CC
📚 Más Materiales:
📋Resumen de Certificación📝Hoja de Trucos📚Revisor✅Exámenes de Práctica

Guia oficial del examen AIF-C01

Formato del examen, dominios y consejos de preparacion

Guía del examen AWS Certified AI Practitioner (AIF-C01)

Versión 1.4 AIF-C01

Introducción

El examen AWS Certified AI Practitioner (AIF-C01) está diseñado para individuos que puedan demostrar de manera efectiva un conocimiento general de AI/ML, tecnologías de IA generativa y los servicios y herramientas asociados de AWS, independientemente de un rol laboral específico.

El examen también valida la capacidad del candidato para realizar las siguientes tareas:

  • Comprender los conceptos, métodos y estrategias de IA, ML e IA generativa en general y en AWS.
  • Comprender el uso apropiado de las tecnologías de IA/ML e IA generativa para plantear las preguntas relevantes dentro de la organización del candidato.
  • Determinar los tipos correctos de tecnologías de IA/ML para aplicar a casos de uso específicos.
  • Usar las tecnologías de IA, ML e IA generativa de manera responsable.

Descripción del candidato objetivo

El candidato objetivo debe tener hasta 6 meses de exposición a las tecnologías de IA/ML en AWS. El candidato objetivo usa pero no necesariamente construye soluciones de IA/ML en AWS.

Conocimientos de AWS recomendados

El candidato objetivo debe tener los siguientes conocimientos de AWS:

  • Familiaridad con los servicios principales de AWS (por ejemplo, Amazon EC2, Amazon S3, AWS Lambda y Amazon SageMaker) y los casos de uso de los servicios principales de AWS
  • Familiaridad con el modelo de responsabilidad compartida de AWS para la seguridad y el cumplimiento en la nube de AWS
  • Familiaridad con AWS Identity and Access Management (IAM) para asegurar y controlar el acceso a los recursos de AWS
  • Familiaridad con la infraestructura global de AWS, incluidos los conceptos de regiones de AWS, zonas de disponibilidad y ubicaciones perimetrales
  • Familiaridad con los modelos de precios de servicios de AWS

Tareas laborales que están fuera del alcance para el candidato objetivo

La siguiente lista contiene tareas laborales que no se espera que el candidato objetivo pueda realizar. Esta lista no es exhaustiva. Estas tareas están fuera del alcance del examen:

  • Desarrollar o codificar modelos o algoritmos de IA/ML
  • Implementar técnicas de ingeniería de datos o características
  • Realizar ajuste de hiperparámetros u optimización de modelos
  • Construir e implementar canalizaciones o infraestructura de IA/ML
  • Realizar análisis matemático o estadístico de modelos de IA/ML
  • Implementar protocolos de seguridad o cumplimiento para sistemas de IA/ML
  • Desarrollar e implementar marcos y políticas de gobernanza para soluciones de IA/ML

Consulte el Apéndice para obtener una lista de servicios y características de AWS dentro del alcance y una lista de servicios y características de AWS fuera del alcance.

Contenido del examen

Tipos de preguntas

El examen contiene uno o más de los siguientes tipos de preguntas:

  • Opción múltiple: Tiene una respuesta correcta y tres respuestas incorrectas (distractores).
  • Respuesta múltiple: Tiene dos o más respuestas correctas de cinco o más opciones de respuesta. Debe seleccionar todas las respuestas correctas para recibir crédito por la pregunta.
  • Ordenamiento: Tiene una lista de 3-5 respuestas para completar una tarea específica. Debe seleccionar las respuestas correctas y colocarlas en el orden correcto para recibir crédito por la pregunta.
  • Emparejamiento: Tiene una lista de respuestas para emparejar con una lista de 3-7 indicaciones. Debe emparejar correctamente todas las parejas para recibir crédito por la pregunta.
  • Estudio de caso: Tiene un escenario con dos o más preguntas sobre el escenario. El escenario es el mismo para cada pregunta en el estudio de caso. Cada pregunta en el estudio de caso se evaluará por separado. Recibirá crédito por cada pregunta que responda correctamente en el estudio de caso.

