文章目录
- 一、AIF-C01简介
- 二、考试概览
- 三、考试知识点
- 3.1 AI 和 ML 基础知识
- 3.2 生成式人工智能基础
- 3.3 基础模型的应用
- 3.4 负责任 AI 准则
- 3.5 AI 解决方案的安全性、合规性和监管
- 四、备考课程
- 4.1 「备考训练营」 在线直播课
- 4.2 「SkillBuilder」学习课程
- 五、常见问题
- 六、参考链接
一、AIF-C01简介
AWS Certified AI Practitioner (AIF-C01) 考试面向能够有效地展示对 AI/ML、生成式人工智能技术以及相关 AWS 服务和工具整体知识的掌握情况的个人（与具体的工作职务无关）。
备注：在 2025 年 2 月 15 日之前获得此认证，可获得额外的 Early Adopter 数字徽章。
二、考试概览
| 类别 | 基础级 |
|---|---|
| 考试时长 | 90 分钟 |
| 考试题型 | 65 题 |
| 费用 | 100 USD。 访问考试定价了解其他费用信息，包括外汇汇率 |
| 预期应试者 | 熟悉 AWS 上的 AI/ML 技术的个人（不一定要使用这些技术构建解决方案） |
| 应试者角色示例 | 业务分析师、IT 支持、市场营销专业人员、产品或项目经理、业务线或 IT 经理、销售专业人员 |
| 考试选项 | Pearson VUE 考试中心或在线监考考试 |
| 提供的语言 | 英语、日语、韩语、葡萄牙语（巴西）和简体中文 |
三、考试知识点
3.1 AI 和 ML 基础知识
人工智能（AI）是指通过计算机系统模拟人类智能的技术。机器学习（ML）是AI的一个子领域，通过算法让系统从数据中学习，自动改进表现。深度学习是机器学习的一个子领域，使用神经网络模拟人类大脑来处理复杂的模式识别问题。神经网络是一种仿照生物大脑结构的算法，广泛应用于计算机视觉和自然语言处理（NLP）等领域。
AI中的“模型”是通过训练数据学习到的数学表达，而“算法”是实现模型学习的步骤。训练指模型通过已标记数据进行学习，而推理则是模型在新数据上的预测过程。推理分为批量推理（对多个数据点的离线推理）和实时推理（即时处理单个数据点）。
AI模型中的数据类型包括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、文本数据等。结构化数据是有明确格式的数据，而非结构化数据则是无特定格式的。监督学习通过已标记的数据进行训练，无监督学习使用未标记的数据找出隐藏模式，强化学习则通过与环境交互并获得奖励或惩罚来学习。大型语言模型（LLM）是基于海量文本训练的AI模型。
总结来说，AI、ML和深度学习之间存在层次关系，三者分别处理从广义智能到特定领域的学习和模式识别。
3.2 生成式人工智能基础
生成式人工智能（Generative AI）是一种基于算法生成新数据的技术，通常通过学习现有数据模式生成类似的数据。核心概念包括词元（token）、分块（chunking）、嵌入（embedding）、向量（vector）、提示工程（prompt engineering），以及基于转换器（transformer）的大型语言模型（LLM）。基础模型（foundation models）是预先训练的大型模型，适用于多个任务。多模态模型则可以处理多种数据类型，如文本、图像和音频。扩散模型通过噪声数据逐步生成高质量输出，广泛用于图像生成。
生成式人工智能的潜在使用案例包括图像、视频和音频生成，文本摘要、聊天机器人、翻译、代码生成、客户服务、搜索和推荐引擎等。基础模型的生命周期包括数据选择、模型选择、预训练、微调、评估、部署和反馈环节。
生成式AI在业务中有适应性强、响应快速、操作简单等优势，但也存在局限性，如产生幻觉、不准确、不确定性和可解释性差。在选择生成式AI模型时，需要考虑模型类型、性能要求、合规性等因素。生成式AI应用的商业价值可以通过跨领域性能、效率、转化率、每用户平均收入等指标来衡量。
在AWS环境中，开发生成式AI应用的服务包括Amazon SageMaker JumpStart、Amazon Bedrock等。这些服务具有易访问、低门槛、高效和成本效益的优势，能够加速产品上市并帮助企业实现业务目标。AWS基础设施还提供高安全性、合规性和责任管理。关于成本，需要考虑响应能力、可用性、冗余、性能和基于词元的定价模型等因素。
3.3 基础模型的应用
在设计使用基础模型的应用程序时，需要注意以下几个方面：
