CC
📚 更多学习材料:
📋认证概述📝速查表📚复习✅练习测试

官方 AIF-C01 考试指南

考试格式、领域和准备技巧

AWS Certified AI Practitioner (AIF-C01) 考试指南

版本 1.4 AIF-C01

简介

AWS Certified AI Practitioner (AIF-C01) 考试针对能够有效展示 AI/ML、生成式 AI 技术以及相关 AWS 服务和工具的整体知识的个人,而不局限于特定的工作角色。

该考试还验证了候选人完成以下任务的能力:

  • 了解 AI、ML 和生成式 AI 的概念、方法和策略,包括在 AWS 上的相关知识。
  • 了解在候选人所在组织内使用 AI/ML 和生成式 AI 技术来提出相关问题的适当方式。
  • 确定应用于特定用例的正确 AI/ML 技术类型。
  • 负责任地使用 AI、ML 和生成式 AI 技术。

目标候选人描述

目标候选人应该具有长达 6 个月的 AWS 上 AI/ML 技术的使用经验。目标候选人使用但不一定构建 AWS 上的 AI/ML 解决方案。

推荐的 AWS 知识

目标候选人应具备以下 AWS 知识:

  • 熟悉核心 AWS 服务(例如, Amazon EC2、Amazon S3、AWS Lambda 和 Amazon SageMaker)及其使用场景
  • 熟悉 AWS 共享责任模型,以确保 AWS 云中的安全性和合规性
  • 熟悉 AWS Identity and Access Management (IAM),了解如何保护和控制对 AWS 资源的访问
  • 熟悉 AWS 全球基础设施,包括 AWS 区域、可用区和边缘位置的概念
  • 熟悉 AWS 服务定价模型

目标候选人范围之外的工作任务

以下列表包含目标候选人不太可能执行的工作任务。此列表并非详尽无遗。这些任务不在考试范围内:

  • 开发或编码 AI/ML 模型或算法
  • 实现数据工程或特征工程技术
  • 执行超参数调优或模型优化
  • 构建和部署 AI/ML 管道或基础设施
  • 进行 AI/ML 模型的数学或统计分析
  • 实施 AI/ML 系统的安全性或合规性协议
  • 为 AI/ML 解决方案开发和实施治理框架和政策

请参阅附录,了解范围内 AWS 服务和功能以及范围外 AWS 服务和功能的列表。

考试内容

题型

考试包含以下一种或多种题型:

  • 单项选择题:有一个正确答案和三个错误答案(干扰项)。
  • 多项选择题:从五个或更多选项中有两个或更多正确答案。要获得题目的分数,必须选择所有正确答案。
  • 排序题:有一个 3-5 个响应的列表,要完成一项指定的任务。必须选择正确的响应并将其放置在正确的顺序中,才能获得题目的分数。
  • 匹配题:有一个要与 3-7 个提示列表进行匹配的响应列表。必须正确匹配所有配对,才能获得题目的分数。
  • 案例分析:有一个场景和针对该场景的两个或更多问题。每个案例分析中的问题都会单独进行评估。您将获得每个正确回答的分数。

未作答的题目会被计为错误;没有猜测惩罚。考试包括 50 个影响您分数的问题。

非评分内容

考试包括 15 个不影响您分数的非评分题目。AWS 收集有关这些非评分题目表现的信息,以评估这些题目在未来作为评分题目的使用情况。这些非评分题目在考试中未予标识。

考试结果

AWS Certified AI Practitioner (AIF-C01) 考试采用通过/不通过制。考试根据 AWS 专业人士遵循认证行业最佳实践和准则而建立的最低标准进行评分。

您的考试成绩以 100-1,000 的标准化分数形式报告。及格分数为 700 分。您的分数反映了您在整个考试中的表现以及您是否通过。标准化评分模型有助于在可能具有略有不同难度级别的多个考试形式之间进行分数等同。

