Überarbeitungen
Die AWS-Prüfungsleitfäden werden regelmäßig überprüft und aktualisiert, um sicherzustellen, dass in unseren Zertifizierungsprüfungen Fähigkeiten sowie AWS-Services und -Features abgefragt werden, die für die Tätigkeitsfelder relevant sind, auf die eine Zertifizierung ausgerichtet ist. Die Aktualisierungen des Prüfungsleitfadens werden ungefähr einen Monat, bevor die Änderungen in die Prüfung übernommen werden, veröffentlicht.
Themen
Änderungsverlauf
| Version | Veröffentlichungsdatum |
|---|---|
| 1.0 | 26. März 2026 |
| 1.1 | 30. April 2026 |
Änderungen an Zielen
| Version 1.0 | Version 1.1 |
|---|---|
| Ziel 1.1.1: Definiere grundlegende KI-Begriffe (z. B. KI, ML, Deep Learning, neuronale Netzwerke, Computer Vision, natürliche Sprachverarbeitung [NLP], Modell, Algorithmus, Training und Inferenz, Verzerrung, Fairness, Anpassung, Large Language Models [LLMs]). | Ziel 1.1.1: 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). |
| Ziel 1.1.2: Beschreibe die Ähnlichkeiten und Unterschiede zwischen KI, ML, GenAI und Deep Learning. | Ziel 1.1.2: Beschreibe die Ähnlichkeiten und Unterschiede zwischen KI, ML, GenAI, Deep Learning und agentenbasierter KI. |
| Ziel 1.1.3: Beschreibe verschiedene Arten der Inferenz (z. B. Batch, Echtzeit). | Ziel 1.1.3: Beschreibe verschiedene Arten der Inferenz (z. B. Batch, Echtzeit, asynchron, serverless). |
| Ziel 1.1.5: Beschreibe überwachtes Lernen, unüberwachtes Lernen und Reinforcement Learning. | Ziel 1.1.5: Beschreibe verschiedene Arten von KI/ML-Lernen (z. B. überwachtes Lernen, unüberwachtes Lernen, Methoden für Reinforcement Learning). |
| Ziel 1.2.4: Zähle Beispiele für reale KI-Anwendungen auf (z. B. Computer Vision, NLP, Spracherkennung, Empfehlungssysteme, Betrugserkennung, Prognosen). | Ziel 1.2.4: Zähle Beispiele für reale KI-Anwendungen auf (z. B. Computer Vision, NLP, Spracherkennung, Empfehlungssysteme, Betrugserkennung, Prognosen, Wissensdatenbanken, agentenbasierte KI). |
| Ziel 1.3.1: Beschreibe die Komponenten einer ML-Pipeline (z. B. Datenerfassung, explorative Datenanalyse [EDA], Datenvorverarbeitung, Feature Engineering, Modelltraining, Hyperparameter-Tuning, Bewertung, Bereitstellung, Überwachung). | Ziel 1.3.1: Beschreibe und unterscheide die Komponenten einer KI/ML-Pipeline. |
| Ziel 1.3.4: Nenne relevante AWS-Services und -Features für jede Phase einer ML-Pipeline (z. B. SageMaker AI, SageMaker Data Wrangler, SageMaker Feature Store, SageMaker Model Monitor). | Ziel 1.3.4: Nenne relevante AWS-Services und -Features für jede Phase einer KI/ML-Pipeline (z. B. Amazon Bedrock, Amazon Q, Amazon Quick, Kiro, SageMaker AI). |
| Ziel 1.3.6: Beschreibe Modellleistungskennzahlen (z. B. Genauigkeit, Area Under the Curve [AUC], F1-Score) und Geschäftsmetriken (z. B. Kosten pro Benutzer, Entwicklungskosten, Kundenfeedback, Kapitalrendite [ROI]) für die Bewertung von ML-Modellen. | Ziel 1.3.6: 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. |
| Ziel 2.2.1: Beschreibe die Vorteile von GenAI (z. B. Anpassungsfähigkeit, Reaktionsfähigkeit, Einfachheit). | Ziel 2.2.1: Beschreibe die Vorteile von GenAI (z. B. Anpassungsfähigkeit, Reaktionsfähigkeit, Konversationsfähigkeit und Fähigkeit, Inhalte zu generieren). |
