Revisões
Os guias do exame da AWS são revistos e atualizados periodicamente com o objetivo de garantir que nossos exames de certificação testem habilidades e serviços e recursos da AWS relevantes para a função para a qual a certificação foi criada. As atualizações do guia do exame serão publicadas aproximadamente um mês antes de serem reproduzidas em seu exame.
Histórico de alterações
| Versão | Data de publicação |
|---|---|
| 1.0 | 26 de março de 2026 |
| 1.1 | 30 de abril de 2026 |
Mudanças nos objetivos
| Versão 1.0 | Versão 1.1 |
|---|---|
| Objetivo 1.1.1: Definir termos básicos de IA [por exemplo, IA, ML, aprendizado profundo, redes neurais, visão computacional, processamento de linguagem natural (PLN), modelo, algoritmo, treinamento e inferência, viés, imparcialidade, ajuste e grandes modelos de linguagem (LLMs)]. | Objetivo 1.1.1: Definir termos básicos de IA [por exemplo, IA, ML, aprendizado profundo, redes neurais, visão computacional, processamento de linguagem natural (PLN), modelo, algoritmo, treinamento e inferência, viés, imparcialidade, ajuste, grandes modelos de linguagem (LLM), IA generativa e IA agêntica]. |
| Objetivo 1.1.2: Descrever as semelhanças e diferenças entre IA, ML, IA generativa e aprendizado profundo. | Objetivo 1.1.2: Descrever as semelhanças e diferenças entre IA, ML, IA generativa, aprendizado profundo e IA agêntica. |
| Objetivo 1.1.3: Descrever vários tipos de inferência (por exemplo, em lote e em tempo real). | Objetivo 1.1.3: Descrever vários tipos de inferência (por exemplo, em lote, em tempo real, assíncrona, sem servidor). |
| Objetivo 1.1.5: Descrever o aprendizado supervisionado, o aprendizado não supervisionado e o aprendizado por reforço. | Objetivo 1.1.5: Descrever os diferentes tipos de aprendizado de IA/ML (por exemplo, aprendizado supervisionado, aprendizado não supervisionado, métodos de aprendizado por reforço). |
| Objetivo 1.2.4: Identificar exemplos de aplicações de IA reais (por exemplo, visão computacional, PLN, reconhecimento de fala, sistemas de recomendação, detecção de fraude e previsão). | Objetivo 1.2.4: Identificar exemplos de aplicações de IA reais (por exemplo, visão computacional, PLN, reconhecimento de fala, sistemas de recomendação, detecção de fraude e previsão, bases de conhecimento e IA agêntica). |
| Objetivo 1.3.1: Descrever os componentes de um pipeline de ML [por exemplo, coleta de dados, análise exploratória de dados (AED), pré-processamento de dados, engenharia de atributos, treinamento do modelo, ajuste de hiperparâmetros, avaliação, implantação e monitoramento]. | Objetivo 1.3.1: Descrever e diferenciar os componentes de um pipeline de IA/ML. |
| Objetivo 1.3.4: Identificar os serviços e recursos relevantes da AWS para cada estágio de um pipeline de ML (por exemplo, SageMaker IA, SageMaker Data Wrangler, Arquivo de Atributos do SageMaker e SageMaker Model Monitor). | Objetivo 1.3.4: Identificar serviços e recursos AWS relevantes para cada estágio de um pipeline de IA/ML (por exemplo, Amazon Bedrock, Amazon Q, Amazon Quick, Kiro, SageMaker (IA). |
| Objetivo 1.3.6: Descrever as métricas de desempenho de modelos [por exemplo, acurácia, área sob a curva (AUC) e pontuação F1] e as métricas empresariais [por exemplo, custo por usuário, custos de desenvolvimento, feedback de clientes e retorno sobre o investimento (ROI)] para avaliar modelos de ML. | Objetivo 1.3.6: Descrever as métricas de desempenho de modelos [por exemplo, acurácia, precisão, recall, área sob a curva (AUC) e pontuação F1] e as métricas empresariais [por exemplo, custo por usuário, custos de desenvolvimento, feedback de clientes e retorno sobre o investimento (ROI)] para avaliar modelos de ML. |