Las preguntas sin respuesta se calificarán como incorrectas; no hay penalización por adivinar. El examen incluye 50 preguntas que afectan su puntaje.

Contenido sin calificación

El examen incluye 15 preguntas sin calificación que no afectan su puntaje. AWS recopila información sobre el desempeño en estas preguntas sin calificación para evaluar estas preguntas para su uso futuro como preguntas calificadas. Estas preguntas sin calificación no se identifican en el examen.

Resultados del examen

El examen AWS Certified AI Practitioner (AIF-C01) tiene una designación de aprobar o reprobar. El examen se califica contra un estándar mínimo establecido por los profesionales de AWS que siguen las mejores prácticas y pautas de la industria de certificación.

Sus resultados para el examen se informan como un puntaje escalado de 100 a 1,000. El puntaje mínimo para aprobar es 700. Su puntaje muestra cómo se desempeñó en el examen en su conjunto y si aprobó. Los modelos de puntuación escalados ayudan a equiparar los puntajes en múltiples formas de examen que podrían tener niveles de dificultad ligeramente diferentes.

Su informe de resultados podría contener una tabla de clasificaciones de su desempeño a nivel de sección. El examen utiliza un modelo de puntuación compensatorio, lo que significa que no necesita lograr un puntaje de aprobación en cada sección. Solo necesita aprobar el examen general.

Cada sección del examen tiene una ponderación específica, por lo que algunas secciones tienen más preguntas que otras. La tabla de clasificaciones contiene información general que resalta sus fortalezas y debilidades. Tenga cuidado al interpretar los comentarios a nivel de sección.

Esquema de contenido

Esta guía del examen incluye ponderaciones, dominios de contenido y declaraciones de tareas para el examen. Esta guía no proporciona una lista exhaustiva del contenido del examen. Sin embargo, hay contexto adicional disponible para cada declaración de tareas para ayudarlo a prepararse para el examen.

El examen tiene los siguientes dominios de contenido y ponderaciones:

  • Dominio 1: Fundamentos de IA y ML (20% del contenido calificado)
  • Dominio 2: Fundamentos de IA generativa (24% del contenido calificado)
  • Dominio 3: Aplicaciones de modelos de fundación (28% del contenido calificado)
  • Dominio 4: Pautas para una IA responsable (14% del contenido calificado)
  • Dominio 5: Seguridad, cumplimiento y gobernanza para soluciones de IA (14% del contenido calificado)

Dominio 1: Fundamentos de IA y ML

Declaración de tarea 1.1: Explicar los conceptos y terminologías básicos de IA.

Objetivos:

  • Definir términos básicos de IA (por ejemplo, IA, ML, aprendizaje profundo, redes neuronales, visión por computadora, procesamiento del lenguaje natural [NLP], modelo, algoritmo, entrenamiento e inferencia, sesgo, imparcialidad, ajuste, modelo de lenguaje grande [LLM]).
  • Describir las similitudes y diferencias entre IA, ML y aprendizaje profundo.
  • Describir varios tipos de inferencia (por ejemplo, por lotes, en tiempo real).
  • Describir los diferentes tipos de datos en modelos de IA (por ejemplo, etiquetados y sin etiquetar, tabulares, series temporales, imagen, texto, estructurados y no estructurados).
  • Describir el aprendizaje supervisado, el aprendizaje no supervisado y el aprendizaje por refuerzo.

Declaración de tarea 1.2: Identificar casos de uso prácticos para la IA.

