Révisions
Les guides de l'examen AWS sont régulièrement revus et mis à jour pour garantir que nos examens de certification testent les compétences ainsi que les services et les fonctionnalités AWS qui sont pertinents pour le ou les postes ciblés par une certification. Les mises à jour du guide de l'examen seront publiées environ un mois avant d'être répercutées sur votre examen.
Rubriques
Historique des modifications
| Version | Date de publication |
|---|---|
| 1.0 | 26 mars 2026 |
| 1.1 | 30 avril 2026 |
Modifications apportées aux objectifs
| Version 1.0 | Version 1.1 |
|---|---|
| Objectif 1.1.1 : 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]) | Objectif 1.1.1 : 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) |
| Objectif 1.1.2 : Décrire les similitudes et les différences entre l'IA, le ML, l'IA générative et le deep learning | Objectif 1.1.2 : Décrire les similitudes et les différences entre l'IA, le ML, l'IA générative, le deep learning et l'IA agentique |
| Objectif 1.1.3 : Décrire les différents types d'inférence (par exemple, par lots, en temps réel) | Objectif 1.1.3 : Décrire les différents types d'inférence (par exemple, par lots, en temps réel, asynchrone, sans serveur) |
| Objectif 1.1.5 : Décrire l'apprentissage supervisé, l'apprentissage non supervisé et l'apprentissage par renforcement | Objectif 1.1.5 : Décrire les différents types d'apprentissage de l'IA/du ML (par exemple, apprentissage supervisé, apprentissage non supervisé, méthodes d'apprentissage par renforcement) |
| Objectif 1.2.4 : 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) | Objectif 1.2.4 : 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) |
| Objectif 1.3.1 : 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) | Objectif 1.3.1 : Décrire et différencier les composants d'un pipeline d'IA/de ML |
| Objectif 1.3.4 : 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) | Objectif 1.3.4 : 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) |
| Objectif 1.3.6 : 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 | Objectif 1.3.6 : 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 |
| Objectif 2.2.1 : Décrire les avantages de l'IA générative (par exemple, adaptabilité, réactivité, simplicité) | Objectif 2.2.1 : Décrire les avantages de l'IA générative (par exemple, adaptabilité, réactivité, capacités conversationnelles, capacité à générer du contenu) |
| Objectif 2.2.3 : Identifier les facteurs à prendre en compte lors de la sélection des modèles d'IA générative (par exemple, les types de modèles, les exigences de performance, les capacités, les contraintes, la conformité) | Objectif 2.2.3 : Identifier les facteurs à prendre en compte lors de la sélection des modèles d'IA générative (par exemple, les types de modèles, les exigences de performance, les capacités, les contraintes, la conformité, le coût, la latence, la complexité du modèle) |
| Objectif 2.2.4 : Déterminer la valeur métier et les métriques des applications d'IA générative (par exemple, performances interdomaines, efficacité, taux de conversion, revenus moyens par utilisateur, précision, valeur du cycle de vie du client) | Objectif 2.2.4 : Déterminer la valeur métier et les métriques des applications d'IA générative (par exemple, performances interdomaines, ROI, efficacité, taux de conversion, revenus moyens par utilisateur, précision, valeur du cycle de vie du client) |
| Objectif 2.3.1 : Identifier les services et fonctionnalités AWS permettant de développer des applications d'IA générative (par exemple, Amazon SageMaker JumpStart, Amazon Bedrock PartyRock, Amazon Q, Amazon Bedrock Data Automation) | Objectif 2.3.1 : Identifier les services et fonctionnalités AWS permettant de développer des applications d'IA générative (par exemple, Amazon Bedrock, Amazon SageMaker AI, SageMaker JumpStart, Amazon Quick, Kiro, Strands Agents, Amazon Bedrock AgentCore) |
