CC
📚 Esplora Altri Materiali di Studio:
📋Panoramica della Certificazione📝Foglio di Consultazione📚Revisore✅Test Pratici

Guida ufficiale all'esame AIF-C01

Formato dell'esame, domini e suggerimenti per la preparazione

AWS Certified AI Practitioner (AIF-C01) Guida all'esame

Versione 1.4 AIF-C01

Introduzione

L'esame AWS Certified AI Practitioner (AIF-C01) è destinato agli individui che possono dimostrare efficacemente una conoscenza generale di AI/ML, tecnologie di intelligenza artificiale generativa e relativi servizi e strumenti AWS, indipendentemente da un ruolo specifico.

L'esame valida inoltre la capacità del candidato di svolgere i seguenti compiti:

  • Comprendere i concetti, i metodi e le strategie di AI, ML e intelligenza artificiale generativa in generale e su AWS.
  • Comprendere l'utilizzo appropriato di tecnologie di AI/ML e intelligenza artificiale generativa per porre domande rilevanti all'interno dell'organizzazione del candidato.
  • Determinare i tipi corretti di tecnologie di AI/ML da applicare a casi d'uso specifici.
  • Utilizzare in modo responsabile le tecnologie di AI, ML e intelligenza artificiale generativa.

Descrizione del candidato target

Il candidato target dovrebbe avere fino a 6 mesi di esperienza con le tecnologie di AI/ML su AWS. Il candidato target utilizza ma non necessariamente costruisce soluzioni di AI/ML su AWS.

Conoscenze AWS raccomandate

Il candidato target dovrebbe avere le seguenti conoscenze AWS:

  • Familiarità con i servizi AWS di base (ad esempio, Amazon EC2, Amazon S3, AWS Lambda e Amazon SageMaker) e i casi d'uso dei servizi AWS di base
  • Familiarità con il modello di responsabilità condivisa AWS per la sicurezza e la conformità nel cloud AWS
  • Familiarità con AWS Identity and Access Management (IAM) per la sicurezza e il controllo dell'accesso alle risorse AWS
  • Familiarità con l'infrastruttura globale AWS, inclusi i concetti di Regioni AWS, Zone di Disponibilità e posizioni edge
  • Familiarità con i modelli di tariffazione dei servizi AWS

Compiti lavorativi fuori ambito per il candidato target

L'elenco seguente contiene compiti lavorativi che il candidato target non è previsto possa svolgere. Questo elenco non è esaustivo. Questi compiti sono fuori ambito per l'esame:

  • Sviluppare o codificare modelli o algoritmi di AI/ML
  • Implementare tecniche di ingegneria dei dati o delle funzionalità
  • Eseguire il tuning degli iperparametri o l'ottimizzazione dei modelli
  • Costruire e distribuire pipeline o infrastrutture di AI/ML
  • Condurre analisi matematiche o statistiche dei modelli di AI/ML
  • Implementare protocolli di sicurezza o conformità per i sistemi di AI/ML
  • Sviluppare e implementare framework e policy di governance per soluzioni di AI/ML

Fare riferimento all'Appendice per un elenco dei servizi e delle funzionalità AWS in ambito e di quelli fuori ambito.

Contenuto dell'esame

Tipologie di domande

L'esame contiene una o più delle seguenti tipologie di domande:

  • Scelta multipla: Ha una risposta corretta e tre risposte non corrette (distrattori).
  • Risposta multipla: Ha due o più risposte corrette tra cinque o più opzioni di risposta. È necessario selezionare tutte le risposte corrette per ottenere il punteggio della domanda.
  • Ordinamento: Ha un elenco di 3-5 risposte da completare in un determinato ordine. È necessario selezionare le risposte corrette e posizionarle nell'ordine corretto per ottenere il punteggio della domanda.
  • Abbinamento: Ha un elenco di risposte da abbinare a un elenco di 3-7 prompt. È necessario abbinare correttamente tutte le coppie per ottenere il punteggio della domanda.
  • Studio di caso: Ha uno scenario con due o più domande sullo scenario. Lo scenario è lo stesso per ogni domanda nello studio di caso. Ogni domanda nello studio di caso verrà valutata separatamente. Si riceverà il punteggio per ogni domanda a cui si risponde correttamente nello studio di caso.

Le domande senza risposta vengono considerate errate; non c'è penalità per indovinare. L'esame include 50 domande che influiscono sul punteggio.

