Amazon AIF-C01: AWS AI/ML 服務 — 學習指南

By Laurynas Brazys · 31 July 2026 · #amazon #aif-c01 #certification #exam-prep #study-guide

屬於 AWS AI Practitioner AIF-C01 — 學習指南. 使用經過驗證的解答練習： Amazon 考試中心, 或參加限時模擬考試： ExamRoll.io.

基礎模型、Amazon Bedrock 與推論模式

透過 Amazon Bedrock 託管的基礎模型，提供了使用多種模型家族（包括高吞吐量和指令微調選項，如 Q 和 Nova）快速獲得生成能力的途徑。在情境中學習 (in-context learning) 和客製化之間做選擇：少樣本提示 (few-shot prompts) 的迭代成本低廉，但對提示注入 (prompt injection) 敏感，且在分佈偏移時不穩定；參數效率微調 (parameter-efficient fine-tuning) 或完整客製化則能降低單次推論成本和延遲，但代價是資料治理和重新訓練的複雜性。推論成本和延遲主要取決於模型大小以及處理的輸入和輸出詞元 (token) 數量，因此應設計簡潔的提示、快取頻繁的回應，並為高流量的端點優先選擇較小的特化模型。從業人員的常見陷阱包括：在沒有提供事實基礎 (grounding) 的情況下將 LLM 的輸出視為權威、未能控制輸入到提示中的敏感資料，以及沒有對提示模板和版本進行檢測。決策標準應權衡延遲、詞元成本、隱私和模型所有權：當法規要求資料隔離時，使用 Bedrock 的私有連線和 KMS 加密；當您需要完全控制訓練產物和可解釋性工具時，則選擇在 SageMaker 上託管的模型。實作輸入清理、不可變的系統級指令，以及分層的安全檢查，以減少基於提示的攻擊和系統提示的洩漏。

用於訓練、部署與模型治理的 SageMaker

當需要完整的訓練控制權、可解釋性以及生產級的 MLOps 時，Amazon SageMaker 仍然是主要的託管路徑。使用 SageMaker Training 和分散式訓練執行個體來處理大型資料集，使用 SageMaker Studio 進行端對端開發，並使用 Model Registry 進行版本控制。對於跨多個相關 SKU 的時間序列預測，SageMaker DeepAR 提供機率性預測，在您擁有許多相似序列和共變數時效果最佳。SageMaker Clarify 有助於偵測偏見並計算公平性指標，而 SageMaker Model Monitor 則在生產環境中追蹤資料漂移和預測品質。常見的陷阱包括：讓 Studio 筆記本擁有過於寬鬆的 S3 權限、為分散式訓練選擇過小的執行個體類型，以及忽略資料集的來源追溯。在 Bedrock 和 SageMaker 之間的決策標準通常圍繞著客製化需求、法規控制和可解釋性：選擇 Bedrock 以利用高品質的基礎模型 (FM) 快速建立原型；當您需要特徵級的追蹤、SHAP 解釋、偏見審核，或使用 VPC 端點和 S3 VPC 閘道建立私有、無網際網路的執行環境時，則選擇 SageMaker。

檢索、多模態擷取與接地策略

要獲得可靠、基於事實的輸出，需要透過檢索增強生成 (Retrieval Augmented Generation) 為非結構化語料庫提供事實基礎。使用 Textract 處理掃描表單和 OCR 來擷取文件，使用 Transcribe 和 Polly 處理語音管道，使用 Rekognition 進行影像分析和安全過濾，並使用 Comprehend 進行實體提取和 PII 偵測。將向量嵌入儲存在 OpenSearch 或專門的向量資料庫中；當您需要具備豐富連接器和關聯性調校功能的託管語意搜尋時，請使用 Amazon Kendra。在架構聊天機器人時，使用 Bedrock 進行生成，並使用 Kendra 或嵌入儲存庫進行檢索；而 Amazon Lex 在確定性流程中對於意圖路由和槽位填充仍然很有用。Agents for Bedrock 在協調工具使用、外部 API 或多步驟推理時很有用，但需要穩健的憑證和工具驗證器以避免不安全的行為。從業人員的陷阱包括：未能對大型語料庫進行分頁處理、忽略檢索延遲對使用者體驗的影響，以及沒有對檢索索引進行版本控制；決策應在新鮮度、索引更新頻率、向量儲存成本與產生幻覺的風險之間取得平衡。

安全性、隱私、可解釋性與評估

安全性與治理遵循責任共擔模型：AWS 負責管理服務基礎設施，但客戶必須對資料進行分類、管理 IAM 角色、使用 KMS 加密資料，並透過 VPC 端點和 PrivateLink 控制網路存取。對於敏感或受監管的工作負載，請在無網際網路存取的 VPC 中執行 SageMaker，搭配 S3 閘道端點，並使用 Bedrock 的私有網路選項。在訓練前，使用 Comprehend 和 Textract 的前處理功能來實作自動化的 PII 編輯，並在資料集包含機密資訊時，考慮採用差分隱私或資料最小化。可解釋性與偏見偵測需要使用 SageMaker Clarify、SHAP 解釋器等工具，並透過 Amazon Augmented AI 為邊緣案例建立人工審核工作流程。使用 Model Monitor 的指標來監控模型，例如特徵偏移、預測偏移，以及針對 RAG 管線的自訂事實性檢查。常見的錯誤是將現成模型的安全性視為足夠、未能記錄提示與回應以供稽核，以及未保留存取受控的驗證資料集；治理決策應包含刪除政策，以及針對模型竊取或資料外洩的事件應變步驟。

實務問題：使用案例情境

情境：Nimbus Retail 經營全球實體店面，並將銷售和產品圖片資料保存在 Amazon S3 中。他們的 AWS AI 環境包括 SageMaker Studio、Amazon Bedrock 存取權、Amazon Kendra、OpenSearch Service，以及用於 BI 的 Amazon QuickSight。

挑戰：Nimbus 需要一個由 LLM 驅動的助理，用以生成符合情境的產品描述和在地化翻譯，同時確保事實準確性、保護客戶和供應商的機密資料，並為店經理製作每週熱銷商品排行榜。

建議方法：

使用 Amazon Textract 從產品文件中提取任何結構化屬性，並使用 Rekognition 驗證和標記產品圖片，將清理過的資產儲存在一個使用 KMS 加密且具備嚴格 IAM 角色的 S3 儲存貯體中。
在 OpenSearch 或一個託管的向量儲存中建立一個嵌入索引，該索引由 Bedrock 編碼器的嵌入所填充；使用 Kendra 對政策和規格文件進行語意檢索。
實作一個 RAG 管線：使用 Bedrock 搭配檢索到的上下文進行生成，應用一個使用 Comprehend 的事實性過濾器，並對索引語料庫執行自訂驗證查詢，然後將所有提示和回應記錄到 CloudTrail 和一個稽核用的 S3 儲存貯體。
使用 Amazon QuickSight 製作每週圖表，其資料來源於透過 Athena 對 S3 資料湖執行的彙總銷售查詢，並將模型生成的描述提供給一個 SageMaker 端點以供 UX 使用，同時透過 A2I 對高影響力的編輯進行人工審核。

基本原理：此方法透過檢索和文件驗證來穩固生成式輸出，以減少幻覺；透過最低權限存取將資料安全地存放在加密的 S3 中；並藉由使用託管服務來處理索引、生成和 BI 來分離關注點，從而在速度、治理和準確性之間取得平衡。

← 生成式 AI 概念 · 所有領域 · 負責任的 AI 與治理 →

練習這些題目 → · 在 ExamRoll.io 上限時練習 →