Amazon AIF-C01: Services IA/ML d'AWS — Guide d'étude

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

Fait partie du AWS AI Practitioner AIF-C01 — Guide d’étude. Entraînez-vous avec des réponses vérifiées dans le centre d’examens Amazon, ou passez des tests chronométrés sur ExamRoll.io.

Modèles de fondation, Amazon Bedrock et patrons d’inférence

Les modèles de fondation hébergés via Amazon Bedrock offrent un chemin rapide vers les capacités génératives en utilisant plusieurs familles de modèles, y compris des options à haut débit et affinées pour les instructions telles que Q et Nova. Choisissez entre l’apprentissage en contexte et la personnalisation : les prompts few-shot sont peu coûteux à itérer mais sensibles à l’injection de prompt et instables face aux changements de distribution ; le fine-tuning efficace en paramètres ou la personnalisation complète réduit le coût et la latence par inférence au détriment de la gouvernance des données et de la complexité du réentraînement. Le coût et la latence de l’inférence sont principalement déterminés par la taille du modèle et le nombre de tokens d’entrée et de sortie traités. Concevez donc des prompts concis, mettez en cache les réponses fréquentes et préférez des modèles spécialisés plus petits pour les points de terminaison à fort volume. Les pièges courants pour les praticiens incluent le fait de traiter les sorties des LLM comme faisant autorité sans ancrage, de ne pas contrôler les données sensibles injectées dans les prompts, et de ne pas instrumenter les modèles et versions de prompts. Les critères de décision doivent prendre en compte la latence, le coût des tokens, la confidentialité et la propriété du modèle : utilisez la connectivité privée de Bedrock et le chiffrement KMS lorsque les contraintes réglementaires exigent l’isolement des données, ou choisissez des modèles hébergés sur SageMaker lorsque vous avez besoin d’un contrôle total sur les artefacts d’entraînement et les outils d’explicabilité. Mettez en œuvre la sanitisation des entrées, des instructions au niveau système qui sont immuables, et des contrôles de sécurité en couches pour réduire les attaques basées sur les prompts et la fuite des prompts système.

SageMaker pour l’entraînement, le déploiement et la gouvernance des modèles

Amazon SageMaker reste la voie gérée principale lorsque le contrôle total de l’entraînement, l’explicabilité et un MLOps de niveau production sont requis. Utilisez SageMaker Training et des instances d’entraînement distribué pour les grands jeux de données, SageMaker Studio pour le développement de bout en bout, et le Model Registry pour le versionnement. Pour la prévision de séries temporelles sur de nombreux SKU connexes, SageMaker DeepAR fournit des prévisions probabilistes et fonctionne mieux lorsque vous disposez de nombreuses séries et covariables similaires. SageMaker Clarify aide à détecter les biais et à calculer des métriques d’équité, tandis que SageMaker Model Monitor suit la dérive des données et la qualité des prédictions en production. Les pièges courants incluent le fait de laisser des notebooks Studio avec des permissions S3 étendues, de sous-dimensionner les types d’instances pour l’entraînement distribué, et d’ignorer la provenance des jeux de données. Les critères de décision entre Bedrock et SageMaker tournent souvent autour des besoins de personnalisation, des contrôles réglementaires et de l’explicabilité : choisissez Bedrock pour prototyper rapidement avec des modèles de fondation (FM) de haute qualité et SageMaker lorsque vous avez besoin d’un traçage au niveau des caractéristiques (features), d’explications SHAP, d’audits de biais, ou d’environnements d’exécution privés sans accès à Internet utilisant des points de terminaison VPC et des passerelles VPC S3.

Stratégies de récupération, d’ingestion multimodale et d’ancrage

Des sorties fiables et factuelles nécessitent d’ancrer des corpus non structurés avec la Génération Augmentée par Récupération. Ingérez des documents en utilisant Textract pour les formulaires numérisés et l’OCR, Transcribe et Polly pour les pipelines vocaux, Rekognition pour l’analyse d’images et les filtres de sécurité, et Comprehend pour l’extraction d’entités et la détection de PII. Stockez les plongements vectoriels dans une base de données OpenSearch ou une base de données vectorielle spécialisée ; utilisez Amazon Kendra lorsque vous avez besoin d’une recherche sémantique gérée avec des connecteurs riches et un réglage de la pertinence. Architecturez des chatbots avec Bedrock pour la génération et Kendra ou un magasin de plongements (embeddings) pour la récupération, tandis qu’Amazon Lex reste utile pour le routage d’intentions et le remplissage de slots dans des flux déterministes. Les Agents pour Bedrock sont utiles pour orchestrer l’utilisation d’outils, d’API externes ou un raisonnement en plusieurs étapes, mais nécessitent des informations d’identification robustes et des vérificateurs d’outils pour éviter les actions dangereuses. Les écueils pour les praticiens incluent l’oubli de paginer les grands corpus, l’ignorance des impacts de la latence de récupération sur l’expérience utilisateur, et le non-versionnement de l’index de récupération ; les décisions doivent équilibrer la fraîcheur, la cadence de mise à jour de l’index, et le coût du stockage vectoriel par rapport au risque d’hallucination.