Contenuto non valutato

L'esame include 15 domande non valutate che non influiscono sul punteggio. AWS raccoglie informazioni sulle prestazioni di queste domande non valutate per valutarle per l'uso futuro come domande valutate. Queste domande non valutate non sono identificate nell'esame.

Risultati dell'esame

L'esame AWS Certified AI Practitioner (AIF-C01) ha una designazione di superato o non superato. L'esame viene valutato rispetto a uno standard minimo stabilito dai professionisti AWS che seguono le migliori pratiche e linee guida del settore della certificazione.

I risultati dell'esame vengono segnalati come punteggio in scala da 100 a 1.000. Il punteggio minimo per il superamento è 700. Il tuo punteggio mostra come ti sei comportato nell'esame nel suo complesso e se hai superato l'esame. I modelli di punteggio in scala aiutano a equiparare i punteggi tra più moduli d'esame che potrebbero avere livelli di difficoltà leggermente diversi.

Il tuo rapporto sui risultati potrebbe contenere una tabella di classificazioni delle tue prestazioni a livello di sezione. L'esame utilizza un modello di valutazione compensativa, il che significa che non è necessario raggiungere un punteggio di superamento in ogni sezione. È necessario superare solo l'esame complessivamente.

Ogni sezione dell'esame ha una ponderazione specifica, quindi alcune sezioni hanno più domande di altre. La tabella delle classificazioni contiene informazioni generali che evidenziano i tuoi punti di forza e di debolezza. Usa cautela nell'interpretare i feedback a livello di sezione.

Struttura dei contenuti

Questa guida all'esame include ponderazioni, domini di contenuto e dichiarazioni di compiti per l'esame. Questa guida non fornisce un elenco esaustivo dei contenuti dell'esame. Tuttavia, sono disponibili ulteriori contesti per ogni dichiarazione di compiti per aiutarti a prepararti per l'esame.

L'esame ha i seguenti domini di contenuto e ponderazioni:

  • Dominio 1: Fondamenti di AI e ML (20% del contenuto valutato)
  • Dominio 2: Fondamenti dell'intelligenza artificiale generativa (24% del contenuto valutato)
  • Dominio 3: Applicazioni dei modelli di base (28% del contenuto valutato)
  • Dominio 4: Linee guida per un'AI responsabile (14% del contenuto valutato)
  • Dominio 5: Sicurezza, conformità e governance per le soluzioni di AI (14% del contenuto valutato)

Dominio 1: Fondamenti di AI e ML

Dichiarazione di compito 1.1: Spiegare i concetti e la terminologia di base di AI.

Obiettivi:

  • Definire i termini di base di AI (ad esempio, AI, ML, deep learning, reti neurali, computer vision, natural language processing [NLP], modello, algoritmo, training e inferenza, bias, equità, adattamento, large language model [LLM]).
  • Descrivere le somiglianze e le differenze tra AI, ML e deep learning.
  • Descrivere vari tipi di inferenza (ad esempio, batch, real-time).
  • Descrivere i diversi tipi di dati nei modelli di AI (ad esempio, etichettati e non etichettati, tabulari, serie temporali, immagini, testo, strutturati e non strutturati).
  • Descrivere l'apprendimento supervisionato, non supervisionato e per rinforzo.

Dichiarazione di compito 1.2: Identificare casi d'uso pratici per l'AI.

Obiettivi:

  • Riconoscere le applicazioni in cui l'AI/ML può fornire valore (ad esempio, assistere il processo decisionale umano, scalabilità della soluzione, automazione).
  • Determinare quando le soluzioni di AI/ML non sono appropriate (ad esempio, analisi costi-benefici, situazioni in cui è necessario un risultato specifico anziché una previsione).
  • Selezionare le tecniche di ML appropriate per casi d'uso specifici (ad esempio, regressione, classificazione, clustering).
  • Identificare esempi di applicazioni di AI in situazioni reali (ad esempio, computer vision, NLP, riconoscimento vocale, sistemi di raccomandazione, rilevamento delle frodi, previsioni).
  • Spiegare le capacità dei servizi gestiti di AI/ML di AWS (ad esempio, SageMaker, Amazon Transcribe, Amazon Translate, Amazon Comprehend, Amazon Lex, Amazon Polly).

Dichiarazione di compito 1.3: Descrivere il ciclo di vita di sviluppo del ML.

