内容领域 3： ML 和 AI 工作流的部署与编排

技能 3.1.1： 选择合适的计算环境和部署目标。

技能 3.1.2： 选择部署编排工具，以及多模型或多容器部署策略。

技能 3.1.3： 选择模型推理策略（例如，实时和批处理）。

技能 3.1.4： 评估并选择合适的基础模型 (FM) 部署选项。

技能 3.1.5： 将在 AWS 之外构建的模型部署到 AWS 环境中（例如，Amazon SageMaker AI、Amazon Bedrock 自定义模型导入）。

技能 3.1.6： 部署和配置用于特定任务的代理、与其他服务和工具的集成以及代理通信协议。

技能 3.1.7： 配置 FM 部署、模型托管和资源分配。

技能 3.1.8： 应用检索增强生成 (RAG) 系统配置（例如，检索策略、重排序）。

技能 3.2.1： 优化按需资源与预置资源之间的资源配置，提高性能和成本效益。

技能 3.2.2： 利用堆栈与编排服务之间的集成通信，自动预置计算资源。

技能 3.2.3： 为 ML 和 AI 工作负载构建和维护容器。

技能 3.2.4： 在 VPC 网络环境中配置 SageMaker AI 终端节点。

技能 3.2.5： 以程序化的方式部署和托管模型（例如，使用适用于 Python 的 SageMaker AI SDK、AWS CLI、Boto3）。

技能 3.2.6： 为弹性伸缩实施选择特定指标。

技能 3.2.7： 利用向量数据库配置、文档索引和检索优化等技术，创建和管理 Amazon Bedrock 知识库。

技能 3.2.8： 实施检索管道来满足业务需求。

技能 3.2.9： 实施代理状态管理系统。

技能 3.2.10： 为 GPU 工作负载实施特定于 AI 的资源扩展。

技能 3.2.11： 部署代理工作流基础设施。

技能 3.3.1： 实施自动部署策略和回滚操作。

技能 3.3.2： 配置 AWS CodeBuild、AWS CodeCommit、AWS CodeDeploy、AWS CodePipeline 和 AWS CodeConnections 以及进行故障排除。

技能 3.3.3： 配置训练和推理作业。

技能 3.3.4： 在 CI/CD 管道中，为传统 ML 和 AI 工作负载配置自动测试策略。

技能 3.3.5： 构建并集成用于重新训练模型的机制。

技能 3.3.6： 管理模型版本来实现可重复性以及用于审计（例如，SageMaker 模型注册表、SageMaker AI 上的 MLflow）。

技能 3.3.7： 管理提示（例如，Amazon Bedrock 提示管理器）。

技能 3.3.8： 实施自动化的代理部署管道和代理版本管理。

技能 3.3.9： 实施 AI 模型测试框架，包括提示测试。

技能 3.3.10： 配置 FM 部署自动化以及经过微调的模型版本控制。

技能 3.3.11： 针对 RAG 系统更新和知识库更新周期，配置特定于 AI 的管道编排。