CC
📚 Explorer Plus de Matériel d'Étude:
📋Aperçu de la Certification📝Aide-Mémoire📚Réviseur✅Tests Pratiques

Guide officiel de l'examen AIF-C01

Format de l'examen, domaines et conseils de pr\u00E9paration

Guide d'examen AWS Certified AI Practitioner (AIF-C01)

Version 1.4 AIF-C01

Introduction

L'examen AWS Certified AI Practitioner (AIF-C01) est destiné aux personnes capables de démontrer efficacement leurs connaissances générales en IA/ML, les technologies d'IA générative et les services et outils AWS associés, indépendamment d'un rôle professionnel spécifique.

L'examen valide également la capacité d'un candidat à réaliser les tâches suivantes :

  • Comprendre les concepts, méthodes et stratégies de l'IA, du ML et de l'IA générative en général et sur AWS.
  • Comprendre l'utilisation appropriée des technologies d'IA/ML et d'IA générative pour poser les questions pertinentes au sein de l'organisation du candidat.
  • Déterminer les types corrects de technologies d'IA/ML à appliquer à des cas d'utilisation spécifiques.
  • Utiliser de manière responsable les technologies d'IA, de ML et d'IA générative.

Description du candidat cible

Le candidat cible devrait avoir jusqu'à 6 mois d'exposition aux technologies d'IA/ML sur AWS. Le candidat cible utilise mais ne construit pas nécessairement de solutions d'IA/ML sur AWS.

Connaissances AWS recommandées

Le candidat cible devrait avoir les connaissances AWS suivantes :

  • Familiarité avec les services AWS de base (par exemple, Amazon EC2, Amazon S3, AWS Lambda et Amazon SageMaker) et les cas d'utilisation des services AWS de base
  • Familiarité avec le modèle de responsabilité partagée d'AWS pour la sécurité et la conformité dans le cloud AWS
  • Familiarité avec AWS Identity and Access Management (IAM) pour sécuriser et contrôler l'accès aux ressources AWS
  • Familiarité avec l'infrastructure mondiale d'AWS, y compris les concepts de régions AWS, de zones de disponibilité et d'emplacements Edge
  • Familiarité avec les modèles de tarification des services AWS

Tâches professionnelles hors du champ d'application du candidat cible

La liste suivante contient des tâches professionnelles que le candidat cible n'est pas censé être en mesure d'effectuer. Cette liste n'est pas exhaustive. Ces tâches sont hors du champ d'application de l'examen :

  • Développer ou coder des modèles ou des algorithmes d'IA/ML
  • Mettre en œuvre des techniques d'ingénierie des données ou des caractéristiques
  • Effectuer l'ajustement des hyperparamètres ou l'optimisation des modèles
  • Construire et déployer des pipelines ou des infrastructures d'IA/ML
  • Mener des analyses mathématiques ou statistiques des modèles d'IA/ML
  • Mettre en œuvre des protocoles de sécurité ou de conformité pour les systèmes d'IA/ML
  • Développer et mettre en œuvre des cadres et des politiques de gouvernance pour les solutions d'IA/ML

Reportez-vous à l'annexe pour obtenir une liste des services et fonctionnalités AWS dans le champ d'application et hors du champ d'application.

Contenu de l'examen

Types de questions

L'examen contient un ou plusieurs des types de questions suivants :

  • Choix multiple : a une réponse correcte et trois réponses incorrectes (distracteurs).
  • Choix multiples : a deux réponses correctes ou plus parmi cinq options de réponse ou plus. Vous devez sélectionner toutes les réponses correctes pour obtenir le crédit pour la question.
  • Classement : a une liste de 3 à 5 réponses à compléter dans un ordre spécifié. Vous devez sélectionner les réponses correctes et les placer dans le bon ordre pour obtenir le crédit pour la question.
  • Appariement : a une liste de réponses à faire correspondre à une liste de 3 à 7 invites. Vous devez faire correspondre correctement toutes les paires pour obtenir le crédit pour la question.
  • Étude de cas : a un seul scénario avec deux questions ou plus sur le scénario. Le scénario est le même pour chaque question de l'étude de cas. Chaque question de l'étude de cas sera évaluée séparément. Vous recevrez le crédit pour chaque question à laquelle vous répondez correctement dans l'étude de cas.

Les questions sans réponse sont considérées comme incorrectes ; il n'y a pas de pénalité pour deviner. L'examen comprend 50 questions qui affectent votre score.

