Domaine du contenu 1 : principes fondamentaux de l'IA et du ML

Définir les termes de base de l'IA (par exemple, IA, ML, deep learning, réseaux neuronaux, vision par ordinateur, traitement du langage naturel [NLP], modèle, algorithme, entraînement et inférence, biais, équité, ajustement, grand modèle de langage [LLM], IA générative, IA agentique)

Décrire les similitudes et les différences entre l'IA, le ML, l'IA générative, le deep learning et l'IA agentique

Décrire les différents types d'inférence (par exemple, par lots, en temps réel, asynchrone, sans serveur)

Décrire les différents types de données dans les modèles d'IA (par exemple, étiquetées et non étiquetées, tabulaires, séries chronologiques, images, textes, structurées et non structurées)

Décrire les différents types d'apprentissage de l'IA/du ML (par exemple, apprentissage supervisé, apprentissage non supervisé, méthodes d'apprentissage par renforcement)

Identifier les applications dans lesquelles l'IA/le ML peut apporter de la valeur (par exemple, aide à la prise de décision humaine, capacité de mise à l'échelle des solutions, automatisation)

Déterminer quand les solutions d'IA/de ML ne sont pas appropriées (par exemple, analyses coûts-avantages, situations dans lesquelles un résultat spécifique est nécessaire au lieu d'une prédiction)

Sélectionner les techniques d'IA/de ML appropriées pour des cas d'utilisation spécifiques (par exemple, régression, classification, clustering)

Identifier des exemples d'applications d'IA dans le monde réel (par exemple, la vision par ordinateur, le NLP, la reconnaissance vocale, les systèmes de recommandation, la détection de fraude, les prévisions, les bases de connaissances, l'IA agentique)

Expliquer les fonctionnalités des services d'IA/de ML gérés par AWS (par exemple, Amazon SageMaker AI, Amazon Transcribe, Amazon Translate, Amazon Comprehend, Amazon Lex, Amazon Polly)

Identifier les situations dans lesquelles les modèles de ML traditionnels ou les modèles de fondation (FM) sont appropriés pour un cas d'utilisation spécifique (par exemple, en fonction de préoccupations réglementaires, d'exigences d'explicabilité ou de contraintes opérationnelles)

Décrire et différencier les composants d'un pipeline d'IA/de ML

Décrire les sources des modèles FM (par exemple, modèles open source préentraînés, modèles d'entraînement personnalisés)

Décrire les méthodes permettant d'utiliser un modèle en production (par exemple, un service d'API géré, une API autohébergée)

Identifier les services et fonctionnalités AWS pertinents pour chaque étape d'un pipeline d'IA/de ML (par exemple, Amazon Bedrock, Amazon Q, Amazon Quick, Kiro, SageMaker AI)

Décrire les concepts fondamentaux des opérations de ML (MLOps) (par exemple, expérimentation, processus reproductibles, systèmes pouvant être mis à l'échelle, gestion de la dette technique, préparation à la production, surveillance des modèles, réentraînement des modèles)

Décrire les métriques de performance des modèles (par exemple, précision, rappel, score F1) et les métriques métier (par exemple, coût par utilisateur, coûts de développement, commentaires des clients, retour sur investissement [ROI]) pour évaluer les modèles ML