Amazon AIF-C01: AWS AI/ML 服务 — 学习指南

By Laurynas Brazys · 31 July 2026 · #amazon #aif-c01 #certification #exam-prep #study-guide

属于 AWS AI Practitioner AIF-C01 — 学习指南. 使用经过验证的答案练习： Amazon 考试中心, 或参加限时模拟考试： ExamRoll.io.

基础模型、Amazon Bedrock 与推理模式

通过 Amazon Bedrock 托管的基础模型为使用多种模型系列（包括 Q 和 Nova 等高吞吐量和指令调优选项）提供了实现生成能力的快速路径。在上下文学习和自定义之间进行选择：少样本提示的迭代成本低，但对提示注入敏感，并且在分布变化时不稳定；参数高效微调或完全自定义以数据治理和再训练复杂性为代价，降低了单次推理成本和延迟。推理成本和延迟主要由模型大小以及处理的输入和输出令牌数量决定，因此应设计简洁的提示，缓存频繁的响应，并为高流量端点优先选择更小的专用模型。从业者常见的陷阱包括：在没有接地的情况下将 LLM 输出视为权威，未能控制输入到提示中的敏感数据，以及不对提示模板和版本进行检测管理。决策标准应权衡延迟、令牌成本、隐私和模型所有权：当法规约束要求数据隔离时，使用 Bedrock 的私有连接和 KMS 加密；当您需要完全控制训练产物和可解释性工具时，选择 SageMaker 托管的模型。实施输入清理、不可变的系统级指令和分层安全检查，以减少基于提示的攻击和系统提示的泄露。

用于训练、部署和模型治理的 SageMaker

当需要完全的训练控制、可解释性和生产级的 MLOps 时，Amazon SageMaker 仍然是首选的托管路径。使用 SageMaker Training 和分布式训练实例处理大型数据集，使用 SageMaker Studio 进行端到端开发，并使用 Model Registry 进行版本控制。对于跨多个相关 SKU 的时间序列预测，SageMaker DeepAR 提供概率性预测，在您拥有许多相似序列和协变量时效果最佳。SageMaker Clarify 帮助检测偏差并计算公平性指标，而 SageMaker Model Monitor 则在生产中跟踪数据漂移和预测质量。常见的陷阱包括：为 Studio 笔记本配置过宽的 S3 权限，为分布式训练选择过小的实例类型，以及忽略数据集溯源。在 Bedrock 和 SageMaker 之间的决策标准通常围绕自定义需求、法规控制和可解释性展开：当需要使用高质量基础模型快速构建原型时选择 Bedrock；当需要特征级追踪、SHAP 解释、偏差审计或使用 VPC 端点和 S3 VPC 网关的私有、无互联网的执行环境时，选择 SageMaker。

检索、多模态摄取与接地策略

可靠、基于事实的输出需要通过检索增强生成 (Retrieval Augmented Generation) 对非结构化语料库进行接地。使用 Textract 摄取扫描的表单和进行 OCR，使用 Transcribe 和 Polly 构建语音管道，使用 Rekognition 进行图像分析和安全过滤，并使用 Comprehend 进行实体提取和 PII 检测。将向量嵌入存储在 OpenSearch 或专门的向量数据库中；当您需要具有丰富连接器和相关性调优功能的托管语义搜索时，请使用 Amazon Kendra。使用 Bedrock 进行生成、使用 Kendra 或嵌入存储进行检索来构建聊天机器人，而 Amazon Lex 在确定性流程中的意图路由和槽位填充方面仍然很有用。Agents for Bedrock 在编排工具使用、外部 API 或多步推理时非常有用，但需要稳健的凭证和工具验证器以避免不安全的操作。从业者的陷阱包括：未能对大型语料库进行分页，忽略检索延迟对用户体验的影响，以及不对检索索引进行版本控制；决策应在新鲜度、索引更新频率、向量存储成本与产生幻觉的风险之间取得平衡。

安全性、隐私、可解释性和评估

安全性和治理遵循责任共担模型：AWS 负责管理服务基础设施，但客户必须对数据进行分类、管理 IAM 角色、使用 KMS 加密数据，并通过 VPC 端点和 PrivateLink 控制网络访问。对于敏感或受监管的工作负载，应在无互联网访问的 VPC 中运行 SageMaker，并配置 S3 网关端点，同时使用 Bedrock 的私有网络选项。在训练前，使用 Comprehend 和 Textract 进行预处理，实现自动化的 PII（个人身份信息）编辑；当数据集包含机密信息时，应考虑差分隐私或数据最小化。可解释性和偏差检测需要使用 SageMaker Clarify、SHAP 解释器等工具，并通过 Amazon Augmented AI 为边缘案例建立人工审核工作流。使用 Model Monitor 的指标（如特征偏移、预测偏移）以及针对 RAG 管道的自定义事实性检查来监控模型。常见的错误包括：认为现成模型的安全性就足够了、未能记录提示和响应以供审计、以及没有保留带有受控访问权限的验证数据集；治理决策应包括删除策略以及针对模型提取或数据泄露的事件响应步骤。

实践问题：用例场景

场景：Nimbus Retail 运营着全球实体店，并在 Amazon S3 中维护销售和产品图片数据。他们的 AWS AI 环境包括 SageMaker Studio、Amazon Bedrock 访问权限、Amazon Kendra、OpenSearch Service 以及用于商业智能（BI）的 Amazon QuickSight。

挑战：Nimbus 需要一个由 LLM 驱动的助手，用于生成与上下文相关的产品描述和本地化翻译，同时确保事实准确性，保护客户和供应商的机密数据，并为门店经理生成每周热销商品排行榜。

推荐方法：

使用 Amazon Textract 从产品文档中提取任何结构化属性，并使用 Rekognition 验证和标记产品图片，将清理后的资产存储在通过 KMS 加密并配置了严格 IAM 角色的 S3 存储桶中。
在 OpenSearch 或托管向量存储中构建一个嵌入索引，该索引由来自 Bedrock 编码器的嵌入填充；使用 Kendra 对策略和规格文档进行语义检索。
实施一个 RAG 管道：使用 Bedrock 结合检索到的上下文进行生成，应用一个使用 Comprehend 和针对索引语料库的自定义验证查询的事实性过滤器，并将所有提示和响应记录到 CloudTrail 和一个用于审计的 S3 存储桶中。
使用 Amazon QuickSight 生成每周图表，其数据源自 Athena 对 S3 数据湖中聚合销售数据的查询；将模型生成的描述通过一个 SageMaker 端点提供给用户体验（UX）层使用，并通过 A2I 对有重大影响的编辑进行人工审核。

基本原理：该方法通过检索和文档验证来为生成式输出提供依据，以减少幻觉；通过最低权限访问将数据安全地存储在加密的 S3 中；并通过使用托管服务分别处理索引、生成和 BI 来分离关注点，从而在速度、治理和准确性之间取得平衡。

← 生成式 AI 概念 · 所有领域 · 负责任的 AI 与治理 →

练习这些题目 → · 在 ExamRoll.io 上限时练习 →