Objetivos:

  • Reconocer aplicaciones donde IA/ML pueden aportar valor (por ejemplo, asistir a la toma de decisiones humana, escalabilidad de soluciones, automatización).
  • Determinar cuándo las soluciones de IA/ML no son apropiadas (por ejemplo, análisis de costo-beneficio, situaciones en las que se necesita un resultado específico en lugar de una predicción).
  • Seleccionar las técnicas de ML apropiadas para casos de uso específicos (por ejemplo, regresión, clasificación, agrupación).
  • Identificar ejemplos de aplicaciones de IA del mundo real (por ejemplo, visión por computadora, NLP, reconocimiento de voz, sistemas de recomendación, detección de fraude, pronósticos).
  • Explicar las capacidades de los servicios administrados de IA/ML de AWS (por ejemplo, SageMaker, Amazon Transcribe, Amazon Translate, Amazon Comprehend, Amazon Lex, Amazon Polly).

Declaración de tarea 1.3: Describir el ciclo de vida de desarrollo de ML.

Objetivos:

  • Describir los componentes de una canalización de ML (por ejemplo, recopilación de datos, análisis exploratorio de datos [EDA], preprocesamiento de datos, ingeniería de características, entrenamiento de modelos, ajuste de hiperparámetros, evaluación, implementación, monitoreo).
  • Entender las fuentes de modelos de ML (por ejemplo, modelos pre-entrenados de código abierto, entrenamiento de modelos personalizados).
  • Describir los métodos para usar un modelo en producción (por ejemplo, servicio de API administrado, API autoalojada).
  • Identificar los servicios y características relevantes de AWS para cada etapa de una canalización de ML (por ejemplo, SageMaker, Amazon SageMaker Data Wrangler, Amazon SageMaker Feature Store, Amazon SageMaker Model Monitor).
  • Entender los conceptos fundamentales de las operaciones de ML (MLOps) (por ejemplo, experimentación, procesos repetibles, sistemas escalables, gestión de deuda técnica, lograr la preparación de producción, monitoreo de modelos, reentrenamiento de modelos).
  • Comprender las métricas de desempeño de modelos (por ejemplo, precisión, área bajo la curva ROC [AUC], puntaje F1) y métricas de negocios (por ejemplo, costo por usuario, costos de desarrollo, comentarios de clientes, retorno de la inversión [ROI]) para evaluar modelos de ML.

Dominio 2: Fundamentos de IA generativa

Declaración de tarea 2.1: Explicar los conceptos básicos de la IA generativa.

Objetivos:

  • Comprender los conceptos fundamentales de la IA generativa (por ejemplo, tokens, segmentación, representaciones, vectores, ingeniería de instrucciones, modelos de lenguaje LLM basados en transformadores, modelos de fundación, modelos multimodales, modelos de difusión).
  • Identificar los casos de uso potenciales para modelos de IA generativa (por ejemplo, generación de imágenes, videos y audio; resumen; chatbots; traducción; generación de código; agentes de servicio al cliente; motores de búsqueda; sistemas de recomendación).
  • Describir el ciclo de vida del modelo de fundación (por ejemplo, selección de datos, selección de modelos, pre-entrenamiento, ajuste fino, evaluación, despliegue, retroalimentación).

Declaración de tarea 2.2: Comprender las capacidades y limitaciones de la IA generativa para resolver problemas de negocios.

Objetivos:

  • Describir las ventajas de la IA generativa (por ejemplo, adaptabilidad, capacidad de respuesta, sencillez).
  • Identificar las desventajas de las soluciones de IA generativa (por ejemplo, alucinaciones, interpretabilidad, inexactitud, no determinismo).
  • Comprender varios factores para seleccionar los modelos de IA generativa apropiados (por ejemplo, tipos de modelos, requisitos de rendimiento, capacidades, limitaciones, cumplimiento).
  • Determinar el valor empresarial y las métricas para aplicaciones de IA generativa (por ejemplo, rendimiento entre dominios, eficiencia, tasa de conversión, ingreso promedio por usuario, precisión, valor de vida útil del cliente).

Declaración de tarea 2.3: Describir la infraestructura y tecnologías de AWS para construir aplicaciones de IA generativa.

