Amazon AIF-C01: Generative KI-Konzepte — 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.

Grundlagen von Foundation-Modellen, Tokens, Embeddings und Multimodalität

Foundation-Modelle sind große, vortrainierte neuronale Netzwerke, die leistungsstarke, universelle Fähigkeiten für Text, Bilder und andere Modalitäten bereitstellen. Beispiele, die über AWS verfügbar sind, umfassen den Zugriff von Amazon Bedrock auf Titan- und andere Herstellermodelle sowie SageMaker-Umgebungen für das Training und Hosting benutzerdefinierter Modelle. Tokens sind die atomaren Einheiten – Teilwörter oder Zeichen –, die LLMs für die Ein- und Ausgabe verwenden. Die Tokenisierung bestimmt die Nutzung des Kontextfensters, die Kosten und das Risiko der Trunkierung. Embeddings sind dichte numerische Vektoren, die semantische Bedeutung kodieren und als Bindeglied für Ähnlichkeitssuche, Clustering und nachgelagertes Retrieval dienen. Embeddings können von Bedrock-Modellen oder von auf SageMaker gehosteten Modellen erzeugt werden. Multimodale Modelle akzeptieren und verknüpfen Text, Bilder und Audio. Typische AWS-Bausteine hierfür sind Amazon Rekognition für die Extraktion visueller Merkmale, Amazon Textract für gescannte Dokumente und Amazon Transcribe für die Umwandlung von Audio in Text, wobei Bedrock- oder SageMaker-Modelle zur Fusion der Modalitäten verwendet werden. Wichtige Abwägungen für Praktiker umfassen die Entscheidung für das Fine-Tuning eines Foundation-Modells (höhere Kosten, längere Vorlaufzeit, bessere Anpassung an die Aufgabe) gegenüber Prompt-Engineering und RAG (schneller, kostengünstiger, sicherer für den Datenschutz). Häufige Fallstricke sind das Ignorieren von Token-Limits bei der Erstellung von Prompts, die fehlende Versionierung von Embeddings oder Indizes und die Unterschätzung des Vorverarbeitungsbedarfs für Bild- und Dokumenteneingaben.

Prompt-Engineering, Modellsteuerung und Reasoning-Techniken

Prompt-Engineering strukturiert Anweisungen und Kontext, um zuverlässige Ausgaben zu erhalten. Effektive Prompts trennen Systemanweisungen (Rolle, Guardrails), Benutzerinhalte und optionale Few-Shot-Beispiele. Verwenden Sie prägnante System-Prompts, um Stil, Einschränkungen und Ausgabeformat zu definieren, und speichern Sie kanonische Vorlagen, um Abweichungen (Drift) zu vermeiden. Die Anpassung von Inferenzparametern wie temperature, top-p und max_tokens in Bedrock oder SageMaker beeinflusst Kreativität und Determinismus – eine niedrigere Temperature und ein engeres top-p führen zu konsistenteren Antworten auf Kosten der Kreativität. Zu den Reasoning-Techniken (Schlussfolgerungstechniken) gehören Chain-of-Thought (explizite Zwischenschritte zur Verbesserung mehrstufiger Aufgaben), Self-Consistency (Stichproben aus mehreren Lösungswegen ziehen und aggregieren) und Verifikationsschleifen (das Modell bitten, Quellen zu prüfen oder zu zitieren). Häufige Fallstricke sind Prompt-Injection (nicht vertrauenswürdige Eingaben, die das Systemverhalten verändern), brüchige Few-Shot-Beispiele, die eher den Stil als die Absicht überanpassen (Overfitting), und die Vernachlässigung der Protokollierung von Prompts zur Auditierbarkeit. Entscheidungskriterien für Techniken: Verwenden Sie Chain-of-Thought für komplexe Schlussfolgerungen, wenn Transparenz wichtig ist, fügen Sie jedoch eine Verifizierung hinzu, wenn die Ergebnisse reale Konsequenzen haben. Bevorzugen Sie deterministische Einstellungen für produktive UIs, um die Wiederholbarkeit sicherzustellen.

Retrieval-Augmented Generation (RAG), Vektordatenbanken, Agents und Architekturen

RAG koppelt eine Retrieval-Schicht mit einem generativen Modell: Dokumente indizieren, Embeddings berechnen, eine Ähnlichkeitssuche durchführen, um Kontext abzurufen, und dann das LLM auf die abgerufenen Passagen konditionieren. Auf AWS liegen Dokumentenquellen typischerweise in Amazon S3, die Extraktion erfolgt mit Textract oder benutzerdefinierten Pipelines, Embeddings werden über Bedrock oder SageMaker erzeugt, und Vektoren werden im Amazon OpenSearch Service mit k-NN oder in spezialisierten Vektordatenbanken gespeichert, die auf DynamoDB oder OpenSearch aufsetzen. Amazon Kendra kann verwendet werden, wenn semantische Suche und Konnektoren für Unternehmen erforderlich sind. Agents sind LLM-basierte Controller, die entscheiden, wann sie Werkzeuge (Tools) – Suche, Datenbankabfragen, Rechner – aufrufen, und können durch die Orchestrierung von Modellaufrufen mit AWS Lambda oder Step Functions implementiert werden, um Tools sicher auszuführen. Architekturmuster umfassen synchrones RAG für Chatbots und asynchrones Batch-RAG für Zusammenfassungs-Jobs (Athena oder EMR zur Vorverarbeitung großer Korpora). Fallstricke für Praktiker: veraltete Indizes (keine Aktualisierung der Embeddings), die Einbeziehung von zu langem Kontext, der die Token-Fenster überschreitet, und das Fehlen von Herkunfts-Links (Provenance) für abgerufene Inhalte. Die Entscheidung zwischen Kendra und OpenSearch basiert auf Konnektoren, Sicherheit und dem Bedarf an semantischem Ranking.

