MLA-C01 与 MLA-C02 的比较
并排比较
下表显示了在 MLA-C01 考试（在 2026 年 9 月 28 日之前使用）和 MLA-C02 考试（于 2026 年 9 月 29 日起使用）中，所涉及的领域和每个领域中计分问题的百分比。
| MLA-C01 领域 | MLA-C02 内容领域 |
|---|---|
| 领域 1： 机器学习 (ML) 的数据准备 (28%) | 内容领域 1： ML 和 AI 的数据准备（占计分内容的 28%） |
| 领域 2： ML 模型开发 (26%) | 内容领域 2： ML 模型和基础模型 (FM) 开发（占计分内容的 24%） |
| 领域 3： ML 工作流的部署和编排 (22%) | 内容领域 3： ML 和 AI 工作流的部署与编排（占计分内容的 24%） |
| 领域 4： ML 解决方案的监控、维护和安全保护 (24%) | 内容领域 4： 操作、监控和保护 ML 与 AI 解决方案（占计分内容的 24%） |
MLA-C02 的内容增补
任务 1.1 中添加了以下内容：
1.1.7 根据技术规范，为 AI 应用程序（例如，OpenSearch Service、搭配 pgvector 的 Amazon RDS、Amazon S3）配置可扩展向量数据库。
1.1.8 为 AI 和 ML 应用程序摄取和存储不同的数据类型（例如文本、图像、音频）。
任务 1.2 中添加了以下内容：
1.2.5 配置和使用嵌入模型，将文本和图像数据转换为数字表示。
1.2.6 应用高级文本预处理技术（例如，词元化、领域特定的增强）。
1.2.7 为检索增强生成 (RAG) 应用程序准备文档（例如，分块策略、元数据提取）。
1.2.8 掩蔽、编辑和匿名化数据。
1.2.9 为 FM 微调、持续预训练和模型蒸馏准备数据。
任务 1.3 中添加了以下内容：
1.3.4 通过对数字、文本和图像资产应用偏差指标，优化多模态数据分布。
1.3.6 验证 AI 训练数据的完整性（例如，提示-响应对验证、内容安全筛选）。
1.3.7 清理数据（例如，检测异常值、输入缺失数据、删除重复数据）。
任务 2.1 中添加了以下内容：
2.1.1 根据任务要求和性能标准，评估并从 Amazon Bedrock 中选择合适的 FM。
2.1.2 为经过预训练的 FM 确定微调策略，以便满足业务需求。
2.1.4 评估在自定义解决方案、托管服务、预训练模型与 FM 之间的权衡，以便满足业务需求。
2.1.5 根据使用案例要求，选择检索增强生成 (RAG) 架构模式。
2.1.7 评估在 AI 模型的性能、延迟和成本之间的权衡。
任务 2.2 中添加了以下内容：
2.2.8 为 AI 解决方案应用自定义技术（例如，特定于任务的提示工程、微调）。
2.2.9 优化检索组件和嵌入模型。
任务 2.3 中添加了以下内容：
2.3.7 实施集成的人工评估框架（例如，人机协同工作流、文本生成质量评估）。
2.3.8 应用自然语言处理 (NLP) 评估指标（例如，双语评估替代指标 [BLEU]、面向查全率的摘要评估替代指标 [ROUGE]、BERTScore、语义相似度）。
2.3.9 执行 AI 评估（例如，模型输出评估、内容质量验证、偏差检测、LLM-as-a-judge 框架）。
2.3.10 配置 RAG 系统监控，包括检索准确率评估。
任务 3.1 中添加了以下内容：
3.1.4 评估并选择合适的基础模型 (FM) 部署选项。
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）。
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。
3.1.7 配置 FM 部署、模型托管和资源分配。
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）。
任务 3.2 中添加了以下内容：
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。
3.2.8 实施检索管道来满足业务需求。
3.2.9 实施代理状态管理系统。
3.2.10 为 GPU 工作负载实施特定于 AI 的资源扩展。
3.2.11 部署代理工作流基础设施。
任务 3.3 中添加了以下内容：
