Amazon AIF-C01: AWS AI/ML Diensten — Studiegids

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

Onderdeel van de AWS AI Practitioner AIF-C01 — Studiegids. Oefen met geverifieerde antwoorden in het Amazon-examencentrum, of doe getimede oefentests op ExamRoll.io.

Foundation models, Amazon Bedrock en inferentiepatronen

Foundation models die via Amazon Bedrock worden gehost, bieden een snelle route naar generatieve mogelijkheden met behulp van meerdere modelfamilies, inclusief opties met hoge doorvoer en ‘instruction-tuned’ modellen zoals Q en Nova. Kies tussen in-context learning en maatwerk: few-shot prompts zijn goedkoop om op te itereren, maar gevoelig voor prompt injection en instabiel bij distributieverschuivingen; parameter-efficiënte fine-tuning of volledige customisatie verlaagt de kosten en latentie per inferentie, ten koste van complexiteit in data governance en hertraining. De kosten en latentie van inferentie worden voornamelijk bepaald door de modelgrootte en het aantal verwerkte input- en output-tokens. Ontwerp daarom beknopte prompts, cache veelvoorkomende antwoorden en geef de voorkeur aan kleinere, gespecialiseerde modellen voor endpoints met een hoog volume. Veelvoorkomende valkuilen voor practitioners zijn het behandelen van LLM-outputs als gezaghebbend zonder grounding, het niet controleren van gevoelige data die in prompts wordt ingevoerd, en het niet instrumenteren van prompt templates en versies. Beslissingscriteria moeten latentie, tokenkosten, privacy en modeleigendom afwegen: gebruik de private connectiviteit en KMS-encryptie van Bedrock wanneer regelgeving data-isolatie vereist, of kies voor modellen die op SageMaker worden gehost als u volledige controle nodig heeft over trainingsartefacten en explainability-tools. Implementeer input-sanering, onveranderlijke instructies op systeemniveau en gelaagde veiligheidscontroles om prompt-gebaseerde aanvallen en het lekken van systeemprompts te verminderen.

SageMaker voor training, deployment en model governance

Amazon SageMaker blijft de primaire beheerde route wanneer volledige controle over training, explainability en MLOps van productiekwaliteit vereist zijn. Gebruik SageMaker Training en gedistribueerde training-instances voor grote datasets, SageMaker Studio voor end-to-end ontwikkeling, en de Model Registry voor versiebeheer. Voor tijdreeksprognoses over veel gerelateerde SKU’s biedt SageMaker DeepAR probabilistische prognoses en werkt het best wanneer u veel vergelijkbare reeksen en covariaten heeft. SageMaker Clarify helpt bij het detecteren van bias en het berekenen van fairness-statistieken, terwijl SageMaker Model Monitor data drift en de kwaliteit van voorspellingen in productie bijhoudt. Veelvoorkomende valkuilen zijn het achterlaten van Studio-notebooks met te ruime S3-permissies, het onderschatten van de instance-types voor gedistribueerde training, en het overslaan van de herkomst van de dataset. De beslissingscriteria tussen Bedrock en SageMaker draaien vaak om de behoefte aan maatwerk, wettelijke controles en explainability: kies Bedrock om snel te prototypen met hoogwaardige FM’s en SageMaker wanneer u tracing op feature-niveau, SHAP-verklaringen, bias-audits of private uitvoeringsomgevingen zonder internet nodig heeft met behulp van VPC-eindpunten en S3 VPC-gateways.

Retrieval, multimodale ingestie en grounding-strategieën

Betrouwbare, feitelijke outputs vereisen grounding van ongestructureerde corpora met Retrieval Augmented Generation. Neem documenten op met Textract voor gescande formulieren en OCR, Transcribe en Polly voor spraak-pipelines, Rekognition voor beeldanalyse en veiligheidsfilters, en Comprehend voor entiteitsextractie en PII-detectie. Sla vector embeddings op in een OpenSearch of een gespecialiseerde vector-DB; gebruik Amazon Kendra wanneer u beheerd semantisch zoeken met uitgebreide connectoren en relevantie-tuning nodig heeft. Ontwerp chatbots met Bedrock voor generatie en Kendra of een embeddings-opslag voor retrieval, terwijl Amazon Lex nuttig blijft voor intent-routing en slot filling in deterministische flows. Agents for Bedrock zijn nuttig bij het orkestreren van het gebruik van tools, externe API’s of redeneren in meerdere stappen, maar vereisen robuuste credentials en tool-verifieerders om onveilige acties te voorkomen. Valkuilen voor practitioners zijn onder meer het niet pagineren van grote corpora, het negeren van de impact van retrieval-latentie op de gebruikerservaring, en het niet toepassen van versiebeheer op de retrieval-index; beslissingen moeten een balans vinden tussen actualiteit, de cadans van indexupdates en de kosten van vectoropslag versus het risico op hallucinatie.