首先，选择预训练模型时的标准包括成本、支持的模态（如文本、图像等）、延迟时间、是否支持多语言、模型大小与复杂性、可定制性、输入/输出长度等。推理过程中，温度参数和输入/输出长度会影响模型的响应，其中温度控制生成内容的多样性，而长度则影响生成结果的完整性。检索增强生成（RAG）是通过结合外部知识库（如Amazon Bedrock）进行生成的一种方法，适用于需要访问大量知识数据的业务场景。AWS服务如Amazon OpenSearch、Aurora、Neptune等可帮助存储向量化的嵌入数据。预训练、微调、上下文学习、RAG自定义方法的成本需要权衡，选择合适的方案应考虑业务需求和资源消耗。代理（agents）在处理多步骤任务时也具有重要作用，例如Amazon Bedrock中的代理可以帮助分解复杂任务。
提示工程在生成式AI中起到至关重要的作用，它通过精心设计的提示（prompt）来引导模型生成高质量的结果。提示工程涉及上下文、指令、否定提示等元素，而常见的方法包括思维链、零样本、单样本、少量样本提示和提示模板。提示工程的益处在于提升模型的响应质量，最佳实践包括精简、特定的提示内容，并进行实验与防护。然而，提示工程也存在风险，如暴露模型漏洞、提示投毒、劫持与越狱等。
在训练和微调基础模型时，关键步骤包括预训练、微调和持续预训练。微调模型的方法包括指令优化、针对特定领域调整模型、迁移学习等。微调过程中，数据的准备至关重要，包括数据的策管、标记、调整大小、确保代表性以及使用人类反馈强化学习（RLHF）来优化模型。
评估基础模型的性能可以通过人工评估或基准数据集完成。常用的指标有ROUGE（用于摘要评估）、BLEU（用于机器翻译评估）、BERTScore等。这些指标帮助确定模型是否有效地满足了业务目标，如提升生产力、增加用户参与度或完成特定任务。
3.4 负责任 AI 准则
负责任AI系统的开发旨在确保AI系统能够安全、公平、包容，并对所有用户产生积极的影响。负责任AI的特征包括：偏见的最小化、公平性、包容性、稳健性、安全性以及生成内容的真实性。为了识别和评估这些特征，可以使用各种工具，如Amazon Bedrock中的防护机制，这些工具能帮助检测模型的输出是否符合伦理标准。
选择AI模型时应遵循负责任的做法，包括环境影响的考量、可持续性以及道德责任的履行。同时，生成式AI带来的法律风险需要特别注意，如知识产权侵权、偏见模型输出导致的信任损失、幻觉输出（模型生成的虚假内容）带来的终端用户风险等。
数据集特征的包容性、多样性以及策管至关重要，确保数据集的平衡能帮助减少模型偏见。偏差（bias）和方差（variance）的存在可能对特定人口群体产生不公平影响，如过拟合导致不准确预测，欠拟合则可能无法有效捕捉数据特征。
负责任AI开发中的偏见、可信度和真实性可以通过多种工具监控和检测，包括分析标记数据的质量、人工审核、亚组分析，或使用Amazon SageMaker Clarify、SageMaker模型监控器和Amazon A2I等工具。
模型的透明性和可解释性至关重要，透明模型能够让用户理解其预测过程，而不透明模型则难以解释。识别透明模型的工具包括Amazon SageMaker Model Cards、开源模型和数据、许可等。模型的安全性与透明性之间存在权衡，即需要在可解释性与性能之间找到平衡。为了实现可解释AI，需遵循以人为本的设计原则，确保模型的设计和决策过程符合用户的需求和期望。
3.5 AI 解决方案的安全性、合规性和监管
保护AI系统的方法涵盖了多层次的安全措施和最佳实践。在AWS环境中，用于保护AI系统的服务包括IAM（身份与访问管理）角色、策略与权限控制、加密技术、Amazon Macie（用于数据分类和隐私保护）、AWS PrivateLink（用于私密网络连接），以及AWS责任共担模式，明确了用户与AWS之间的安全责任划分。此外，来源引用和数据沿袭是确保AI系统透明性的重要概念，SageMaker Model Cards等工具能够帮助记录数据来源并跟踪模型的开发和更新过程。
在安全数据工程中，评估数据质量、实施隐私增强技术、控制数据访问权限和确保数据完整性是关键的最佳实践。AI系统的安全和隐私考虑包括应用程序安全、威胁检测、漏洞管理、基础设施保护、提示注入防护、以及数据的静态和传输加密。
在合规性方面，AI系统需遵守多种监管标准，如国际标准化组织（ISO）标准、系统与组织控制（SOC）报告以及算法问责法律等。AWS提供了多个帮助实现合规的工具和服务，包括AWS Config、Amazon Inspector、AWS Audit Manager、AWS Artifact、AWS CloudTrail和AWS Trusted Advisor。这些工具能帮助监控系统的合规状态，追踪审计记录，确保符合相关法规。