Halluzinationen, Bias, Erklärbarkeit, Überwachung und Governance

Halluzinationen treten auf, wenn Modelle plausibel klingende, aber falsche Fakten erfinden. Zu den Linderungsstrategien gehören das Grounding von Antworten (RAG), die explizite Nennung abgerufener Quellen, Verifizierungsmodelle zur Faktenprüfung der Ausgaben und die Überprüfung durch Menschen (Human-in-the-Loop) in risikoreichen Bereichen. Bias entsteht durch verzerrte Trainingsdaten oder Label-Verteilungen; verwenden Sie Amazon SageMaker Clarify, um Bias in Datensätzen zu erkennen, die Wichtigkeit von Merkmalen (Feature Importances) zu untersuchen und Artefakte zur Erklärbarkeit zu erstellen. Für die Modellleistung und den Drift setzen Sie Amazon SageMaker Model Monitor ein, um Daten- und Vorhersagedrift zu erkennen, protokollieren Sie Inferenz-Ein- und Ausgaben in CloudWatch und S3 für Audits und stellen Sie die Herkunft (Provenance) von Prompts und abgerufenen Quellen sicher. Die Evaluierung sollte technische Metriken (Precision/Recall, F1, mAP für die Erkennung, ROUGE für die Zusammenfassung, Perplexität, wo anwendbar) mit auf den Menschen ausgerichteten Metriken wie Nützlichkeit, Sicherheit und Latenz kombinieren. Praktische Governance-Methoden umfassen Red-Teaming der Ausgaben, automatisierte Inhaltsfilter, die Erkennung und Schwärzung von PII mit Amazon Comprehend PII, die Versionierung von Modellen und Embeddings sowie die Dokumentation des beabsichtigten Verwendungszwecks und der Einschränkungen. Häufige Fallstricke sind das alleinige Verlassen auf synthetische Tests, eine unzureichende Protokollierung für die Compliance und das Überspringen der Bias-Minderung vor dem Einsatz in regulierten Kontexten.

Praktisches Problem: Anwendungsszenario

Szenario: MedData Analytics betreibt einen internen Diagnoseassistenten, der Amazon Bedrock für die Generierung, in Amazon S3 gespeicherte Patientenhandbücher und Bildgebungsberichte sowie eine SageMaker-Trainingspipeline für Modellexperimente nutzt. Sie müssen transparente, nachprüfbare Diagnosevorschläge liefern und dabei Halluzinationen und Bias für Kliniker minimieren.

Herausforderung: Die Modellausgaben müssen in vertrauenswürdigen Dokumenten verankert (Grounding), Erklärbarkeit und Bias-Prüfungen sichergestellt und eine produktive RAG-Pipeline erstellt werden, die die Nachverfolgbarkeit der Herkunft (Provenance) und menschliche Aufsicht gewährleistet.

Empfohlener Ansatz:

Verwenden Sie Amazon Textract, um strukturierten Text aus PDFs zu extrahieren, und Amazon Comprehend PII, um sensible Felder zu schwärzen. Speichern Sie die bereinigten Dokumente in Amazon S3 und verfolgen Sie Versionen mit Object Tagging.
Generieren Sie Embeddings mit einem Amazon Bedrock Embedding-Modell (oder einem in SageMaker gehosteten Encoder), indizieren Sie die Vektoren in Amazon OpenSearch Service mit k-NN und speichern Sie Metadaten in DynamoDB für Provenance-Links.
Erstellen Sie eine RAG-Orchestrierung, bei der Lambda (oder Step Functions) die top_k-Passagen abruft, eine System-Prompt-Vorlage zusammenstellt und Amazon Bedrock für die Generierung mit einer niedrigen Temperature und expliziten Anweisungen zur Quellenangabe („cite sources“) aufruft.
Wenden Sie SageMaker Clarify auf Trainings-/Label-Daten an, um Bias zu erkennen, nutzen Sie SageMaker Model Monitor für Drift-Warnungen, protokollieren Sie Prompts und Retrieval-IDs in CloudWatch/S3 und leiten Sie risikoreiche Ausgaben über Amazon A2I zur Überprüfung durch Kliniker weiter.

Begründung: Das Grounding von Ausgaben mittels RAG und expliziter Quellenangabe reduziert Halluzinationen. Die Kombination von Clarify, Model Monitor und menschlicher Überprüfung bietet Erklärbarkeit, Bias-Erkennung und eine sichere operative Governance, die den Best Practices von Praktikern entspricht.

← Grundlagen von KI und ML · Alle Domänen · AWS AI →

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