Objetivos:

  • Identificar los servicios y características de AWS para desarrollar aplicaciones de IA generativa (por ejemplo, Amazon SageMaker JumpStart; Amazon Bedrock; PartyRock, un Amazon Bedrock Playground; Amazon Q).
  • Describir las ventajas de usar servicios de IA generativa de AWS para construir aplicaciones (por ejemplo, accesibilidad, menor barrera de entrada, eficiencia, rentabilidad, rapidez al mercado, capacidad de cumplir con los objetivos comerciales).
  • Entender los beneficios de la infraestructura de AWS para aplicaciones de IA generativa (por ejemplo, seguridad, cumplimiento, responsabilidad, seguridad).
  • Comprender los compromisos de costos de los servicios de IA generativa de AWS (por ejemplo, capacidad de respuesta, disponibilidad, redundancia, rendimiento, cobertura regional, precios basados en tokens, aprovisionamiento de rendimiento, modelos personalizados).

Dominio 3: Aplicaciones de modelos de fundación

Declaración de tarea 3.1: Describir consideraciones de diseño para aplicaciones que utilizan modelos de fundación.

Objetivos:

  • Identificar los criterios de selección para elegir modelos pre-entrenados (por ejemplo, costo, modalidad, latencia, multilingüe, tamaño del modelo, complejidad del modelo, personalización, longitud de entrada/salida).
  • Entender el efecto de los parámetros de inferencia en las respuestas de los modelos (por ejemplo, temperatura, longitud de entrada/salida).
  • Definir la generación aumentada por recuperación (RAG) y describir sus aplicaciones empresariales (por ejemplo, Amazon Bedrock, base de conocimientos).
  • Identificar los servicios de AWS que ayudan a almacenar representaciones dentro de bases de datos de vectores (por ejemplo, Amazon OpenSearch Service, Amazon Aurora, Amazon Neptune, Amazon DocumentDB [con compatibilidad con MongoDB], Amazon RDS for PostgreSQL).
  • Explicar los compromisos de costo de los diversos enfoques para la personalización de modelos de fundación (por ejemplo, pre-entrenamiento, ajuste fino, aprendizaje en contexto, RAG).
  • Comprender el papel de los agentes en tareas de múltiples pasos (por ejemplo, Agentes para Amazon Bedrock).

Declaración de tarea 3.2: Elegir técnicas efectivas de ingeniería de instrucciones.

Objetivos:

  • Describir los conceptos y construcciones de la ingeniería de instrucciones (por ejemplo, contexto, instrucción, instrucciones negativas, espacio latente del modelo).
  • Comprender las técnicas para la ingeniería de instrucciones (por ejemplo, cadena de pensamiento, disparo en cero, disparo único, pocos disparos, plantillas de instrucciones).
  • Comprender los beneficios y las mejores prácticas para la ingeniería de instrucciones (por ejemplo, mejora de la calidad de la respuesta, experimentación, salvaguardas, descubrimiento, especificidad y concisión, uso de múltiples comentarios).
  • Definir los riesgos y limitaciones potenciales de la ingeniería de instrucciones (por ejemplo, exposición, envenenamiento, secuestro, ruptura de prisión).

Declaración de tarea 3.3: Describir el proceso de entrenamiento y ajuste fino de modelos de fundación.

Objetivos:

  • Describir los elementos clave del entrenamiento de un modelo de fundación (por ejemplo, pre-entrenamiento, ajuste fino, pre-entrenamiento continuo).
  • Definir métodos para ajustar un modelo de fundación (por ejemplo, ajuste de instrucción, adaptación de modelos para dominios específicos, transferencia de aprendizaje, pre-entrenamiento continuo).
  • Describir cómo preparar datos para ajustar un modelo de fundación (por ejemplo, curación de datos, gobernanza, tamaño, etiquetado, representatividad, aprendizaje por refuerzo a partir de retroalimentación humana [RLHF]).

Declaración de tarea 3.4: Describir métodos para evaluar el desempeño de modelos de fundación.

