Revisioni
Le guide agli esami AWS vengono riviste e aggiornate periodicamente al fine di garantire che gli esami di certificazione abbiano a oggetto le competenze, i servizi e le funzionalità AWS pertinenti per i ruoli lavorativi a cui è destinata una certificazione. I contenuti aggiornati vengono introdotti negli esami circa un mese dopo la pubblicazione degli aggiornamenti alle guide.
Argomenti
Cronologia delle modifiche
| Versione | Data di pubblicazione |
|---|---|
| 1.0 | 26 marzo 2026 |
| 1.1 | 30 aprile 2026 |
Modifiche agli obiettivi
| Versione 1.0 | Versione 1.1 |
|---|---|
| Obiettivo 1.1.1: 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 e modelli linguistici di grandi dimensioni (LLM). | Obiettivo 1.1.1: 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. |
| Obiettivo 1.1.2: Descrivere somiglianze e differenze tra IA, ML, GenAI e deep learning. | Obiettivo 1.1.2: Descrivere somiglianze e differenze tra IA, ML, GenAI, deep learning e IA agentica. |
| Obiettivo 1.1.3: Descrivere vari tipi di inferenza (ad esempio, batch e in tempo reale). | Obiettivo 1.1.3: Descrivere vari tipi di inferenza, ad esempio in batch, in tempo reale, asincrona, serverless. |
| Obiettivo 1.1.5: Descrivere l'apprendimento supervisionato, l'apprendimento senza supervisione e l'apprendimento per rinforzo. | Obiettivo 1.1.5: Descrivere diversi tipi di apprendimento IA/ML, ad esempio metodi di apprendimento supervisionato, apprendimento senza supervisione, apprendimento per rinforzo. |
| Obiettivo 1.2.4: Identificare esempi di applicazioni reali di IA (ad esempio, visione artificiale, elaborazione del linguaggio naturale, riconoscimento vocale, sistemi di suggerimento, rilevamento frodi ed esecuzione di previsioni). | Obiettivo 1.2.4: 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. |
| Obiettivo 1.3.1: Descrivere i componenti di una pipeline di ML (ad esempio, raccolta dei dati, analisi esplorativa dei dati, pre-elaborazione dei dati, ingegneria delle caratteristiche, addestramento dei modelli, tuning degli iperparametri, valutazione, distribuzione e monitoraggio). | Obiettivo 1.3.1: Descrivere e differenziare i componenti di una pipeline di IA/ML. |
| Obiettivo 1.3.4: Identificare i servizi e le funzionalità AWS pertinenti per ogni fase di una pipeline di ML (ad esempio, SageMaker AI, SageMaker Data Wrangler, SageMaker Feature Store e SageMaker Model Monitor). | Obiettivo 1.3.4: 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. |
| Obiettivo 1.3.6: Descrivere le metriche di prestazione dei modelli, ad esempio accuratezza, area sotto la curva (AUC) e punteggio F1, e le metriche aziendali, ad esempio costo per utente, costi di sviluppo, feedback dei clienti, ritorno sull'investimento (ROI), per valutare i modelli di ML. | Obiettivo 1.3.6: 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. |
| Obiettivo 2.2.1: Descrivere i vantaggi delle soluzioni di GenAI (ad esempio, adattabilità, reattività e semplicità). | Obiettivo 2.2.1: Descrivere i vantaggi derivanti dall'IA generativa, ad esempio adattabilità, reattività, capacità conversazionale, capacità di generare contenuti. |
| Obiettivo 2.2.3: Identificare i fattori da considerare per la selezione dei modelli di GenAI (ad esempio, tipi di modello, requisiti prestazionali, capacità, vincoli e conformità). | Obiettivo 2.2.3: Individuare i fattori da tenere in considerazione per la scelta di modelli di IA generativa, ad esempio tipi di modello, requisiti prestazionali, capacità, vincoli, conformità, costi, latenza, complessità dei modelli. |
| Obiettivo 2.2.4: Determinare le metriche e il valore di business per le applicazioni di GenAI (ad esempio, prestazioni multidominio, efficienza, tasso di conversione, ricavi medi per utente, accuratezza e valore medio del cliente). | Obiettivo 2.2.4: Stabilire le metriche e il valore di business delle applicazioni di IA generativa, ad esempio prestazioni multidominio, ROI, efficienza, tasso di conversione, ricavi medi per utente, accuratezza, valore medio del cliente. |
| Obiettivo 2.3.1: Identificare i servizi e le funzionalità AWS per sviluppare applicazioni di GenAI (ad esempio, Amazon SageMaker JumpStart, Amazon Bedrock PartyRock, Amazon Q e Amazon Bedrock Data Automation). | Obiettivo 2.3.1: Individuare servizi e funzionalità AWS per sviluppare applicazioni di IA generativa, ad esempio Amazon Bedrock, Amazon SageMaker AI, SageMaker JumpStart, Amazon Quick, Kiro,Strands Agents, Amazon Bedrock AgentCore. |
| Obiettivo 3.1.5: Spiegare i compromessi di costo dei vari approcci alla personalizzazione degli FM (ad esempio, pre-addestramento, fine-tuning, apprendimento contestuale e RAG). | Obiettivo 3.1.5: Spiegare i compromessi in termini di costo relativi ai vari approcci alla personalizzazione degli FM, ad esempio pre-addestramento, fine-tuning, apprendimento contestuale, RAG e distillazione di modelli. |