Obiettivi:

  • Descrivere i componenti di una pipeline ML (ad esempio, raccolta dati, analisi esplorativa dei dati [EDA], pre-elaborazione dei dati, feature engineering, training del modello, ottimizzazione degli iperparametri, valutazione, distribuzione, monitoraggio).
  • Comprendere le fonti dei modelli ML (ad esempio, modelli pre-addestrati open source, training di modelli personalizzati).
  • Descrivere i metodi per utilizzare un modello in produzione (ad esempio, servizio API gestito, API self-hosted).
  • Identificare i servizi e le funzionalità AWS rilevanti per ogni fase di una pipeline ML (ad esempio, SageMaker, Amazon SageMaker Data Wrangler, Amazon SageMaker Feature Store, Amazon SageMaker Model Monitor).
  • Comprendere i concetti fondamentali di ML operations (MLOps) (ad esempio, sperimentazione, processi ripetibili, sistemi scalabili, gestione del debito tecnico, raggiungimento della preparazione alla produzione, monitoraggio del modello, ri-training del modello).
  • Comprendere le metriche di prestazione del modello (ad esempio, accuratezza, Area Under the ROC Curve [AUC], punteggio F1) e le metriche aziendali (ad esempio, costo per utente, costi di sviluppo, feedback dei clienti, ritorno sull'investimento [ROI]) per valutare i modelli ML.

Dominio 2: Fondamenti dell'intelligenza artificiale generativa

Dichiarazione di compito 2.1: Spiegare i concetti di base dell'intelligenza artificiale generativa.

Obiettivi:

  • Comprendere i concetti fondamentali dell'intelligenza artificiale generativa (ad esempio, token, chunking, embedding, vettori, prompt engineering, LLM basati su transformer, modelli di base, modelli multimodali, modelli di diffusione).
  • Identificare potenziali casi d'uso per i modelli di intelligenza artificiale generativa (ad esempio, generazione di immagini, video e audio; riassunto; chatbot; traduzione; generazione di codice; agenti di servizio clienti; ricerca; sistemi di raccomandazione).
  • Descrivere il ciclo di vita del modello di base (ad esempio, selezione dei dati, selezione del modello, pre-training, fine-tuning, valutazione, distribuzione, feedback).

Dichiarazione di compito 2.2: Comprendere le capacità e i limiti dell'intelligenza artificiale generativa per la risoluzione di problemi aziendali.

Obiettivi:

  • Descrivere i vantaggi dell'intelligenza artificiale generativa (ad esempio, adattabilità, reattività, semplicità).
  • Identificare gli svantaggi delle soluzioni di intelligenza artificiale generativa (ad esempio, allucinazioni, interpretabilità, imprecisione, non deterministicità).
  • Comprendere vari fattori per selezionare i modelli di intelligenza artificiale generativa appropriati (ad esempio, tipi di modelli, requisiti di prestazioni, capacità, vincoli, conformità).
  • Determinare il valore aziendale e le metriche per le applicazioni di intelligenza artificiale generativa (ad esempio, prestazioni cross-domain, efficienza, tasso di conversione, ricavo medio per utente, accuratezza, valore del ciclo di vita del cliente).

Dichiarazione di compito 2.3: Descrivere l'infrastruttura e le tecnologie AWS per costruire applicazioni di intelligenza artificiale generativa.

Obiettivi:

  • Identificare i servizi e le funzionalità AWS per sviluppare applicazioni di intelligenza artificiale generativa (ad esempio, Amazon SageMaker JumpStart; Amazon Bedrock; PartyRock, un'Amazon Bedrock Playground; Amazon Q).
  • Descrivere i vantaggi dell'utilizzo dei servizi di intelligenza artificiale generativa AWS per costruire applicazioni (ad esempio, accessibilità, barriera all'ingresso più bassa, efficienza, convenienza, velocità di commercializzazione, capacità di raggiungere gli obiettivi aziendali).
  • Comprendere i benefici dell'infrastruttura AWS per le applicazioni di intelligenza artificiale generativa (ad esempio, sicurezza, conformità, responsabilità, sicurezza).
  • Comprendere i trade-off di costo dei servizi di intelligenza artificiale generativa AWS (ad esempio, reattività, disponibilità, ridondanza, prestazioni, copertura regionale, tariffazione basata sui token, throughput di provisioning, modelli personalizzati).

Dominio 3: Applicazioni dei modelli di base

Dichiarazione di compito 3.1: Descrivere i fattori da considerare nella progettazione di applicazioni che utilizzano modelli di base.