Sécurité, confidentialité, explicabilité et évaluation

La sécurité et la gouvernance suivent un modèle de responsabilité partagée : AWS gère l’infrastructure du service, mais le client doit classifier les données, gérer les rôles IAM, chiffrer les données avec KMS et contrôler l’accès réseau via des points de terminaison VPC et PrivateLink. Pour les charges de travail sensibles ou réglementées, exécutez SageMaker dans un VPC sans accès à Internet avec des points de terminaison de passerelle S3 et utilisez les options de réseau privé de Bedrock. Mettez en œuvre une rédaction automatisée des PII avant l’entraînement en utilisant le prétraitement avec Comprehend et Textract, et envisagez la confidentialité différentielle ou la minimisation des données lorsque les jeux de données contiennent des informations confidentielles. L’explicabilité et la détection de biais nécessitent des outils tels que SageMaker Clarify, les explicateurs SHAP et des flux de travail de révision humaine via Amazon Augmented AI pour les cas limites. Surveillez les modèles avec les métriques de Model Monitor telles que la dérive des caractéristiques (feature drift), la dérive des prédictions (prediction drift) et les vérifications de factualité personnalisées pour les pipelines RAG. Les erreurs courantes consistent à considérer la sécurité des modèles prêts à l’emploi comme suffisante, à ne pas journaliser les invites et les réponses pour l’audit, et à ne pas conserver les jeux de données de validation avec un accès contrôlé ; les décisions de gouvernance doivent inclure des politiques de suppression et des étapes de réponse aux incidents en cas d’extraction de modèle ou de fuite de données.

Problème pratique : Scénario d’utilisation

Scénario : Nimbus Retail exploite des magasins physiques dans le monde entier et conserve les données de vente et les images de produits dans Amazon S3. Leur environnement d’IA AWS comprend SageMaker Studio, un accès à Amazon Bedrock, Amazon Kendra, OpenSearch Service et Amazon QuickSight pour la BI.

Défi : Nimbus a besoin d’un assistant basé sur un LLM pour générer des descriptions de produits contextuelles et des traductions localisées tout en garantissant l’exactitude factuelle, en protégeant les données confidentielles des clients et des fournisseurs, et en produisant des classements hebdomadaires des meilleures ventes pour les directeurs de magasin.

Approche recommandée :

Utilisez Amazon Textract pour extraire les attributs structurés des documents de produits et Rekognition pour valider et étiqueter les images de produits, en stockant les actifs nettoyés dans un compartiment S3 chiffré avec KMS et des rôles IAM stricts.
Créez un index d’embeddings dans OpenSearch ou une banque de vecteurs gérée, alimenté par les embeddings d’un encodeur Bedrock ; utilisez Kendra pour la recherche sémantique de documents de politique et de spécifications.
Mettez en œuvre un pipeline RAG : utilisez Bedrock pour la génération avec un contexte de recherche (retrieval), appliquez un filtre de factualité à l’aide de Comprehend et de requêtes de vérification personnalisées sur le corpus indexé, et journalisez toutes les invites et réponses dans CloudTrail et un compartiment S3 d’audit.
Produisez des graphiques hebdomadaires avec Amazon QuickSight alimenté par les ventes agrégées provenant de requêtes Athena sur le lac de données S3, et exposez les descriptions générées par le modèle via un point de terminaison SageMaker pour la consommation par l’UX, avec une révision humaine via A2I pour les modifications à fort impact.

Justification : Cette approche ancre les sorties génératives avec la recherche (retrieval) et la vérification de documents pour réduire les hallucinations, sécurise les données dans S3 chiffré avec un accès au moindre privilège, et sépare les préoccupations en utilisant des services gérés pour l’indexation, la génération et la BI afin d’équilibrer la vitesse, la gouvernance et la précision.

← Concepts de l’IA générative · Tous les domaines · IA responsable et gouvernance →

Entraînez-vous sur ces questions → · Tests chronométrés sur ExamRoll.io →