AIAI Agent Dev Labaiagentdev-lab.com
登录以保存学习记录登录
菜单

STEP 1 · 学习

AIF-C01 学习AI 从业者（AI Practitioner）

按考试领域阅读要点，然后点击各领域末尾的“练习该领域”，只练习该领域的题目。比例越大的领域在正式考试中出题越多。

01

AI 和 ML 基础

Fundamentals of AI and ML

20%

学习目标

  • 能够说明 AI、机器学习、深度学习、生成式 AI、代理式 AI 之间的关系，以及训练与推理的区别
  • 能够把监督学习、无监督学习、强化学习以及回归、分类、聚类对应到业务问题上
  • 能够判断不适合使用 AI 的场景（需要可解释的固定答案、成本效益不划算等）
  • 能够说明 Comprehend、Transcribe、Translate、Lex、Polly、Rekognition、Textract 等托管 AI 服务，以及使用 SageMaker AI 的 ML 生命周期（数据准备→训练→评估→部署→监控）

要点

  • AI ⊃ 机器学习（从数据中学习模式）⊃ 深度学习（多层神经网络）。生成式 AI 根据学到的模式生成新的文本、图像等。代理式 AI 面向目标进行规划，一边使用工具一边自主推进工作。
  • 训练是从数据中创建模型，推理是用创建好的模型对新数据进行预测或生成。推理有实时、批量、异步、无服务器等方式。
  • 监督学习使用带正确标签的数据学习（回归＝预测数值，分类＝预测类别）。无监督学习在没有标签的情况下发现结构（聚类、异常检测）。强化学习通过反复试错学习使奖励最大化的行动。
  • 数据类型：有标签/无标签，表格、时间序列、图像、文本，结构化/非结构化。类型不同，使用的方法和服务也不同。
  • 不适合 AI 的场景：始终需要相同的固定答案（可以用规则计算）、出于问责要求需要基于规则、数据不足、成本效益不划算。
  • 托管 AI 服务：文本分析用 Comprehend，语音→文本用 Transcribe，翻译用 Translate，聊天机器人用 Lex，文本→语音用 Polly，图像和视频分析用 Rekognition，读取表单用 Textract，推荐用 Personalize。
  • ML 生命周期：定义问题→收集和准备数据→特征工程→训练与调优→评估→部署→监控（数据和模型漂移）。MLOps 是通过实验管理、可复现性和自动化持续运转这一过程的机制。
  • 评估指标：分类用准确率（accuracy）、精确率（precision）、召回率（recall）、F1 分数，回归用 RMSE 等。同时也要看业务指标（每用户成本、开发成本、客户反馈、ROI）。

工作中的应用场景

  • 销售根据过去的商谈数据（带标签）建立对成交可能性进行分类的模型，决定优先拜访的潜在客户。
  • 总务用 Transcribe 把咨询窗口的通话转成文字，用 Comprehend 对内容进行分类和情感分析，掌握常见问题。
  • 财务用 Textract 从发票 PDF 中读取金额、日期和交易方，自动登记到报销系统。可以用规则判断的审批由业务规则处理，而不是交给 AI。

考试评估项目（来自考试指南）

  • 1.1 AI の基本的な概念と用語を説明する。
  • 1.2 AI の実用的なユースケースを特定する。
  • 1.3 AI/ML 開発ライフサイクルについて説明する。

学习资源

详细学习（3 个主题，附小测验）→练习该领域（60 题）→下一个领域 ↓
02

生成式 AI 基础

Fundamentals of Generative AI

24%

学习目标

  • 能够说明令牌、分块、嵌入、向量、Transformer、LLM、基础模型（FM）、多模态和扩散模型
  • 能够说明 FM 生命周期、按令牌计费、上下文工程以及代理（多代理、MCP）的思路
  • 能够把生成式 AI 的优点（适应性、对话、生成）和缺点（幻觉、难以解释、非确定性）运用到业务判断中
  • 能够判断 Bedrock、SageMaker AI、JumpStart、Amazon Q、Amazon Quick、Kiro、Strands Agents 等 AWS 服务的适用场景，以及费用的权衡（按需、预置吞吐量、批量）