Objetivos:

  • Comprender los enfoques para evaluar el desempeño de modelos de fundación (por ejemplo, evaluación humana, conjuntos de datos de referencia).
  • Identificar métricas relevantes para evaluar el desempeño de modelos de fundación (por ejemplo, Recall-Oriented Understudy for Gisting Evaluation [ROUGE], Bilingual Evaluation Understudy [BLEU], BERTScore).
  • Determinar si un modelo de fundación cumple eficazmente con los objetivos empresariales (por ejemplo, productividad, participación del usuario, ingeniería de tareas).

Dominio 4: Pautas para una IA responsable

Declaración de tarea 4.1: Explicar el desarrollo de sistemas de IA que son responsables.

Objetivos:

  • Identificar las características de una IA responsable (por ejemplo, sesgo, imparcialidad, inclusividad, robustez, seguridad, veracidad).
  • Comprender cómo usar herramientas para identificar las características de una IA responsable (por ejemplo, Guardrails for Amazon Bedrock).
  • Comprender las prácticas responsables para seleccionar un modelo (por ejemplo, consideraciones ambientales, sostenibilidad).
  • Identificar los riesgos legales de trabajar con IA generativa (por ejemplo, reclamaciones de infracción de propiedad intelectual, resultados sesgados del modelo, pérdida de confianza del cliente, riesgo para el usuario final, alucinaciones).
  • Identificar las características de los conjuntos de datos (por ejemplo, inclusividad, diversidad, fuentes de datos curadas, conjuntos de datos equilibrados).
  • Comprender los efectos del sesgo y la varianza (por ejemplo, efectos en grupos demográficos, imprecisión, sobreajuste, subajuste).
  • Describir herramientas para detectar y monitorear el sesgo, la confiabilidad y la veracidad (por ejemplo, analizar la calidad de las etiquetas, auditorías humanas, análisis de subgrupos, Amazon SageMaker Clarify, SageMaker Model Monitor, Amazon Augmented AI [Amazon A2I]).

Declaración de tarea 4.2: Reconocer la importancia de modelos transparentes y explicables.

Objetivos:

  • Comprender las diferencias entre modelos transparentes y explicables y modelos que no son transparentes y explicables.
  • Comprender las herramientas para identificar modelos transparentes y explicables (por ejemplo, Amazon SageMaker Model Cards, modelos de código abierto, datos, licencias).
  • Identificar los compromisos entre la seguridad del modelo y la transparencia (por ejemplo, medir la interpretabilidad y el rendimiento).
  • Comprender los principios del diseño centrado en el ser humano para la IA explicable.

Dominio 5: Seguridad, cumplimiento y gobernanza para soluciones de IA

Declaración de tarea 5.1: Explicar métodos para asegurar sistemas de IA.

Objetivos:

  • Identificar los servicios y características de AWS para asegurar sistemas de IA (por ejemplo, roles, políticas y permisos de IAM; cifrado; Amazon Macie; AWS PrivateLink; modelo de responsabilidad compartida de AWS).
  • Comprender el concepto de cita de fuente y documentar los orígenes de los datos (por ejemplo, linaje de datos, catalogación de datos, SageMaker Model Cards).
  • Describir las mejores prácticas para la ingeniería de datos segura (por ejemplo, evaluar la calidad de los datos, implementar tecnologías de privacidad, control de acceso a datos, integridad de datos).
  • Comprender las consideraciones de seguridad y privacidad para sistemas de IA (por ejemplo, seguridad de aplicaciones, detección de amenazas, gestión de vulnerabilidades, protección de infraestructura, inyección de instrucciones, cifrado en reposo y en tránsito).

Declaración de tarea 5.2: Reconocer las regulaciones de gobernanza y cumplimiento para sistemas de IA.

