Amazon AIF-C01: Сервисы AWS для AI/ML — Руководство по подготовке

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

Часть AWS AI Practitioner AIF-C01 — Руководство по подготовке. Практикуйтесь с проверенными ответами в центре экзаменов Amazon, или пройдите тесты на время на ExamRoll.io.

Фундаментальные модели, Amazon Bedrock и паттерны инференса

Фундаментальные модели, размещенные в Amazon Bedrock, предоставляют быстрый способ получения генеративных возможностей с использованием нескольких семейств моделей, включая высокопроизводительные и настроенные на инструкции опции, такие как Q и Nova. Выбирайте между обучением в контексте и кастомизацией: few-shot промпты дешевы в итерациях, но чувствительны к инъекциям промптов и нестабильны при сдвигах в распределении данных; параметрически-эффективная донастройка или полная кастомизация снижают стоимость и задержку одного вывода за счет усложнения управления данными и переобучения. Стоимость и задержка инференса определяются в первую очередь размером модели и количеством обработанных входных и выходных токенов, поэтому создавайте лаконичные промпты, кэшируйте частые ответы и отдавайте предпочтение меньшим специализированным моделям для высоконагруженных эндпоинтов. Распространенные ошибки специалистов включают отношение к выводам LLM как к авторитетным без фактического обоснования, отсутствие контроля за конфиденциальными данными, передаваемыми в промпты, и отказ от инструментирования шаблонов и версий промптов. Критерии принятия решений должны взвешивать задержку, стоимость токенов, конфиденциальность и владение моделью: используйте приватное подключение Bedrock и шифрование KMS, когда нормативные требования предписывают изоляцию данных, или выбирайте модели, размещенные на SageMaker, когда вам нужен полный контроль над артефактами обучения и инструментами интерпретируемости. Внедряйте санитизацию ввода, неизменяемые инструкции системного уровня и многоуровневые проверки безопасности для снижения атак на основе промптов и утечки системных промптов.

SageMaker для обучения, развертывания и управления моделями

Amazon SageMaker остается основным управляемым решением, когда требуются полный контроль над обучением, интерпретируемость и MLOps промышленного уровня. Используйте SageMaker Training и инстансы для распределенного обучения для больших наборов данных, SageMaker Studio для сквозной разработки и Model Registry для версионирования. Для прогнозирования временных рядов по множеству связанных SKU SageMaker DeepAR предоставляет вероятностные прогнозы и лучше всего работает, когда у вас много схожих рядов и ковариат. SageMaker Clarify помогает обнаруживать смещения и вычислять метрики справедливости, а SageMaker Model Monitor отслеживает дрейф данных и качество прогнозов в производственной среде. Распространенные ошибки включают оставление ноутбуков Studio с широкими правами доступа к S3, выбор инстансов недостаточного размера для распределенного обучения и игнорирование происхождения набора данных. Критерии выбора между Bedrock и SageMaker часто вращаются вокруг потребностей в кастомизации, нормативного контроля и интерпретируемости: выбирайте Bedrock для быстрого прототипирования с высококачественными ФМ и SageMaker, когда вам требуются трассировка на уровне признаков, объяснения SHAP, аудиты на смещение или приватные среды выполнения без доступа в интернет с использованием VPC эндпоинтов и шлюзов S3 VPC.

Извлечение данных, мультимодальная загрузка и стратегии обоснования

Надежные, фактические выводы требуют обоснования на основе неструктурированных корпусов данных с помощью Retrieval Augmented Generation. Загружайте документы с помощью Textract для отсканированных форм и OCR, Transcribe и Polly для конвейеров обработки речи, Rekognition для анализа изображений и фильтров безопасности, а также Comprehend для извлечения сущностей и обнаружения PII. Храните векторные эмбеддинги в OpenSearch или специализированной векторной БД; используйте Amazon Kendra, когда вам нужен управляемый семантический поиск с богатым набором коннекторов и настройкой релевантности. Проектируйте чат-ботов, используя Bedrock для генерации и Kendra или хранилище эмбеддингов для извлечения данных, в то время как Amazon Lex остается полезным для маршрутизации намерений и заполнения слотов в детерминированных сценариях. Агенты для Bedrock полезны при оркестрации использования инструментов, внешних API или многошаговых рассуждений, но требуют надежных учетных данных и верификаторов инструментов во избежание небезопасных действий. Ошибки специалистов включают отказ от разбиения на страницы больших корпусов данных, игнорирование влияния задержки извлечения на пользовательский опыт и отсутствие версионирования индекса для извлечения; решения должны сбалансировать актуальность данных, частоту обновления индекса и стоимость хранения векторов по сравнению с риском галлюцинаций.

