Inhaltsdomäne 1: Grundlagen von KI und ML
Die Inhaltsdomäne 1 behandelt die Grundlagen von KI und ML. Ihr Anteil an den gewerteten Prüfungsinhalten beträgt 20 %.
Aufgaben
Aufgabenstellung 1.1: Erläutere grundlegende KI-Konzepte und -Terminologien.
Ziele:
Definiere grundlegende KI-Begriffe (z. B. KI, ML, Deep Learning, neuronale Netzwerke, Computer Vision, Natural Language Processing [NLP], Modell, Algorithmus, Training und Inferenz, Verzerrung, Fairness, Anpassung, Large Language Model [LLM], generative KI [GenAI], agentenbasierte KI).
Beschreibe die Ähnlichkeiten und Unterschiede zwischen KI, ML, GenAI, Deep Learning und agentenbasierter KI.
Beschreibe verschiedene Arten der Inferenz (z. B. Batch, Echtzeit, asynchron, serverless).
Beschreibe die verschiedenen Datentypen in KI-Modellen (z. B. beschriftet und unbeschriftet, tabellarisch, Zeitreihen, Bild, Text, strukturiert und unstrukturiert).
Beschreibe verschiedene Arten von KI/ML-Lernen (z. B. überwachtes Lernen, unüberwachtes Lernen, Methoden für Reinforcement Learning).
Aufgabenstellung 1.2: Nenne praktische Anwendungsfälle für KI.
Ziele:
Nenne Anwendungen, bei denen KI/ML einen Mehrwert bieten kann (z. B. zur Unterstützung der menschlichen Entscheidungsfindung, Skalierbarkeit von Lösungen, Automatisierung).
Stelle fest, wann KI/ML-Lösungen nicht geeignet sind (z. B. Kosten-Nutzen-Analysen, Situationen, in denen ein bestimmtes Ergebnis anstelle einer Prognose erforderlich ist).
Wähle die geeigneten KI/ML-Techniken für bestimmte Anwendungsfälle aus (z. B. Regression, Klassifizierung, Clustering).
Zähle Beispiele für reale KI-Anwendungen auf (z. B. Computer Vision, NLP, Spracherkennung, Empfehlungssysteme, Betrugserkennung, Prognosen, Wissensdatenbanken, agentenbasierte KI).
Erläutere die Funktionen von AWS-verwalteten KI/ML-Services (z. B. Amazon SageMaker AI, Amazon Transcribe, Amazon Translate, Amazon Comprehend, Amazon Lex, Amazon Polly).
Identifiziere, wann herkömmliche ML-Modelle und wann Basismodelle (Foundation Models, FMs) für einen bestimmten Anwendungsfall geeignet sind (z. B. aufgrund regulatorischer Bedenken, Anforderungen an die Erklärbarkeit, betrieblicher Einschränkungen).
Aufgabenstellung 1.3: Beschreibe den KI/ML-Entwicklungszyklus.
Ziele:
Beschreibe und unterscheide die Komponenten einer KI/ML-Pipeline.
Beschreibe die Quellen von FM-Modellen (z. B. vortrainierte Open-Source-Modelle, benutzerdefinierte Trainingsmodelle).
Beschreibe Methoden für die Verwendung eines Modells in der Produktion (z. B. verwalteter API-Service, selbst gehostete API).
Nenne relevante AWS-Services und -Features für jede Phase einer KI/ML-Pipeline (z. B. Amazon Bedrock, Amazon Q, Amazon Quick, Kiro, SageMaker AI).
Beschreibe grundlegende Konzepte von ML-Operationen (MLOps) (z. B. Experimente, wiederholbare Prozesse, skalierbare Systeme, Umgang mit technischen Schulden, Erreichen der Produktionsbereitschaft, Modellüberwachung, erneutes Modelltraining).
Beschreibe Modellleistungsmetriken (z. B. Genauigkeit, Präzision, Trefferquote, F1-Score) und Geschäftsmetriken (z. B. Kosten pro Benutzer, Entwicklungskosten, Kundenfeedback, Kapitalrendite [ROI]) für die Bewertung von ML-Modellen.
