服务支持型网站,做网站还得买域名吗,家居装修公司排名,好玩的微信小程序游戏排行榜前十名文章目录 一、AIF-C01简介二、考试概览三、考试知识点3.1 AI 和 ML 基础知识3.2 生成式人工智能基础3.3 基础模型的应用3.4 负责任 AI 准则3.5 AI 解决方案的安全性、合规性和监管 四、备考课程4.1 「备考训练营」 在线直播课4.2 「SkillBuilder」学习课程 五、常见问题六、参考… 文章目录 一、AIF-C01简介二、考试概览三、考试知识点3.1 AI 和 ML 基础知识3.2 生成式人工智能基础3.3 基础模型的应用3.4 负责任 AI 准则3.5 AI 解决方案的安全性、合规性和监管 四、备考课程4.1 「备考训练营」 在线直播课4.2 「SkillBuilder」学习课程 五、常见问题六、参考链接 一、AIF-C01简介
AWS Certified AI Practitioner (AIF-C01) 考试面向能够有效地展示对 AI/ML、生成式人工智能技术以及相关 AWS 服务和工具整体知识的掌握情况的个人与具体的工作职务无关。 备注在 2025 年 2 月 15 日之前获得此认证可获得额外的 Early Adopter 数字徽章。
二、考试概览
类别基础级考试时长90 分钟考试题型65 题费用100 USD。 访问考试定价了解其他费用信息包括外汇汇率预期应试者熟悉 AWS 上的 AI/ML 技术的个人不一定要使用这些技术构建解决方案应试者角色示例业务分析师、IT 支持、市场营销专业人员、产品或项目经理、业务线或 IT 经理、销售专业人员考试选项Pearson VUE 考试中心或在线监考考试提供的语言英语、日语、韩语、葡萄牙语巴西和简体中文
三、考试知识点
3.1 AI 和 ML 基础知识
人工智能AI是指通过计算机系统模拟人类智能的技术。机器学习ML是AI的一个子领域通过算法让系统从数据中学习自动改进表现。深度学习是机器学习的一个子领域使用神经网络模拟人类大脑来处理复杂的模式识别问题。神经网络是一种仿照生物大脑结构的算法广泛应用于计算机视觉和自然语言处理NLP等领域。 AI中的“模型”是通过训练数据学习到的数学表达而“算法”是实现模型学习的步骤。训练指模型通过已标记数据进行学习而推理则是模型在新数据上的预测过程。推理分为批量推理对多个数据点的离线推理和实时推理即时处理单个数据点。 AI模型中的数据类型包括已标记数据和未标记数据表格数据、时间序列数据、图像数据、文本数据等。结构化数据是有明确格式的数据而非结构化数据则是无特定格式的。监督学习通过已标记的数据进行训练无监督学习使用未标记的数据找出隐藏模式强化学习则通过与环境交互并获得奖励或惩罚来学习。大型语言模型LLM是基于海量文本训练的AI模型。 总结来说AI、ML和深度学习之间存在层次关系三者分别处理从广义智能到特定领域的学习和模式识别。
3.2 生成式人工智能基础
生成式人工智能Generative AI是一种基于算法生成新数据的技术通常通过学习现有数据模式生成类似的数据。核心概念包括词元token、分块chunking、嵌入embedding、向量vector、提示工程prompt engineering以及基于转换器transformer的大型语言模型LLM。基础模型foundation models是预先训练的大型模型适用于多个任务。多模态模型则可以处理多种数据类型如文本、图像和音频。扩散模型通过噪声数据逐步生成高质量输出广泛用于图像生成。 生成式人工智能的潜在使用案例包括图像、视频和音频生成文本摘要、聊天机器人、翻译、代码生成、客户服务、搜索和推荐引擎等。基础模型的生命周期包括数据选择、模型选择、预训练、微调、评估、部署和反馈环节。 生成式AI在业务中有适应性强、响应快速、操作简单等优势但也存在局限性如产生幻觉、不准确、不确定性和可解释性差。在选择生成式AI模型时需要考虑模型类型、性能要求、合规性等因素。生成式AI应用的商业价值可以通过跨领域性能、效率、转化率、每用户平均收入等指标来衡量。 在AWS环境中开发生成式AI应用的服务包括Amazon SageMaker JumpStart、Amazon Bedrock等。这些服务具有易访问、低门槛、高效和成本效益的优势能够加速产品上市并帮助企业实现业务目标。AWS基础设施还提供高安全性、合规性和责任管理。关于成本需要考虑响应能力、可用性、冗余、性能和基于词元的定价模型等因素。