Contenu sans notation

L'examen comprend 15 questions sans notation qui n'affectent pas votre score. AWS collecte des informations sur les performances de ces questions sans notation pour les évaluer en vue d'une utilisation future en tant que questions notées. Ces questions sans notation ne sont pas identifiées dans l'examen.

Résultats de l'examen

L'examen AWS Certified AI Practitioner (AIF-C01) a une désignation de réussite ou d'échec. L'examen est noté par rapport à une norme minimale établie par les professionnels d'AWS qui suivent les meilleures pratiques et les lignes directrices de l'industrie de la certification.

Vos résultats pour l'examen sont signalés sous forme d'un score mis à l'échelle de 100 à 1 000. Le score de passage minimum est de 700. Votre score indique comment vous vous êtes comporté dans l'ensemble de l'examen et si vous avez réussi. Les modèles de notation à l'échelle aident à équilibrer les scores entre les différentes formes d'examen qui peuvent avoir des niveaux de difficulté légèrement différents.

Votre relevé de notes pourrait contenir un tableau de classifications de vos performances au niveau de chaque section. L'examen utilise un modèle de notation compensatoire, ce qui signifie que vous n'avez pas besoin d'obtenir un score de passage dans chaque section. Vous devez réussir l'examen dans son ensemble.

Chaque section de l'examen a une pondération spécifique, certaines sections ayant donc plus de questions que d'autres. Le tableau des classifications contient des informations générales qui mettent en évidence vos points forts et vos points faibles. Soyez prudent lors de l'interprétation des commentaires au niveau des sections.

Plan de contenu

Ce guide d'examen comprend les pondérations, les domaines de contenu et les énoncés de tâches pour l'examen. Ce guide ne fournit pas une liste exhaustive du contenu de l'examen. Cependant, un contexte supplémentaire pour chaque énoncé de tâche est disponible pour vous aider à vous préparer à l'examen.

L'examen a les domaines de contenu et pondérations suivants :

  • Domaine 1 : Principes fondamentaux de l'IA et du ML (20 % du contenu noté)
  • Domaine 2 : Principes fondamentaux de l'IA générative (24 % du contenu noté)
  • Domaine 3 : Applications des modèles de base (28 % du contenu noté)
  • Domaine 4 : Lignes directrices pour une IA responsable (14 % du contenu noté)
  • Domaine 5 : Sécurité, conformité et gouvernance pour les solutions d'IA (14 % du contenu noté)

Domaine 1 : Principes fondamentaux de l'IA et du ML

Énoncé de tâche 1.1 : Expliquer les concepts de base et la terminologie de l'IA.

Objectifs :

  • Définir les termes de base de l'IA (par exemple, IA, ML, apprentissage en profondeur, réseaux neuronaux, vision par ordinateur, traitement du langage naturel [NLP], modèle, algorithme, entraînement et inférence, biais, équité, ajustement, modèle de langage de grande taille [LLM]).
  • Décrire les similitudes et les différences entre l'IA, le ML et l'apprentissage en profondeur.
  • Décrire les différents types d'inférence (par exemple, par lots, en temps réel).
  • Décrire les différents types de données dans les modèles d'IA (par exemple, étiquetées et non étiquetées, tabulaires, chronologiques, images, texte, structurées et non structurées).
  • Décrire l'apprentissage supervisé, l'apprentissage non supervisé et l'apprentissage par renforcement.

Énoncé de tâche 1.2 : Identifier les cas d'utilisation pratiques de l'IA.

Objectifs :

  • Reconnaître les applications où l'IA/ML peut apporter de la valeur (par exemple, assister la prise de décision humaine, évolutivité des solutions, automatisation).
  • Déterminer les situations où les solutions d'IA/ML ne sont pas appropriées (par exemple, analyses coûts-avantages, situations où un résultat spécifique est nécessaire au lieu d'une prédiction).
  • Sélectionner les techniques de ML appropriées pour des cas d'utilisation spécifiques (par exemple, régression, classification, clustering).
  • Identifier des exemples d'applications d'IA du monde réel (par exemple, vision par ordinateur, NLP, reconnaissance vocale, systèmes de recommandation, détection des fraudes, prévisions).
  • Expliquer les capacités des services gérés d'IA/ML d'AWS (par exemple, SageMaker, Amazon Transcribe, Amazon Translate, Amazon Comprehend, Amazon Lex, Amazon Polly).

Énoncé de tâche 1.3 : Décrire le cycle de vie du développement du ML.

