CC
📚 Mais Materiais:
📋Visão Geral da Certificação📝Folha de Consulta📚Revisor✅Testes Práticos

Guia oficial do exame AIF-C01

Formato do exame, dom\u00EDnios e dicas de prepara\u00E7\u00E3o

Guia de Exame AWS Certified AI Practitioner (AIF-C01)

Versão 1.4 AIF-C01

Introdução

O exame AWS Certified AI Practitioner (AIF-C01) destina-se a indivíduos que podem demonstrar efetivamente conhecimento geral de IA/ML, tecnologias de IA generativa e serviços e ferramentas associadas da AWS, independentemente de uma função específica.

O exame também valida a capacidade de um candidato de completar as seguintes tarefas:

  • Entender os conceitos, métodos e estratégias de IA, ML e IA generativa em geral e na AWS.
  • Entender o uso apropriado de tecnologias de IA/ML e IA generativa para fazer perguntas relevantes dentro da organização do candidato.
  • Determinar os tipos corretos de tecnologias de IA/ML a serem aplicadas a casos de uso específicos.
  • Usar tecnologias de IA, ML e IA generativa de forma responsável.

Descrição do Candidato-Alvo

O candidato-alvo deve ter até 6 meses de exposição a tecnologias de IA/ML na AWS. O candidato-alvo usa, mas não necessariamente constrói, soluções de IA/ML na AWS.

Conhecimento Recomendado da AWS

O candidato-alvo deve ter o seguinte conhecimento da AWS:

  • Familiaridade com os serviços essenciais da AWS (por exemplo, Amazon EC2, Amazon S3, AWS Lambda e Amazon SageMaker) e casos de uso dos serviços essenciais da AWS
  • Familiaridade com o modelo de responsabilidade compartilhada da AWS para segurança e conformidade na Nuvem AWS
  • Familiaridade com o AWS Identity and Access Management (IAM) para proteger e controlar o acesso aos recursos da AWS
  • Familiaridade com a infraestrutura global da AWS, incluindo os conceitos de Regiões da AWS, Zonas de Disponibilidade e locais de borda
  • Familiaridade com os modelos de preços de serviços da AWS

Tarefas de Trabalho que Estão Fora do Escopo do Candidato-Alvo

A lista a seguir contém tarefas de trabalho que o candidato-alvo não se espera que possa realizar. Esta lista não é exaustiva. Essas tarefas estão fora do escopo do exame:

  • Desenvolver ou codificar modelos ou algoritmos de IA/ML
  • Implementar técnicas de engenharia de dados ou recursos
  • Realizar sintonização de hiperparâmetros ou otimização de modelos
  • Construir e implantar pipelines ou infraestrutura de IA/ML
  • Realizar análise matemática ou estatística de modelos de IA/ML
  • Implementar protocolos de segurança ou conformidade para sistemas de IA/ML
  • Desenvolver e implementar estruturas e políticas de governança para soluções de IA/ML

Consulte o Apêndice para obter uma lista de serviços e recursos da AWS dentro do escopo e uma lista de serviços e recursos da AWS fora do escopo.

Conteúdo do Exame

Tipos de Questões

O exame contém um ou mais dos seguintes tipos de questões:

  • Múltipla escolha: Tem uma resposta correta e três respostas incorretas (distratores).
  • Múltipla resposta: Possui duas ou mais respostas corretas entre cinco ou mais opções de resposta. Você deve selecionar todas as respostas corretas para receber crédito pela questão.
  • Ordenação: Tem uma lista de 3 a 5 respostas para concluir uma tarefa específica. Você deve selecionar as respostas corretas e colocá-las na ordem correta para receber crédito pela questão.
  • Correspondência: Tem uma lista de respostas para corresponder a uma lista de 3 a 7 prompts. Você deve fazer a correspondência correta de todos os pares para receber crédito pela questão.
  • Estudo de caso: Tem um cenário com duas ou mais questões sobre o cenário. O cenário é o mesmo para cada questão no estudo de caso. Cada questão no estudo de caso será avaliada separadamente. Você receberá crédito por cada questão que responder corretamente no estudo de caso.

Questões não respondidas são pontuadas como incorretas; não há penalidade por chutar. O exame inclui 50 questões que afetam sua pontuação.