| Obiettivo 3.1.6: Descrivere il ruolo degli agenti nelle attività in più fasi (ad esempio, Agent per Amazon Bedrock, IA agentica e Model Context Protocol). | Obiettivo 3.1.6: Definire il ruolo degli agenti IA e descriverne le applicazioni aziendali. |
| Obiettivo 3.4.1: Determinare gli approcci per valutare le prestazioni degli FM (ad esempio, valutazione umana, set di dati di benchmark e valutazione del modello in Amazon Bedrock). | Obiettivo 3.4.1: Stabilire approcci per valutare le prestazioni degli FM, ad esempio valutazione human-in-the-loop (HITL), set di dati di benchmark, valutazione del modello in Amazon Bedrock. |
| Obiettivo 3.4.2: Identificare le metriche pertinenti per valutare le prestazioni degli FM, ad esempio Recall-Oriented Understudy for Gisting Evaluation (ROUGE) valutazione bilingue (BLEU) e BERTScore. | Obiettivo 3.4.2: Individuare le metriche pertinenti per valutare le prestazioni degli FM, ad esempio Recall-Oriented Understudy for Gisting Evaluation (ROUGE), valutazione bilingue (BLEU), BERTScore, LLM-as-a-judge. |
| Obiettivo 4.2.2: Descrivere gli strumenti per identificare modelli trasparenti e spiegabili (ad esempio, Amazon SageMaker Model Cards, modelli open source, dati, licenze). | Obiettivo 4.2.2: Descrivere gli strumenti per individuare modelli trasparenti e spiegabili, ad esempio Amazon SageMaker Model Cards, SageMaker Clarify, valutazioni dei modelli in Amazon Bedrock, modelli open source, dati, licenze. |
| Obiettivo 4.2.4: Descrivere i principi della progettazione umanocentrica per un'IA spiegabile. | Obiettivo 4.2.4: Descrivere i principi della progettazione umanocentrica per un'IA spiegabile, ad esempio meccanismi di feedback degli utenti, trasparenza delle decisioni dell'IA. |
| Obiettivo 5.1.1: Identificare i servizi e le funzionalità AWS per proteggere i sistemi di IA (ad esempio, ruoli, policy e autorizzazioni IAM, crittografia, Amazon Macie, AWS PrivateLink, modello di responsabilità condivisa di AWS). | Obiettivo 5.1.1: Individuare servizi e funzionalità AWS per proteggere i sistemi di IA, ad esempio ruoli, policy e autorizzazioni IAM; crittografia; Amazon Macie; AWS PrivateLink; modello di responsabilità condivisa di AWS; Amazon Bedrock AgentCore Identity; Policy in AgentCore; Guardrail per Amazon Bedrock. |
| Obiettivo 5.1.4: Illustrare le considerazioni in materia di sicurezza e privacy per i sistemi di IA (ad esempio, sicurezza delle applicazioni, rilevamento delle minacce, gestione delle vulnerabilità, protezione dell'infrastruttura, iniezione di prompt, crittografia a riposo e in transito). | Obiettivo 5.1.4: Descrivere le considerazioni in materia di sicurezza e privacy per i sistemi di IA, ad esempio sicurezza delle applicazioni, rilevamento delle minacce, gestione delle vulnerabilità, protezione dell'infrastruttura, iniezione di prompt, crittografia dei dati inattivi e in transito, prevenzione di data leakage, filtraggio e convalida degli output, requisiti dei percorsi di verifica e registrazione dei log per le interazioni con l'IA, tossicità. |
Obiettivi aggiunti
Obiettivo 1.2.6: 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, vincoli operativi.
Obiettivo 2.1.4: Descrivere il modello di prezzo basato su token e il suo effetto su costi e prestazioni per l'inferenza.
Obiettivo 2.1.5: Descrivere il ruolo dell'ingegneria del contesto nelle applicazioni che utilizzano FM.
Obiettivo 2.1.6: Definire i concetti fondamentali correlati all'IA agentica, ad esempio modelli di sistema multiagente per applicazioni di IA complesse, Model Context Protocol (MCP) e il suo ruolo nel collegamento degli agenti a sistemi esterni, modelli di comunicazione multiagente, gestione della memoria, utilizzo degli strumenti e orchestrazione dei flussi di lavoro.
Obiettivo 3.2.5: Descrivere il versionamento dei prompt e le strategie di gestione che utilizzano Amazon Bedrock Prompt Management.
Obiettivo 3.4.5: Individuare metriche di allineamento degli obiettivi aziendali per applicazioni di IA, ad esempio percentuale di completamento delle attività, soddisfazione degli utenti, costo per interazione.
Obiettivo 5.1.5: Descrivere i metodi di rilevamento delle allucinazioni e le tecniche di grounding per migliorare l'accuratezza degli output, ad esempio grounding con generazione potenziata da recupero dati (RAG), convalida degli output, determinazione del punteggio di confidenza.
Modifiche ai servizi trattati e non trattati in sede d'esame
Servizi aggiunti all'elenco degli argomenti trattati in sede d'esame
Amazon Aurora
Amazon Bedrock AgentCore
Kiro
Strands Agents
Amazon Q
Amazon SageMaker JumpStart
AWS Transform
Servizi rimossi dall'elenco degli argomenti trattati in sede d'esame
Amazon MemoryDB
Servizi rimossi dall'elenco degli argomenti non trattati in sede d'esame
AWS DeepComposer
Amazon FinSpace
Amazon Honeycode
Centro identità AWS IAM
Marketplace AWS
AWS Organizations
Amazon WorkDocs
