Amazon AIF-C01: Usługi AWS AI/ML — Przewodnik do nauki

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

Część AWS AI Practitioner AIF-C01 — Przewodnik do nauki. Ćwicz ze zweryfikowanymi odpowiedziami w centrum egzaminów Amazon, albo rozwiąż testy na czas na ExamRoll.io.

Modele fundamentalne, Amazon Bedrock i wzorce wnioskowania

Modele fundamentalne hostowane w Amazon Bedrock zapewniają szybką ścieżkę do uzyskania zdolności generatywnych z wykorzystaniem wielu rodzin modeli, w tym opcji o wysokiej przepustowości i dostrojonych do instrukcji, takich jak Q i Nova. Wybieraj między uczeniem w kontekście (in-context learning) a dostosowywaniem: prompty typu few-shot są tanie w iteracji, ale wrażliwe na ataki prompt injection i niestabilne przy zmianach w dystrybucji danych; dostrajanie zoptymalizowane pod kątem liczby parametrów (parameter-efficient fine‑tuning) lub pełna kastomizacja redukują koszt i opóźnienie pojedynczego wnioskowania kosztem zarządzania danymi (data governance) i złożoności ponownego trenowania. Koszt i opóźnienie wnioskowania zależą głównie od wielkości modelu oraz liczby przetwarzanych tokenów wejściowych i wyjściowych, dlatego projektuj zwięzłe prompty, buforuj częste odpowiedzi i preferuj mniejsze, wyspecjalizowane modele dla punktów końcowych o dużym natężeniu ruchu. Częste pułapki, w które wpadają praktycy, to traktowanie odpowiedzi LLM jako autorytatywnych bez ich ugruntowania (grounding), brak kontroli nad wrażliwymi danymi wprowadzanymi do promptów oraz brak instrumentacji szablonów i wersji promptów. Kryteria decyzyjne powinny uwzględniać opóźnienie, koszt tokenów, prywatność i własność modelu: używaj prywatnej łączności Bedrock i szyfrowania KMS, gdy wymogi regulacyjne wymagają izolacji danych, lub wybierz modele hostowane na SageMaker, gdy potrzebujesz pełnej kontroli nad artefaktami treningowymi i narzędziami do wyjaśnialności. Wdróż sanityzację danych wejściowych, niezmienne instrukcje na poziomie systemowym oraz warstwowe kontrole bezpieczeństwa, aby ograniczyć ataki oparte na promptach i wyciek promptów systemowych.

SageMaker do trenowania, wdrażania i zarządzania modelami

Amazon SageMaker pozostaje główną zarządzaną ścieżką, gdy wymagana jest pełna kontrola nad trenowaniem, wyjaśnialność (explainability) i produkcyjnej klasy MLOps. Używaj SageMaker Training i instancji do trenowania rozproszonego dla dużych zbiorów danych, SageMaker Studio do kompleksowego rozwoju (end‑to‑end) oraz Model Registry do wersjonowania. Do prognozowania szeregów czasowych dla wielu powiązanych jednostek SKU, SageMaker DeepAR dostarcza prognozy probabilistyczne i działa najlepiej, gdy masz wiele podobnych serii i współzmiennych (covariates). SageMaker Clarify pomaga wykrywać stronniczość (bias) i obliczać metryki sprawiedliwości, podczas gdy SageMaker Model Monitor śledzi dryf danych i jakość predykcji w środowisku produkcyjnym. Częste pułapki to pozostawianie notatników Studio z szerokimi uprawnieniami do S3, niedoszacowanie typów instancji do trenowania rozproszonego i pomijanie śledzenia pochodzenia zbioru danych (dataset provenance). Kryteria decyzyjne przy wyborze między Bedrock a SageMaker często koncentrują się na potrzebach dostosowywania, kontroli regulacyjnej i wyjaśnialności: wybierz Bedrock do szybkiego prototypowania z wysokiej jakości modelami FM, a SageMaker, gdy wymagasz śledzenia na poziomie cech (feature-level tracing), wyjaśnień SHAP, audytów stronniczości lub prywatnych środowisk wykonawczych bez dostępu do internetu, wykorzystujących punkty końcowe VPC i bramy S3 VPC.

Wyszukiwanie, multimodalne pozyskiwanie danych i strategie ugruntowania

Wiarygodne, oparte na faktach odpowiedzi wymagają ugruntowania w nieustrukturyzowanych korpusach danych za pomocą techniki Retrieval Augmented Generation (RAG). Pozyskuj dokumenty za pomocą Textract do skanowanych formularzy i OCR, Transcribe i Polly do potoków przetwarzania mowy, Rekognition do analizy obrazu i filtrów bezpieczeństwa oraz Comprehend do ekstrakcji encji i wykrywania danych PII. Przechowuj osadzenia wektorowe (vector embeddings) w OpenSearch lub wyspecjalizowanej bazie danych wektorowej; użyj Amazon Kendra, gdy potrzebujesz zarządzanego wyszukiwania semantycznego z bogatymi konektorami i dostrajaniem trafności. Projektuj chatboty, używając Bedrock do generowania treści oraz Kendra lub magazynu osadzeń do ich wyszukiwania, podczas gdy Amazon Lex pozostaje użyteczny do kierowania intencji (intent routing) i wypełniania slotów w przepływach deterministycznych. Agents for Bedrock są przydatne przy orkiestracji użycia narzędzi, zewnętrznych API lub wieloetapowego rozumowania, ale wymagają solidnych poświadczeń i weryfikatorów narzędzi, aby uniknąć niebezpiecznych działań. Pułapki dla praktyków obejmują brak paginacji dużych korpusów danych, ignorowanie wpływu opóźnień wyszukiwania na doświadczenie użytkownika oraz brak wersjonowania indeksu wyszukiwania; decyzje powinny równoważyć aktualność danych, częstotliwość aktualizacji indeksu i koszt przechowywania wektorów w stosunku do ryzyka halucynacji.