要点

  • 令牌是模型处理文本的单位，费用和输入输出的上限都按令牌数计算。分块是把长文档分成适合检索和处理的大小。
  • 嵌入（embedding）是把文本或图像的含义转换为数值向量。含义相近的内容向量也相近，用于语义搜索和 RAG。
  • LLM 是基于 Transformer 的大型语言模型。基础模型（FM）是在大量数据上预训练、可用于多种用途的通用模型。图像生成常用扩散模型。多模态可以处理文本、图像等多种类型的数据。
  • FM 生命周期：数据选择→模型选择→预训练→微调→评估→部署→反馈。大多数企业不做预训练，而是选择并使用现有的 FM。
  • 上下文工程：设计传给模型的信息（指令、参考文档、对话历史、工具结果）以提高回答质量。代理调用工具推进工作，MCP（Model Context Protocol）是连接代理与外部工具和数据的通用机制。
  • 缺点：幻觉（看似合理的错误）、相同输入输出也会变化（非确定性）、难以说明理由。必须准确的计算和判断交给规则或现有系统，并加入依据确认（RAG、人工审核）。
  • AWS 服务：Bedrock 是可以通过 API 使用多个 FM 的全托管服务（知识库、代理、防护机制）。SageMaker AI 和 JumpStart 用于模型的训练、定制和托管。Amazon Q Business 是基于公司内部数据的 AI 助手，Q Developer 和 Kiro 用于辅助开发，Strands Agents 是构建代理的开源 SDK。
  • 费用：按需只按使用的令牌数收费；预置吞吐量确保一定的处理能力（稳定的大量使用或使用自定义模型时需要）；批量推理以较低价格处理不需要即时完成的大量任务。还要比较模型大小、响应速度以及在区域中的提供情况。

工作中的应用场景

  • 销售用 Bedrock 根据商谈记录生成提案书草稿，由负责人确认数字和措辞后完成。客户名称等机密信息按公司规定处理。
  • 总务把公司规章接入 Amazon Q Business，员工提问“出差补贴是多少？”时，指出规章中的相关部分并回答。
  • 财务用生成式 AI 起草月度费用异常的说明文字，但金额计算和审批判断由会计系统的规则完成，不交给生成式 AI。

考试评估项目（来自考试指南）

  • 2.1 生成 AI (GenAI) の基本概念を説明する。
  • 2.2 ビジネス上の問題の解決に GenAI を使用する場合の可能性と制限を理解する。
  • 2.3 GenAI 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について説明する。

学习资源

详细学习（3 个主题，附小测验）→练习该领域（72 题）→下一个领域 ↓
03

基础模型的应用

Applications of Foundation Models

28%

学习目标

  • 能够根据费用、模态、响应速度、多语言、模型大小、输入输出长度等选择 FM，并说明温度等推理参数的效果
  • 能够说明 RAG（Bedrock 知识库）与向量数据库（OpenSearch、Aurora、Neptune、RDS for PostgreSQL、S3 Vectors 等）以及代理的适用场景
  • 能够区分使用零样本、少样本、思维链、提示模板、负面提示，并说明提示注入等风险
  • 能够说明预训练、微调、持续预训练、蒸馏、RAG、上下文学习的费用差异，以及 ROUGE、BLEU、BERTScore、LLM-as-a-judge、人工评估的区分使用

