Amazon AIF-C01: AWS AI/ML-Services — Lernleitfaden

By Laurynas Brazys · 30 July 2026 · #amazon #aif-c01 #certification #exam-prep #study-guide

Teil des AWS AI Practitioner AIF-C01 — Lernleitfaden. Üben Sie mit verifizierten Antworten im Amazon-Prüfungscenter, oder absolvieren Sie zeitlich begrenzte Übungstests auf ExamRoll.io.

Foundation Models, Amazon Bedrock und Inferenz-Muster

Foundation Models, die über Amazon Bedrock gehostet werden, bieten einen schnellen Weg zu generativen Fähigkeiten unter Verwendung mehrerer Modellfamilien, einschließlich Optionen mit hohem Durchsatz und für Anweisungen optimierte Modelle wie Q und Nova. Wählen Sie zwischen In-Context-Learning und Anpassung: Few-Shot-Prompts sind günstig in der Iteration, aber anfällig für Prompt-Injection und instabil bei Verteilungsverschiebungen; parameter-effizientes Fine-Tuning oder eine vollständige Anpassung reduzieren die Kosten und Latenz pro Inferenz auf Kosten der Data Governance und der Komplexität des erneuten Trainings. Inferenzkosten und Latenz werden hauptsächlich durch die Modellgröße und die Anzahl der verarbeiteten Eingabe- und Ausgabe-Tokens bestimmt. Gestalten Sie Prompts daher prägnant, cachen Sie häufige Antworten und bevorzugen Sie kleinere, spezialisierte Modelle für Endpunkte mit hohem Volumen. Häufige Fallstricke für Anwender sind, LLM-Ausgaben ohne Grounding als maßgeblich zu betrachten, die Kontrolle über sensible Daten in Prompts zu vernachlässigen und Prompt-Vorlagen und -Versionen nicht zu instrumentieren. Entscheidungskriterien sollten Latenz, Token-Kosten, Datenschutz und das Eigentum am Modell abwägen: Nutzen Sie die private Konnektivität und KMS-Verschlüsselung von Bedrock, wenn regulatorische Auflagen eine Datenisolation erfordern, oder wählen Sie auf SageMaker gehostete Modelle, wenn Sie die volle Kontrolle über Trainingsartefakte und Werkzeuge zur Erklärbarkeit benötigen. Implementieren Sie Eingabe-Sanitisierung, unveränderliche Anweisungen auf Systemebene und mehrschichtige Sicherheitsprüfungen, um prompt-basierte Angriffe und das Leakage von System-Prompts zu reduzieren.

SageMaker für Training, Deployment und Model Governance

Amazon SageMaker bleibt der primäre Managed-Pfad, wenn volle Kontrolle über das Training, Erklärbarkeit und MLOps auf Produktionsniveau erforderlich sind. Verwenden Sie SageMaker Training und Instanzen für verteiltes Training für große Datensätze, SageMaker Studio für die End-to-End-Entwicklung und die Model Registry für die Versionierung. Für Zeitreihenprognosen über viele verwandte SKUs hinweg bietet SageMaker DeepAR probabilistische Prognosen und funktioniert am besten, wenn Sie viele ähnliche Zeitreihen und Kovariaten haben. SageMaker Clarify hilft bei der Erkennung von Bias und der Berechnung von Fairness-Metriken, während SageMaker Model Monitor Data Drift und die Vorhersagequalität in der Produktion überwacht. Häufige Fallstricke sind das Belassen von Studio-Notebooks mit weitreichenden S3-Berechtigungen, die Unterdimensionierung von Instanztypen für verteiltes Training und das Überspringen der Datensatz-Provenienz. Entscheidungskriterien zwischen Bedrock und SageMaker drehen sich oft um Anpassungsbedarf, regulatorische Kontrollen und Erklärbarkeit: Wählen Sie Bedrock für schnelles Prototyping mit hochwertigen FMs und SageMaker, wenn Sie Tracing auf Feature-Ebene, SHAP-Erklärungen, Bias-Audits oder private Ausführungsumgebungen ohne Internetzugang mittels VPC-Endpunkten und S3-VPC-Gateways benötigen.

Retrieval, multimodale Aufnahme und Grounding-Strategien

Zuverlässige, faktenbasierte Ausgaben erfordern das Grounding von unstrukturierten Korpora mit Retrieval Augmented Generation. Nehmen Sie Dokumente mit Textract für gescannte Formulare und OCR auf, nutzen Sie Transcribe und Polly für Sprach-Pipelines, Rekognition für Bildanalyse und Sicherheitsfilter und Comprehend für Entitätsextraktion und PII-Erkennung. Speichern Sie Vektor-Embeddings in einer OpenSearch- oder einer spezialisierten Vektordatenbank; verwenden Sie Amazon Kendra, wenn Sie eine gemanagte semantische Suche mit umfassenden Konnektoren und Relevanz-Tuning benötigen. Architektieren Sie Chatbots mit Bedrock für die Generierung und Kendra oder einem Embeddings-Speicher für den Retrieval, während Amazon Lex weiterhin für Intent-Routing und Slot-Filling in deterministischen Abläufen nützlich ist. Agents for Bedrock sind nützlich bei der Orchestrierung von Tool-Nutzung, externen APIs oder mehrstufigem Reasoning, erfordern aber robuste Anmeldeinformationen und Tool-Verifizierer, um unsichere Aktionen zu vermeiden. Fallstricke für Anwender sind das Versäumnis, große Korpora zu paginieren, die Auswirkungen der Retrieval-Latenz auf die Benutzererfahrung zu ignorieren und den Retrieval-Index nicht zu versionieren; Entscheidungen sollten die Aktualität, die Kadenz der Index-Aktualisierung und die Kosten für die Vektorspeicherung gegen das Risiko von Halluzinationen abwägen.