Objectifs :

  • Décrire les composants d'un pipeline ML (par exemple, collecte de données, analyse exploratoire des données [EDA], prétraitement des données, ingénierie des caractéristiques, entraînement du modèle, optimisation des hyperparamètres, évaluation, déploiement, surveillance).
  • Comprendre les sources des modèles ML (par exemple, modèles pré-entraînés open source, entraînement de modèles personnalisés).
  • Décrire les méthodes pour utiliser un modèle en production (par exemple, service d'API géré, API auto-hébergée).
  • Identifier les services et fonctionnalités AWS pertinents pour chaque étape d'un pipeline ML (par exemple, SageMaker, Amazon SageMaker Data Wrangler, Amazon SageMaker Feature Store, Amazon SageMaker Model Monitor).
  • Comprendre les concepts fondamentaux des opérations ML (MLOps) (par exemple, expérimentation, processus répétables, systèmes évolutifs, gestion de la dette technique, atteindre la prête-à-l'emploi, surveillance des modèles, ré-entraînement des modèles).
  • Comprendre les métriques de performance des modèles (par exemple, précision, aire sous la courbe ROC [AUC], score F1) et les métriques commerciales (par exemple, coût par utilisateur, coûts de développement, commentaires des clients, retour sur investissement [ROI]) pour évaluer les modèles ML.

Domaine 2 : Principes fondamentaux de l'IA générative

Énoncé de tâche 2.1 : Expliquer les concepts de base de l'IA générative.

Objectifs :

  • Comprendre les concepts fondamentaux de l'IA générative (par exemple, jetons, découpage, intégrations, vecteurs, ingénierie d'invites, LLM à base de transformeurs, modèles de base, modèles multimodaux, modèles de diffusion).
  • Identifier les cas d'utilisation potentiels des modèles d'IA générative (par exemple, génération d'images, de vidéos et d'audio ; résumé ; chatbots ; traduction ; génération de code ; agents de service clientèle ; moteurs de recherche ; systèmes de recommandation).
  • Décrire le cycle de vie du modèle de base (par exemple, sélection des données, sélection du modèle, pré-entraînement, réglage fin, évaluation, déploiement, rétroaction).

Énoncé de tâche 2.2 : Comprendre les capacités et les limites de l'IA générative pour résoudre des problèmes d'entreprise.

Objectifs :

  • Décrire les avantages de l'IA générative (par exemple, adaptabilité, réactivité, simplicité).
  • Identifier les inconvénients des solutions d'IA générative (par exemple, hallucinations, interprétabilité, inexactitude, non-déterminisme).
  • Comprendre les différents facteurs pour sélectionner les modèles d'IA générative appropriés (par exemple, types de modèles, exigences de performance, capacités, contraintes, conformité).
  • Déterminer la valeur commerciale et les métriques pour les applications d'IA générative (par exemple, performances inter-domaines, efficacité, taux de conversion, revenu moyen par utilisateur, précision, valeur durée de vie du client).

Énoncé de tâche 2.3 : Décrire l'infrastructure et les technologies AWS pour construire des applications d'IA générative.

Objectifs :

  • Identifier les services et fonctionnalités AWS pour développer des applications d'IA générative (par exemple, Amazon SageMaker JumpStart ; Amazon Bedrock ; PartyRock, un Playground Amazon Bedrock ; Amazon Q).
  • Décrire les avantages de l'utilisation des services d'IA générative AWS pour construire des applications (par exemple, accessibilité, barrière d'entrée plus faible, efficacité, rentabilité, rapidité de mise sur le marché, capacité à répondre aux objectifs commerciaux).
  • Comprendre les avantages de l'infrastructure AWS pour les applications d'IA générative (par exemple, sécurité, conformité, responsabilité, sécurité).
  • Comprendre les compromis tarifaires des services d'IA générative AWS (par exemple, réactivité, disponibilité, redondance, performance, couverture régionale, tarification basée sur les jetons, débit provisionné, modèles personnalisés).

Domaine 3 : Applications des modèles de base

Énoncé de tâche 3.1 : Décrire les considérations de conception pour les applications utilisant des modèles de base.