Obiettivi:

  • Identificare i criteri di selezione per scegliere modelli pre-addestrati (ad esempio, costo, modalità, latenza, multilingue, dimensione del modello, complessità del modello, personalizzazione, lunghezza dell'input/output).
  • Comprendere l'effetto dei parametri di inferenza sulle risposte del modello (ad esempio, temperatura, lunghezza dell'input/output).
  • Definire Retrieval Augmented Generation (RAG) e descrivere le sue applicazioni aziendali (ad esempio, Amazon Bedrock, database della conoscenza).
  • Identificare i servizi AWS che aiutano a memorizzare gli embedding all'interno di database vettoriali (ad esempio, Amazon OpenSearch Service, Amazon Aurora, Amazon Neptune, Amazon DocumentDB [con compatibilità MongoDB], Amazon RDS per PostgreSQL).
  • Spiegare i trade-off di costo dei vari approcci alla personalizzazione dei modelli di base (ad esempio, pre-training, fine-tuning, apprendimento in-context, RAG).
  • Comprendere il ruolo degli agenti nei compiti multi-step (ad esempio, Agents for Amazon Bedrock).

Dichiarazione di compito 3.2: Scegliere tecniche efficaci di prompt engineering.

Obiettivi:

  • Descrivere i concetti e le costruzioni del prompt engineering (ad esempio, contesto, istruzione, prompt negativi, spazio latente del modello).
  • Comprendere le tecniche per il prompt engineering (ad esempio, chain-of-thought, zero-shot, single-shot, few-shot, modelli di prompt).
  • Comprendere i benefici e le best practice per il prompt engineering (ad esempio, miglioramento della qualità della risposta, sperimentazione, salvaguardie, scoperta, specificità e concisione, utilizzo di più commenti).
  • Definire i potenziali rischi e le limitazioni del prompt engineering (ad esempio, esposizione, avvelenamento, dirottamento, jailbreaking).

Dichiarazione di compito 3.3: Descrivere il processo di training e fine-tuning dei modelli di base.

Obiettivi:

  • Descrivere gli elementi chiave dell'addestramento di un modello di base (ad esempio, pre-training, fine-tuning, pre-training continuo).
  • Definire i metodi per il fine-tuning di un modello di base (ad esempio, instruction tuning, adattamento dei modelli per domini specifici, transfer learning, pre-training continuo).
  • Descrivere come preparare i dati per il fine-tuning di un modello di base (ad esempio, curazione dei dati, governance, dimensione, etichettatura, rappresentatività, rinforzo dell'apprendimento dal feedback umano [RLHF]).

Dichiarazione di compito 3.4: Descrivere i metodi per valutare le prestazioni dei modelli di base.

Obiettivi:

  • Comprendere gli approcci per valutare le prestazioni dei modelli di base (ad esempio, valutazione umana, dataset di benchmark).
  • Identificare le metriche rilevanti per valutare le prestazioni dei modelli di base (ad esempio, Recall-Oriented Understudy for Gisting Evaluation [ROUGE], Bilingual Evaluation Understudy [BLEU], BERTScore).
  • Determinare se un modello di base soddisfa efficacemente gli obiettivi aziendali (ad esempio, produttività, coinvolgimento degli utenti, progettazione dei task).

Dominio 4: Linee guida per un'AI responsabile

Dichiarazione di compito 4.1: Spiegare lo sviluppo di sistemi di AI responsabili.

Obiettivi:

  • Identificare le caratteristiche di un'AI responsabile (ad esempio, bias, equità, inclusività, robustezza, sicurezza, veridicità).
  • Comprendere come utilizzare gli strumenti per identificare le caratteristiche di un'AI responsabile (ad esempio, Guardrails for Amazon Bedrock).
  • Comprendere le pratiche responsabili per selezionare un modello (ad esempio, considerazioni ambientali, sostenibilità).
  • Identificare i rischi legali di lavorare con l'intelligenza artificiale generativa (ad esempio, richieste di violazione della proprietà intellettuale, output dei modelli con bias, perdita di fiducia dei clienti, rischio per gli utenti finali, allucinazioni).
  • Identificare le caratteristiche dei dataset (ad esempio, inclusività, diversità, fonti di dati curate, dataset bilanciati).
  • Comprendere gli effetti del bias e della varianza (ad esempio, effetti sui gruppi demografici, imprecisione, overfitting, underfitting).
  • Descrivere gli strumenti per rilevare e monitorare il bias, l'affidabilità e la veridicità (ad esempio, analisi della qualità delle etichette, audit umani, analisi dei sottogruppi, Amazon SageMaker Clarify, SageMaker Model Monitor, Amazon Augmented AI [Amazon A2I]).

Dichiarazione di compito 4.2: Riconoscere l'importanza di modelli trasparenti e spiegabili.