| Ziel 2.2.3: Identifiziere Faktoren, die bei der Auswahl von GenAI-Modellen zu berücksichtigen sind (z. B. Modelltypen, Leistungsanforderungen, Fähigkeiten, Einschränkungen, Compliance). | Ziel 2.2.3: Identifiziere Faktoren, die bei der Auswahl von GenAI-Modellen zu berücksichtigen sind (z. B. Modelltypen, Leistungsanforderungen, Fähigkeiten, Einschränkungen, Compliance, Kosten, Latenz, Modellkomplexität). |
| Ziel 2.2.4: Ermittle den Geschäftswert und die Kennzahlen für GenAI-Anwendungen (z. B. domänenübergreifende Leistung, Effizienz, Konversionsrate, durchschnittlicher Umsatz pro Benutzer, Genauigkeit, Customer Lifetime Value). | Ziel 2.2.4: Ermittle den Unternehmenswert und die Geschäftsmetriken für GenAI-Anwendungen (z. B. domänenübergreifende Leistung, ROI, Effizienz, Konversionsrate, durchschnittlicher Umsatz pro Benutzer, Genauigkeit, Customer Lifetime Value). |
| Ziel 2.3.1: Identifiziere AWS-Services und -Features für die Entwicklung von GenAI-Anwendungen (z. B. Amazon SageMaker JumpStart, Amazon Bedrock PartyRock, Amazon Q, Amazon Bedrock Data Automation). | Ziel 2.3.1: Identifiziere AWS-Services und -Features für die Entwicklung von GenAI-Anwendungen (z. B. Amazon Bedrock, Amazon SageMaker AI, SageMaker JumpStart, Amazon Quick, Kiro, Strands Agents, Amazon Bedrock AgentCore). |
| Ziel 3.1.5: Erläutere die Kostenabwägungen für verschiedene Ansätze an die FM-Anpassung (z. B. Vortraining, Feinabstimmung, kontextbezogenes Lernen, RAG). | Ziel 3.1.5: Erläutere die Kostenabwägungen für verschiedene Ansätze bei der FM-Anpassung (z. B. Vortraining, Feinabstimmung, kontextbezogenes Lernen, RAG, Modelldestillation). |
| Ziel 3.1.6: Beschreibe die Rolle von Agenten in mehrstufigen Aufgaben (z. B.Amazon Bedrock Agents, agentenbasierte KI, Model Context Protocol). | Ziel 3.1.6: Definiere die Rolle von KI-Agenten und beschreibe die Geschäftsanwendungen von KI-Agenten. |
| Ziel 3.4.1: Ermittle Ansätze für die Bewertung der FM-Leistung (z. B. Bewertung durch Menschen, Benchmark-Datensätze, Amazon-Bedrock-Modellbewertung). | Ziel 3.4.1: Ermittle Ansätze für die Bewertung der FM-Leistung (z. B. Human-in-the-Loop-Bewertung, Benchmark-Datensätze, Amazon-Bedrock-Modellbewertung). |
| Ziel 3.4.2: Identifiziere relevante Metriken für die Bewertung der FM-Leistung (z. B. Recall-Oriented Understudy for Gisting Evaluation [ROUGE], Bilingual Evaluation Understudy [BLEU], BERTScore). | Ziel 3.4.2: Identifiziere relevante Metriken für die Bewertung der FM-Leistung (z. B. Recall-Oriented Understudy for Gisting Evaluation [ROUGE], Bilingual Evaluation Understudy [BLEU], BERTScore, LLM-as-a-Judge). |
| Ziel 4.2.2: Beschreibe Tools zur Identifizierung transparenter und erklärbarer Modelle (z. B. Amazon SageMaker Model Cards, Open-Source-Modelle, Daten, Lizenzierung). | Ziel 4.2.2: Beschreibe Tools zur Identifizierung transparenter und erklärbarer Modelle (z. B. Amazon SageMaker Model Cards, SageMaker Clarify, Amazon-Bedrock-Modellbewertungen, Open-Source-Modelle, Daten, Lizenzierung). |
| Ziel 4.2.4: Beschreibe die Prinzipien des menschenzentrierten Designs für die erklärbare KI. | Ziel 4.2.4: Beschreibe die Prinzipien des menschenzentrierten Designs für Explainable AI (XAI) (z. B. Mechanismen für Benutzerfeedback, Transparenz bei KI-Entscheidungen). |
