AWS-zertifizierter KI-Praktiker (AIF-C01) Prüfungsführer
Version 1.4 AIF-C01
Einführung
Die Prüfung zum AWS-zertifizierten KI-Praktiker (AIF-C01) richtet sich an Personen, die effektiv ihr Gesamtwissen zu KI/ML, generativen KI-Technologien und zugehörigen AWS-Services und -Tools unter Beweis stellen können, unabhängig von einer bestimmten Funktion.
Die Prüfung bestätigt auch die Fähigkeit eines Kandidaten, folgende Aufgaben zu erfüllen:
- Verstehen von KI-, ML- und generativen KI-Konzepten, Methoden und Strategien im Allgemeinen und auf AWS.
- Verstehen der angemessenen Verwendung von KI/ML- und generativen KI-Technologien, um relevante Fragen innerhalb der Organisation des Kandidaten zu stellen.
- Bestimmen der richtigen Arten von KI/ML-Technologien, um spezifische Anwendungsfälle zu behandeln.
- Verantwortungsbewusste Verwendung von KI-, ML- und generativen KI-Technologien.
Beschreibung des Zielprofils des Kandidaten
Der Zielkandidat sollte bis zu 6 Monate Erfahrung mit KI/ML-Technologien auf AWS haben. Der Zielkandidat nutzt, aber erstellt nicht unbedingt KI/ML-Lösungen auf AWS.
Empfohlenes AWS-Wissen
Der Zielkandidat sollte über folgende AWS-Kenntnisse verfügen:
- Vertrautheit mit den Core-AWS-Services (z.B. Amazon EC2, Amazon S3, AWS Lambda und Amazon SageMaker) und deren Anwendungsfälle
- Vertrautheit mit dem AWS-Shared-Responsibility-Modell für Sicherheit und Compliance in der AWS Cloud
- Vertrautheit mit AWS Identity and Access Management (IAM) zum Sichern und Steuern des Zugriffs auf AWS-Ressourcen
- Vertrautheit mit der AWS-globalen Infrastruktur einschließlich der Konzepte von AWS-Regionen, Verfügbarkeitszonen und Edge-Standorten
- Vertrautheit mit AWS-Servicepreismodellen
Aufgaben außerhalb des Geltungsbereichs für den Zielkandidaten
Die folgende Liste enthält Aufgaben, die vom Zielkandidaten nicht erwartet werden. Diese Liste ist nicht abschließend. Diese Aufgaben liegen außerhalb des Geltungsbereichs der Prüfung:
- Entwickeln oder Programmieren von KI/ML-Modellen oder -Algorithmen
- Implementieren von Daten-Engineering- oder Feature-Engineering-Techniken
- Durchführen von Hyperparameter-Abstimmung oder Modelloptimierung
- Aufbau und Bereitstellung von KI/ML-Pipelines oder -Infrastruktur
- Mathematische oder statistische Analyse von KI/ML-Modellen
- Implementieren von Sicherheits- oder Compliance-Protokollen für KI/ML-Systeme
- Entwickeln und Implementieren von Governance-Rahmenwerken und -Richtlinien für KI/ML-Lösungen
Siehe Anhang für eine Liste der in Betracht kommenden AWS-Services und -Funktionen sowie eine Liste der nicht in Betracht kommenden AWS-Services und -Funktionen.
Prüfungsinhalt
Fragetypen
Die Prüfung enthält eine oder mehrere der folgenden Fragetypen:
- Multiple Choice: Hat eine richtige Antwort und drei falsche Antworten (Ablenker).
- Multiple Response: Hat zwei oder mehr richtige Antworten aus fünf oder mehr Antwortoptionen. Sie müssen alle richtigen Antworten auswählen, um für die Frage Punkte zu erhalten.
- Reihenfolge: Hat eine Liste von 3–5 Antworten, um eine bestimmte Aufgabe auszuführen. Sie müssen die richtigen Antworten auswählen und sie in der richtigen Reihenfolge platzieren, um für die Frage Punkte zu erhalten.
- Zuordnung: Hat eine Liste von Antworten, die Sie 3–7 Aufforderungen zuordnen müssen. Sie müssen alle Paare richtig zuordnen, um für die Frage Punkte zu erhalten.
- Fallstudie: Hat ein Szenario mit zwei oder mehr Fragen zum Szenario. Das Szenario ist für alle Fragen in der Fallstudie gleich. Jede Frage in der Fallstudie wird separat bewertet. Sie erhalten Punkte für jede Frage, die Sie in der Fallstudie richtig beantworten.
Unbeantworte Fragen werden als falsch gewertet; es gibt keine Strafe fürs Raten. Die Prüfung umfasst 50 Fragen, die in Ihre Bewertung einfließen.