3.3.7 管理提示（例如，Amazon Bedrock 提示管理器）。
3.3.8 实施自动化的代理部署管道和代理版本管理。
3.3.9 实施 AI 模型测试框架，包括提示测试。
3.3.10 配置 FM 部署自动化以及经过微调的模型版本控制。
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。
任务 4.1 中添加了以下内容：
4.1.5 监控并自动管理代理的性能和协调任务（例如，协调失败检测、截断的流式传输、工具故障）。
4.1.6 为基础模型 (FM) 配置特定于 AI 的性能监控，例如 Amazon Bedrock 评估。
任务 4.2 中添加了以下内容：
4.2.7 评估在生产环境中使用 FM 进行推理的成本影响。
4.2.8 监控代理资源使用模式。
4.2.9 通过使用量优化来管理 FM 推理成本。
4.2.10 监控特定于 AI 的成本模式（例如，词元使用量优化、嵌入计算成本、向量数据库存储优化）。
任务 4.3 中添加了以下内容：
4.3.1 通过检查代码和映像漏洞（例如，使用 Amazon CodeGuru、Amazon Inspector），保护持续集成和持续交付 (CI/CD) 管道。
4.3.8 选择合适的凭证类型来访问 FM（例如，Amazon Bedrock API 密钥、IAM 凭证）。
4.3.9 实施安全保障和敏感数据保护措施，来满足应用程序要求和负责任的 AI 政策（例如，使用 Amazon Bedrock 防护机制）。
MLA-C02 的内容删减
任务 1.3 中删除了以下内容：
配置数据以加载到模型训练资源（例如，Amazon EFS、Amazon FSx）中
任务 2.2 中删除了以下内容：
使用自定义数据集微调预训练模型（例如 Amazon Bedrock、SageMaker JumpStart）
减小模型大小（例如，通过更改数据类型、修剪、更新特征选择、压缩）
任务 3.1 中删除了以下内容：
在边缘设备上优化模型的方法（例如 SageMaker Neo）
任务 3.2 中删除了以下内容：
SageMaker 的自带容器 (BYOC)
任务 4.2 中删除了以下内容：
监控基础设施（例如，通过使用 Amazon EventBridge 事件）
对涉及成本和性能的容量问题进行故障排除（例如，预置并发、服务配额、弹性伸缩）
MLA-C02 内容的重新分类
在从 MLA-C01 过渡到 MLA-C02 的过程中，以下内容进行了重新排列：
以下任务说明已重新分类：
MLA-C01 任务说明 1.1 对应于 MLA-C02 中的以下任务：
1.1 收集和存储数据。
MLA-C01 任务说明 1.2 对应于 MLA-C02 中的以下任务：
1.2 执行数据转换、特征工程和预处理。
MLA-C01 任务说明 1.3 对应于 MLA-C02 中的以下任务：
1.3 验证数据质量并管理偏差。
MLA-C01 任务说明 2.1 对应于 MLA-C02 中的以下任务：
2.1 为 ML 和 AI 解决方案选择合适的建模方法。
MLA-C01 任务说明 2.2 对应于 MLA-C02 中的以下任务：
2.2 为 ML 和 AI 解决方案训练、微调和自定义模型。
MLA-C01 任务说明 2.3 对应于 MLA-C02 中的以下任务：
2.3 分析并评估 ML 和 AI 系统的性能。
MLA-C01 任务说明 3.1 对应于 MLA-C02 中的以下任务：
3.1 管理 ML 和 AI 模型类型的部署基础设施。
MLA-C01 任务说明 3.2 对应于 MLA-C02 中的以下任务：
3.2 根据现有架构和要求，为 ML 和 AI 工作负载预置和配置资源。
MLA-C01 任务说明 3.3 对应于 MLA-C02 中的以下任务：
3.3 针对 MLOps 和 AI 工作负载，实施自动编排以及持续集成和持续交付 (CI/CD) 管道。
MLA-C01 任务说明 4.1 对应于 MLA-C02 中的以下任务：
4.1 监控 ML 与 AI 模型的推理和性能。
MLA-C01 任务说明 4.2 对应于 MLA-C02 中的以下任务：
4.2 优化并管理 ML 和 AI 基础设施的成本及性能。
MLA-C01 任务说明 4.3 对应于 MLA-C02 中的以下任务：
4.3 保护 ML 和 AI 工作负载以及模型终端节点。
