AWS Certified AI Practitioner
1.4 AIF-C01
• 领域 1： AI 和 ML 基础知识（计分内容的 20%）
• 领域 2： 生成式人工智能基础知识（计分内容的 24%）
• 领域 3： 基础模型的应用（计分内容的 28%）
• 领域 4： 负责任 AI 准则（计分内容的 14%）
• 领域 5： AI 解决方案的安全性、合规性和监管（计分内容的 14%）
任务表述 1.1： 解释基本 AI 概念和术语。
目标：
• 定义基本 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、偏见、公平性、拟合、大型语言
模型 [LLM]）。
• 描述 AI、ML 和深度学习之间的相似之处和不同之处。
• 描述各种类型的推理（例如，批量推理、实时推理）。
• 描述 AI 模型中不同类型的数据（例如，已标记数据和未标记数据、表格数据、
时间序列数据、图像数据、文本数据、结构化数据和非结构化数据）。
• 描述有监督学习、无监督学习和强化学习。
任务表述 1.2： 确定 AI 的实际使用案例。
目标：
• 了解 AI/ML 可发挥价值的应用（例如，辅助人类决策、解决方案可扩展性、
自动化）。
• 确定何时不适合应用 AI/ML 解决方案（例如，成本效益分析、需要特定结果
而不是预测的情况）。
• 为特定使用案例选择适当的 ML 技术（例如，回归、分类、聚类）。
• 确定真实世界的 AI 应用示例（例如，计算机视觉、自然语言处理、语音识别、
推荐系统、欺诈侦测、预测）。
• 解释 AWS 托管式 AI/ML 服务（例如 SageMaker、Amazon Transcribe、
Amazon Translate、Amazon Comprehend、Amazon Lex、Amazon Polly）
的功能。
任务表述 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、超参数优化、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，托管式 API 服务、自托管 API）。
• 确定 ML 管道每个阶段的相关 AWS 服务和功能（例如，SageMaker、Amazon
SageMaker Data Wrangler、Amazon SageMaker 特征存放区、Amazon
SageMaker 模型监控器）。
• 了解机器学习运维 (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、模型再训练）。
• 了解模型性能指标（例如，准确率、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 [ROI]），
以评估 ML 模型。
任务表述 2.1： 解释生成式人工智能的基本概念。
目标：
• 理解生成式人工智能基础概念（例如，词元、分块、嵌入、向量、提示工程、
基于转换器的 LLM、基础模型、多模态模型、扩散模型）。
• 确定生成式人工智能模型的潜在使用案例（例如，图像、视频和音频生成；
摘要；聊天机器人；翻译；代码生成；客户服务座席；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）。
任务表述 2.2： 了解生成式人工智能解决业务问题的能力和局限性。
目标：
• 描述生成式人工智能的优势（例如，适应性、响应性、简单性）。
• 确定生成式人工智能解决方案的缺点（例如，幻觉、可解释性、不准确、
不确定性）。
• 了解选择合适的生成式人工智能模型时需考虑的各种因素（例如，模型类型、
性能要求、能力、限制、合规性）。
• 确定生成式人工智能应用程序的商业价值和指标（例如，跨领域性能、效率、
转化率、每用户平均收入、准确率、客户生命周期价值）。
任务表述 2.3： 描述用于构建生成式人工智能应用程序的 AWS 基础设施和技术。
目标：
• 确定用于开发生成式人工智能应用程序的 AWS 服务和功能（例如，Amazon
SageMaker JumpStart；Amazon Bedrock；PartyRock [Amazon Bedrock
实验田]；Amazon Q）。
• 描述使用 AWS 生成式人工智能服务构建应用程序的优势（例如，可访问性、
门槛较低、效率、成本效益、产品上市速度、实现业务目标的能力）。
• 了解 AWS 基础设施对生成式人工智能应用程序的益处（例如，安全性、
合规性、负责任）。
• 了解 AWS 生成式人工智能服务的成本权衡（例如，响应能力、可用性、
冗余、性能、区域覆盖范围、基于词元的定价、预置吞吐量、自定义模型）。
任务表述 3.1： 描述设计使用基础模型的应用程序时有哪些注意事项。
目标：
• 确定选择预训练模型的标准（例如，成本、模态、延迟、多语言、模型大小、