Unbewertet Inhalte
Die Prüfung umfasst 15 unbewertet Fragen, die sich nicht auf Ihre Bewertung auswirken. AWS sammelt Informationen zur Leistung bei diesen unbewerteten Fragen, um diese Fragen für den zukünftigen Einsatz als bewertete Fragen zu evaluieren. Diese unbewerteten Fragen sind in der Prüfung nicht gekennzeichnet.
Prüfungsergebnisse
Die Prüfung zum AWS-zertifizierten KI-Praktiker (AIF-C01) hat eine Bestanden/Nicht bestanden-Kennzeichnung. Die Prüfung wird gegen einen Mindeststandard bewertet, der von AWS-Experten festgelegt wird, die die Zertifizierungsbranchenrichtlinien und -richtlinien einhalten.
Ihre Ergebnisse für die Prüfung werden als skalierte Bewertung von 100–1.000 berichtet. Die Mindestpunktzahl zum Bestehen ist 700. Ihre Punktzahl zeigt, wie Sie insgesamt in der Prüfung abgeschnitten haben und ob Sie bestanden haben. Skalierte Bewertungsmodelle helfen, Punktzahlen über mehrere Prüfungsformen hinweg anzugleichen, die möglicherweise leicht unterschiedliche Schwierigkeitsgrade aufweisen.
Ihr Punktebericht könnte eine Tabelle mit Klassifizierungen Ihrer Leistung auf Sektionsebene enthalten. Die Prüfung verwendet ein kompensatorisches Bewertungsmodell, das bedeutet, dass Sie in jedem Abschnitt keine Mindestpunktzahl erreichen müssen. Sie müssen nur die Gesamtprüfung bestehen.
Jeder Abschnitt der Prüfung hat eine spezifische Gewichtung, sodass einige Abschnitte mehr Fragen haben als andere. Die Tabelle der Klassifizierungen enthält allgemeine Informationen, die Ihre Stärken und Schwächen hervorheben. Seien Sie vorsichtig bei der Interpretation von Feedback auf Sektionsebene.
Inhaltsgliederung
Dieser Prüfungsführer enthält Gewichtungen, Inhaltsbereiche und Aufgabenstellungen für die Prüfung. Dieser Leitfaden liefert keine umfassende Liste der Inhalte der Prüfung. Zusätzlicher Kontext für jede Aufgabenstellung ist jedoch verfügbar, um Sie bei der Vorbereitung auf die Prüfung zu unterstützen.
Die Prüfung hat die folgenden Inhaltsbereiche und Gewichtungen:
- Bereich 1: Grundlagen von KI und ML (20% der bewerteten Inhalte)
- Bereich 2: Grundlagen des generativen KI (24% der bewerteten Inhalte)
- Bereich 3: Anwendungen von Foundation Models (28% der bewerteten Inhalte)
- Bereich 4: Richtlinien für verantwortungsvolle KI (14% der bewerteten Inhalte)
- Bereich 5: Sicherheit, Compliance und Governance für KI-Lösungen (14% der bewerteten Inhalte)
Bereich 1: Grundlagen von KI und ML
Aufgabenstellung 1.1: Erklären Sie grundlegende KI-Konzepte und -Terminologien.
Ziele:
- Definieren Sie grundlegende KI-Begriffe (z.B. KI, ML, Deep Learning, neuronale Netze, Computer Vision, Natural Language Processing [NLP], Modell, Algorithmus, Training und Inferencing, Bias, Fairness, Fit, Large Language Model [LLM]).
- Beschreiben Sie die Ähnlichkeiten und Unterschiede zwischen KI, ML und Deep Learning.
- Beschreiben Sie verschiedene Arten des Inferenzs (z.B. Batch, Echtzeit).
- Beschreiben Sie die verschiedenen Arten von Daten in KI-Modellen (z.B. beschriftet und unbeschriftet, tabellarisch, Zeitreihen, Bilder, Text, strukturiert und unstrukturiert).
- Beschreiben Sie überwachtes Lernen, unüberwachtes Lernen und Reinforcement Learning.
Aufgabenstellung 1.2: Identifizieren Sie praktische Anwendungsfälle für KI.
Ziele:
- Erkennen Sie Anwendungen, bei denen KI/ML einen Mehrwert bieten können (z.B. Unterstützung bei Entscheidungen des Menschen, Skalierbarkeit der Lösungen, Automatisierung).
- Bestimmen Sie, wann KI/ML-Lösungen unangemessen sind (z.B. Kosten-Nutzen-Analysen, Situationen, in denen ein bestimmtes Ergebnis anstelle einer Vorhersage benötigt wird).
