年以上Snowflake平台使用经验,熟悉SQL、Python

 - 具备基础生成式AI概念(RAG、LLM、向量数据库)

 - 有Snowflake Gen AI项目实操经验优先



六、证书与就业价值

- 通过后:1–3天内收到电子证书、数字徽章,可添加至LinkedIn等职业平台

- 价值:

 - Snowflake唯一生成式AI专项认证,行业认可度高

 - 验证在Snowflake平台构建、部署、管理生成式AI工作负载的专业能力

 - 为数据科学家、AI工程师、云架构师等岗位提供核心竞争力证明

 - 提升Gen AI项目实施与管理的可信度,助力职业发展与岗位晋升

样题

GES-C01 · Q1
问题 #1 要使具有 FNR_DEVELOP 角色的用户能够在现有流程中使用 Document AI,必须授予该用户哪些权限?(选择三项。)
  • A.
    GRANT DATABASE ROLE SNOWFLAKE.ML_USER TO ROLE FNR_DEVELOP_ROLE;
  • B.
    GRANT DATABASE ROLE SNOWFLAKE.DOCUMENT_INTELLIGENCE_CREATOR TO ROLE FNR_DEVELOP_ROLE;
  • C.
    GRANT ROLE SNOWFLAKE.DOCUMENT_INTELLIGENCE_CREATOR TO ROLE FNR_DEVELOP_ROLE;
  • D.
    GRANT CREATE SNOWFLAKE.ML.DOCUMENT_INTELLIGENCE ON SCHEMA . TO ROLE FNR_DEVELOP_ROLE;
  • E.
    GRANT CREATE SNOWFLAKE.MODELS.DOCUMENT_INTELLIGENCE ON SCHEMA .
  • F.
    GRANT CREATE MODEL ON SCHEMA . TO ROLE FNR_DEVELOP_ROLE;

答案: BCF

本题考察Snowflake GenAI中Document AI(正式名称为Document Intelligence)的权限配置知识点,要让指定角色能够使用Document AI,需要同时满足服务访问权限和资源创建权限两类要求。正确选项B、C、F分别覆盖了Document AI专属角色授予、Schema级模型创建权限的要求,三者结合即可让FNR_DEVELOP_ROLE角色在现有流程中正常使用Document AI功能。 各选项分析: A. 错误,SNOWFLAKE.ML_USER是Snowflake提供的用于访问通用ML功能的数据库角色,不包含Document AI的专属操作权限,授予该角色无法满足使用Document AI的需求。 B. 正确,SNOWFLAKE.DOCUMENT_INTELLIGENCE_CREATOR是Snowflake系统数据库下专门为Document AI提供的数据库角色,使用GRANT DATABASE ROLE语法是该角色的标准授予方式,授予后可获得Document AI的基础访问和操作权限。 C. 正确,在当前会话上下文指定SNOWFLAKE为当前数据库的场景下,可省略DATABASE关键字直接使用GRANT ROLE语法授予该角色,两种授予方式均可以正常生效,让角色获得Document AI的对应操作权限。 D. 错误,Snowflake不存在CREATE SNOWFLAKE.ML.DOCUMENT_INTELLIGENCE这类专属权限语法,创建Document AI实例不需要该类自定义权限,因此该选项无效。 E. 错误,该选项首先缺少授予目标角色的子句,其次权限对象路径SNOWFLAKE.MODELS.DOCUMENT_INTELLIGENCE为错误路径,且不存在该类专属权限,因此该选项无效。 F. 正确,Document AI实例在Snowflake中属于模型类资源,用户要在指定Schema下创建和使用Document AI流程,必须拥有对应Schema的CREATE MODEL权限,该选项符合权限要求。 关键知识点: 1. Document AI权限构成:使用Snowflake Document AI需要同时持有DOCUMENT_INTELLIGENCE_CREATOR专属角色和工作Schema的CREATE MODEL权限,二者缺一不可。 2. Snowflake系统数据库角色授予规则:SNOWFLAKE系统数据库下的内置专属角色,支持带DATABASE ROLE关键字的标准授予语法,也支持上下文适配后的简化ROLE授予语法。 3. GenAI资源权限分类:Snowflake中包括Document AI在内的多数AI功能生成的实例归属于模型类资源,受Schema级的CREATE MODEL权限管控。 参考资料: Understanding Document Intelligence Privileges, SnowPro Specialty: Generative AI Exam Guide
GES-C01 · Q2
问题 #2 使用 SNOWFLAKE.CORTEX.FINETUNE 函数时,training_data_query 参数的 SQL 语句中必须包含哪些列名?(选择两个。)
  • A.
    基础模型
  • B.
    完成
  • C.
    推理
  • D.
    提示
  • E.
    培训

