修訂
AWS考試指南會定期進行審查與更新，以確保我們的認證考試能測試出與該認證目標工作角色相關的技能以及 AWS 服務與功能。考試指南的更新將在更新反映於考試中之前約一個月發布。
變更歷史記錄
| 版本 | 發布日期 |
|---|---|
| 1.0 | 2026 年 3 月 26 日 |
| 1.1： | 2026 年 4 月 30 日 |
目標變更
| 版本 1.0 | 版本 1.1 |
|---|---|
| 目標 1.1.1： 定義基礎 AI 術語（例如：AI，ML，深度學習，神經網絡，電腦視覺，自然語言處理 [NLP]，模型，演算法，訓練與推論，偏見，公平，擬合度，大語言模型 [LLM]）。 | 目標 1.1.1： 定義基礎 AI 術語（例如：AI、ML、深度學習、神經網路、電腦視覺、自然語言處理 [NLP]、模型、演算法、訓練與推論、偏見、公平性、擬合度、大型語言模型 [LLM]、生成式 AI [GenAI]、代理式 AI）。 |
| 目標 1.1.2： 描述 AI、ML、GenAI 和深度學習之間的相似性和差異。 | 目標 1.1.2： 描述 AI、ML、GenAI、深度學習與 代理式 AI 之間的相似之處與差異。 |
| 目標 1.1.3： 描述各種類型的推論 (例如：批次、即時)。 | 目標 1.1.3： 描述各種類型的推論（例如：批次、即時、非同步、無伺服器）。 |
| 目標 1.1.5: 描述監督式學習、無監督學習和強化學習。 | 目標 1.1.5: 描述不同類型的 AI/ML 學習（例如：監督式學習、非監督式學習、強化學習方法）。 |
| 目標 1.2.4： 識別實際 AI 應用程式的範例 (例如：電腦視覺、NLP、語音識別、推薦系統、詐騙偵測、預測)。 | 目標 1.2.4： 識別實際 AI 應用程式的範例（例如：電腦視覺、NLP、語音辨識、推薦系統、詐欺偵測、預測、知識庫、代理式 AI）。 |
| 目標 1.3.1： 描述 ML 管道的組件（例如：數據收集，探索數據分析 [EDA]，數據預處理，特徵工程，模型培訓，超參數調整，評估，部署，監控）。 | 目標 1.3.1： 描述並區分 AI/ML 管道的組件。 |
| 目標 1.3.4： 識別 ML 管道每個階段的相關 AWS 服務和特徵 (例如：SageMaker AI、SageMaker Data Wrangler、SageMaker Feature Store、SageMaker Model Monitor）。 | 目標 1.3.4： 確定 AI/ML 管線每個階段相關的 AWS 服務和功能（例如：Amazon Bedrock、Amazon Q、Amazon Quick、Kiro、SageMaker AI). |
| 目標 1.3.6： 描述用於評估 ML 模型的模型效能指標（例如：準確性、精確率、召回率、F1 分數）與業務指標（例如：每位使用者成本、開發成本、客戶回饋、投資報酬率 [ROI]）以評估 ML 模型。 | 目標 1.3.6： 描述用於評估 ML 模型的模型效能指標（例如：準確性、精確率、召回率、F1 分數）與業務指標（例如：每位使用者成本、開發成本、客戶回饋、投資報酬率 [ROI]）以評估 ML模型。 |
| 目標 2.2.1： 描述 GenAI 的優勢 (例如：適應能力、回應能力、簡易性)。 | 目標 2.2.1： 描述 GenAI 的優勢（例如：適應性，響應能力，對話功能，生成內容的能力）。 |
| 目標 2.2.3： 識別選取 GenAI 模型時需考量的因素 (例如：模型類型、效能要求、功能、限制、合規)。 | 目標 2.2.3： 識別選取 GenAI 模型時需考量的因素 (例如：模型類型、效能要求、能力、限制、合規性、成本、延遲、模型複雜度）。 |
| 目標 2.2.4： 確定 GenAI 應用程式的商業價值和指標 (例如：跨領域表現、效率、轉換率、每位使用者平均收入、準確性、客戶終身價值）。 | 目標 2.2.4： 確定 GenAI 應用程式的商業價值和指標 (例如：跨領域表現、ROI、效率、轉換率、每位使用者平均收入、準確性、客戶終身價值）。 |
| 目標 2.3.1： 確定用於開發 GenAI 應用程式的 AWS 服務和特徵（例如：Amazon SageMaker JumpStart、Amazon Bedrock PartyRock、Amazon Q、Amazon Bedrock 數據自動化）。 | 目標 2.3.1： 確定用於開發 GenAI 應用程式的 AWS 服務和特徵（例如：Amazon Bedrock、Amazon SageMaker AI、SageMaker JumpStart、Amazon Quick、Kiro、Strands Agents、Amazon Bedrock AgentCore). |