| Objetivo 2.2.1: Descrever as vantagens da IA generativa (por exemplo, adaptabilidade, capacidade de resposta e simplicidade). | Objetivo 2.2.1: Descrever as vantagens da IA generativa (por exemplo, adaptabilidade, capacidade de resposta, recursos de conversação, capacidade de gerar conteúdo). |
| Objetivo 2.2.3: Identificar os fatores a serem considerados ao selecionar modelos de IA generativa (por exemplo, tipos de modelos, requisitos de desempenho, recursos, restrições e conformidade). | Objetivo 2.2.3: Identificar os fatores a serem considerados ao selecionar modelos de IA generativa (por exemplo, tipos de modelos, requisitos de desempenho, recursos, restrições, conformidade, custo, latência e complexidade do modelo). |
| Objetivo 2.2.4: Determinar o valor comercial e as métricas para aplicações de IA generativa [por exemplo, desempenho entre domínios, retorno sobre o investimento (ROI), eficiência, taxa de conversão, receita média por usuário, acurácia e valor da vida útil do cliente]. | Objetivo 2.2.4: Determinar o valor comercial e as métricas para aplicações de IA generativa (por exemplo, desempenho entre domínios, retorno sobre o investimento (ROI), eficiência, taxa de conversão, receita média por usuário, acurácia e valor da vida útil do cliente). |
| Objetivo 2.3.1: Identificar os serviços e recursos da AWS para desenvolver aplicações de IA generativa (por exemplo, Amazon SageMaker JumpStart, Amazon Bedrock PartyRock, Amazon Q, Amazon Bedrock Data Automation). | Objetivo 2.3.1: Identificar serviços e recursos AWS para desenvolver aplicações de IA generativa (por exemplo, Amazon Bedrock, Amazon SageMaker IA, SageMaker JumpStart, Amazon Quick, Kiro, Strands Agents, Amazon Bedrock AgentCore). |
| Objetivo 3.1.5: Explicar as compensações de custos de várias abordagens para a personalização do FM (por exemplo, pré-treinamento, ajuste fino, aprendizado em contexto e RAG). | Objetivo 3.1.5: Explicar as compensações de custos de várias abordagens para a personalização do FM (por exemplo, pré-treinamento, ajuste fino, aprendizado em contexto, RAG e destilação de modelos). |
| Objetivo 3.1.6: Descrever a função dos agentes em tarefas de várias etapas (por exemplo, agentes para Amazon Bedrock, IA agêntica, protocolo de contexto para modelos). | Objetivo 3.1.6: Definir a função dos agentes de IA e descrever aplicações comerciais de agentes de IA. |
| Objetivo 3.4.1: Determinar abordagens para avaliar o desempenho do FM (por exemplo, avaliação humana, conjuntos de dados de referência e Avaliação de Modelo do Amazon Bedrock). | Objetivo 3.4.1: Determinar abordagens para avaliar o desempenho de modelos de base (FM) (por exemplo, avaliação humana, conjuntos de dados de referência e Avaliação de Modelo do Amazon Bedrock). |
| Objetivo 3.4.2: Identificar métricas relevantes para avaliar o desempenho do FM [por exemplo, ROUGE (Recall-Oriented Understudy for Gisting Evaluation), BLEU (Bilingual Evaluation Understudy) e BERTScore]. | Objetivo 3.4.2: Identificar métricas relevantes para avaliar o desempenho de modelos de base (FM) [por exemplo, ROUGE (Recall-Oriented Understudy for Gisting Evaluation), BLEU (Bilingual Evaluation Understudy), BERTScore e LLM como avaliador]. |
| Objetivo 4.2.2: Descrever as ferramentas para identificar modelos transparentes e explicáveis (por exemplo, Cartões de Modelos do Amazon SageMaker, modelos de código aberto, dados e licenciamento). | Objetivo 4.2.2: Descrever as ferramentas para identificar modelos transparentes e explicáveis (por exemplo, Amazon SageMaker Model Cards, SageMaker Clarify, Amazon Bedrock Model Evaluations, modelos de código aberto, dados e licenciamento). |