答案: BD

Snowflake Cortex提供的FINETUNE函数用于对预置大语言模型进行监督微调,其training_data_query参数要求传入的SQL查询返回的结果集必须包含成对的输入输出数据列,用于让模型学习输入到期望输出的映射规则。其中输入列对应提示,即用户给模型的输入指令或问题,输出列对应完成,即模型针对该输入应当返回的标准结果,两个列是训练数据必须包含的核心列,因此正确选项为BD。 各选项分析: A. 基础模型是FINETUNE函数的独立入参,用于指定待微调的底座模型,不属于training_data_query查询结果需要包含的列,因此错误。 B. 完成对应官方要求的completion列,存储针对对应提示的期望输出结果,是微调训练数据的必填列,因此正确。 C. 推理是模型微调完成后的应用阶段,用于调用模型生成结果,不属于训练数据需要的列名,因此错误。 D. 提示对应官方要求的prompt列,存储给模型的输入提示内容,是微调训练数据的必填列,因此正确。 E. 培训是对微调行为的中文表述,不属于训练数据要求的标准列名,因此错误。 关键知识点: 1. Snowflake Cortex FINETUNE函数的training_data_query参数返回的结果集必须包含prompt和completion两个必填列,分别存储微调的输入内容和对应的期望输出内容。 2. Snowflake Cortex大语言模型微调采用监督微调范式,依赖成对的输入输出训练样本调整模型参数,使其适配特定业务场景的输出要求。 3. FINETUNE函数的入参分为底座模型参数、训练数据查询参数、可选超参数三类,底座模型名称属于独立入参,不包含在训练数据字段中。 参考资料: Snowflake Cortex大语言模型微调用户指南, FINETUNE函数官方SQL参考
GES-C01 · Q3
问题 #3 使用 SNOWFLAKE.CORTEX.COMPLETE 函数时,应该采用哪种策略来改善延迟?
  • A.
    调用推理时使用 REST API
  • B.
    使用 Snowpark 会话对象时,请使用 SQL API
  • C.
    将温度参数设置为接近 1。
  • D.
    将 JSON 模式传递给 response_format 参数