数据监管策略涉及数据的整个生命周期，包括数据的日志记录、驻留、监控、保留和观察。此外，遵循监管协议的流程应包含明确的政策、定期评审的间隔、审核策略以及生成式人工智能的安全责任矩阵等。透明度标准和团队培训要求也是确保AI系统符合安全和合规要求的重要组成部分。
四、备考课程
4.1 「备考训练营」 在线直播课
免费参与亚马逊云科技官方「备考训练营」 在线直播课
直达链接：https://dev.amazoncloud.cn/learn/aitalent/obtainCertificate
4.2 「SkillBuilder」学习课程
可以登录到SkillBuilder，参与AIF-C01相关课程学习。
直达链接：https://skillbuilder.aws/
五、常见问题
问题一：谁应该获得 AWS Certified AI Practitioner 认证？
参加本次考试的理想考生应熟悉 AWS 上的 AI/ML 技术及其用途，但不一定在 AWS 上构建 AI/ML 解决方案。
如果您是 IT 和 AWS 云的新手，您应该先从 AWS Cloud Practitioner Essentials 或 AWS Technical Essentials 开始。
持有 AWS Certified Cloud Practitioner 或助理级 AWS Certification 的认证人员无需参加基础云课程，可以从备考计划中也包含的免费 AI 基础培训开始。
问题二：AWS Certified AI Practitioner 将如何帮助我的职业生涯？
从事销售、市场营销和产品管理等职位的专业人员通过培训提升技能，并通过 AWS Certified AI Practitioner 等认证验证知识，将更有能力在职业生涯中取得成功。
根据 2023 年 11 月的 AWS 研究，雇主愿意为具有人工智能技能的人员支付更多费用，为销售、市场营销领域人员多支付 43%，为财务人员多支付 42％，为业务运营人员多支付 41％，为 IT 专业人员多支付 47％。
问题三：AWS Certified AI Practitioner 与 AWS Certified Cloud Practitioner 有何不同？
AWS Certified Cloud Practitioner 侧重于 AWS 云的总体知识，并对所有 AWS 服务进行基础层面的概述。AWS Certified AI Practitioner 涵盖了广泛的人工智能框架、概念和相关 AWS 技术，重点是生成式人工智能。Cloud Practitioner 的考试内容大纲仅包含一条与人工智能相关的任务陈述。
相比之下，AWS Certified AI Practitioner 的整个考试内容大纲侧重于人工智能、机器学习和生成式人工智能。您应该参加最符合您的兴趣和需求的考试。如果您想证明自己对 AWS 云和人工智能/机器学习的深入了解，也可以选择获得这两个认证。
问题四：在 AWS Certified AI Practitioner 之后，我接下来应该获得什么认证？
对于过渡到云职业的人员，我们推荐 AWS Certified Solutions Architect - Associate。对于那些希望从事数据、人工智能和机器学习领域职业的人员，我们推荐
AWS Certified Data Engineer - Associate 和/或 AWS Certified Machine Learning Engineer - Associate。
问题五：此认证的有效期是多久？
此认证的有效期为
3 年。在您的认证到期之前，您可以通过最新版本的考试进行再认证，或者获取 AWS Certified Machine Learning Engineer - Associate 来自动获得重新认证。
六、参考链接
[1] AWS Certified Cloud Practitioner 认证 | AWS Certification | AWS
[2] https://dev.amazoncloud.cn/learn/aitalent/obtainCertificate
[3] https://mp.weixin.qq.com/s/Jp35qoft-43Kjog3PTT4ow