Sicherheit, Datenschutz, Erklärbarkeit und Evaluierung

Sicherheit und Governance folgen einem Modell der geteilten Verantwortung (Shared Responsibility Model): AWS verwaltet die Service-Infrastruktur, aber der Kunde muss Daten klassifizieren, IAM-Rollen verwalten, Daten mit KMS verschlüsseln und den Netzwerkzugriff über VPC-Endpunkte und PrivateLink steuern. Führen Sie SageMaker für sensible oder regulierte Workloads in einer VPC ohne Internetzugang mit S3-Gateway-Endpunkten aus und nutzen Sie die privaten Netzwerkoptionen von Bedrock. Implementieren Sie eine automatisierte PII-Schwärzung vor dem Training mithilfe der Vorverarbeitung durch Comprehend und Textract und ziehen Sie Differential Privacy oder Datenminimierung in Betracht, wenn Datensätze vertrauliche Informationen enthalten. Erklärbarkeit und Bias-Erkennung erfordern Tools wie SageMaker Clarify, SHAP-Explainer und Workflows für die manuelle Überprüfung über Amazon Augmented AI für Grenzfälle. Überwachen Sie Modelle mit Metriken von Model Monitor wie Feature-Drift, Prediction-Drift und benutzerdefinierten Faktenprüfungen für RAG-Pipelines. Häufige Fehler sind, die Sicherheit von Standardmodellen als ausreichend zu betrachten, das Versäumnis, Prompts und Antworten für Audits zu protokollieren, und Validierungsdatensätze nicht mit kontrolliertem Zugriff aufzubewahren. Governance-Entscheidungen sollten Löschrichtlinien und Schritte zur Reaktion auf Vorfälle wie Model Extraction oder Datenlecks umfassen.

Praktisches Problem: Anwendungsfallszenario

Szenario: Nimbus Retail betreibt weltweit stationäre Ladengeschäfte und pflegt Verkaufs- und Produktbilddaten in Amazon S3. Ihre AWS-KI-Umgebung umfasst SageMaker Studio, Zugriff auf Amazon Bedrock, Amazon Kendra, OpenSearch Service und Amazon QuickSight für BI.

Herausforderung: Nimbus benötigt einen LLM-gestützten Assistenten, um kontextbezogene Produktbeschreibungen und lokalisierte Übersetzungen zu generieren. Gleichzeitig müssen die sachliche Korrektheit sichergestellt, vertrauliche Kunden- und Lieferantendaten geschützt und wöchentliche Bestseller-Diagramme für die Filialleiter erstellt werden.

Empfohlener Ansatz:

Verwenden Sie Amazon Textract, um alle strukturierten Attribute aus Produktdokumenten zu extrahieren, und Rekognition, um Produktbilder zu validieren und zu taggen. Speichern Sie die bereinigten Assets in einem mit KMS verschlüsselten S3-Bucket mit strengen IAM-Rollen.
Erstellen Sie einen Embeddings-Index in OpenSearch oder einem verwalteten Vektorspeicher, der mit Embeddings von einem Bedrock-Encoder gefüllt wird. Verwenden Sie Kendra für die semantische Suche nach Richtlinien- und Spezifikationsdokumenten.
Implementieren Sie eine RAG-Pipeline: Bedrock für die Generierung mit Retrieval-Kontext, wenden Sie einen Faktenfilter mit Comprehend und benutzerdefinierten Verifizierungsabfragen gegen den indizierten Korpus an und protokollieren Sie alle Prompts und Antworten in CloudTrail und einem Audit-S3-Bucket.
Erstellen Sie wöchentliche Diagramme mit Amazon QuickSight, das durch aggregierte Verkaufsdaten aus Athena-Abfragen über den S3 Data Lake gespeist wird. Stellen Sie die vom Modell generierten Beschreibungen über einen SageMaker-Endpunkt für die UX-Nutzung bereit, mit manueller Überprüfung über A2I für besonders wichtige Änderungen.

Begründung: Dieser Ansatz fundiert die generativen Ergebnisse durch Retrieval und Dokumentenverifizierung, um Halluzinationen zu reduzieren. Er sichert Daten in verschlüsseltem S3 nach dem Least-Privilege-Prinzip und trennt die Verantwortlichkeiten (Separation of Concerns) durch die Nutzung von Managed Services für Indizierung, Generierung und BI, um Geschwindigkeit, Governance und Genauigkeit in Einklang zu bringen.

← Generative KI-Konzepte · Alle Domänen · Verantwortungsvolle KI →

Diese Fragen üben → · Zeitlich begrenzte Übung auf ExamRoll.io →