答案: B

使用SNOWFLAKE.CORTEX.COMPLETE函数时,延迟主要来源于调用路径开销、数据传输开销、额外处理环节等。当使用Snowpark会话对象时,直接通过SQL API调用该内置函数,请求会在Snowflake内部计算环境中直接执行,无需跨服务的网络传输,也避免了额外的序列化与反序列化开销,能够有效降低推理延迟,完全满足改善延迟的需求。 各选项分析: A. 调用推理时使用REST API属于从Snowflake外部发起调用,需要经过网络传输、身份校验、跨环境转发等额外环节,会显著增加延迟,无法实现改善延迟的目标,因此A错误。 B. 使用Snowpark会话对象时调用SQL API,是在Snowflake内部环境直接触发COMPLETE函数的执行,消除了不必要的网络传输和格式转换开销,能够有效降低延迟,因此B正确。 C. 温度参数temperature的作用是控制大模型输出的随机性,数值越接近1输出结果的随机性越高,该参数的取值与推理延迟无任何关联,无法改善延迟,因此C错误。 D. 向response_format参数传递JSON模式的作用是约束大模型的输出符合指定的JSON结构,属于输出格式控制功能,不仅不会改善延迟,还可能因增加模型的输出约束校验环节小幅提升延迟,因此D错误。 关键知识点: 1. Snowflake Cortex LLM函数的调用路径优化:在Snowpark或SQL原生环境中直接调用Cortex内置函数,相比外部REST调用可大幅降低延迟。 2. Cortex COMPLETE函数的参数属性:temperature参数用于控制输出随机性,response_format参数用于控制输出结构,二者均不具备优化延迟的作用。 3. Snowpark SQL API的执行特性:Snowpark会话中通过SQL API调用内置函数时,请求直接在Snowflake计算层处理,无需额外跨环境开销。 参考资料: Snowflake Cortex LLM Functions - COMPLETE, Snowpark and Snowflake Cortex Integration
GES-C01 · Q4
问题 #4 一位 Gen AI 专家正在为 Snowflake Cortex Analyst 构建语义模型,需要提供每个字段的详细信息。其中一个字段包含基数很高的复杂数据。 哪种技术能够保持语义模型的简洁性?
  • A.
    包含自定义指令以截断字段。
  • B.
    请参考该领域的搜索引擎优化服务。
  • C.
    在该字段中引用 Snowflake Cortex 搜索服务。
  • D.
    参考 Snowflake Corte Analyst 验证查询库 (VQR) 中关于此字段的说明

答案: B

Snowflake Cortex Analyst的语义模型用于将自然语言转换为可执行的SQL,若直接在语义模型中录入高基数复杂字段的所有取值、规则等详细信息,会导致模型体积膨胀、token消耗增加,同时降低自然语言转SQL的准确率。本题场景下,参考对应领域的搜索引擎优化服务,可将该高基数字段的取值匹配、内容检索逻辑交由专属优化的搜索服务处理,不需要在语义模型中冗余存储该字段的大量额外信息,既保证查询的准确性,又能保持语义模型的简洁性,完全符合题目需求。 各选项分析: A. 自定义指令截断字段会丢失该高基数复杂字段的有效信息,导致后续针对该字段的查询结果不准确,无法满足业务查询需求,因此该选项错误。 B. 针对高基数复杂字段使用所属领域的搜索引擎优化服务,可将字段的检索逻辑从语义模型中剥离,交由专门优化的搜索服务实现,无需在语义模型中添加大量字段相关的冗余定义,既保证查询能力,又能维持语义模型的简洁性,因此该选项正确。 C. 直接引用通用的Snowflake Cortex搜索服务缺少该字段所属领域的针对性优化,处理特定领域高基数复杂数据的查询准确率不足,且无法针对性解决语义模型臃肿的问题,因此该选项错误。 D. Snowflake Cortex Analyst的验证查询库VQR的核心作用是沉淀已验证的正确查询模板,用于提升同类自然语言查询转SQL的准确率,并不用于存储字段的定义说明,将字段说明存入VQR反而会增加冗余,无法保持语义模型的简洁性,因此该选项错误。 关键知识点: 1. Snowflake Cortex Analyst语义模型设计最佳实践,针对高基数复杂字段应避免在模型中冗余存储枚举值、复杂规则等信息,优先对接专属服务降低模型复杂度。 2. Snowflake Cortex生态中不同服务的适用场景,领域专属的搜索优化服务相比通用Cortex搜索服务,更适合处理特定业务场景下的高基数复杂字段查询需求。 3. Snowflake Cortex Analyst验证查询库VQR的核心功能是沉淀正确查询模板,提升自然语言转SQL的准确率,不承担字段定义存储的作用。 参考资料: Snowflake Cortex Analyst Semantic Model Best Practices, Snowflake Cortex Search Documentation
GES-C01 · Q5
问题 #5 一位人工智能专家需要评估最近一次调查的反馈总体上是积极的、消极的还是中性的。该专家希望评估结果以介于 -1 到 +1(含)之间的浮点数或带有 categories 字段的对象形式呈现。 哪些语句能够达到预期效果?(选择两项。)
  • A.
    SNOWFLAKE.CORTEX.CLASSIFY_TEXT (SURVEY_TEXT)
  • B.
    SNOWFLAKE.CORTEX.COMPLETE(调查文本)
  • C.
    SNOWFLAKE.CORTEX.ENTITY_SENTIMENT (SURVEY_TEXT, ['positive', 'negative', 'neutral'])
  • D.
    SNOWFLAKE.CORTEX.FINETUNE(SURVEY_TEXT);
  • E.
    SNOWFLAKE.CORTEX.SENTIMENT(调查文本)