Conteúdo Não Pontuado

O exame inclui 15 questões não pontuadas que não afetam sua pontuação. A AWS coleta informações sobre o desempenho dessas questões não pontuadas para avaliar essas questões para uso futuro como questões pontuadas. Essas questões não pontuadas não são identificadas no exame.

Resultados do Exame

O exame AWS Certified AI Practitioner (AIF-C01) tem uma designação de aprovação ou reprovação. O exame é pontuado em relação a um padrão mínimo estabelecido por profissionais da AWS que seguem as melhores práticas e diretrizes da indústria de certificação.

Seus resultados para o exame são relatados como uma pontuação padronizada de 100 a 1.000. A pontuação mínima de aprovação é 700. Sua pontuação mostra como você se saiu no exame como um todo e se você foi aprovado. Modelos de pontuação padronizados ajudam a equalizar as pontuações entre várias formas de exame que podem ter níveis de dificuldade ligeiramente diferentes.

Seu relatório de resultados pode conter uma tabela de classificações de seu desempenho em cada nível de seção. O exame usa um modelo de pontuação compensatório, o que significa que você não precisa alcançar uma pontuação de aprovação em cada seção. Você precisa ser aprovado apenas no exame geral.

Cada seção do exame tem uma ponderação específica, portanto, algumas seções têm mais questões do que outras. A tabela de classificações contém informações gerais que destacam seus pontos fortes e fracos. Use cautela ao interpretar o feedback no nível da seção.

Estrutura de Conteúdo

Este guia de exame inclui pesos, domínios de conteúdo e declarações de tarefas para o exame. Este guia não fornece uma lista abrangente do conteúdo do exame. No entanto, contexto adicional para cada declaração de tarefa está disponível para ajudá-lo a se preparar para o exame.

O exame tem os seguintes domínios de conteúdo e pesos:

  • Domínio 1: Fundamentos de IA e ML (20% do conteúdo pontuado)
  • Domínio 2: Fundamentos de IA Generativa (24% do conteúdo pontuado)
  • Domínio 3: Aplicações de Modelos de Fundação (28% do conteúdo pontuado)
  • Domínio 4: Diretrizes para IA Responsável (14% do conteúdo pontuado)
  • Domínio 5: Segurança, Conformidade e Governança para Soluções de IA (14% do conteúdo pontuado)

Domínio 1: Fundamentos de IA e ML

Declaração de Tarefa 1.1: Explicar conceitos e terminologias básicos de IA.

Objetivos:

  • Definir termos básicos de IA (por exemplo, IA, ML, deep learning, redes neurais, visão computacional, processamento de linguagem natural [NLP], modelo, algoritmo, treinamento e inferência, viés, justiça, ajuste, modelo de linguagem de larga escala [LLM]).
  • Descrever as semelhanças e diferenças entre IA, ML e deep learning.
  • Descrever vários tipos de inferência (por exemplo, em lote, em tempo real).
  • Descrever os diferentes tipos de dados em modelos de IA (por exemplo, rotulados e não rotulados, tabulares, de série temporal, imagem, texto, estruturados e não estruturados).
  • Descrever aprendizado supervisionado, aprendizado não supervisionado e aprendizado por reforço.

Declaração de Tarefa 1.2: Identificar casos de uso práticos para IA.

Objetivos:

  • Reconhecer aplicações onde IA/ML pode fornecer valor (por exemplo, auxiliar a tomada de decisões humanas, escalabilidade da solução, automação).
  • Determinar quando as soluções de IA/ML não são apropriadas (por exemplo, análises custo-benefício, situações em que um resultado específico é necessário em vez de uma previsão).
  • Selecionar as técnicas de ML apropriadas para casos de uso específicos (por exemplo, regressão, classificação, agrupamento).
  • Identificar exemplos de aplicações de IA do mundo real (por exemplo, visão computacional, NLP, reconhecimento de fala, sistemas de recomendação, detecção de fraudes, previsão).
  • Explicar as capacidades dos serviços gerenciados de IA/ML da AWS (por exemplo, SageMaker, Amazon Transcribe, Amazon Translate, Amazon Comprehend, Amazon Lex, Amazon Polly).

Declaração de Tarefa 1.3: Descrever o ciclo de vida de desenvolvimento de ML.

