Dominio del contenuto 1: Fondamenti di IA e ML
Il dominio 1 tratta i principi fondamentali dell'intelligenza artificiale (IA) e del machine learning (ML) e rappresenta il 20% dei contenuti a punteggio dell'esame.
Attività
Obiettivo 1.1: Spiegazione dei termini e dei concetti di base correlati all'IA
Obiettivi:
Definire i termini di base correlati all'IA, ad esempio IA, ML, deep learning, reti neurali, visione artificiale, elaborazione del linguaggio naturale, modello, algoritmo, addestramento e inferenza, bias, equità, adattamento, modello linguistico di grandi dimensioni (LLM), IA generativa (GenAI), IA agentica.
Descrivere somiglianze e differenze tra IA, ML, GenAI, deep learning e IA agentica.
Descrivere vari tipi di inferenza, ad esempio in batch, in tempo reale, asincrona, serverless.
Descrivere i diversi tipi di dati nei modelli di IA (ad esempio, etichettati e non etichettati, tabellari, serie temporali, immagini, testo, strutturati e non strutturati).
Descrivere diversi tipi di apprendimento IA/ML, ad esempio metodi di apprendimento supervisionato, apprendimento senza supervisione, apprendimento per rinforzo.
Obiettivo 1.2: Identificazione dei casi d'uso pratici per l'IA
Obiettivi:
Riconoscere le applicazioni in cui le soluzioni di IA/ML possono generare valore (ad esempio, assistenza ai processi decisionali umani, scalabilità delle soluzioni e automazione).
Determinare quando le soluzioni di IA/ML non sono appropriate (ad esempio, analisi costi-benefici o situazioni in cui è necessario ottenere un risultato specifico anziché una previsione).
Selezionare le tecniche di IA/ML appropriate per casi d'uso specifici, ad esempio regressione, classificazione, clustering.
Individuare esempi di applicazioni reali di IA, ad esempio visione artificiale, elaborazione del linguaggio naturale, riconoscimento vocale, sistemi di suggerimento, rilevamento frodi, esecuzione di previsioni, basi di conoscenza, IA agentica.
Spiegare le funzionalità dei servizi di IA/ML gestiti da AWS (ad esempio, Amazon SageMaker AI, Amazon Transcribe, Amazon Translate, Amazon Comprehend, Amazon Lex e Amazon Polly).
Individuare quando sia appropriato applicare modelli ML tradizionali rispetto a modelli di fondazione (FM) a un caso d’uso specifico, ad esempio sulla base di considerazioni normative, requisiti di spiegabilità o vincoli operativi.
Obiettivo 1.3: Descrizione del ciclo di vita dello sviluppo delle tecnologie di IA/ ML
Obiettivi:
Descrivere e differenziare i componenti di una pipeline di IA/ML.
Descrivere le origini dei modelli FM, ad esempio modelli pre-addestrati open source, modelli personalizzati di addestramento.
Descrivere i metodi per utilizzare un modello in produzione (ad esempio, servizio API gestito o API self-hosted).
Individuare servizi e funzionalità AWS pertinenti per ogni fase di una pipeline di IA/ML, ad esempio Amazon Bedrock, Amazon Q, Amazon Quick, Kiro,SageMaker AI.
Descrivere i concetti fondamentali delle operazioni di ML (MLOps), ad esempio, sperimentazione, processi ripetibili, sistemi scalabili, gestione del debito tecnico, raggiungimento del livello di preparazione necessario per la produzione, monitoraggio dei modelli e riaddestramento dei modelli.
Descrivere le metriche di prestazione dei modelli, ad esempio accuratezza, precisione, richiamo e punteggio F1, nonché le metriche aziendali, ad esempio costo per utente, costi di sviluppo, feedback dei clienti, ritorno sull'investimento (ROI), per valutare i modelli di ML.