Obiettivi:

  • Comprendere le differenze tra modelli trasparenti e spiegabili e modelli non trasparenti e non spiegabili.
  • Comprendere gli strumenti per identificare modelli trasparenti e spiegabili (ad esempio, Amazon SageMaker Model Cards, modelli open source, dati, licenze).
  • Identificare i trade-off tra sicurezza del modello e trasparenza (ad esempio, misurare l'interpretabilità e le prestazioni).
  • Comprendere i principi del design incentrato sull'uomo per l'AI spiegabile.

Dominio 5: Sicurezza, conformità e governance per le soluzioni di AI

Dichiarazione di compito 5.1: Spiegare i metodi per proteggere i sistemi di AI.

Obiettivi:

  • Identificare i servizi e le funzionalità AWS per proteggere i sistemi di AI (ad esempio, ruoli IAM, policy e autorizzazioni; crittografia; Amazon Macie; AWS PrivateLink; modello di responsabilità condivisa AWS).
  • Comprendere il concetto di citazione della fonte e documentazione delle origini dei dati (ad esempio, data lineage, data cataloging, SageMaker Model Cards).
  • Descrivere le best practice per l'ingegneria dei dati sicura (ad esempio, valutazione della qualità dei dati, implementazione di tecnologie per la protezione della privacy, controllo dell'accesso ai dati, integrità dei dati).
  • Comprendere le considerazioni sulla sicurezza e la privacy per i sistemi di AI (ad esempio, sicurezza delle applicazioni, rilevamento delle minacce, gestione delle vulnerabilità, protezione dell'infrastruttura, prompt injection, crittografia a riposo e in transito).

Dichiarazione di compito 5.2: Riconoscere le normative sulla governance e la conformità per i sistemi di AI.

Obiettivi:

  • Identificare gli standard di conformità normativa per i sistemi di AI (ad esempio, Organizzazione Internazionale per la Standardizzazione [ISO], System and Organization Controls [SOC], leggi sulla responsabilità algoritmica).
  • Identificare i servizi e le funzionalità AWS per assistere con la governance e la conformità normativa (ad esempio, AWS Config, Amazon Inspector, AWS Audit Manager, AWS Artifact, AWS CloudTrail, AWS Trusted Advisor).
  • Descrivere le strategie di governance dei dati (ad esempio, cicli di vita dei dati, registrazione, residenza, monitoraggio, osservazione, conservazione).
  • Descrivere i processi da seguire per i protocolli di governance (ad esempio, policy, cadenza di revisione, strategie di revisione, framework di governance come la Generative AI Security Scoping Matrix, standard di trasparenza, requisiti di formazione del team).

Appendice

Servizi e funzionalità AWS in ambito

L'elenco seguente contiene i servizi e le funzionalità AWS che rientrano nell'ambito dell'esame. Questo elenco non è esaustivo ed è soggetto a modifiche. Le offerte AWS sono raggruppate in categorie che si allineano alle funzioni principali delle offerte:

Analisi:

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

Cloud Financial Management:

  • AWS Budgets
  • AWS Cost Explorer

Calcolo:

  • Amazon EC2

Container:

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

Database:

  • Amazon DocumentDB (con compatibilità 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

Management e Governance:

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

Networking e Content Delivery:

  • Amazon CloudFront
  • Amazon VPC

Sicurezza, Identità e Conformità:

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

Storage:

  • Amazon S3
  • Amazon S3 Glacier

Servizi e funzionalità AWS fuori ambito

L'elenco seguente contiene servizi e funzionalità AWS che sono fuori ambito per l'esame. Questo elenco non è esaustivo ed è soggetto a modifiche. Le offerte AWS che sono completamente non correlate ai ruoli lavorativi target per l'esame sono escluse da questo elenco:

Analisi:

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

Integrazione di applicazioni:

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

Applicazioni aziendali:

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

Cloud Financial Management:

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

Calcolo:

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

Container:

  • Red Hat OpenShift Service on AWS (ROSA)

Abilitazione del cliente:

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

Database:

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

Strumenti per sviluppatori:

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

End User Computing:

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

Frontend Web e Mobile:

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

Internet of Things (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

Management e Governance:

  • 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

Media:

  • 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

Migrazione e Trasferimento:

  • 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

Networking e Content Delivery:

  • 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)

Sicurezza, Identità e Conformità:

  • 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

Storage:

  • AWS Backup
  • AWS Elastic Disaster Recovery

Sondaggio

Quanto è stato utile questa guida all'esame? Facci sapere compilando il nostro sondaggio.