Guide d'examen AWS Certified Machine Learning Engineer - Associate (MLA-C01)

Introduction

L'examen AWS Certified Machine Learning Engineer - Associate (MLA-C01) valide la capacité d'un candidat à construire, opérationnaliser, déployer et maintenir des solutions et des pipelines d'apprentissage automatique (ML) à l'aide du cloud AWS.

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

Ingérer, transformer, valider et préparer des données pour la modélisation ML.
Sélectionner des approches de modélisation générales, entraîner des modèles, ajuster les hyperparamètres, analyser les performances des modèles et gérer les versions des modèles.
Choisir l'infrastructure de déploiement et les points de terminaison, provisionner les ressources de calcul et configurer la mise à l'échelle automatique en fonction des exigences.
Mettre en place des pipelines d'intégration et de livraison continues (CI/CD) pour automatiser l'orchestration des workflows ML.
Surveiller les modèles, les données et l'infrastructure pour détecter les problèmes.
Sécuriser les systèmes et les ressources ML à l'aide de contrôles d'accès, de fonctionnalités de conformité et de meilleures pratiques.

Description du candidat cible

Le candidat cible devrait avoir au moins 1 an d'expérience dans l'utilisation d'Amazon SageMaker et d'autres services AWS pour l'ingénierie ML. Le candidat cible devrait également avoir au moins 1 an d'expérience dans un rôle connexe, comme un développeur logiciel principal, un développeur DevOps, un ingénieur de données ou un scientifique des données.

Connaissances générales en informatique recommandées

Le candidat cible devrait avoir les connaissances générales en informatique suivantes :

Compréhension de base des algorithmes d'apprentissage automatique communs et de leurs cas d'utilisation
Principes fondamentaux de l'ingénierie des données, notamment la connaissance des formats de données courants, de l'ingestion et de la transformation pour travailler avec des pipelines de données ML
Connaissance de l'interrogation et de la transformation des données
Connaissance des meilleures pratiques en génie logiciel pour le développement, le déploiement et le débogage de code modulaire et réutilisable
Familiarité avec la mise en service et la surveillance des ressources ML cloud et sur site
Expérience avec les pipelines CI/CD et l'infrastructure as code (IaC)
Expérience avec les dépôts de code pour le contrôle de version et les pipelines CI/CD

Connaissances AWS recommandées

Le candidat cible devrait avoir les connaissances AWS suivantes :

Connaissance des capacités et des algorithmes de SageMaker pour la construction et le déploiement de modèles
Connaissance des services de stockage et de traitement des données AWS pour préparer les données à la modélisation
Familiarité avec le déploiement d'applications et d'infrastructures sur AWS
Connaissance des outils de surveillance pour la journalisation et le dépannage des systèmes ML
Connaissance des services AWS pour l'automatisation et l'orchestration des pipelines CI/CD
Compréhension des meilleures pratiques de sécurité AWS pour la gestion des identités et des accès, le chiffrement et la protection des données

Tâches qui sont hors du champ d'application du candidat cible

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

Conception et architecture de solutions ML de bout en bout
Mise en place de meilleures pratiques et orientation des stratégies ML
Gestion de l'intégration avec un large éventail de services ou de nouveaux outils et technologies
Travail approfondi dans deux domaines ML ou plus (par exemple, le traitement du langage naturel [NLP], la vision par ordinateur)
Quantification des modèles et analyse de l'impact sur la précision

Reportez-vous à l'annexe pour obtenir la 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).
Réponses multiples : a deux réponses correctes ou plus parmi cinq réponses possibles 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 pour une tâche spécifiée. Vous devez sélectionner les réponses correctes et les placer dans le bon ordre pour obtenir le crédit pour la question.
Correspondance : 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 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 dans l'examen sont notées comme incorrectes. Il n'y a pas de pénalité pour deviner. L'examen comporte 50 questions qui affectent votre score.¹

Contenu non noté

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

¹ Ne s'applique pas à la version bêta de l'examen. Vous pouvez trouver plus d'informations sur les examens bêta en général sur le site Web de la certification AWS.

Résultats de l'examen

L'examen AWS Certified Machine Learning Engineer - Associate (MLA-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 lignes directrices de l'industrie de la certification.

Vos résultats pour l'examen sont signalés sous la forme d'un score normalisé de 100 à 1 000. Le score de passage minimum est de 720. Votre score indique vos performances sur l'ensemble de l'examen et si vous avez réussi. Les modèles de notation normalisés contribuent à équilibrer les scores entre les multiples formulaires d'examen qui peuvent avoir des niveaux de difficulté légèrement différents.

Votre relevé de notes peut 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 seulement l'examen dans son ensemble.

Chaque section de l'examen a une pondération spécifique, de sorte que certaines sections ont plus de questions que d'autres. Le tableau des classifications contient des informations générales qui mettent en évidence vos forces et vos faiblesses. Soyez prudent lors de l'interprétation des commentaires au niveau de la section.