要点

  • 选择 FM 的方法：输入输出类型（文本、图像）、响应速度、对日语的支持、可输入长度（上下文窗口）、能否定制以及费用。模型越大不一定越好，适合用途的小模型有时更便宜更快。
  • 推理参数：降低温度（temperature）输出更稳定，提高则更多样、更有创造性。Top P 也用于调整多样性。最大令牌数决定输出长度的上限。
  • RAG 检索与问题相关的内部文档并加入提示，让模型基于这些内容回答。无需重新训练模型就能使用最新信息和内部信息，还能给出回答依据。Bedrock 知识库可以统一管理摄取、分块、嵌入和检索。
  • 定制的费用通常按以下顺序增加：提示工程（上下文学习）< RAG < 微调 < 持续预训练 < 从零预训练。蒸馏把大模型的知识转移到小模型，以降低推理费用和延迟。
  • 提示技巧：零样本（无示例）、单样本和少样本（给出示例）、思维链（让模型分步思考）、模板化。明确角色、上下文、指令和输出格式，希望避免的内容用负面提示说明。可以用 Bedrock 提示管理来管理版本。
  • 提示的风险：提示注入和劫持、越狱、机密信息泄露、数据投毒。通过防护机制和输入验证应对。
  • 微调使用带标签的数据（指令与回答的示例）使模型适应特定任务或领域。持续预训练使用无标签的领域文档补充知识。数据的质量、数量、代表性和治理决定结果。
  • 评估：摘要用 ROUGE，翻译用 BLEU，语义相近度用 BERTScore，让 LLM 打分的 LLM-as-a-judge，以及人工评估。Bedrock 模型评估支持自动评估和人工评估。也要用业务目标（任务完成率、满意度、每次交互的费用）进行评估。

工作中的应用场景

  • 总务把员工手册和操作手册导入 Bedrock 知识库，建立引用规章相关部分回答员工问题的内部服务台。
  • 销售把提案书摘要的提示模板化，指定输出格式（课题、方案、效果各 3 行）。调低温度，使每次的质量保持一致。
  • 财务在生成记账说明文字时，先尝试提示工程和 RAG，只有在仍与公司内部术语不符时才考虑微调。

考试评估项目（来自考试指南）

  • 3.1 基盤モデル (FM) を使用するアプリケーションの設計上の考慮事項を説明する。
  • 3.2 効果的なプロンプトエンジニアリング手法を選択する。
  • 3.3 FM のトレーニングとファインチューニングのプロセスを説明する。
  • 3.4 FM のパフォーマンスを評価する方法を説明する。

学习资源

详细学习（4 个主题，附小测验）→练习该领域（84 题）→下一个领域 ↓
04

负责任 AI 准则

Guidelines for Responsible AI

14%

学习目标

  • 能够说明负责任 AI 的要素（偏差、公平性、包容性、稳健性、安全性、准确性）以及 Bedrock 防护机制等工具
  • 能够说明生成式 AI 的法律风险（知识产权侵权、有偏差的输出、失去客户信任）以及数据集的特性（多样性、平衡、来源）
  • 能够说明偏差与方差、过拟合与欠拟合的影响，以及 SageMaker Clarify、人工审计、子群体分析等检测方法
  • 能够说明透明可解释的模型与不可解释的模型的区别、SageMaker Model Cards 等工具以及以人为本的设计原则

要点

  • 负责任 AI 的维度：公平性（不对特定群体不利）、可解释性、隐私与安全、安全性、可控性、准确性与稳健性、治理、透明度。
  • Bedrock 防护机制可以应用于应用的输入输出，拒绝有害内容、禁止特定话题、屏蔽个人信息、检测没有依据的回答（上下文依据检查）等。
  • 数据集：多样且无偏差的数据、来源清楚的数据、标签质量。特定群体的数据少时，对该群体的预测准确度会下降（偏差）。
  • 过拟合（方差大）符合训练数据，但对新数据预测失准。欠拟合（偏差大）连训练数据都不符合。通过正则化、增加数据、调整模型复杂度来应对。
  • SageMaker Clarify 测量训练前数据和训练后模型的偏差，并通过特征重要性（SHAP）帮助解释预测。还要结合人工审计和按子群体的分析。
  • 可解释性与性能有时存在权衡。决策树和线性模型易于解释，深度神经网络性能高但难以解释。根据用途对问责的要求来选择。
  • 用 SageMaker Model Cards 记录并共享模型的目的、训练数据、评估结果和限制事项。让用户知道这是 AI 的判断，并提供反馈机制（以人为本的设计）。
  • 法律风险：生成物侵犯他人著作权、有偏差的输出导致歧视、错误回答失去信任。通过使用条款、来源确认和人工审核进行管理。环境负荷（大模型训练和推理的电力）也是选择时的考虑因素。