Bezpieczeństwo, prywatność, wyjaśnialność i ocena

Bezpieczeństwo i ład korporacyjny (governance) opierają się na modelu współdzielonej odpowiedzialności (shared responsibility model): AWS zarządza infrastrukturą usługi, ale klient musi klasyfikować dane, zarządzać rolami IAM, szyfrować dane za pomocą KMS oraz kontrolować dostęp sieciowy przez punkty końcowe VPC i PrivateLink. W przypadku wrażliwych lub regulowanych obciążeń roboczych, uruchamiaj SageMaker w VPC bez dostępu do internetu, używając bramkowych punktów końcowych S3 i korzystając z opcji sieci prywatnej w Bedrock. Zaimplementuj zautomatyzowaną redakcję danych PII (danych osobowych) przed treningiem, używając Comprehend i Textract do wstępnego przetwarzania. Rozważ zastosowanie różnicowej prywatności (differential privacy) lub minimalizacji danych (data minimization), gdy zbiory danych zawierają informacje poufne. Wyjaśnialność i wykrywanie stronniczości (bias) wymagają narzędzi takich jak SageMaker Clarify, wyjaśnień SHAP oraz przepływów pracy z weryfikacją przez człowieka (human review) za pośrednictwem Amazon Augmented AI dla przypadków brzegowych. Monitoruj modele za pomocą metryk Model Monitor, takich jak dryf cech (feature drift), dryf predykcji (prediction drift) oraz niestandardowe kontrole faktyczności dla potoków RAG. Częste błędy to traktowanie bezpieczeństwa gotowych modeli (off-the-shelf) jako wystarczającego, brak logowania promptów i odpowiedzi na potrzeby audytu oraz nieprzechowywanie zbiorów walidacyjnych z kontrolowanym dostępem. Decyzje dotyczące ładu korporacyjnego (governance) powinny obejmować polityki usuwania danych oraz procedury reagowania na incydenty, takie jak ekstrakcja modelu lub wyciek danych.

Problem praktyczny: Scenariusz użycia

Scenariusz: Nimbus Retail prowadzi globalną sieć sklepów stacjonarnych i przechowuje dane sprzedażowe oraz zdjęcia produktów w Amazon S3. Ich środowisko AI w AWS obejmuje SageMaker Studio, dostęp do Amazon Bedrock, Amazon Kendra, OpenSearch Service oraz Amazon QuickSight do analityki biznesowej (BI).

Wyzwanie: Nimbus potrzebuje asystenta opartego na LLM do generowania kontekstowych opisów produktów i zlokalizowanych tłumaczeń, przy jednoczesnym zapewnieniu zgodności z faktami, ochronie poufnych danych klientów i dostawców oraz tworzeniu tygodniowych rankingów najlepiej sprzedających się produktów dla menedżerów sklepów.

Zalecane podejście:

Użyj Amazon Textract do ekstrakcji ustrukturyzowanych atrybutów z dokumentów produktowych oraz Rekognition do walidacji i tagowania zdjęć produktów, przechowując oczyszczone zasoby w zaszyfrowanym buckecie S3 z użyciem KMS i restrykcyjnych ról IAM.
Zbuduj indeks wektorów osadzonych (embeddings) w OpenSearch lub zarządzanej bazie wektorowej (vector store), zasilany osadzeniami z enkodera Bedrock. Użyj Kendra do semantycznego wyszukiwania dokumentów z politykami i specyfikacjami.
Zaimplementuj potok RAG: użyj Bedrock do generowania treści z kontekstem z wyszukiwania (retrieval), zastosuj filtr faktyczności za pomocą Comprehend i niestandardowych zapytań weryfikacyjnych do zindeksowanego korpusu, a wszystkie prompty i odpowiedzi loguj do CloudTrail oraz w audytowym buckecie S3.
Generuj tygodniowe wykresy za pomocą Amazon QuickSight, zasilanego zagregowanymi danymi sprzedaży z zapytań Athena do jeziora danych (data lake) w S3. Udostępniaj opisy wygenerowane przez model poprzez punkt końcowy SageMaker do konsumpcji przez interfejs użytkownika (UX), z weryfikacją przez człowieka (human review) za pośrednictwem A2I dla edycji o dużym znaczeniu.

Uzasadnienie: Takie podejście ugruntowuje wyniki generatywne poprzez wyszukiwanie informacji i weryfikację dokumentów, co redukuje halucynacje. Zabezpiecza dane w zaszyfrowanym S3 z dostępem opartym na zasadzie najmniejszych uprawnień (least-privilege) i rozdziela zadania (separation of concerns), wykorzystując zarządzane usługi do indeksowania, generowania i analityki biznesowej (BI), aby zrównoważyć szybkość, ład korporacyjny i dokładność.

← Koncepcje generatywnej AI · Wszystkie domeny · Odpowiedzialna AI i zarządzanie →

Przećwicz te pytania → · Testy na czas na ExamRoll.io →