Objectifs :

  • Identifier les critères de sélection pour choisir des modèles pré-entraînés (par exemple, coût, modalité, latence, multilinguisme, taille du modèle, complexité du modèle, personnalisation, longueur d'entrée/sortie).
  • Comprendre l'effet des paramètres d'inférence sur les réponses du modèle (par exemple, température, longueur d'entrée/sortie).
  • Définir la génération augmentée par la récupération (RAG) et décrire ses applications commerciales (par exemple, Amazon Bedrock, base de connaissances).
  • Identifier les services AWS qui permettent de stocker les intégrations dans des bases de données de vecteurs (par exemple, Amazon OpenSearch Service, Amazon Aurora, Amazon Neptune, Amazon DocumentDB [compatible avec MongoDB], Amazon RDS pour PostgreSQL).
  • Expliquer les compromis tarifaires des différentes approches de personnalisation des modèles de base (par exemple, pré-entraînement, réglage fin, apprentissage en contexte, RAG).
  • Comprendre le rôle des agents dans les tâches multi-étapes (par exemple, agents pour Amazon Bedrock).

Énoncé de tâche 3.2 : Choisir des techniques d'ingénierie des invites efficaces.

Objectifs :

  • Décrire les concepts et les constructions de l'ingénierie des invites (par exemple, contexte, instruction, invites négatives, espace latent du modèle).
  • Comprendre les techniques d'ingénierie des invites (par exemple, chaîne de pensée, zéro-tir, tir unique, quelques tirs, modèles d'invites).
  • Comprendre les avantages et les meilleures pratiques pour l'ingénierie des invites (par exemple, amélioration de la qualité des réponses, expérimentation, garde-fous, découverte, spécificité et concision, utilisation de plusieurs commentaires).
  • Définir les risques et les limites potentiels de l'ingénierie des invites (par exemple, exposition, empoisonnement, détournement, évasion).

Énoncé de tâche 3.3 : Décrire le processus d'entraînement et de réglage fin des modèles de base.

Objectifs :

  • Décrire les éléments clés de l'entraînement d'un modèle de base (par exemple, pré-entraînement, réglage fin, pré-entraînement continu).
  • Définir les méthodes de réglage fin d'un modèle de base (par exemple, réglage des instructions, adaptation des modèles à des domaines spécifiques, transfert d'apprentissage, pré-entraînement continu).
  • Décrire comment préparer les données pour affiner un modèle de base (par exemple, constitution des données, gouvernance, taille, étiquetage, représentativité, apprentissage par renforcement à partir des commentaires des humains [RLHF]).

Énoncé de tâche 3.4 : Décrire les méthodes d'évaluation des performances des modèles de base.

Objectifs :

  • Comprendre les approches pour évaluer les performances des modèles de base (par exemple, évaluation humaine, jeux de données de référence).
  • Identifier les métriques pertinentes pour évaluer les performances des modèles de base (par exemple, Recall-Oriented Understudy for Gisting Evaluation [ROUGE], Bilingual Evaluation Understudy [BLEU], BERTScore).
  • Déterminer si un modèle de base répond efficacement aux objectifs commerciaux (par exemple, productivité, engagement des utilisateurs, ingénierie des tâches).

Domaine 4 : Lignes directrices pour une IA responsable

Énoncé de tâche 4.1 : Expliquer le développement de systèmes d'IA qui sont responsables.

Objectifs :

  • Identifier les caractéristiques d'une IA responsable (par exemple, biais, équité, inclusivité, robustesse, sécurité, véracité).
  • Comprendre comment utiliser des outils pour identifier les caractéristiques d'une IA responsable (par exemple, Guardrails for Amazon Bedrock).
  • Comprendre les pratiques responsables pour sélectionner un modèle (par exemple, considérations environnementales, durabilité).
  • Identifier les risques juridiques liés au travail avec l'IA générative (par exemple, réclamations pour violation des droits de propriété intellectuelle, sorties de modèle biaisées, perte de la confiance des clients, risque pour les utilisateurs finaux, hallucinations).
  • Identifier les caractéristiques des jeux de données (par exemple, inclusivité, diversité, sources de données curées, jeux de données équilibrés).
  • Comprendre les effets des biais et de la variance (par exemple, effets sur les groupes démographiques, inexactitude, surajustement, sous-ajustement).
  • Décrire les outils pour détecter et surveiller les biais, la fiabilité et la véracité (par exemple, analyse de la qualité des étiquettes, audits humains, analyse des sous-groupes, Amazon SageMaker Clarify, SageMaker Model Monitor, Amazon Augmented AI [Amazon A2I]).

Énoncé de tâche 4.2 : Reconnaître l'importance de modèles transparents et explicables.

Objectifs :

  • Comprendre les différences entre les modèles transparents et explicables, et les modèles qui ne le sont pas.
  • Comprendre les outils pour identifier les modèles transparents et explicables (par exemple, Amazon SageMaker Model Cards, modèles open source, données, licences).
  • Identifier les compromis entre la sécurité du modèle et la transparence (par exemple, mesurer l'interprétabilité et les performances).
  • Comprendre les principes de la conception centrée sur l'humain pour l'IA explicable.