您的成绩报告可能包含对每个部分的性能分类表。考试采用补偿性评分模型,这意味着您无需在每个部分中获得及格分数。您只需通过整个考试即可。

考试的每个部分都有特定的权重,因此某些部分的题目数量多于其他部分。分类表包含突出您优势和劣势的一般信息。在解释部分级别的反馈时要谨慎。

内容大纲

本考试指南包括考试的权重、内容领域和任务陈述。本指南并未提供考试内容的全面列表。但是,有关每个任务陈述的其他上下文信息可帮助您为考试做准备。

考试包含以下内容域和权重:

  • 领域 1: AI 和 ML 的基础知识 (20% 的评分内容)
  • 领域 2: 生成式 AI 的基础知识 (24% 的评分内容)
  • 领域 3: 基础模型的应用 (28% 的评分内容)
  • 领域 4: 负责任的 AI 准则 (14% 的评分内容)
  • 领域 5: AI 解决方案的安全性、合规性和治理 (14% 的评分内容)

领域 1: AI 和 ML 的基础知识

任务陈述 1.1: 解释 AI 基本概念和术语。

目标:

  • 定义基本的 AI 术语(例如,AI、ML、深度学习、神经网络、计算机视觉、自然语言处理 [NLP]、模型、算法、训练和推理、偏差、公平性、拟合、大语言模型 [LLM])。
  • 描述 AI、ML 和深度学习之间的相似点和差异。
  • 描述各种类型的推理(例如,批量、实时)。
  • 描述 AI 模型中不同类型的数据(例如,有标签和无标签、表格、时间序列、图像、文本、结构化和非结构化)。
  • 描述监督学习、无监督学习和强化学习。

任务陈述 1.2: 识别 AI 的实际应用场景。

目标:

  • 识别 AI/ML 可以提供价值的应用(例如,辅助人类决策、解决方案可扩展性、自动化)。
  • 确定何时 AI/ML 解决方案不合适(例如,成本收益分析、需要特定结果而非预测的情况)。
  • 为特定用例选择合适的 ML 技术(例如,回归、分类、聚类)。
  • 识别真实世界 AI 应用的示例(例如,计算机视觉、NLP、语音识别、推荐系统、欺诈检测、预测)。
  • 解释 AWS 托管 AI/ML 服务的功能(例如 SageMaker、Amazon Transcribe、Amazon Translate、Amazon Comprehend、Amazon Lex、Amazon Polly)。

任务陈述 1.3: 描述 ML 开发生命周期。

目标:

  • 描述 ML 管道的组件(例如,数据收集、探索性数据分析 [EDA]、数据预处理、特征工程、模型训练、超参数调优、评估、部署、监控)。
  • 了解 ML 模型的来源(例如,开源预训练模型、训练自定义模型)。
  • 描述在生产环境中使用模型的方法(例如,托管 API 服务、自托管 API)。
  • 确定 ML 管道各阶段的相关 AWS 服务和功能(例如 SageMaker、Amazon SageMaker Data Wrangler、Amazon SageMaker Feature Store、Amazon SageMaker Model Monitor)。
  • 了解 ML 运营(MLOps)的基本概念(例如,实验、可重复流程、可扩展系统、管理技术债务、实现生产就绪、模型监控、模型重新训练)。
  • 了解评估 ML 模型的性能指标(例如,准确性、ROC 曲线下面积 [AUC]、F1 分数)和业务指标(例如,每用户成本、开发成本、客户反馈、投资回报率 [ROI])。

领域 2: 生成式 AI 的基础知识

任务陈述 2.1: 解释生成式 AI 的基本概念。

目标:

  • 了解生成式 AI 的基础概念(例如,令牌、分块、嵌入、向量、提示工程、基于变换器的 LLM、基础模型、多模态模型、扩散模型)。
  • 确定生成式 AI 模型的潜在用例(例如,图像、视频和音频生成;摘要;聊天机器人;翻译;代码生成;客户服务代理;搜索;推荐引擎)。
  • 描述基础模型生命周期(例如,数据选择、模型选择、预训练、微调、评估、部署、反馈)。

任务陈述 2.2: 了解生成式 AI 解决业务问题的功能和局限性。

目标:

  • 描述生成式 AI 的优势(例如,适应性、响应性、简单性)。
  • 识别生成式 AI 解决方案的缺点(例如,虚构、可解释性、不准确性、不确定性)。
  • 了解选择适当生成式 AI 模型的各种因素(例如,模型类型、性能要求、功能、约束、合规性)。
  • 确定生成式 AI 应用的业务价值和指标(例如,跨领域性能、效率、转化率、每用户平均收入、准确性、客户终身价值)。

任务陈述 2.3: 描述用于构建生成式 AI 应用的 AWS 基础设施和技术。

目标:

  • 识别用于开发生成式 AI 应用的 AWS 服务和功能(例如,Amazon SageMaker JumpStart;Amazon Bedrock;PartyRock,一个 Amazon Bedrock Playground;Amazon Q)。
  • 描述使用 AWS 生成式 AI 服务构建应用程序的优势(例如,易访问性、较低的参入门槛、效率、成本效益、快速上市、满足业务目标的能力)。
  • 了解 AWS 基础设施为生成式 AI 应用程序提供的好处(例如,安全性、合规性、责任、安全性)。
  • 了解 AWS 生成式 AI 服务的成本权衡(例如,响应性、可用性、冗余性、性能、区域覆盖范围、基于令牌的定价、预置吞吐量、自定义模型)。

领域 3: 基础模型的应用

任务陈述 3.1: 描述使用基础模型的应用程序的设计注意事项。

目标:

  • 确定选择预训练模型的标准(例如,成本、模态、延迟、多语种、模型大小、模型复杂性、定制、输入/输出长度)。
  • 了解推理参数对模型响应的影响(例如,温度、输入/输出长度)。
  • 定义检索增强生成(RAG)并描述其业务应用(例如,Amazon Bedrock、知识库)。
  • 识别帮助在矢量数据库中存储嵌入的 AWS 服务(例如,Amazon OpenSearch Service、Amazon Aurora、Amazon Neptune、Amazon DocumentDB [与 MongoDB 兼容]、Amazon RDS for PostgreSQL)。
  • 解释各种基础模型定制方法的成本权衡(例如,预训练、微调、上下文学习、RAG)。
  • 了解代理在多步任务中的作用(例如,Amazon Bedrock 中的代理)。

任务陈述 3.2: 选择有效的提示工程技术。

目标:

  • 描述提示工程的概念和构造(例如,上下文、指令、负面提示、模型潜在空间)。
  • 了解提示工程技术(例如,思维链、零样本、单样本、少样本、提示模板)。
  • 了解提示工程的好处和最佳实践(例如,提高响应质量、试验、保护措施、发现、特定性和简洁性、使用多个注释)。
  • 定义提示工程的潜在风险和局限性(例如,暴露、中毒、绑架、逃脱)。

任务陈述 3.3: 描述基础模型的训练和微调过程。

目标:

  • 描述训练基础模型的关键要素(例如,预训练、微调、连续预训练)。
  • 定义微调基础模型的方法(例如,指令调优、为特定领域调整模型、迁移学习、连续预训练)。
  • 描述如何准备数据来微调基础模型(例如,数据策划、治理、大小、标记、代表性、人工反馈强化学习 [RLHF])。

任务陈述 3.4: 描述评估基础模型性能的方法。

目标:

  • 了解评估基础模型性能的方法(例如,人工评估、基准数据集)。
  • 识别评估基础模型性能的相关指标(例如,Recall-Oriented Understudy for Gisting Evaluation [ROUGE]、Bilingual Evaluation Understudy [BLEU]、BERTScore)。
  • 确定基础模型是否有效满足业务目标(例如,生产力、用户参与度、任务工程)。

领域 4: 负责任的 AI 准则

任务陈述 4.1: 解释开发负责任 AI 系统的方法。

目标:

  • 识别负责任 AI 的特征(例如,偏差、公平性、包容性、稳健性、安全性、真实性)。
  • 了解如何使用工具识别负责任 AI 的特征(例如,Amazon Bedrock 的保护措施)。
  • 了解负责任地选择模型的做法(例如,环境考虑因素、可持续性)。
  • 识别使用生成式 AI 的法律风险(例如,侵犯知识产权的索赔、偏差模型输出、失去客户信任、最终用户风险、虚构)。
  • 识别数据集的特征(例如,包容性、多样性、策划数据源、平衡数据集)。
  • 了解偏差和方差的影响(例如,对人口统计群体的影响、不准确性、过度拟合、欠拟合)。
  • 描述检测和监控偏差、可信度和真实性的工具(例如,分析标签质量、人工审核、子群分析、Amazon SageMaker Clarify、SageMaker Model Monitor、Amazon Augmented AI [Amazon A2I])。

任务陈述 4.2: 认识透明和可解释模型的重要性。

目标:

  • 了解可透明和可解释的模型与不可透明和不可解释的模型之间的差异。
  • 了解识别透明和可解释模型的工具(例如,Amazon SageMaker Model Cards、开源模型、数据、许可)。
  • 识别模型安全性和透明性之间的权衡(例如,衡量可解释性和性能)。
  • 了解针对可解释 AI 的人机协同设计原则。

领域 5: AI 解决方案的安全性、合规性和治理

任务陈述 5.1: 解释保护 AI 系统的方法。

目标:

  • 识别用于保护 AI 系统的 AWS 服务和功能(例如,IAM 角色、策略和权限;加密;Amazon Macie;AWS PrivateLink;AWS 共享责任模型)。
  • 了解引用来源和记录数据来源的概念(例如,数据血缘、数据目录、SageMaker Model Cards)。
  • 描述安全的数据工程最佳实践(例如,评估数据质量、实施隐私增强型技术、数据访问控制、数据完整性)。
  • 了解 AI 系统的安全性和隐私注意事项(例如,应用程序安全性、威胁检测、漏洞管理、基础设施保护、提示注入、静态和传输中的加密)。

任务陈述 5.2: 认识 AI 系统的治理和合规法规。

目标:

  • 识别 AI 系统的监管合规标准(例如,国际标准组织 [ISO]、System and Organization Controls [SOC]、算法问责制法律)。
  • 识别 AWS 服务和功能,以协助治理和合规性法规遵守(例如,AWS Config、Amazon Inspector、AWS Audit Manager、AWS Artifact、AWS CloudTrail、AWS Trusted Advisor)。
  • 描述数据治理策略(例如,数据生命周期、日志记录、居留权、监控、观察、保留)。
  • 描述遵循治理协议的过程(例如,政策、审查周期、审查策略、治理框架,如生成式 AI 安全范围矩阵、透明度标准、团队培训要求)。

附录

范围内的 AWS 服务和功能

以下列表包含考试范围内的 AWS 服务和功能。此列表并非详尽无遗,可能会发生变化。AWS 产品按照它们的主要功能进行分类:

分析:

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

云财务管理:

  • AWS Budgets
  • AWS Cost Explorer

计算:

  • Amazon EC2

容器:

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

数据库:

  • Amazon DocumentDB (与 MongoDB 兼容)
  • Amazon DynamoDB
  • Amazon ElastiCache
  • Amazon MemoryDB
  • Amazon Neptune
  • Amazon RDS

机器学习:

  • 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

管理和治理:

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

网络和内容传递:

  • Amazon CloudFront
  • Amazon VPC

安全性、身份和合规性:

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

存储:

  • Amazon S3
  • Amazon S3 Glacier

范围外的 AWS 服务和功能

以下列表包含考试范围外的 AWS 服务和功能。此列表并非详尽无遗,可能会发生变化。与目标工作角色无关的 AWS 产品已从此列表中排除:

分析:

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

应用程序集成:

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

商业应用程序:

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

云财务管理:

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

计算:

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

容器:

  • Red Hat OpenShift Service on AWS (ROSA)

客户启用:

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

数据库:

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

开发者工具:

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

终端用户计算:

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

物联网 (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

机器学习:

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

管理和治理:

  • 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

媒体:

  • 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

迁移和转移:

  • 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

网络和内容传递:

  • 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)

安全性、身份和合规性:

  • 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

存储:

  • AWS Backup
  • AWS Elastic Disaster Recovery

调查

本考试指南对您有多大帮助?通过 参加我们的调查让我们知道。