| Ziel 5.1.1: Identifiziere AWS-Services und -Features für den Schutz von KI-Systemen (z. B. IAM-Rollen, -Richtlinien und -Berechtigungen, Verschlüsselung; Amazon Macie; AWS PrivateLink, AWS-Modell für die geteilte Verantwortung). | Ziel 5.1.1: Identifiziere AWS-Services und -Features für den Schutz von KI-Systemen (z. B. IAM-Rollen, -Richtlinien und -Berechtigungen, Verschlüsselung; Amazon Macie, AWS PrivateLink, AWS-Modell für die geteilte Verantwortung, Amazon Bedrock AgentCore Identity, Richtlinien in AgentCore, Amazon-Bedrock-Integritätsschutz). |
| Ziel 5.1.4: Beschreibe Sicherheits- und Datenschutzaspekte für KI-Systeme (z. B. Anwendungssicherheit, Bedrohungserkennung, Schwachstellenmanagement, Infrastrukturschutz, Promptinjektion, Verschlüsselung im Ruhezustand und bei der Übertragung). | Ziel 5.1.4: Beschreibe Sicherheits- und Datenschutzaspekte für KI-Systeme (z. B. Anwendungssicherheit, Bedrohungserkennung, Schwachstellenmanagement, Infrastrukturschutz, Promptinjektion, Verschlüsselung im Ruhezustand und bei der Übertragung, Schutz vor Datenlecks, Ausgabefilterung und -validierung, Anforderungen an Audit-Trails und Protokollierung für KI-Interaktionen, Toxizität). |
Ziele hinzugefügt
Ziel 1.2.6: Identifiziere, wann herkömmliche ML-Modelle und wann Basismodelle (Foundation Models, FMs) für einen bestimmten Anwendungsfall geeignet sind (z. B. aufgrund regulatorischer Bedenken, Erklärbarkeit, betrieblicher Einschränkungen).
Ziel 2.1.4: Beschreibe das Token-basierte Preismodell und seine Auswirkungen auf Kosten und Leistung für Inferenz.
Ziel 2.1.5: Beschreibe die Rolle von Context Engineering in FM-Anwendungen.
Ziel 2.1.6: Definiere grundlegende Konzepte der agentenbasierten KI (z. B. Systemmuster mit mehreren Agenten für komplexe KI-Anwendungen, Model Context Protocol [MCP] und seine Rolle bei der Verbindung von Agenten mit externen Systemen, Kommunikationsmuster mit mehreren Agenten, Speicherverwaltung, Toolnutzung und Workflow-Orchestrierung).
Ziel 3.2.5: Beschreibe die Strategien für Prompt-Versionsverwaltung und -Verwaltung, bei denen Amazon Bedrock Prompt Management verwendet wird.
Ziel 3.4.5: Identifiziere Metriken für die Ausrichtung an Geschäftszielen für KI-Anwendungen (z. B. Abschlussrate von Aufgaben, Benutzerzufriedenheit, Kosten pro Interaktion).
Ziel 5.1.5: Beschreibe Methoden zur Erkennung von Halluzinationen und Grounding-Verfahren zur Verbesserung der Ausgangsgenauigkeit (z. B. RAG-Grounding [Retrieval Augmented Generation], Ausgabevalidierung, Konfidenzbewertung).
Änderungen bei prüfungsrelevanten und nicht prüfungsrelevanten Services
Services, die der Liste der prüfungsrelevanten Services hinzugefügt wurden
Amazon Aurora
Amazon Bedrock AgentCore
Kiro
Strands Agents
Amazon Q
Amazon SageMaker JumpStart
AWS Transform
Services, die aus der Liste der prüfungsrelevanten Services entfernt wurden
Amazon MemoryDB
Services, die aus der Liste der nicht prüfungsrelevanten Services entfernt wurden
AWS DeepComposer
Amazon FinSpace
Amazon Honeycode
AWS IAM Identity Center
AWS Marketplace
AWS Organizations
Amazon WorkDocs