Objetivos:

  • Identificar los estándares de cumplimiento regulatorio para sistemas de IA (por ejemplo, Organización Internacional de Normalización [ISO], Controles del sistema y la organización [SOC], leyes de rendición de cuentas de algoritmos).
  • Identificar los servicios y características de AWS para ayudar con el cumplimiento de la gobernanza y las regulaciones (por ejemplo, AWS Config, Amazon Inspector, AWS Audit Manager, AWS Artifact, AWS CloudTrail, AWS Trusted Advisor).
  • Describir estrategias de gobernanza de datos (por ejemplo, ciclos de vida de datos, registro, residencia, monitoreo, observación, retención).
  • Describir los procesos para seguir protocolos de gobernanza (por ejemplo, políticas, cadencia de revisión, estrategias de revisión, marcos de gobernanza como la Generative AI Security Scoping Matrix, estándares de transparencia, requisitos de capacitación del equipo).

Apéndice

Servicios y características de AWS dentro del alcance

La siguiente lista contiene servicios y características de AWS que están dentro del alcance del examen. Esta lista no es exhaustiva y está sujeta a cambios. Las ofertas de AWS aparecen en categorías que se alinean con las funciones principales de las ofertas:

Análisis:

  • AWS Data Exchange
  • Amazon EMR
  • AWS Glue
  • AWS Glue DataBrew
  • AWS Lake Formation
  • Amazon OpenSearch Service
  • Amazon QuickSight
  • Amazon Redshift

Gestión de costos en la nube:

  • AWS Budgets
  • AWS Cost Explorer

Cómputo:

  • Amazon EC2

Contenedores:

  • Amazon Elastic Container Service (Amazon ECS)
  • Amazon Elastic Kubernetes Service (Amazon EKS)

Base de datos:

  • Amazon DocumentDB (con compatibilidad con MongoDB)
  • Amazon DynamoDB
  • Amazon ElastiCache
  • Amazon MemoryDB
  • Amazon Neptune
  • Amazon RDS

Aprendizaje automático:

  • Amazon Augmented AI (Amazon A2I)
  • Amazon Bedrock
  • Amazon Comprehend
  • Amazon Fraud Detector
  • Amazon Kendra
  • Amazon Lex
  • Amazon Personalize
  • Amazon Polly
  • Amazon Q
  • Amazon Rekognition
  • Amazon SageMaker
  • Amazon Textract
  • Amazon Transcribe
  • Amazon Translate

Gestión y gobernanza:

  • AWS CloudTrail
  • Amazon CloudWatch
  • AWS Config
  • AWS Trusted Advisor
  • AWS Well-Architected Tool

Redes y entrega de contenido:

  • Amazon CloudFront
  • Amazon VPC

Seguridad, identidad y cumplimiento:

  • AWS Artifact
  • AWS Audit Manager
  • AWS Identity and Access Management (IAM)
  • Amazon Inspector
  • AWS Key Management Service (AWS KMS)
  • Amazon Macie
  • AWS Secrets Manager

Almacenamiento:

  • Amazon S3
  • Amazon S3 Glacier

Servicios y características de AWS fuera del alcance

La siguiente lista contiene servicios y características de AWS que están fuera del alcance del examen. Esta lista no es exhaustiva y está sujeta a cambios. Se excluyen las ofertas de AWS que no están relacionadas con los roles laborales objetivo para el examen:

Análisis:

  • AWS Clean Rooms
  • Amazon CloudSearch
  • Amazon FinSpace
  • Amazon Managed Streaming for Apache Kafka (Amazon MSK)

Integración de aplicaciones:

  • Amazon AppFlow
  • Amazon MQ
  • Amazon Simple Workflow Service (Amazon SWF)

Aplicaciones empresariales:

  • Amazon Chime
  • Amazon Honeycode
  • Amazon Pinpoint
  • Amazon Simple Email Service (Amazon SES)
  • AWS Supply Chain
  • AWS Wickr
  • Amazon WorkDocs
  • Amazon WorkMail

Gestión de costos en la nube:

  • AWS Application Cost Profiler
  • AWS Billing Conductor
  • AWS Marketplace

Cómputo:

  • AWS App Runner
  • AWS Elastic Beanstalk
  • EC2 Image Builder
  • Amazon Lightsail