Plan de contenu

Ce guide d'examen inclut 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 les pondérations suivants :

Domaine 1 : Préparation des données pour l'apprentissage automatique (ML) (28 % du contenu noté)
Domaine 2 : Développement de modèles ML (26 % du contenu noté)
Domaine 3 : Déploiement et orchestration des workflows ML (22 % du contenu noté)
Domaine 4 : Surveillance, maintenance et sécurité des solutions ML (24 % du contenu noté)

Domaine 1 : Préparation des données pour l'apprentissage automatique (ML)

Énoncé de tâche 1.1 : Ingérer et stocker des données.

Énoncé de tâche 1.2 : Transformer les données et effectuer l'ingénierie des caractéristiques.

Énoncé de tâche 1.3 : Assurer l'intégrité des données et préparer les données pour la modélisation.

Domaine 2 : Développement de modèles ML

Énoncé de tâche 2.1 : Choisir une approche de modélisation.

Énoncé de tâche 2.2 : Entraîner et affiner les modèles.

Énoncé de tâche 2.3 : Analyser les performances du modèle.

Domaine 3 : Déploiement et orchestration des workflows ML

Énoncé de tâche 3.1 : Sélectionner l'infrastructure de déploiement en fonction de l'architecture existante et des exigences.

Énoncé de tâche 3.2 : Créer et mettre en œuvre l'infrastructure en fonction de l'architecture existante et des exigences.

Énoncé de tâche 3.3 : Utiliser des outils d'orchestration automatisés pour mettre en place des pipelines d'intégration continue et de livraison continue (CI/CD).

Domaine 4 : Surveillance, maintenance et sécurité des solutions ML

Énoncé de tâche 4.1 : Surveiller l'inférence du modèle.

Énoncé de tâche 4.2 : Surveiller et optimiser l'infrastructure et les coûts.

Énoncé de tâche 4.3 : Sécuriser les ressources AWS.

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 changement. Les offres AWS apparaissent dans des catégories alignées sur les fonctions principales des offres :

Analytique :

Amazon Athena
Amazon Data Firehose
Amazon EMR
AWS Glue
AWS Glue DataBrew
AWS Glue Data Quality
Amazon Kinesis
AWS Lake Formation
Amazon Managed Service for Apache Flink
Amazon OpenSearch Service
Amazon QuickSight
Amazon Redshift

Intégration d'applications :

Amazon EventBridge
Amazon Managed Workflows for Apache Airflow (Amazon MWAA)
Amazon Simple Notification Service (Amazon SNS)
Amazon Simple Queue Service (Amazon SQS)
AWS Step Functions

Gestion financière du cloud :

AWS Billing and Cost Management
AWS Budgets
AWS Cost Explorer

Calcul :

AWS Batch
Amazon EC2
AWS Lambda
AWS Serverless Application Repository

Conteneurs :

Amazon Elastic Container Registry (Amazon ECR)
Amazon Elastic Container Service (Amazon ECS)
Amazon Elastic Kubernetes Service (Amazon EKS)

Base de données :

Amazon DocumentDB (with MongoDB compatibility)
Amazon DynamoDB
Amazon ElastiCache
Amazon Neptune
Amazon RDS

Outils de développement :

AWS Cloud Development Kit (AWS CDK)
AWS CodeArtifact
AWS CodeBuild
AWS CodeDeploy
AWS CodePipeline
AWS X-Ray

Apprentissage automatique :

Amazon Augmented AI (Amazon A2I)
Amazon Bedrock
Amazon CodeGuru
Amazon Comprehend
Amazon Comprehend Medical
Amazon DevOps Guru
Amazon Fraud Detector
AWS HealthLake
Amazon Kendra
Amazon Lex
Amazon Lookout for Equipment
Amazon Lookout for Metrics
Amazon Lookout for Vision
Amazon Mechanical Turk
Amazon Personalize
Amazon Polly
Amazon Q
Amazon Rekognition
Amazon SageMaker
Amazon Textract
Amazon Transcribe
Amazon Translate

Gestion et gouvernance :

AWS Auto Scaling
AWS Chatbot
AWS CloudFormation
AWS CloudTrail
Amazon CloudWatch
Amazon CloudWatch Logs
AWS Compute Optimizer
AWS Config
AWS Organizations
AWS Service Catalog
AWS Systems Manager
AWS Trusted Advisor

Média :

Amazon Kinesis Video Streams

Migration et transfert :

AWS DataSync

Mise en réseau et distribution de contenu :

Amazon API Gateway
Amazon CloudFront
AWS Direct Connect
Amazon VPC

Sécurité, identité et conformité :

AWS Identity and Access Management (IAM)
AWS Key Management Service (AWS KMS)
Amazon Macie
AWS Secrets Manager

Stockage :

Amazon Elastic Block Store (Amazon EBS)
Amazon Elastic File System (Amazon EFS)
Amazon FSx
Amazon S3
Amazon S3 Glacier
AWS Storage Gateway

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 changement. Les offres AWS qui sont totalement sans rapport avec les rôles cibles de l'examen sont exclues de cette liste :