3.3 基础模型的应用
在设计使用基础模型的应用程序时需要注意以下几个方面 首先选择预训练模型时的标准包括成本、支持的模态如文本、图像等、延迟时间、是否支持多语言、模型大小与复杂性、可定制性、输入/输出长度等。推理过程中温度参数和输入/输出长度会影响模型的响应其中温度控制生成内容的多样性而长度则影响生成结果的完整性。检索增强生成RAG是通过结合外部知识库如Amazon Bedrock进行生成的一种方法适用于需要访问大量知识数据的业务场景。AWS服务如Amazon OpenSearch、Aurora、Neptune等可帮助存储向量化的嵌入数据。预训练、微调、上下文学习、RAG自定义方法的成本需要权衡选择合适的方案应考虑业务需求和资源消耗。代理agents在处理多步骤任务时也具有重要作用例如Amazon Bedrock中的代理可以帮助分解复杂任务。 提示工程在生成式AI中起到至关重要的作用它通过精心设计的提示prompt来引导模型生成高质量的结果。提示工程涉及上下文、指令、否定提示等元素而常见的方法包括思维链、零样本、单样本、少量样本提示和提示模板。提示工程的益处在于提升模型的响应质量最佳实践包括精简、特定的提示内容并进行实验与防护。然而提示工程也存在风险如暴露模型漏洞、提示投毒、劫持与越狱等。 在训练和微调基础模型时关键步骤包括预训练、微调和持续预训练。微调模型的方法包括指令优化、针对特定领域调整模型、迁移学习等。微调过程中数据的准备至关重要包括数据的策管、标记、调整大小、确保代表性以及使用人类反馈强化学习RLHF来优化模型。 评估基础模型的性能可以通过人工评估或基准数据集完成。常用的指标有ROUGE用于摘要评估、BLEU用于机器翻译评估、BERTScore等。这些指标帮助确定模型是否有效地满足了业务目标如提升生产力、增加用户参与度或完成特定任务。
3.4 负责任 AI 准则
负责任AI系统的开发旨在确保AI系统能够安全、公平、包容并对所有用户产生积极的影响。负责任AI的特征包括偏见的最小化、公平性、包容性、稳健性、安全性以及生成内容的真实性。为了识别和评估这些特征可以使用各种工具如Amazon Bedrock中的防护机制这些工具能帮助检测模型的输出是否符合伦理标准。 选择AI模型时应遵循负责任的做法包括环境影响的考量、可持续性以及道德责任的履行。同时生成式AI带来的法律风险需要特别注意如知识产权侵权、偏见模型输出导致的信任损失、幻觉输出模型生成的虚假内容带来的终端用户风险等。 数据集特征的包容性、多样性以及策管至关重要确保数据集的平衡能帮助减少模型偏见。偏差bias和方差variance的存在可能对特定人口群体产生不公平影响如过拟合导致不准确预测欠拟合则可能无法有效捕捉数据特征。 负责任AI开发中的偏见、可信度和真实性可以通过多种工具监控和检测包括分析标记数据的质量、人工审核、亚组分析或使用Amazon SageMaker Clarify、SageMaker模型监控器和Amazon A2I等工具。 模型的透明性和可解释性至关重要透明模型能够让用户理解其预测过程而不透明模型则难以解释。识别透明模型的工具包括Amazon SageMaker Model Cards、开源模型和数据、许可等。模型的安全性与透明性之间存在权衡即需要在可解释性与性能之间找到平衡。为了实现可解释AI需遵循以人为本的设计原则确保模型的设计和决策过程符合用户的需求和期望。
3.5 AI 解决方案的安全性、合规性和监管
保护AI系统的方法涵盖了多层次的安全措施和最佳实践。在AWS环境中用于保护AI系统的服务包括IAM身份与访问管理角色、策略与权限控制、加密技术、Amazon Macie用于数据分类和隐私保护、AWS PrivateLink用于私密网络连接以及AWS责任共担模式明确了用户与AWS之间的安全责任划分。此外来源引用和数据沿袭是确保AI系统透明性的重要概念SageMaker Model Cards等工具能够帮助记录数据来源并跟踪模型的开发和更新过程。 在安全数据工程中评估数据质量、实施隐私增强技术、控制数据访问权限和确保数据完整性是关键的最佳实践。AI系统的安全和隐私考虑包括应用程序安全、威胁检测、漏洞管理、基础设施保护、提示注入防护、以及数据的静态和传输加密。 在合规性方面AI系统需遵守多种监管标准如国际标准化组织ISO标准、系统与组织控制SOC报告以及算法问责法律等。AWS提供了多个帮助实现合规的工具和服务包括AWS Config、Amazon Inspector、AWS Audit Manager、AWS Artifact、AWS CloudTrail和AWS Trusted Advisor。这些工具能帮助监控系统的合规状态追踪审计记录确保符合相关法规。 数据监管策略涉及数据的整个生命周期包括数据的日志记录、驻留、监控、保留和观察。此外遵循监管协议的流程应包含明确的政策、定期评审的间隔、审核策略以及生成式人工智能的安全责任矩阵等。透明度标准和团队培训要求也是确保AI系统符合安全和合规要求的重要组成部分。