Безопасность, конфиденциальность, объяснимость и оценка

Безопасность и управление строятся по модели общей ответственности: AWS управляет инфраструктурой сервиса, но клиент должен классифицировать данные, управлять ролями IAM, шифровать данные с помощью KMS и контролировать сетевой доступ через эндпоинты VPC и PrivateLink. Для чувствительных или регулируемых рабочих нагрузок запускайте SageMaker в VPC без доступа к интернету с шлюзовыми эндпоинтами S3 и используйте опции частной сети Bedrock. Внедрите автоматическое удаление персональных данных (PII) перед обучением с помощью предварительной обработки в Comprehend и Textract, а также рассмотрите возможность использования дифференциальной приватности или минимизации данных, если наборы данных содержат конфиденциальную информацию. Для обеспечения объяснимости и обнаружения предвзятости требуются такие инструменты, как SageMaker Clarify, объяснители SHAP и рабочие процессы проверки человеком через Amazon Augmented AI для пограничных случаев. Отслеживайте модели с помощью метрик Model Monitor, таких как дрейф признаков, дрейф прогнозов и пользовательские проверки фактологической точности для RAG-пайплайнов. Распространенные ошибки — считать безопасность готовых моделей достаточной, не регистрировать промпты и ответы для аудита и не сохранять валидационные наборы данных с контролируемым доступом; решения по управлению должны включать политики удаления и шаги реагирования на инциденты, связанные с извлечением модели или утечкой данных.

Практическая задача: Сценарий использования

Сценарий: Nimbus Retail управляет глобальной сетью физических магазинов и хранит данные о продажах и изображениях товаров в Amazon S3. Их среда AWS AI включает SageMaker Studio, доступ к Amazon Bedrock, Amazon Kendra, OpenSearch Service и Amazon QuickSight для BI.

Задача: Nimbus требуется ассистент на базе LLM для генерации контекстуальных описаний продуктов и локализованных переводов, который бы обеспечивал фактологическую точность, защищал конфиденциальные данные клиентов и поставщиков и создавал еженедельные чарты лидеров продаж для менеджеров магазинов.

Рекомендуемый подход:

1. Используйте Amazon Textract для извлечения любых структурированных атрибутов из документов о продуктах и Rekognition для валидации и тегирования изображений продуктов, сохраняя очищенные активы в зашифрованном бакете S3 с помощью KMS и строгих ролей IAM.
2. Создайте индекс эмбеддингов в OpenSearch или управляемом векторном хранилище, наполненном эмбеддингами из энкодера Bedrock; используйте Kendra для семантического поиска документов с политиками и спецификациями.
3. Реализуйте RAG-пайплайн: используйте Bedrock для генерации с контекстом извлечения, примените фильтр фактологической точности с помощью Comprehend и пользовательских проверочных запросов к индексированному корпусу, а также логируйте все промпты и ответы в CloudTrail и аудиторский бакет S3.
4. Создавайте еженедельные чарты с помощью Amazon QuickSight, получающего данные из агрегированных продаж через запросы Athena к озеру данных в S3, и предоставляйте сгенерированные моделью описания через эндпоинт SageMaker для использования в UX с возможностью проверки человеком через A2I для важных правок.

Обоснование: Этот подход основывает генеративные выходные данные на извлечении и проверке документов для уменьшения галлюцинаций, обеспечивает безопасность данных в зашифрованном S3 с доступом по принципу наименьших привилегий и разделяет задачи, используя управляемые сервисы для индексации, генерации и BI, чтобы сбалансировать скорость, управление и точность.

← Концепции генеративного ИИ · Все домены · Ответственный ИИ и управление →

Отработать эти вопросы → · Тесты на время на ExamRoll.io →

Просмотреть Amazon →