模型复杂性、自定义、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) 并描述其在业务中的应用（例如，Amazon Bedrock、
知识库）。
• 确定有助于在向量数据库中存储嵌入的 AWS 服务（例如，Amazon
OpenSearch Service、Amazon Aurora、Amazon Neptune、Amazon
DocumentDB [兼容 MongoDB]、Amazon RDS for PostgreSQL）。
• 解释各种基础模型自定义方法（例如，预训练、微调、上下文学习、RAG）的
成本权衡。
• 了解代理在多步骤任务中的作用（例如，Agents for Amazon Bedrock）。
任务表述 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结构（例如，上下文、指令、否定提示、模型潜在
空间）。
• 了解提示工程方法（例如，思维链、零样本、单样本、少量样本、提示
模板）。
• 了解提示工程的益处和最佳实践（例如，响应质量改进、实验、防护机制、
发现、特异性和简洁性，使用多条注释）。
• 定义提示工程的潜在风险和局限性（例如，暴露、投毒、劫持、越狱）。
任务表述 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、持续预训练）。
• 定义微调基础模型的方法（例如，指令优化、针对特定领域调整模型、迁移
学习、持续预训练）。
• 描述如何准备数据以微调基础模型（例如，数据策管、监管、调整大小、
标记、代表性、人类反馈强化学习 [RLHF]）。
任务表述 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）。
• 确定评估基础模型性能的相关指标（例如，用于摘要和机器翻译评估的查全率
导向研究 [ROUGE]、双语评估替换 [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）。
任务表述 4.1： 解释负责任 AI 系统的开发。
目标：
• 确定负责任 AI 的特征（例如，偏见、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 的防护
机制）。
• 了解选择模型的负责任做法（例如，环境考量、可持续性、道德责任）。
• 确定使用生成式人工智能的法律风险（例如，知识产权侵权索赔、存在偏见的
模型输出、失去客户信任、终端用户风险、幻觉）。
• 确定数据集的特征（例如，包容性、多样性、数据来源经策管、数据集
平衡）。
• 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、过拟合、
欠拟合）。
• 描述检测和监控偏见、可信度和真实性的工具（例如，分析标记质量、人工
审核、亚组分析、Amazon SageMaker Clarify、SageMaker 模型监控器、
Amazon Augmented AI [Amazon A2I]）。
任务表述 4.2： 了解模型透明且可解释的重要性。
目标：
• 了解透明且可解释的模型与不透明且不可解释的模型之间的区别。
• 了解用于识别透明且可解释的模型的工具（例如，Amazon SageMaker Model
Cards、开源模型、数据、许可）。
• 确定模型安全性和透明度之间的权衡（例如，衡量可解释性和性能）。
• 了解为实现可解释 AI 而应遵循的以人为本的设计原则。
任务表述 5.1： 解释保护 AI 系统的方法。
目标：
• 确定用于保护 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 责任共担模式）。
• 了解来源引用和记录数据来源的概念（例如，数据沿袭、数据编目、
SageMaker Model Cards）。
• 描述安全数据工程的最佳实践（例如，评估数据质量、实施隐私增强技术、
数据访问控制、数据完整性）。
• 了解 AI 系统的安全和隐私注意事项（例如，应用程序安全、威胁检测、漏洞
管理、基础设施保护、提示注入、静态加密和传输中加密）。
任务表述 5.2： 了解适用于 AI 系统的监管和合规性法规。
目标：
• 确定 AI 系统的监管合规标准（例如，国际标准化组织 [ISO]、System and
Organization Controls [SOC]、算法问责法律）。
• 确定有助于监管和法规合规的 AWS 服务和功能（例如，AWS Config、
Amazon Inspector、AWS Audit Manager、AWS Artifact、AWS CloudTrail、
AWS Trusted Advisor）。
• 描述数据监管策略（例如，数据生命周期、日志记录、驻留、监控、观察、
保留）。
• 描述遵循监管协议的流程（例如，政策、评审间隔、评审策略、生成式人工
智能安全责任范围界定矩阵等监管框架、透明度标准、团队培训要求）。