四、备考课程
4.1 「备考训练营」 在线直播课
免费参与亚马逊云科技官方「备考训练营」 在线直播课
直达链接https://dev.amazoncloud.cn/learn/aitalent/obtainCertificate 4.2 「SkillBuilder」学习课程
可以登录到SkillBuilder参与AIF-C01相关课程学习。
直达链接https://skillbuilder.aws/ 五、常见问题
问题一谁应该获得 AWS Certified AI Practitioner 认证 参加本次考试的理想考生应熟悉 AWS 上的 AI/ML 技术及其用途但不一定在 AWS 上构建 AI/ML 解决方案。 如果您是 IT 和 AWS 云的新手您应该先从 AWS Cloud Practitioner Essentials 或 AWS Technical Essentials 开始。 持有 AWS Certified Cloud Practitioner 或助理级 AWS Certification 的认证人员无需参加基础云课程可以从备考计划中也包含的免费 AI 基础培训开始。 问题二AWS Certified AI Practitioner 将如何帮助我的职业生涯 从事销售、市场营销和产品管理等职位的专业人员通过培训提升技能并通过 AWS Certified AI Practitioner 等认证验证知识将更有能力在职业生涯中取得成功。 根据 2023 年 11 月的 AWS 研究雇主愿意为具有人工智能技能的人员支付更多费用为销售、市场营销领域人员多支付 43%为财务人员多支付 42为业务运营人员多支付 41为 IT 专业人员多支付 47。 问题三AWS Certified AI Practitioner 与 AWS Certified Cloud Practitioner 有何不同 AWS Certified Cloud Practitioner 侧重于 AWS 云的总体知识并对所有 AWS 服务进行基础层面的概述。AWS Certified AI Practitioner 涵盖了广泛的人工智能框架、概念和相关 AWS 技术重点是生成式人工智能。Cloud Practitioner 的考试内容大纲仅包含一条与人工智能相关的任务陈述。 相比之下AWS Certified AI Practitioner 的整个考试内容大纲侧重于人工智能、机器学习和生成式人工智能。您应该参加最符合您的兴趣和需求的考试。如果您想证明自己对 AWS 云和人工智能/机器学习的深入了解也可以选择获得这两个认证。 问题四在 AWS Certified AI Practitioner 之后我接下来应该获得什么认证 对于过渡到云职业的人员我们推荐 AWS Certified Solutions Architect - Associate。对于那些希望从事数据、人工智能和机器学习领域职业的人员我们推荐 AWS Certified Data Engineer - Associate 和/或 AWS Certified Machine Learning Engineer - Associate。 问题五此认证的有效期是多久 此认证的有效期为 3 年。在您的认证到期之前您可以通过最新版本的考试进行再认证或者获取 AWS Certified Machine Learning Engineer - Associate 来自动获得重新认证。 六、参考链接
[1] AWS Certified Cloud Practitioner 认证 | AWS Certification | AWS
[2] https://dev.amazoncloud.cn/learn/aitalent/obtainCertificate
[3] https://mp.weixin.qq.com/s/Jp35qoft-43Kjog3PTT4ow
