Amazon AIF-C01: MLOps & Bereitstellung — 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.

Bereitstellungs- und Inferenzmuster: Echtzeit, Batch, Serverless und Edge

Die Wahl eines Inferenzmusters beginnt mit den Abwägungen auf Service-Ebene zwischen Latenz, Durchsatz, Kosten und betrieblicher Komplexität. Für Anforderungen mit niedriger Latenz und hohem Durchsatz sind provisionierte Amazon SageMaker Echtzeit-Endpunkte (Single-Model- oder Multi-Model-Endpunkte) oder SageMaker Real-Time Inference mit Autoscaling und GPU-Instanzen typisch; verwenden Sie Endpunkt-Varianten, um Canary- oder Blue/Green-Rollouts zu implementieren. Für große Offline-Jobs, bei denen die Latenz nicht kritisch ist, ist SageMaker Batch Transform oder die verteilte Verarbeitung auf AWS Glue/EMR kosteneffektiv und einfach zu skalieren. Bei unvorhersehbaren Workloads oder solchen mit niedrigen QPS (Queries Per Second) reduzieren SageMaker Serverless Inference oder das Aufrufen von Modellen aus AWS Lambda (bei Bedarf mit provisionierter Nebenläufigkeit) den Verwaltungsaufwand und die Kosten. Edge-Bereitstellungen erfordern das Packen von Modellen mit SageMaker Edge Manager und deren Verteilung über AWS IoT Greengrass für Geräte mit intermittierender Konnektivität und strengen Latenz- oder Datenschutzanforderungen. Häufige Fallstricke für Praktiker sind die Wahl von Echtzeit-Endpunkten für sporadischen Traffic (was zu hohen Kosten führt), das Versäumnis, Kaltstarts bei Serverless-Bereitstellungen zu testen, und die Unterschätzung des Speicher-/GPU-Bedarfs für Multi-Model-Endpunkte. Entscheidungen sollten sich an SLOs (p99-Latenz, Durchsatz), der Modellgröße, Nebenläufigkeitsmustern und der erwarteten Häufigkeit von Updates orientieren; das Profiling mit repräsentativem Traffic ist entscheidend, bevor man sich für ein Hosting-Muster entscheidet.

Modell-Registry, Pipelines und CI/CD für wiederholbare Bereitstellungen

Ein robuster Produktions-Workflow verwendet die SageMaker Model Registry, um Artefakte zu versionieren, die Herkunft des Modells (Lineage) zu erfassen und Genehmigungs-Workflows zu verwalten, sowie SageMaker Pipelines, um wiederholbare Trainings-, Validierungs- und Bereitstellungsschritte zu komponieren. Die Integration einer Git-basierten Quellcodeverwaltung mit AWS CodePipeline und CodeBuild ermöglicht CI für den Modellcode: Unit-Tests, Überprüfungen des Datenschemas und eine automatisierte Modellevaluierung, die die Beförderung in die Registry steuert. Die Bereitstellungsautomatisierung sollte gestaffelte Umgebungen (dev → staging → prod) implementieren und automatische Rollbacks oder Traffic-Verschiebungen über Endpunkt-Varianten, Blue/Green-Deployments oder Lambda-basiertes Routing unterstützen. Feature Stores (SageMaker Feature Store) gewährleisten die Konsistenz zwischen Training und Inferenz, indem sie Feature-Definitionen und Zeitstempel speichern. Häufige Fallstricke sind das Versäumnis, Hyperparameter und Umgebungsversionen aufzuzeichnen, die fehlende Automatisierung von Validierungstests (Datenschema, Leistungsschwellenwerte) und das Fehlen von unveränderlichen (immutable) Artefakten (speichern Sie Modell-Artefakte in S3 oder ECR). Verwenden Sie Infrastructure-as-Code (CloudFormation oder CDK) für die Endpunktkonfiguration, stellen Sie die Reproduzierbarkeit durch das Festpinnen (Pinning) von Bibliotheken und Seeds sicher und planen Sie Retraining-Auslöser (Data Drift, periodische Zeitpläne), die in dieselbe Pipeline integriert sind.

