CC
📚 その他の学習教材を探す:
📋認定概要📝チートシート📚レビュアー✅模擬試験

\u516C\u5F0F AIF-C01 \u8A66\u9A13\u30AC\u30A4\u30C9

\u8A66\u9A13\u5F62\u5F0F\u3001\u30C9\u30E1\u30A4\u30F3\u3001\u6E96\u5099\u306E\u30D2\u30F3\u30C8

AWS Certified AI 実践者 (AIF-C01) 試験ガイド

バージョン 1.4 AIF-C01

はじめに

AWS Certified AI 実践者 (AIF-C01) 試験は、AI/ML、ジェネラティブ AI テクノロジー、および関連するAWSサービスとツールの全体的な知識を効果的に実証できる個人を対象としています。

この試験では、以下のタスクを完了する候補者の能力も検証します:

  • AI、ML、ジェネラティブ AI の概念、手法、戦略を一般的およびAWS上で理解する。
  • 自分の組織内で関連する質問をするために、AI/MLおよびジェネラティブ AI テクノロジーの適切な使用を理解する。
  • 特定のユースケースに適用するAI/ML テクノロジーのタイプを判断する。
  • AI、ML、ジェネラティブ AI テクノロジーを責任を持って使用する。

対象候補者の説明

対象候補者は、AWSでのAI/ML テクノロジーに最大6ヶ月間触れた経験を持っている必要があります。対象候補者はAWSでのAI/ML ソリューションを構築するのではなく、使用します。

推奨されるAWSの知識

対象候補者は以下のAWSの知識を持っている必要があります:

  • Amazon EC2、Amazon S3、AWS Lambda、Amazon SageMakerなどのコアAWSサービスとそのユースケースに精通していること
  • AWSクラウドのセキュリティとコンプライアンスに関するAWSの共有責任モデルに精通していること
  • AWSリソースへのアクセスを保護および制御するAWS Identity and Access Management (IAM)に精通していること
  • AWSリージョン、アベイラビリティーゾーン、エッジロケーションなどのAWSグローバルインフラストラクチャの概念に精通していること
  • AWSサービスの料金モデルに精通していること

対象候補者の範囲外のタスク

以下のリストには、対象候補者が実行できると予想されないタスクが含まれています。このリストは網羅的ではありません。これらのタスクは試験の範囲外です:

  • AI/MLモデルまたはアルゴリズムの開発または コーディング
  • データエンジニアリングまたはフィーチャーエンジニアリングの手法の実装
  • ハイパーパラメータチューニングまたはモデル最適化の実行
  • AI/MLパイプラインまたはインフラストラクチャの構築と展開
  • AI/MLモデルの数学的または統計的分析の実行
  • AI/MLシステムのセキュリティまたはコンプライアンスプロトコルの実装
  • AI/MLソリューションのガバナンスフレームワークおよびポリシーの開発と実装

付録の一覧には、試験の範囲内のAWSサービスと機能、および範囲外のAWSサービスと機能が記載されています。

試験内容

問題タイプ

試験には以下の問題タイプが含まれています:

  • 多肢選択: 1つの正解と3つの誤答 (ディストラクタ) があります。
  • 複数選択: 5つ以上の回答オプションから2つ以上の正解があります。正解すべてを選択する必要があります。
  • 並べ替え: 3〜5つの回答から指定されたタスクを完了する順序を選択する必要があります。
  • マッチング: 3〜7つのプロンプトのリストに対応する回答のリストがあります。すべてのペアを正しくマッチさせる必要があります。
  • ケーススタディ: 1つのシナリオと、そのシナリオについての2つ以上の質問があります。ケーススタディ内の各質問は個別に評価されます。ケーススタディ内の各質問に正解すると得点が得られます。

未回答の質問は不正解とされ、推測に対するペナルティはありません。試験には得点の対象となる50問の質問が含まれています。

未採点の内容

試験には得点の対象とならない15問の質問が含まれています。これらの未採点の質問は、将来の得点対象の質問として使用する可能性を評価するために収集されます。これらの未採点の質問は試験で識別されることはありません。

試験結果

AWS Certified AI 実践者 (AIF-C01) 試験は合格/不合格の判定です。この試験は、AWS専門家によってベストプラクティスおよびガイドラインに従って設定された最低基準に基づいて採点されます。

試験の結果は100〜1,000のスケール化された点数で報告されます。合格最低点は700点です。あなたの点数は全体的な試験のパフォーマンスと合格したかどうかを示します。スケール化された採点モデルは、難易度が異なる複数の試験フォームの点数を等しく換算するのに役立ちます。

スコアレポートには、各セクションのパフォーマンス分類が含まれている場合があります。この試験は代替的採点モデルを使用しているため、各セクションで合格点を取る必要はありません。全体の試験に合格すれば十分です。

各試験セクションには特定の重みがあるため、一部のセクションには他のセクションよりも多くの質問が含まれています。パフォーマンス分類のテーブルには、強みと弱みに関する一般的な情報が含まれています。セクションレベルのフィードバックを解釈する際は注意が必要です。

コンテンツアウトライン

このガイドには、試験の重み付け、コンテンツドメイン、タスクステートメントが含まれています。このガイドは、試験に含まれるすべてのコンテンツの包括的なリストを提供するものではありません。ただし、各タスクステートメントの追加情報は、試験の準備に役立ちます。

試験には以下のコンテンツドメインと重み付けがあります:

  • ドメイン1: AI およびMLの基礎 (得点対象コンテンツの20%)
  • ドメイン2: ジェネラティブ AIの基礎 (得点対象コンテンツの24%)
  • ドメイン3: ファウンデーションモデルの活用 (得点対象コンテンツの28%)
  • ドメイン4: 責任あるAIのためのガイドライン (得点対象コンテンツの14%)
  • ドメイン5: AI ソリューションのセキュリティ、コンプライアンス、ガバナンス (得点対象コンテンツの14%)

ドメイン1: AI およびMLの基礎

タスクステートメント1.1: AIの基本概念と用語を説明する。

目標:

  • AI、ML、ディープラーニング、ニューラルネットワーク、コンピュータービジョン、自然言語処理 (NLP)、モデル、アルゴリズム、トレーニングと推論、バイアス、公平性、適合度、大規模言語モデル (LLM) などの基本的なAI用語を定義する。
  • AI、ML、ディープラーニングの類似点と相違点を説明する。
  • バッチ、リアルタイムなどの推論の種類を説明する。
  • ラベル付きデータ、ラベルなしデータ、表形式、時系列、画像、テキスト、構造化データと非構造化データなどの各種AI モデルのデータの種類を説明する。
  • 教師あり学習、教師なし学習、強化学習について説明する。

タスクステートメント1.2: AIの実用的なユースケースを識別する。

目標:

  • AIおよびMLが価値をもたらすアプリケーションを認識する(例: 人間の意思決定を支援する、ソリューションの拡張性、自動化)。
  • AIおよびMLソリューションが適切でない状況を判断する(例: コストベネフィット分析、特定の結果が必要な状況ではなく予測が必要な場合)。
  • 特定のユースケースに適した機械学習手法を選択する(例: 回帰、分類、クラスタリング)。
  • 実世界のAIアプリケーションの例(例: コンピュータービジョン、NLP、音声認識、レコメンデーションシステム、不正検出、予測)を説明する。
  • AWS管理対象のAI/MLサービスの機能(例: SageMaker、Amazon Transcribe、Amazon Translate、Amazon Comprehend、Amazon Lex、Amazon Polly)を説明する。

タスクステートメント1.3: MLの開発ライフサイクルを説明する。

目標:

  • MLパイプラインのコンポーネント(例: データ収集、探索的データ分析 (EDA)、データ前処理、フィーチャーエンジニアリング、モデルトレーニング、ハイパーパラメータチューニング、評価、展開、モニタリング)を説明する。
  • モデルのソース(例: オープンソースの事前トレーニングモデル、カスタムモデルのトレーニング)を理解する。
  • 本番環境でモデルを使用する方法(例: 管理対象のAPIサービス、自己ホスティングのAPI)を説明する。
  • MLパイプラインの各段階で関連するAWSサービスと機能 (例: SageMaker、Amazon SageMaker Data Wrangler、Amazon SageMaker Feature Store、Amazon SageMaker Model Monitor) を識別する。
  • MLオペレーション (MLOps) の基本概念(例: 実験、反復可能なプロセス、スケーラブルなシステム、技術的負債の管理、本番稼働の準備、モデルの監視、モデルの再トレーニング)を理解する。
  • モデルの性能指標 (例: 精度、ROC曲線下面積 (AUC)、F1スコア) および事業指標 (例: ユーザーあたりのコスト、開発コスト、顧客フィードバック、投資収益率 (ROI)) を理解し、MLモデルを評価する。

ドメイン2: ジェネラティブ AIの基礎

タスクステートメント2.1: ジェネラティブ AIの基本概念を説明する。

目標:

  • ジェネラティブ AI の基本概念(例: トークン、チャンキング、エンベディング、ベクトル、プロンプトエンジニアリング、トランスフォーマーベースのLLM、ファウンデーションモデル、マルチモーダルモデル、拡散モデル)を理解する。
  • ジェネラティブ AI モデルの潜在的なユースケース(例: 画像、ビデオ、音声の生成、要約、チャットボット、翻訳、コード生成、顧客サービスエージェント、検索、レコメンデーションエンジン)を特定する。
  • ファウンデーションモデルのライフサイクル(例: データ選択、モデル選択、事前トレーニング、ファインチューニング、評価、展開、フィードバック)を説明する。

タスクステートメント2.2: ビジネス上の問題を解決するジェネラティブ AIの機能と制限を理解する。

目標:

  • ジェネラティブ AI の利点(例: 適応性、応答性、簡素さ)を説明する。
  • ジェネラティブ AI ソリューションの欠点(例: 幻覚、解釈可能性、不正確さ、非決定論)を識別する。
  • 適切なジェネラティブ AI モデルを選択する際の要因(例: モデルの種類、パフォーマンス要件、機能、制約、コンプライアンス)を理解する。
  • ジェネラティブ AI アプリケーションのビジネス価値と指標(例: クロスドメインパフォーマンス、効率性、コンバージョン率、ユーザーあたりの平均売上高、精度、顧客生涯価値)を判断する。

タスクステートメント2.3: ジェネラティブ AI アプリケーションを構築するためのAWSインフラストラクチャとテクノロジーを説明する。

目標:

  • ジェネラティブ AI アプリケーションの開発に役立つAWSサービスと機能(例: Amazon SageMaker JumpStart、Amazon Bedrock、PartyRock (Amazon Bedrock Playground)、Amazon Q) を特定する。
  • AWSジェネラティブ AI サービスを使ってアプリケーションを構築する利点(例: 利用しやすさ、参入障壁の低さ、効率性、コスト効率、スピード、ビジネス目標への適合性)を説明する。
  • ジェネラティブ AI アプリケーションのためのAWSインフラストラクチャの利点(例: セキュリティ、コンプライアンス、責任、安全性)