工作中的应用场景

  • 总务在招聘的简历筛选中使用 AI 之前，用 Clarify 测量筛选结果在性别和年龄上的偏差，如有偏差就重新审视训练数据和特征。最终判断由人作出。
  • 销售在面向客户的聊天中设置 Bedrock 防护机制，限制话题，不诋毁竞争对手、不承诺价格，并屏蔽个人信息。
  • 财务在 Model Cards 中记录信用评估模型的目的、训练数据、评估结果和限制事项，以便在审计时进行说明。

考试评估项目（来自考试指南）

  • 4.1 責任ある AI システムの開発について説明する。
  • 4.2 透明性の高い説明可能なモデルの重要性を認識する。

学习资源

详细学习（2 个主题，附小测验）→练习该领域（42 题）→下一个领域 ↓
05

AI 解决方案的安全性、合规性和治理

Security, Compliance, and Governance for AI Solutions

14%

学习目标

  • 能够说明如何用 IAM 角色和策略、加密、Macie、PrivateLink 以及责任共担模型保护 AI 系统
  • 能够说明数据沿袭与目录、用 Model Cards 进行文档化以及保护隐私的数据工程
  • 能够说明幻觉的检测与依据（RAG、输出验证），以及对提示注入的对策
  • 能够说明 Config、Inspector、Artifact、CloudTrail、Trusted Advisor、Audit Manager，数据保留、数据驻留和日志的方针，以及生成式 AI 安全范围矩阵等框架

要点

  • 责任共担模型：AWS 负责云基础设施的安全，用户负责数据、访问权限、应用设置以及提示和输出的处理。托管程度越高的服务，AWS 负责的范围越大。
  • 在 Bedrock 中，输入的提示和输出不会用于改进基础模型，也不会与模型提供商共享（Bedrock 官方的安全与合规页面中有说明）。静态数据用 KMS 加密，传输中用 TLS 加密，并可通过 PrivateLink（VPC 终端节点）在不经过互联网的情况下调用。
  • 最小权限：用 IAM 策略限定可使用的模型和操作。用模型调用日志（CloudWatch Logs、S3）和 CloudTrail 记录谁在何时做了什么。
  • 用 Macie 检测训练数据或 RAG 文档中是否含有个人信息，必要时进行屏蔽或匿名化。数据访问管理用 Lake Formation，目录和沿袭用 Glue 数据目录等。
  • 幻觉对策：用 RAG 提供作为依据的文档（依据化）、让模型给出出处、防护机制的依据检查、输出验证、人工审核。
  • 治理服务：AWS Config（记录配置并评估合规性）、Inspector（漏洞）、Artifact（获取 AWS 第三方审计报告和合规文档）、CloudTrail（记录操作）、Trusted Advisor（建议事项）、Audit Manager（收集审计证据）。
  • 数据治理：保留期限与删除（生命周期）、存储的区域（数据驻留）、日志与监控、定期审查。用生成式 AI 安全范围矩阵，可以按使用形态（从使用现成应用到自行训练模型）整理所需的对策。

工作中的应用场景

  • 财务在使用财务文档的 RAG 中，通过 VPC 终端节点调用 Bedrock，知识库的数据用 KMS 密钥加密，并保存模型调用日志用于审计。
  • 总务制定公司内部的 AI 使用准则，用生成式 AI 安全范围矩阵按使用形态整理对策。审计时用 Artifact 获取 AWS 的认证报告。
  • 销售在把客户数据输入生成式 AI 之前，用 Macie 检测个人信息，只屏蔽必要的字段后使用。

考试评估项目（来自考试指南）

  • 5.1 AI システムを保護する方法を説明する。
  • 5.2 AI システムのガバナンスとコンプライアンス規制を認識する。

学习资源

详细学习（2 个主题，附小测验）→练习该领域（42 题）→挑战模拟考试 →

读完之后

练习全部领域（300 题）模拟考试（65 题 · 90 分钟）AIF-C01 首页
使用须知（非官方、原创题目、不保证合格）