改訂
AWS 試験ガイドは、各認定試験において認定対象となる職務に関連する AWS のサービスおよび機能を確認し、スキルをテストするために、定期的に見直され、更新されています。試験ガイドの更新版は、更新内容が試験に反映される約 1 か月前に公開されます。
変更履歴
| バージョン | 公開日 |
|---|---|
| 1.0 | 2026 年 3 月 26 日 |
| 1.1 | 2026 年 4 月 30 日 |
変更された対象
| バージョン 1.0 | バージョン 1.1 |
|---|---|
| 対象 1.1.1: 基本的な AI 用語 [AI、ML、深層学習、ニューラルネットワーク、コンピュータビジョン、自然言語処理 (NLP)、モデル、アルゴリズム、トレーニングと推論、バイアス、公平性、フィット、大規模言語モデル (LLM) など] を定義する。 | 対象 1.1.1: 基本的な AI 用語 [AI、ML、深層学習、ニューラルネットワーク、コンピュータビジョン、自然言語処理 (NLP)、モデル、アルゴリズム、トレーニングと推論、バイアス、公平性、フィット、大規模言語モデル (LLM)、生成 AI (GenAI)、エージェンティック AI など] を定義する。 |
| 対象 1.1.2: AI、ML、GenAI、深層学習の類似点と相違点を説明する。 | 対象 1.1.2: AI、ML、GenAI、深層学習、エージェンティック AI の類似点と相違点を説明する。 |
| 対象 1.1.3: さまざまな種類の推論 (バッチ、リアルタイムなど) について説明する。 | 対象 1.1.3: さまざまな種類の推論 (バッチ、リアルタイム、非同期、サーバーレスなど) について説明する。 |
| 対象 1.1.5: 教師あり学習、教師なし学習、強化学習について説明する。 | 対象 1.1.5: さまざまな種類の AI/ML 学習 (教師あり学習、教師なし学習、強化学習の方法など) について説明する。 |
| 対象 1.2.4: 実際の AI 応用例 (コンピュータビジョン、NLP、音声認識、レコメンデーションシステム、不正検出、予測など) を特定する。 | 対象 1.2.4: 実際の AI 応用例 (コンピュータビジョン、NLP、音声認識、レコメンデーションシステム、不正検出、予測、ナレッジベース、エージェンティック AI など) を特定する。 |
| 対象 1.3.1: ML パイプラインの構成要素 [データ収集、探索的データ分析 (EDA)、データ前処理、特徴量エンジニアリング、モデルトレーニング、ハイパーパラメータのチューニング、評価、デプロイ、モニタリングなど] について説明する。 | 対象 1.3.1: AI/ML パイプラインのコンポーネントを説明し、区別する。 |
| 対象 1.3.4: ML パイプラインの各ステージに関連する AWS のサービスと機能 (SageMaker AI、SageMaker Data Wrangler、SageMaker Feature Store、SageMaker Model Monitor など) を特定する。 | 対象 1.3.4: AI/ML パイプラインの各ステージに関連する AWS のサービスと機能 (Amazon Bedrock、Amazon Q、Amazon Quick、Kiro、SageMaker AI など) を特定する。 |
| 対象 1.3.6: ML モデルを評価するためのモデルパフォーマンスメトリクス [正解率、曲線下面積 (AUC)、F1 スコアなど] とビジネスメトリクス [ユーザーあたりのコスト、開発コスト、顧客からのフィードバック、投資収益率 (ROI) など] を説明する。 | 対象 1.3.6: ML モデルを評価するためのモデルパフォーマンスメトリクス (正解率、適合率、再現率、F1 スコアなど) とビジネスメトリクス [ユーザーあたりのコスト、開発コスト、顧客からのフィードバック、投資収益率 (ROI) など] を説明する。 |
| 対象 2.2.1: GenAI の利点 (適応性、応答性、シンプルさなど) を説明する。 | 対象 2.2.1: GenAI の利点 (適応性、応答性、会話能力、コンテンツ生成能力など) を説明する。 |
| 対象 2.2.3: GenAI モデルを選択する際に考慮すべき要素 (モデルタイプ、パフォーマンス要件、機能、制約、コンプライアンスなど) を特定する。 | 対象 2.2.3: GenAI モデルを選択する際に考慮すべき要素 (モデルタイプ、パフォーマンス要件、機能、制約、コンプライアンス、コスト、レイテンシー、モデルの複雑さなど) を特定する。 |
| 対象 2.2.4: GenAI アプリケーションのビジネス価値とメトリクス (クロスドメインのパフォーマンス、効率性、コンバージョン率、ユーザーあたりの平均収益、正解率、顧客生涯価値など) を見極める。 | 対象 2.2.4: GenAI アプリケーションのビジネス価値とメトリクス (クロスドメインのパフォーマンス、ROI、効率性、コンバージョン率、ユーザーあたりの平均収益、正解率、顧客生涯価値など) を見極める。 |
| 対象 2.3.1: GenAI アプリケーションを開発するための AWS のサービスと機能 (Amazon SageMaker Jumpstart、Amazon Bedrock PartyRock、Amazon Q、Amazon Bedrock Data Automation など) を特定する。 | 対象 2.3.1: GenAI アプリケーションを開発するための AWS のサービスと機能 (Amazon Bedrock、Amazon SageMaker AI、SageMaker JumpStart、Amazon Quick、Kiro、Strands Agents、Amazon Bedrock AgentCore など) を特定する。 |