| 目標 3.1.5： 說明 FM 自訂的各種方法的成本抵換 (例如：預先訓練、微調、上下文學習、RAG)。 | 目標 3.1.5： 說明 FM 自訂的各種方法的成本權衡（例如：預訓練、微調、上下文學習、RAG、模型蒸餾）。 |
| 目標 3.1.6： 描述智能體在多步驟任務中的作用（例如：Amazon Bedrock Agents、代理式 AI、模型上下文協定）。 | 目標 3.1.6： 定義 AI 代理程式的角色，並描述 AI 代理程式的商業應用。 |
| 目標 3.4.1： 確定評估 FM 效能的方法（例如：人工評估、基準資料集、Amazon Bedrock 模型評估）。 | 目標 3.4.1： 確定評估 FM 效能的方法（例如：人機互動評估、基準資料集、Amazon Bedrock 模型評估）。 |
| 目標 3.4.2： 識別相關指標以評估 FM 效能 (例如：召回率導向的摘要評估 [ROUGE]、雙語替換評測 [BLEU]、BERTScore)。 | 目標 3.4.2： 識別相關指標以評估 FM 效能 (例如：召回率導向的摘要評估 [ROUGE]、雙語替換評測 [BLEU]、BERTScore、以 LLM 作為評審)。 |
| 目標 4.2.2: 描述用於識別透明且可解釋的模型的工具 (例如：Amazon SageMaker 模型卡、開源模型、資料、許可）。 | 目標 4.2.2: 描述用於識別透明且可解釋的模型的工具 (例如 Amazon SageMaker 模型卡、SageMaker Clarify、Amazon Bedrock 模型評估、開源模型、資料、授權）。 |
| 目標 4.2.4： 描述可解釋的 AI 以人為中心進行設計的原則。 | 目標 4.2.4： 描述可解釋的 AI 以人為中心設計的原則（例如：用戶反饋機制，AI 決策透明度）。 |
| 目標 5.1.1: 確定用於保護 AI 系統的AWS 服務和功能（ 例如：IAM 角色、政策和權限；加密；Amazon Macie；AWS PrivateLink；AWS 共用責任模型)。 | 目標 5.1.1: 確定用於保護 AI 系統的AWS 服務和功能（ 例如：IAM 角色、策略和權限；加密；Amazon Macie；AWS PrivateLink；AWS 責任共擔模型；Amazon Bedrock AgentCore Identity；AgentCore 中的策略；Amazon Bedrock Guardrails）。 |
| 目標 5.1.4： 描述 AI 系統的安全性和考慮因素（例如：應用程式安全性、威脅偵測、漏洞管理、基礎設施保護、提示注入、靜止和傳輸中加密)。 | 目標 5.1.4： 描述 AI 系統的安全性和隱私考慮因素（例如：應用程式安全、威脅檢測、漏洞管理、基礎設施保護、提示注入、靜態和傳輸中加密、資料外洩預防、輸出過濾和驗證、人工智慧互動的審計追蹤和日誌記錄要求、毒性）。 |
新增目標
目標 1.2.6： 確定何時適合使用傳統 ML 模型，何時適合使用基礎模型 (FM) （例如：由於監管問題、可解釋性、操作限制）。
目標 2.1.4： 描述基於令牌的定價模型及其對推理成本和性能的影響。
目標 2.1.5： 描述上下文工程（Context Engineering）在 FM 應用程式中的角色。
目標 2.1.6： 定義基礎代理 AI 概念（例如：用於複雜 AI 應用程式的多智能體系統模式、模型上下文協定 [MCP] 及其在連接智能體程式與外部系統中的角色、多智能體通訊模式、記憶管理、工具使用以及工作流編排）。
目標 3.2.5： 描述使用 Amazon Bedrock Prompt Management 的提示詞版本控制與管理策略。
目標 3.4.5： 識別 AI 應用程式與業務目標對齊的指標（例如：任務完成率、使用者滿意度、每次互動成本）。
目標 5.1.5： 描述幻覺檢測方法與增強輸出準確性的接地技術（例如：檢索增強生成 [RAG] 接地、輸出驗證、信心評分）。
考試範圍內和範圍外服務的變更
新增至考試範圍內清單的服務
Amazon Aurora
Amazon Bedrock AgentCore
Kiro
Strands Agents
Amazon Q
Amazon SageMaker JumpStart
轉換
從考試範圍內清單中移除的服務
Amazon MemoryDB
從考試範圍外清單中移除的服務
AWS DeepComposer
Amazon FinSpace
Amazon Honeycode
AWS IAM Identity Center
AWS Marketplace
AWS Organizations
Amazon WorkDocs
