# 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.
**Topics**
+ [Cronologia delle modifiche](#aif-01-change-history)
+ [Modifiche agli obiettivi](#aif-01-changes-objectives)
+ [Modifiche ai servizi trattati e non trattati in sede d'esame](#aif-01-changes-services)
## 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