| Objetivo 4.2.4: Descrever os princípios do design centrado no ser humano em prol da IA explicável. | Objetivo 4.2.4: Descrever os princípios do design centrado no ser humano para uma IA explicável (por exemplo, mecanismos de feedback do usuário, transparência de decisões de IA). |
| Objetivo 5.1.1: Identificar os serviços e recursos da AWS para proteger os sistemas de IA (por exemplo, políticas, permissões e perfis do IAM; criptografia; Amazon Macie; AWS PrivateLink; e Modelo de responsabilidade compartilhada da AWS). | Objetivo 5.1.1: Identificar serviços e recursos da AWS para proteger sistemas de IA (por exemplo, perfis do IAM, políticas e permissões do IAM; criptografia; Amazon Macie; AWS PrivateLink; modelo de responsabilidade compartilhada da AWS;Amazon Bedrock AgentCore Identity; política no AgentCore; Barreiras de Proteção para Amazon Bedrock). |
| Objetivo 5.1.4: Descrever as considerações de segurança e privacidade dos sistemas de IA (por exemplo, segurança de aplicações, detecção de ameaças, gerenciamento de vulnerabilidades, proteção de infraestrutura, injeção de prompt e criptografia em repouso e em trânsito). | Objetivo 5.1.4: Descrever as considerações de segurança e privacidade para sistemas de IA (por exemplo, segurança de aplicações, detecção de ameaças, gerenciamento de vulnerabilidades, proteção de infraestrutura, injeção de prompts, criptografia em repouso e em trânsito, prevenção de vazamento de dados, filtragem e validação de saída, trilha de auditoria e requisitos de registro para interações de IA, toxicidade). |
Objetivos adicionados
Objetivo 1.2.6: Identificar quando os modelos tradicionais de ML ou modelos de base (FMs) são apropriados para um caso de uso específico (por exemplo, com base em questões regulatórias, requisitos de explicabilidade, restrições operacionais).
Objetivo 2.1.4: Descrever o modelo de precificação baseado em tokens e seu efeito no custo e no desempenho para inferência.
Objetivo 2.1.5: Descrever o papel da engenharia de contexto em aplicações de FM.
Objetivo 2.1.6: Definir conceitos fundamentais de IA agêntica [por exemplo, padrões de sistema multiagente para aplicações complexas de IA, Model Context Protocol (MCP) e seu papel na conexão de agentes a sistemas externos, padrões de comunicação multiagentes, gerenciamento de memória, uso de ferramentas e orquestração de fluxo de trabalho].
Objetivo 3.2.5: Descrever estratégias de versionamento de prompts e de gerenciamento que usam o Amazon Bedrock Prompt Management.
Objetivo 3.4.5: Identificar métricas de alinhamento de objetivos de negócios para aplicações de IA (por exemplo, taxa de conclusão de tarefas, satisfação do usuário, custo por interação).
Objetivo 5.1.5: Descrever os métodos de detecção de alucinações e as técnicas de fundamentação para melhorar a precisão da saída [por exemplo, fundamentação por geração aumentada de recuperação (RAG), validação de saída, pontuação de confiança].
Alterações nos serviços dentro e fora do escopo
Serviços adicionados à lista dentro do escopo
Amazon Aurora
Amazon Bedrock AgentCore
Kiro
Strands Agents
Amazon Q
Amazon SageMaker JumpStart
AWS Transform
Serviços removidos da lista dentro do escopo
Amazon MemoryDB
Serviços removidos da lista fora do escopo
AWS DeepComposer
Amazon FinSpace
Amazon Honeycode
Centro de Identidade do AWS IAM
AWS Marketplace
AWS Organizations
Amazon WorkDocs