Objetivos:

  • Descrever os componentes de um pipeline de ML (por exemplo, coleta de dados, análise exploratória de dados [EDA], pré-processamento de dados, engenharia de recursos, treinamento de modelos, ajuste de hiperparâmetros, avaliação, implantação, monitoramento).
  • Entender as fontes de modelos de ML (por exemplo, modelos pré-treinados de código aberto, treinamento de modelos personalizados).
  • Descrever métodos para usar um modelo em produção (por exemplo, serviço de API gerenciado, API autohospedada).
  • Identificar os serviços e recursos relevantes da AWS para cada estágio de um pipeline de ML (por exemplo, SageMaker, Amazon SageMaker Data Wrangler, Amazon SageMaker Feature Store, Amazon SageMaker Model Monitor).
  • Entender os conceitos fundamentais de operações de ML (MLOps) (por exemplo, experimentação, processos repetíveis, sistemas escaláveis, gerenciamento da dívida técnica, alcançar a prontidão para produção, monitoramento de modelos, re-treinamento de modelos).
  • Entender métricas de desempenho de modelos (por exemplo, precisão, Área Sob a Curva ROC [AUC], pontuação F1) e métricas de negócios (por exemplo, custo por usuário, custos de desenvolvimento, feedback do cliente, retorno sobre o investimento [ROI]) para avaliar modelos de ML.

Domínio 2: Fundamentos de IA Generativa

Declaração de Tarefa 2.1: Explicar os conceitos básicos de IA generativa.

Objetivos:

  • Entender conceitos fundamentais de IA generativa (por exemplo, tokens, chunking, embeddings, vetores, engenharia de prompts, LLMs baseados em transformadores, modelos de fundação, modelos multimodais, modelos de difusão).
  • Identificar possíveis casos de uso para modelos de IA generativa (por exemplo, geração de imagens, vídeos e áudio; resumos; chatbots; tradução; geração de código; agentes de atendimento ao cliente; mecanismos de busca; sistemas de recomendação).
  • Descrever o ciclo de vida do modelo de fundação (por exemplo, seleção de dados, seleção de modelo, pré-treinamento, ajuste fino, avaliação, implantação, feedback).

Declaração de Tarefa 2.2: Entender as capacidades e limitações da IA generativa para resolver problemas de negócios.

Objetivos:

  • Descrever as vantagens da IA generativa (por exemplo, adaptabilidade, responsividade, simplicidade).
  • Identificar as desvantagens das soluções de IA generativa (por exemplo, alucinações, interpretabilidade, imprecisão, não determinismo).
  • Entender vários fatores para selecionar os modelos de IA generativa apropriados (por exemplo, tipos de modelos, requisitos de desempenho, capacidades, restrições, conformidade).
  • Determinar o valor de negócios e as métricas para aplicações de IA generativa (por exemplo, desempenho entre domínios, eficiência, taxa de conversão, receita média por usuário, precisão, valor vitalício do cliente).

Declaração de Tarefa 2.3: Descrever a infraestrutura e tecnologias da AWS para construir aplicações de IA generativa.

Objetivos:

  • Identificar os serviços e recursos da AWS para desenvolver aplicações de IA generativa (por exemplo, Amazon SageMaker JumpStart; Amazon Bedrock; PartyRock, um Playground do Amazon Bedrock; Amazon Q).
  • Descrever as vantagens de usar serviços de IA generativa da AWS para construir aplicações (por exemplo, acessibilidade, menor barreira de entrada, eficiência, custo-efetividade, velocidade de entrada no mercado, capacidade de atender aos objetivos de negócios).
  • Entender os benefícios da infraestrutura da AWS para aplicações de IA generativa (por exemplo, segurança, conformidade, responsabilidade, segurança).
  • Entender os trade-offs de custo dos serviços de IA generativa da AWS (por exemplo, responsividade, disponibilidade, redundância, desempenho, cobertura regional, precificação baseada em token, fornecimento de produtividade, modelos personalizados).

Domínio 3: Aplicações de Modelos de Fundação

Declaração de Tarefa 3.1: Descrever considerações de design para aplicações que usam modelos de fundação.