- Wählen Sie die geeigneten ML-Techniken für bestimmte Anwendungsfälle aus (z.B. Regression, Klassifizierung, Clustering).
- Identifizieren Sie Beispiele für reale KI-Anwendungen (z.B. Computer Vision, NLP, Spracherkennung, Empfehlungssysteme, Betrugserkennungen, Prognosen).
- Erklären Sie die Fähigkeiten der verwalteten AWS-KI/ML-Services (z.B. SageMaker, Amazon Transcribe, Amazon Translate, Amazon Comprehend, Amazon Lex, Amazon Polly).
Aufgabenstellung 1.3: Beschreiben Sie den ML-Entwicklungslebenszyklus.
Ziele:
- Beschreiben Sie Komponenten einer ML-Pipeline (z.B. Datensammlung, explorative Datenanalyse [EDA], Datenvorverarbeitung, Feature-Engineering, Modelltraining, Hyperparameter-Abstimmung, Bewertung, Bereitstellung, Überwachung).
- Verstehen Sie Quellen von ML-Modellen (z.B. Open-Source-Vortrainierte Modelle, Training von Kundenmodellen).
- Beschreiben Sie Methoden zur Verwendung eines Modells in der Produktion (z.B. verwalteter API-Service, selbstgehosteter API).
- Identifizieren Sie relevante AWS-Services und -Funktionen für jede Stufe einer ML-Pipeline (z.B. SageMaker, Amazon SageMaker Data Wrangler, Amazon SageMaker Feature Store, Amazon SageMaker Model Monitor).
- Verstehen Sie grundlegende Konzepte des ML-Betriebs (MLOps) (z.B. Experimente, wiederholbare Prozesse, skalierbare Systeme, Verwaltung technischer Schulden, Produktionsbereitschaft, Modellüberwachung, Modell-Retraining).
- Verstehen Sie Leistungskennzahlen von ML-Modellen (z.B. Genauigkeit, Area Under the ROC Curve [AUC], F1-Score) und geschäftliche Kennzahlen (z.B. Kosten pro Nutzer, Entwicklungskosten, Kundenfeedback, Return on Investment [ROI]) zur Bewertung von ML-Modellen.
Bereich 2: Grundlagen des generativen KI
Aufgabenstellung 2.1: Erklären Sie die Grundkonzepte des generativen KI.
Ziele:
- Verstehen Sie grundlegende Konzepte des generativen KI (z.B. Tokens, Chunking, Embeddings, Vektoren, Prompt Engineering, transformer-basierte LLMs, Foundation Models, multimodale Modelle, Diffusions-Modelle).
- Identifizieren Sie potenzielle Anwendungsfälle für generative KI-Modelle (z.B. Bild-, Video- und Audiogenerierung; Zusammenfassung; Chatbots; Übersetzung; Codegenerierung; Kundendienstmitarbeiter; Suche; Empfehlungssysteme).
- Beschreiben Sie den Lebenszyklus des Foundation-Modells (z.B. Datenauswahl, Modellauswahl, Vortraining, Feinabstimmung, Bewertung, Bereitstellung, Feedback).
Aufgabenstellung 2.2: Verstehen Sie die Fähigkeiten und Grenzen des generativen KI zur Lösung von Geschäftsproblemen.
Ziele:
- Beschreiben Sie die Vorteile des generativen KI (z.B. Anpassungsfähigkeit, Reaktionsfähigkeit, Einfachheit).
- Identifizieren Sie Nachteile von generativen KI-Lösungen (z.B. Halluzinationen, Interpretierbarkeit, Ungenauigkeit, Nichtdeterminismus).
- Verstehen Sie verschiedene Faktoren, um geeignete generative KI-Modelle auszuwählen (z.B. Modelltypen, Leistungsanforderungen, Fähigkeiten, Einschränkungen, Compliance).
- Bestimmen Sie den Geschäftswert und die Kennzahlen für generative KI-Anwendungen (z.B. domänenübergreifende Leistung, Effizienz, Konversionsrate, durchschnittlicher Umsatz pro Nutzer, Genauigkeit, Kundenwert).
Aufgabenstellung 2.3: Beschreiben Sie die AWS-Infrastruktur und -Technologien zum Aufbau generativer KI-Anwendungen.
Ziele:
- Identifizieren Sie AWS-Services und -Funktionen zur Entwicklung generativer KI-Anwendungen (z.B. Amazon SageMaker JumpStart, Amazon Bedrock, PartyRock, ein Amazon Bedrock Playground, Amazon Q).
- Beschreiben Sie die Vorteile der Nutzung von AWS-generativen KI-Services zum Aufbau von Anwendungen (z.B. Zugänglichkeit, geringere Einstiegshürden,