Domaine 5 : Sécurité, conformité et gouvernance pour les solutions d'IA

Énoncé de tâche 5.1 : Expliquer les méthodes pour sécuriser les systèmes d'IA.

Objectifs :

  • Identifier les services et fonctionnalités AWS pour sécuriser les systèmes d'IA (par exemple, rôles, politiques et autorisations IAM ; chiffrement ; Amazon Macie ; AWS PrivateLink ; modèle de responsabilité partagée d'AWS).
  • Comprendre le concept de citation de source et de documentation de l'origine des données (par exemple, lignage des données, catalogage des données, cartes des modèles SageMaker).
  • Décrire les meilleures pratiques pour l'ingénierie des données sécurisée (par exemple, évaluation de la qualité des données, mise en œuvre de technologies améliorant la vie privée, contrôle de l'accès aux données, intégrité des données).
  • Comprendre les considérations de sécurité et de confidentialité pour les systèmes d'IA (par exemple, sécurité des applications, détection des menaces, gestion des vulnérabilités, protection des infrastructures, injection d'invites, chiffrement au repos et en transit).

Énoncé de tâche 5.2 : Reconnaître la gouvernance et les réglementations de conformité pour les systèmes d'IA.

Objectifs :

  • Identifier les normes de conformité réglementaire pour les systèmes d'IA (par exemple, Organisation internationale de normalisation [ISO], System and Organization Controls [SOC], lois sur la responsabilité des algorithmes).
  • Identifier les services et fonctionnalités AWS pour aider à la conformité en matière de gouvernance et de réglementation (par exemple, AWS Config, Amazon Inspector, AWS Audit Manager, AWS Artifact, AWS CloudTrail, AWS Trusted Advisor).
  • Décrire les stratégies de gouvernance des données (par exemple, cycles de vie des données, journalisation, résidence, surveillance, observation, rétention).
  • Décrire les processus à suivre pour les protocoles de gouvernance (par exemple, politiques, cadence d'examen, stratégies d'examen, cadres de gouvernance comme la matrice de délimitation de la sécurité de l'IA générative, normes de transparence, exigences de formation des équipes).

Annexe

Services et fonctionnalités AWS dans le champ d'application

La liste suivante contient les services et fonctionnalités AWS qui sont dans le champ d'application de l'examen. Cette liste n'est pas exhaustive et est sujette à modification. Les offres AWS apparaissent dans des catégories qui correspondent à leurs principales fonctions :

Analytique :

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

Gestion des coûts dans le cloud :

  • AWS Budgets
  • AWS Cost Explorer

Calcul :

  • Amazon EC2

Conteneurs :

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

Base de données :

  • Amazon DocumentDB (compatible avec MongoDB)
  • Amazon DynamoDB
  • Amazon ElastiCache
  • Amazon MemoryDB
  • Amazon Neptune
  • Amazon RDS

Machine Learning :

  • 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

Gestion et gouvernance :

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

Mise en réseau et distribution de contenu :

  • Amazon CloudFront
  • Amazon VPC

Sécurité, identité et conformité :

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

Stockage :

  • Amazon S3
  • Amazon S3 Glacier

Services et fonctionnalités AWS hors du champ d'application

La liste suivante contient les services et fonctionnalités AWS qui sont hors du champ d'application de l'examen. Cette liste n'est pas exhaustive et est sujette à modification. Les offres AWS qui n'ont aucun rapport avec les rôles cibles de l'emploi pour l'examen sont exclues de cette liste :

Analytique :

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

Intégration d'applications :

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

Applications d'entreprise :

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

Gestion des coûts dans le cloud :

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

Calcul :

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

Conteneurs :

  • Red Hat OpenShift Service on AWS (ROSA)

Habilitation des clients :

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

Base de données :

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

Outils de développement :

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

Informatique de fin d'utilisateur :

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

Web frontal et mobile :

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

Internet des objets (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

Machine Learning :

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

Gestion et gouvernance :

  • 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

Multimédia :

  • 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

Migration et transfert :

  • 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

Mise en réseau et distribution de contenu :

  • 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)

Sécurité, identité et conformité :

  • 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

Stockage :

  • AWS Backup
  • AWS Elastic Disaster Recovery

Enquête

Quelle utilité a eu ce guide d'examen pour vous ? Faites-nous savoir en répondant à notre enquête.