Objetivos:

  • Identificar critérios de seleção para escolher modelos pré-treinados (por exemplo, custo, modalidade, latência, multilingue, tamanho do modelo, complexidade do modelo, personalização, tamanho de entrada/saída).
  • Entender o efeito dos parâmetros de inferência nas respostas do modelo (por exemplo, temperatura, tamanho de entrada/saída).
  • Definir Geração Auxiliada por Recuperação (RAG) e descrever suas aplicações de negócios (por exemplo, Amazon Bedrock, base de conhecimento).
  • Identificar os serviços da AWS que ajudam a armazenar embeddings em bancos de dados de vetores (por exemplo, Amazon OpenSearch Service, Amazon Aurora, Amazon Neptune, Amazon DocumentDB [com compatibilidade com MongoDB], Amazon RDS para PostgreSQL).
  • Explicar os trade-offs de custo de várias abordagens para personalização de modelos de fundação (por exemplo, pré-treinamento, ajuste fino, aprendizado no contexto, RAG).
  • Entender o papel de agentes em tarefas de várias etapas (por exemplo, Agentes para Amazon Bedrock).

Declaração de Tarefa 3.2: Escolher técnicas eficazes de engenharia de prompts.

Objetivos:

  • Descrever os conceitos e construtos da engenharia de prompts (por exemplo, contexto, instrução, prompts negativos, espaço latente do modelo).
  • Entender as técnicas para engenharia de prompts (por exemplo, cadeia de pensamento, zero-shot, single-shot, few-shot, modelos de prompt).
  • Entender os benefícios e as melhores práticas para a engenharia de prompts (por exemplo, melhoria da qualidade da resposta, experimentação, salvaguardas, descoberta, especificidade e concisão, usando vários comentários).
  • Definir os possíveis riscos e limitações da engenharia de prompts (por exemplo, exposição, envenenamento, sequestro, quebra de prisão).

Declaração de Tarefa 3.3: Descrever o processo de treinamento e ajuste fino de modelos de fundação.

Objetivos:

  • Descrever os principais elementos do treinamento de um modelo de fundação (por exemplo, pré-treinamento, ajuste fino, pré-treinamento contínuo).
  • Definir métodos para ajuste fino de um modelo de fundação (por exemplo, ajuste de instrução, adaptação de modelos para domínios específicos, transferência de aprendizado, pré-treinamento contínuo).
  • Descrever como preparar dados para ajuste fino de um modelo de fundação (por exemplo, curadoria de dados, governança, tamanho, rotulagem, representatividade, aprendizado por reforço a partir do feedback humano [RLHF]).

Declaração de Tarefa 3.4: Descrever métodos para avaliar o desempenho de modelos de fundação.

Objetivos:

  • Entender abordagens para avaliar o desempenho de modelos de fundação (por exemplo, avaliação humana, conjuntos de dados de referência).
  • Identificar métricas relevantes para avaliar o desempenho de modelos de fundação (por exemplo, Recall-Oriented Understudy for Gisting Evaluation [ROUGE], Bilingual Evaluation Understudy [BLEU], BERTScore).
  • Determinar se um modelo de fundação atende efetivamente aos objetivos de negócios (por exemplo, produtividade, engajamento do usuário, engenharia de tarefas).

Domínio 4: Diretrizes para IA Responsável

Declaração de Tarefa 4.1: Explicar o desenvolvimento de sistemas de IA responsáveis.

Objetivos:

  • Identificar características da IA responsável (por exemplo, viés, justiça, inclusividade, robustez, segurança, veracidade).
  • Entender como usar ferramentas para identificar características da IA responsável (por exemplo, Guardrails for Amazon Bedrock).
  • Entender práticas responsáveis para selecionar um modelo (por exemplo, considerações ambientais, sustentabilidade).
  • Identificar riscos legais de trabalhar com IA generativa (por exemplo, reivindicações de violação de propriedade intelectual, saídas de modelo com viés, perda de confiança do cliente, risco do usuário final, alucinações).
  • Identificar características de conjuntos de dados (por exemplo, inclusividade, diversidade, fontes de dados curadas, conjuntos de dados balanceados).
  • Entender os efeitos de viés e variância (por exemplo, efeitos em grupos demográficos, imprecisão, superajuste, subajuste).
  • Descrever ferramentas para detectar e monitorar viés, confiabilidade e veracidade (por exemplo, analisando a qualidade do rótulo, auditorias humanas, análise de subgrupos, Amazon SageMaker Clarify, SageMaker Model Monitor, Amazon Augmented AI [Amazon A2I]).

Declaração de Tarefa 4.2: Reconhecer a importância de modelos transparentes e explicáveis.