Überwachung, Model Monitor und betriebliche Kontrollen

Die betriebliche Überwachung muss Data Drift, Concept Drift, Leistungsabfall, Latenz und Ressourcenauslastung abdecken. Amazon SageMaker Model Monitor kann Baseline-Verteilungen des Trainings erstellen und den Inferenz-Traffic kontinuierlich auf Feature Drift, fehlende Werte und Schemaänderungen überprüfen; wenn Ground-Truth-Daten verfügbar sind, kann Model Monitor auch die Vorhersagequalität und den Target Drift verfolgen. Instrumentieren Sie die Inferenz-Protokollierung nach Amazon S3 und CloudWatch und streamen Sie Protokolle in Amazon Kinesis oder Amazon EventBridge für Echtzeit-Benachrichtigungen und automatisierte Pipeline-Auslöser. Vermeiden Sie häufige Fehler wie jeden Drift-Alarm als Signal für ein Retraining zu behandeln – vorübergehende Verschiebungen und Saisonalität können zu Fehlalarmen (False Positives) führen – oder Schwellenwerte festzulegen, ohne die natürliche Varianz zu verstehen. Bei unausgeglichenen Klassen sind Precision, Recall und F1-Score der Accuracy vorzuziehen, um eine aussagekräftige Verschlechterung zu erkennen. Implementieren Sie RBAC und Verschlüsselung (KMS) für Modell-Artefakte, verwenden Sie VPC-Endpunkte und AWS PrivateLink für einen sicheren Service-Zugriff und erfassen Sie Audit-Protokolle über AWS CloudTrail. Führen Sie betriebliche Playbooks zur Problembehebung: Validieren Sie Datenpipelines, vergleichen Sie die Leistung neuerer Kohorten und führen Sie entweder ein Retraining, ein Rollback oder Kalibrierungs- und Feature-Korrekturen durch.

• Wichtige Bewertungsmetriken und wann sie zu verwenden sind
  • Accuracy (Genauigkeit): allgemeine Korrektheit; irreführend bei unausgeglichenen Daten
  • Precision (Präzision): Korrektheit der positiven Vorhersagen; verwenden, wenn Falsch-Positive kostspielig sind
  • Recall (Sensitivität): Fähigkeit, positive Fälle zu finden; verwenden, wenn Falsch-Negative kostspielig sind
  • F1-Score: harmonisches Mittel aus Precision und Recall; ausgewogene Wahl bei unausgeglichenen Klassen
  • AUC-ROC: Qualität des Rankings über verschiedene Schwellenwerte hinweg; nützlich für binäre Klassifikatoren, unabhängig vom Schwellenwert

Erklärbarkeit, Model Cards und Compliance-konforme Kontrollen

Erklärbarkeit muss operationalisierbar, auditierbar und auf die Bedürfnisse der Stakeholder zugeschnitten sein. Amazon SageMaker Clarify bietet Bias-Prüfungen vor dem Training, Bias-Metriken nach dem Training und Feature-Attributionen pro Vorhersage mittels SHAP, die zur Inferenzzeit oder in Offline-Batches erstellt werden können. Laufzeiterklärungen sollten zusammen mit Vorhersagen und Fingerprints der Eingabedaten protokolliert werden, um die Nachverfolgbarkeit zu gewährleisten; speichern Sie die Erklärungen in S3 und indizieren Sie sie für den Abruf. Model Cards dokumentieren den beabsichtigten Verwendungszweck, die Datenherkunft, Evaluationsmetriken für relevante Datensegmente, bekannte Einschränkungen und Leistungsvorbehalte; pflegen Sie die Versionen der Model Cards in der Model Registry, um die Governance-Anforderungen zu erfüllen. Anwendungsfälle im Finanzwesen und in regulierten Branchen erfordern deterministische Audit-Trails: Bewahren Sie Modell-Artefakte, Hyperparameter, Evaluationsdaten und Erklärungsprotokolle auf; implementieren Sie Genehmigungs-Gates mit menschlicher Beteiligung (Human-in-the-Loop) für Entscheidungen mit großer Auswirkung und pflegen Sie kontrafaktische Erklärungen für schwierige Fälle. Für eine sichere Integration mit verwalteten Foundation Models verwenden Sie AWS PrivateLink Interface-Endpunkte, um Amazon Bedrock aus einer VPC heraus aufzurufen, verschlüsseln Sie Payloads mit KMS und wenden Sie granulare IAM- und Netzwerkkontrollen an. Die Wahl der Services für die Speicherung von Embeddings und die Vektorsuche hängt von den Abrufanforderungen ab; vergleichen Sie die Optionen nach Leistung und Betriebskosten:

• Amazon OpenSearch Service (k-NN): skalierbare Vektorsuche mit integrierter Analytik
• Amazon Kendra: verwaltete semantische Suche mit integrierten Konnektoren und Unternehmensfunktionen
• Amazon RDS (Postgres + pgvector): transaktionaler Vektorspeicher, einfacher für relationale Datensätze
• Benutzerdefinierte ANN auf Amazon EKS oder ECS: höchste Flexibilität für NMSLIB/FAISS, aber größerer Betriebsaufwand

Praktisches Problem: Anwendungsfallszenario

Szenario: FinSight betreibt eine Pipeline zur Kreditentscheidung in AWS und nutzt SageMaker für das Modelltraining, Bedrock für unterstützende generative Erklärungen und Amazon S3 für Daten. Die Modelle werden als SageMaker Echtzeit-Endpunkte innerhalb einer VPC bereitgestellt, und Model Monitor ist aktiviert, um ein Profil der eingehenden Features zu erstellen.

Herausforderung: Model Monitor hat einen Feature-Drift gemeldet, der die Schwellenwerte überschreitet. Zudem erfordern Geschäftsvorschriften auditierbare und erklärbare Entscheidungen für alle automatisierten Änderungen von Kreditlimits.

Empfohlener Ansatz:

1. Verwenden Sie Alarme von SageMaker Model Monitor, um eine EventBridge-Regel auszulösen, die die Drift-Daten an einen SageMaker Pipelines Retraining-Workflow sendet. Erstellen Sie zudem einen Snapshot der aktuellen Inferenzdaten und der jüngsten Eingabedaten in einem S3-Quarantäne-Bucket.
2. Führen Sie einen automatisierten Validierungsjob innerhalb von SageMaker Pipelines aus, der die Verteilungen der jüngsten Daten mit der Baseline vergleicht, Evaluationsmetriken (Precision/Recall/F1) berechnet und mit SageMaker Clarify für eine repräsentative Kohorte SHAP-Erklärungen pro Stichprobe erstellt.
3. Wenn die automatisierten Prüfungen erfolgreich sind, registrieren Sie das neue Modell in der SageMaker Model Registry mit einer aktualisierten Model Card, die Leistungssegmente und Erklärungen erfasst; nutzen Sie Endpunktvarianten und Traffic Shifting für ein gestuftes Rollout. Wenn die Prüfungen fehlschlagen, erstellen Sie einen Incident in der Ops-Warteschlange und leiten Sie vor einem Rollout einen menschlichen Überprüfungsschritt ein.
4. Für sichere Bedrock-Aufrufe, die menschenlesbare Erklärungen generieren, leiten Sie den Bedrock-Traffic über AWS PrivateLink und verschlüsseln Sie die Payloads mit KMS; protokollieren Sie alle Erklärungsausgaben in S3 und verknüpfen Sie sie zur Auditierbarkeit mit den Inferenzdatensätzen.

Begründung: Dieser Ansatz kombiniert automatisierte Erkennung, reproduzierbare Validierung und ein abgesichertes Deployment mit Audit-Trails und Erklärungen pro Entscheidung. Dadurch werden operative Kontrollen mit regulatorischer Transparenz in Einklang gebracht und fälschliche Neutrainings- oder Rollback-Aktionen minimiert.

← Modelltraining · Alle Domänen · Kostenoptimierung →

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

Amazon durchsuchen →