Beveiliging, privacy, uitlegbaarheid en evaluatie

Beveiliging en governance volgen een ‘shared responsibility model’: AWS beheert de service-infrastructuur, maar de klant moet data classificeren, IAM-rollen beheren, data versleutelen met KMS en de netwerktoegang controleren via VPC-endpoints en PrivateLink. Voor gevoelige of gereguleerde workloads, draai SageMaker in een VPC zonder internettoegang met S3 gateway-endpoints en gebruik de private networking-opties van Bedrock. Implementeer geautomatiseerde PII-redactie vóór het trainen met behulp van Comprehend en Textract pre-processing, en overweeg ‘differential privacy’ of dataminimalisatie wanneer datasets vertrouwelijke informatie bevatten. Uitlegbaarheid en bias-detectie vereisen tools zoals SageMaker Clarify, SHAP explainers en workflows voor menselijke beoordeling via Amazon Augmented AI voor edge cases. Monitor modellen met Model Monitor-metrics zoals ‘feature drift’, ‘prediction drift’ en aangepaste feitelijkheidscontroles voor RAG-pipelines. Veelgemaakte fouten zijn het beschouwen van de veiligheid van kant-en-klare modellen als voldoende, het niet loggen van prompts en responses voor auditdoeleinden, en het niet bewaren van validatiedatasets met gecontroleerde toegang; governance-beslissingen moeten verwijderingsbeleid en stappen voor incidentrespons omvatten voor ‘model extraction’ of datalekken.

Praktijkprobleem: Gebruikersscenario

Scenario: Nimbus Retail exploiteert wereldwijd fysieke winkels en bewaart verkoop- en productafbeeldingsdata in Amazon S3. Hun AWS AI-omgeving omvat SageMaker Studio, toegang tot Amazon Bedrock, Amazon Kendra, OpenSearch Service en Amazon QuickSight voor BI.

Uitdaging: Nimbus heeft een LLM-aangedreven assistent nodig om contextuele productbeschrijvingen en gelokaliseerde vertalingen te genereren, terwijl de feitelijke juistheid wordt gegarandeerd, vertrouwelijke klant- en leveranciersdata wordt beschermd en wekelijkse top-seller-grafieken voor winkelmanagers worden geproduceerd.

Aanbevolen Aanpak:

1. Gebruik Amazon Textract om gestructureerde attributen uit productdocumenten te extraheren en Rekognition om productafbeeldingen te valideren en te taggen. Sla de opgeschoonde assets op in een versleutelde S3-bucket met KMS en strikte IAM-rollen.
2. Bouw een embeddings-index in OpenSearch of een beheerde vector store, gevuld met embeddings van een Bedrock-encoder; gebruik Kendra voor semantische retrieval van beleids- en specificatiedocumenten.
3. Implementeer een RAG-pipeline: gebruik Bedrock voor generatie met retrieval-context, pas een feitelijkheidsfilter toe met Comprehend en aangepaste verificatiequery’s op het geïndexeerde corpus, en log alle prompts en responses naar CloudTrail en een audit S3-bucket.
4. Produceer wekelijkse grafieken met Amazon QuickSight, gevoed door geaggregeerde verkoopdata uit Athena-query’s over het S3-datalake. Publiceer de door het model gegenereerde beschrijvingen naar een SageMaker-endpoint voor consumptie door de UX, met menselijke beoordeling via A2I voor aanpassingen met een hoge impact.

Redenering: Deze aanpak grondt de generatieve output met retrieval en documentverificatie om hallucinaties te verminderen, beveiligt data in versleutelde S3 met ’least-privilege’ toegang, en scheidt verantwoordelijkheden door beheerde services te gebruiken voor indexering, generatie en BI om een balans te vinden tussen snelheid, governance en nauwkeurigheid.

← Generatieve AI Concepten · Alle domeinen · Verantwoorde AI en Governance →

Oefen deze vragen → · Getimede oefening op ExamRoll.io →

Blader door Amazon →