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, grands modèles de langage [LLM])

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

Décrire les différents types d’inférence (par exemple, par lots, en temps réel)

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 l’apprentissage supervisé, l’apprentissage non supervisé et l’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 de machine learning 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)

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

Décrire les composants d’un pipeline ML (par exemple, collecte de données, analyse exploratoire des données [EDA], prétraitement des données, ingénierie des fonctionnalités, entraînement de modèle, réglage des hyperparamètres, évaluation, déploiement, surveillance)

Décrire les sources des modèles ML (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 ML (par exemple, IA SageMaker, SageMaker Data Wrangler, SageMaker Feature Store, SageMaker Model Monitor)

Décrire les concepts fondamentaux des opérations 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, aire sous la courbe [AUC], 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