| 対象 3.1.5: FM をカスタマイズするためのさまざまなアプローチ (事前トレーニング、ファインチューニング、コンテキスト内学習、RAG など) のコスト面でのトレードオフを説明する。 | 対象 3.1.5: FM をカスタマイズするためのさまざまなアプローチ (事前トレーニング、ファインチューニング、コンテキスト内学習、RAG、モデル蒸留など) のコスト面でのトレードオフを説明する。 |
| 対象 3.1.6: マルチステップのタスクにおけるエージェントのロール (Amazon Bedrock エージェント、エージェンティック AI、モデルコンテキストプロトコルなど) を説明する。 | 対象 3.1.6: AI エージェントの役割を定義し、ビジネスにおける AI エージェントの活用方法を説明する。 |
| 対象 3.4.1: FM のパフォーマンスを評価する手法 (人間による評価、ベンチマークデータセット、Amazon Bedrock のモデル評価など) を特定する。 | 対象 3.4.1: FM のパフォーマンスを評価する手法 (ヒューマンインザループによる評価、ベンチマークデータセット、Amazon Bedrock のモデル評価など) を特定する。 |
| 対象 3.4.2: FM のパフォーマンスを評価するための関連メトリクス [Recall-Oriented Understudy for Gisting Evaluation (ROUGE)、Bilingual Evaluation Understudy (BLEU)、BERTScore など] を特定する。 | 対象 3.4.2: FM のパフォーマンスを評価するための関連メトリクス [Recall-Oriented Understudy for Gisting Evaluation (ROUGE)、Bilingual Evaluation Understudy (BLEU)、BERTScore、LLM-as-a-judge など] を特定する。 |
| 対象 4.2.2: 透明で説明可能なモデルを識別するためのツール (Amazon SageMaker Model Cards、オープンソースモデル、データ、ライセンスなど) を説明する。 | 対象 4.2.2: 透明性の高い説明可能なモデルを識別するためのツール (Amazon SageMaker Model Cards、SageMaker Clarify、Amazon Bedrock のモデル評価、オープンソースモデル、データ、ライセンスなど) を説明する。 |
| 対象 4.2.4: 説明可能な AI のための人間中心設計の原則を説明する。 | 対象 4.2.4: 説明可能な AI のための人間中心設計の原則 (ユーザーフィードバックメカニズム、AI 意思決定の透明性など) を説明する。 |
| 対象 5.1.1: AI システムを保護するための AWS のサービスと機能 (IAM ロール・ポリシー・アクセス許可、暗号化、Amazon Macie、AWS PrivateLink、AWS 責任共有モデルなど) を特定する。 | 対象 5.1.1: AI システムを保護するための AWS のサービスと機能 (IAM ロール・ポリシー・アクセス許可、暗号化、Amazon Macie、AWS PrivateLink、AWS 責任共有モデル、Amazon Bedrock AgentCore Identity、AgentCore のポリシー、Amazon Bedrock Guardrails など) を特定する。 |
| 対象 5.1.4: AI システムのセキュリティとプライバシーに関する考慮事項 (アプリケーションセキュリティ、脅威検出、脆弱性管理、インフラストラクチャ保護、プロンプトインジェクション、保管中および転送中の暗号化など) を説明する。 | 対象 5.1.4: AI システムのセキュリティとプライバシーに関する考慮事項 (アプリケーションセキュリティ、脅威検出、脆弱性管理、インフラストラクチャ保護、プロンプトインジェクション、保管中および転送中の暗号化、データリークの防止、出力のフィルタリングと検証、AI インタラクションの監査証跡とログ要件、毒性など) を説明する。 |
追加された対象
対象 1.2.6: 従来の ML モデルまたは基盤モデル (FM) が特定のユースケースに適する場合を (規制上の懸念、説明可能性の要件、運用上の制約などに基づいて) 特定する。
対象 2.1.4: トークンベースの価格設定モデルと、推論のコストとパフォーマンスに及ぼすその影響を説明する。
対象 2.1.5: FM アプリケーションにおけるコンテキストエンジニアリングの役割を説明する。
対象 2.1.6: エージェンティック AI の基本的な概念 [複雑な AI アプリケーションのマルチエージェントシステムパターン、エージェントを外部システムに接続する際のモデルコンテキストプロトコル (MCP) とその役割、マルチエージェント通信パターン、メモリ管理、ツールの使用、ワークフローオーケストレーションなど] を定義する。
対象 3.2.5: Amazon Bedrock Prompt Management を使用するプロンプトのバージョン管理と管理戦略を説明する。
対象 3.4.5: AI アプリケーションのビジネス目標整合指標 (タスク完了率、ユーザー満足度、インタラクションあたりのコストなど) を特定する。
対象 5.1.5: 出力精度を向上させるためのハルシネーション検出方法とグラウンディング手法 [検索拡張生成 (RAG) グラウンディング、出力検証、信頼度スコアリングなど] を説明する。
対象および対象外のサービスの変更点
対象リストに追加されたサービス
Amazon Aurora
Amazon Bedrock AgentCore
Kiro
Strands Agents
Amazon Q
Amazon SageMaker JumpStart
AWS Transform
対象リストから削除されたサービス
Amazon MemoryDB
対象外リストから削除されたサービス
AWS DeepComposer
Amazon FinSpace
Amazon Honeycode
AWS IAM アイデンティティセンター
AWS Marketplace
AWS Organizations
Amazon WorkDocs