Objetivos:

  • Entender as diferenças entre modelos que são transparentes e explicáveis e modelos que não são transparentes e explicáveis.
  • Entender as ferramentas para identificar modelos transparentes e explicáveis (por exemplo, Cartões de Modelos Amazon SageMaker, modelos de código aberto, dados, licenciamento).
  • Identificar trade-offs entre a segurança do modelo e a transparência (por exemplo, medir a interpretabilidade e o desempenho).
  • Entender os princípios de design centrado no ser humano para IA explicável.

Domínio 5: Segurança, Conformidade e Governança para Soluções de IA

Declaração de Tarefa 5.1: Explicar métodos para proteger sistemas de IA.

Objetivos:

  • Identificar os serviços e recursos da AWS para proteger sistemas de IA (por exemplo, funções, políticas e permissões do IAM; criptografia; Amazon Macie; AWS PrivateLink; modelo de responsabilidade compartilhada da AWS).
  • Entender o conceito de citação de origem e documentação das origens dos dados (por exemplo, linhagem de dados, catálogo de dados, Cartões de Modelos SageMaker).
  • Descrever as melhores práticas para engenharia de dados segura (por exemplo, avaliar a qualidade dos dados, implementar tecnologias de privacidade, controle de acesso a dados, integridade de dados).
  • Entender considerações de segurança e privacidade para sistemas de IA (por exemplo, segurança de aplicações, detecção de ameaças, gerenciamento de vulnerabilidades, proteção de infraestrutura, injeção de prompts, criptografia em repouso e em trânsito).

Declaração de Tarefa 5.2: Reconhecer regulamentos de governança e conformidade para sistemas de IA.

Objetivos:

  • Identificar normas de conformidade regulatória para sistemas de IA (por exemplo, International Organization for Standardization [ISO], System and Organization Controls [SOC], leis de responsabilização de algoritmos).
  • Identificar os serviços e recursos da AWS para auxiliar na conformidade com a governança e regulamentação (por exemplo, AWS Config, Amazon Inspector, AWS Audit Manager, AWS Artifact, AWS CloudTrail, AWS Trusted Advisor).
  • Descrever estratégias de governança de dados (por exemplo, ciclos de vida de dados, registro, residência, monitoramento, observação, retenção).
  • Descrever processos para seguir protocolos de governança (por exemplo, políticas, cadência de revisão, estratégias de revisão, estruturas de governança como a Generative AI Security Scoping Matrix, padrões de transparência, requisitos de treinamento da equipe).

Apêndice

Serviços e Recursos da AWS Dentro do Escopo

A lista a seguir contém serviços e recursos da AWS que estão no escopo do exame. Esta lista não é exaustiva e está sujeita a alterações. As ofertas da AWS aparecem em categorias que se alinham com as funções primárias das ofertas:

Análise:

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

Gestão de Custos na Nuvem:

  • AWS Budgets
  • AWS Cost Explorer

Computação:

  • Amazon EC2

Containers:

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

Banco de Dados:

  • Amazon DocumentDB (com compatibilidade com 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

Gerenciamento e Governança:

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

Rede e Entrega de Conteúdo:

  • Amazon CloudFront
  • Amazon VPC

Segurança, Identidade e Conformidade:

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

Armazenamento:

  • Amazon S3
  • Amazon S3 Glacier

Serviços e Recursos da AWS Fora do Escopo

A lista a seguir contém serviços e recursos da AWS que estão fora do escopo do exame. Esta lista não é exaustiva e está sujeita a alterações. As ofertas da AWS que são inteiramente irrelevantes para as funções-alvo do exame são excluídas desta lista:

Análise:

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

Integração de Aplicativos:

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

Aplicativos de Negócios:

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

Gestão de Custos na Nuvem:

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

Computação:

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

Containers:

  • Red Hat OpenShift Service on AWS (ROSA)

Habilitação do Cliente:

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

Banco de Dados:

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

Ferramentas de Desenvolvedor:

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

Computação de Usuário Final:

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

Web e Aplicativos Móveis:

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

Internet das Coisas (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

Gerenciamento e Governança:

  • 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

Mídia:

  • 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

Migração e Transferência:

  • 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

Rede e Entrega de Conteúdo:

  • 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)

Segurança, Identidade e Conformidade:

  • 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

Armazenamento:

  • AWS Backup
  • AWS Elastic Disaster Recovery

Pesquisa

Quão útil foi este guia de exame? Nos informe preenchendo nossa pesquisa.