答案: CE

本题要求对调查反馈做整体情感极性判断,输出需支持两种形式,一是介于-1到+1之间的浮点数,二是带categories字段的分类对象。Snowflake Cortex提供的内置函数中,SENTIMENT函数可直接返回-1到1的浮点数形式的情感评分,ENTITY_SENTIMENT函数在指定positive、negative、neutral三个类别作为入参时,会返回包含categories字段的结构化结果,记录每个类别的匹配置信度,二者分别匹配题目要求的两种输出形式,因此CE为正确选项。 各选项分析: A. CLASSIFY_TEXT函数用于自定义文本分类任务,调用时必须传入待分类的类别列表参数,该选项调用未传入必要参数,且其返回结构不符合题目要求的两种输出形式,因此错误。 B. COMPLETE函数是通用文本生成函数,根据输入提示生成自然语言文本,无法输出结构化的情感评分或带categories字段的分类对象,不符合需求,因此错误。 C. ENTITY_SENTIMENT函数支持传入自定义情感类别列表,当传入['positive', 'negative', 'neutral']作为第二个参数时,返回结果包含categories字段,记录每个类别的置信度,完全匹配题目要求的第二种输出形式,因此正确。 D. FINETUNE函数用于微调大语言模型,输入参数为训练数据集配置而非待分析的调查文本,功能与情感分析完全无关,因此错误。 E. SENTIMENT函数是专门的整体情感分析函数,返回值为介于-1到+1之间的浮点数,数值越接近1代表情感越正向,正好匹配题目要求的第一种输出形式,因此正确。 关键知识点: 1. Snowflake Cortex SENTIMENT函数的定位与输出:该函数为内置的无代码情感分析工具,输入为待分析文本,输出为-1到1之间的浮点数,代表文本的整体情感极性。 2. Snowflake Cortex ENTITY_SENTIMENT函数的自定义分类能力:该函数支持用户指定自定义分类标签,返回包含categories字段的结构化结果,记录每个指定标签的匹配置信度,可适配不同的分类场景需求。 3. Snowflake Cortex内置函数的场景区分:不同Cortex函数对应不同的GenAI任务,COMPLETE用于文本生成,CLASSIFY_TEXT用于通用自定义分类,FINETUNE用于模型微调,SENTIMENT/ENTITY_SENTIMENT用于情感分析场景,需根据需求选择对应函数。 参考资料: Snowflake Cortex LLM函数官方用户指南, https://docs.snowflake.com/en/user-guide/snowflake-cortex/llm-functions Snowflake SENTIMENT函数官方参考文档

常见问题

GES-C01 有多少道练习题?

本题库收录 GES-C01 练习题共 61 道,含单选、多选等题型,每题配有答案与解析。

GES-C01 练习题支持中英文吗?

支持,GES-C01 练习题为中英双语对照,便于对照原文理解。

GES-C01 练习题可以免费试做吗?

可以,本页提供免费样题在线试做;完整题库可在掌学兔注册后获取。