# MLA-C01 与 MLA-C02 的比较
<a name="mla-02-comparison"></a>

## 并排比较
<a name="mla-02-side-by-side"></a>

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
<a name="mla-02-additions"></a>

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
<a name="mla-02-deletions"></a>

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
<a name="mla-02-recategorizations"></a>

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。