Inhaltsdomäne 1: Grundlagen von KI und ML
Die Inhaltsdomäne 1 behandelt die Grundlagen von KI und ML. Ihr Anteil an den gewerteten Prüfungsinhalten beträgt 20 %.
Aufgaben
Aufgabenstellung 1.1: Erläutere grundlegende KI-Konzepte und -Terminologien.
Ziele:
Definiere grundlegende KI-Begriffe (z. B. KI, ML, Deep Learning, neuronale Netzwerke, Computer Vision, natürliche Sprachverarbeitung [NLP], Modell, Algorithmus, Training und Inferenz, Verzerrung, Fairness, Eignung, Large Language Models [LLMs]).
Beschreibe die Ähnlichkeiten und Unterschiede zwischen KI, ML, GenAI und Deep Learning.
Beschreibe verschiedene Arten der Inferenz (z. B. Batch, Echtzeit).
Beschreibe die verschiedenen Datentypen in KI-Modellen (z. B. beschriftet und unbeschriftet, tabellarisch, Zeitreihen, Bild, Text, strukturiert und unstrukturiert).
Beschreibe Supervised Learning, Unsupervised Learning und Reinforcement Learning.
Aufgabenstellung 1.2: Nenne praktische Anwendungsfälle für KI.
Ziele:
Nenne Anwendungen, bei denen KI/ML einen Mehrwert bieten kann (z. B. zur Unterstützung der menschlichen Entscheidungsfindung, Skalierbarkeit von Lösungen, Automatisierung).
Stelle fest, wann KI/ML-Lösungen nicht geeignet sind (z. B. Kosten-Nutzen-Analysen, Situationen, in denen ein bestimmtes Ergebnis anstelle einer Prognose erforderlich ist).
Wähle die geeigneten ML-Techniken für bestimmte Anwendungsfälle aus (z. B. Regression, Klassifizierung, Clustering).
Zähle Beispiele für reale KI-Anwendungen auf (z. B. Computer Vision, NLP, Spracherkennung, Empfehlungssysteme, Betrugserkennung, Prognosen).
Erläutere die Funktionen von AWS-verwalteten KI/ML-Services (z. B. Amazon SageMaker AI, Amazon Transcribe, Amazon Translate, Amazon Comprehend, Amazon Lex, Amazon Polly).
Aufgabenstellung 1.3: Beschreibe den ML-Entwicklungszyklus.
Ziele:
Beschreibe die Komponenten einer ML-Pipeline (z. B. Datenerfassung, explorative Datenanalyse [EDA], Datenvorverarbeitung, Feature Engineering, Modelltraining, Hyperparameter-Tuning, Bewertung, Bereitstellung, Überwachung).
Beschreibe die Quellen von ML-Modellen (z. B. vortrainierte Open-Source-Modelle, benutzerdefinierte Trainingsmodelle).
Beschreibe Methoden für die Verwendung eines Modells in der Produktion (z. B. verwalteter API-Service, selbst gehostete API).
Nenne relevante AWS-Services und -Features für jede Phase einer ML-Pipeline (z. B. SageMaker AI, SageMaker Data Wrangler, SageMaker Feature Store, SageMaker Model Monitor).
Beschreibe grundlegende Konzepte von ML-Operationen (MLOps) (z. B. Experimente, wiederholbare Prozesse, skalierbare Systeme, Umgang mit technischen Schulden, Erreichen der Produktionsbereitschaft, Modellüberwachung, erneutes Modelltraining).
Beschreibe Modellleistungskennzahlen (z. B. Genauigkeit, Area Under the Curve [AUC], F1-Score) und Geschäftsmetriken (z. B. Kosten pro Benutzer, Entwicklungskosten, Kundenfeedback, Kapitalrendite [ROI]) für die Bewertung von ML-Modellen.