Contenedores:

  • Red Hat OpenShift Service on AWS (ROSA)

Habilitación de clientes:

  • AWS IQ
  • AWS Managed Services (AMS)
  • AWS re:Post Private
  • AWS Support

Base de datos:

  • Amazon Keyspaces (for Apache Cassandra)
  • Amazon Quantum Ledger Database (Amazon QLDB)
  • Amazon Timestream

Herramientas de desarrollo:

  • AWS AppConfig
  • AWS Application Composer
  • AWS CloudShell
  • Amazon CodeCatalyst
  • AWS CodeStar
  • AWS Fault Injection Service
  • AWS X-Ray

Computación de usuario final:

  • Amazon AppStream 2.0
  • Amazon WorkSpaces
  • Amazon WorkSpaces Thin Client
  • Amazon WorkSpaces Web

Web y móvil frontend:

  • AWS Amplify
  • AWS AppSync
  • AWS Device Farm
  • Amazon Location Service

Internet de las cosas (IoT):

  • AWS IoT Analytics
  • AWS IoT Core
  • AWS IoT Device Defender
  • AWS IoT Device Management
  • AWS IoT Events
  • AWS IoT FleetWise
  • FreeRTOS
  • AWS IoT Greengrass
  • AWS IoT 1-Click
  • AWS IoT RoboRunner
  • AWS IoT SiteWise
  • AWS IoT TwinMaker

Aprendizaje automático:

  • AWS DeepComposer
  • AWS HealthImaging
  • AWS HealthOmics
  • Amazon Monitron
  • AWS Panorama

Gestión y gobernanza:

  • AWS Control Tower
  • AWS Health Dashboard
  • AWS Launch Wizard
  • AWS License Manager
  • Amazon Managed Grafana
  • Amazon Managed Service for Prometheus
  • AWS OpsWorks
  • AWS Organizations
  • AWS Proton
  • AWS Resilience Hub
  • AWS Resource Explorer
  • AWS Resource Groups
  • AWS Systems Manager Incident Manager
  • AWS Service Catalog
  • Service Quotas
  • AWS Telco Network Builder
  • AWS User Notifications

Medios:

  • Amazon Elastic Transcoder
  • AWS Elemental MediaConnect
  • AWS Elemental MediaConvert
  • AWS Elemental MediaLive
  • AWS Elemental MediaPackage
  • AWS Elemental MediaStore
  • AWS Elemental MediaTailor
  • Amazon Interactive Video Service (Amazon IVS)
  • Amazon Nimble Studio

Migración y transferencia:

  • AWS Application Discovery Service
  • AWS Application Migration Service
  • AWS Database Migration Service (AWS DMS)
  • AWS DataSync
  • AWS Mainframe Modernization
  • AWS Migration Hub
  • AWS Snow Family
  • AWS Transfer Family

Redes y entrega de contenido:

  • AWS App Mesh
  • AWS Cloud Map
  • AWS Direct Connect
  • AWS Global Accelerator
  • AWS Private 5G
  • Amazon Route 53
  • Amazon Route 53 Application Recovery Controller
  • Amazon VPC IP Address Manager (IPAM)

Seguridad, identidad y cumplimiento:

  • AWS Certificate Manager (ACM)
  • AWS CloudHSM
  • Amazon Cognito
  • Amazon Detective
  • AWS Directory Service
  • AWS Firewall Manager
  • Amazon GuardDuty
  • AWS IAM Identity Center
  • AWS Payment Cryptography
  • AWS Private Certificate Authority
  • AWS Resource Access Manager (AWS RAM)
  • AWS Security Hub
  • Amazon Security Lake
  • AWS Shield
  • AWS Signer
  • Amazon Verified Permissions
  • AWS WAF

Almacenamiento:

  • AWS Backup
  • AWS Elastic Disaster Recovery

Encuesta

¿Qué tan útil fue esta guía del examen? Háganos saber llenando nuestra encuesta.