# Dominio del contenuto 1: Fondamenti di IA e ML
<a name="ai-practitioner-01-domain1"></a>

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.

**Topics**
+ [Obiettivo 1.1: Spiegazione dei termini e dei concetti di base correlati all'IA](#ai-practitioner-01-task1.1)
+ [Obiettivo 1.2: Identificazione dei casi d'uso pratici per l'IA](#ai-practitioner-01-task1.2)
+ [Obiettivo 1.3: Descrizione del ciclo di vita dello sviluppo delle tecnologie di IA/ ML](#ai-practitioner-01-task1.3)

## Obiettivo 1.1: Spiegazione dei termini e dei concetti di base correlati all'IA
<a name="ai-practitioner-01-task1.1"></a>

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
<a name="ai-practitioner-01-task1.2"></a>

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
<a name="ai-practitioner-01-task1.3"></a>

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.