| Objectif 3.1.5 : Expliquer les compromis en matière de coûts des différentes approches de personnalisation du modèle de fondation (par exemple, préentraînement, peaufinage, apprentissage en contexte, RAG) | Objectif 3.1.5 : Expliquer les compromis en matière de coûts des différentes approches de personnalisation du modèle de fondation (par exemple, préentraînement, peaufinage, apprentissage en contexte, RAG, distillation de modèles) |
| Objectif 3.1.6 : Décrire le rôle des agents dans les tâches en plusieurs étapes (par exemple, agents Amazon Bedrock, IA agentique, protocole de contextualisation des modèles) | Objectif 3.1.6 : Définir le rôle des agents d'IA et décrire les applications métier des agents d'IA |
| Objectif 3.4.1 : Déterminer des approches pour évaluer les performances du modèle de fondation (par exemple, évaluation humaine, jeux de données de référence, évaluation des modèles Amazon Bedrock) | Objectif 3.4.1 : Déterminer des approches pour évaluer les performances des FM (par exemple, évaluation avec intervention humaine, jeux de données de référence, évaluation des modèles dans Amazon Bedrock) |
| Objectif 3.4.2 : Identifier les métriques pertinentes pour évaluer les performances des modèles de fondation (par exemple, ROUGE [Recall-Oriented Understudy for Gisting Evaluation], BLEU [Bilingual Evaluation Understudy], BERTScore) | Objectif 3.4.2 : Identifier les métriques pertinentes pour évaluer les performances des FM (par exemple, ROUGE [Recall-Oriented Understudy for Gisting Evaluation], BLEU [Bilingual Evaluation Understudy], BERTScore, LLM-juge) |
| Objectif 4.2.2 : Décrire les outils permettant d'identifier des modèles transparents et explicables (par exemple, Amazon SageMaker Model Cards, les modèles open source, les données, les licences). | Objectif 4.2.2 : Décrire les outils permettant d'identifier les modèles transparents et explicables (par exemple, Amazon SageMaker Model Cards, SageMaker Clarify, évaluation des modèles dans Amazon Bedrock, modèles open source, données, licences) |
| Objectif 4.2.4 : Décrire les principes de la conception centrée sur l'humain pour une IA explicable | Objectif 4.2.4 : Décrire les principes de la conception centrée sur l'humain pour une IA explicable (par exemple, mécanismes de commentaires des utilisateurs, transparence des décisions en matière d'IA) |
| Objectif 5.1.1 : Identifier les services et fonctionnalités AWS permettant de sécuriser les systèmes d'IA (par exemple, rôles, politiques et autorisations IAM ; chiffrement ; Amazon Macie ; AWS PrivateLink ; modèle de responsabilité partagée AWS) | Objectif 5.1.1 : Identifier les services et fonctionnalités AWS permettant de sécuriser les systèmes d'IA (par exemple, rôles, politiques et autorisations IAM ; chiffrement ; Amazon Macie ; AWS PrivateLink ; modèle de responsabilité partagée AWS ; Amazon Bedrock AgentCore Identity ; Policy dans AgentCore ; barrières de protection pour Amazon Bedrock) |
| Objectif 5.1.4 : Décrire les considérations relatives à la sécurité et à la confidentialité des systèmes d'IA (par exemple, la sécurité des applications, la détection des menaces, la gestion des vulnérabilités, la protection de l'infrastructure, l'injection d'invite, le chiffrement au repos et en transit) | Objectif 5.1.4 : Décrire les considérations relatives à la sécurité et à la confidentialité des systèmes d'IA (par exemple, sécurité des applications, détection des menaces, gestion des vulnérabilités, protection de l'infrastructure, injection d'invite, chiffrement au repos et en transit, prévention de la fuite de données, filtrage et validation des résultats, journal d'activité d'audit et exigences de consignation pour les interactions d'IA, toxicité) |
Objectifs ajoutés
Objectif 1.2.6 : Identifier les situations dans lesquelles les modèles de ML traditionnels ou les modèles de fondation (FM) sont appropriés pour un cas d'utilisation donné (par exemple, en raison de préoccupations réglementaires, d'exigences d'explicabilité ou de contraintes opérationnelles)
Objectif 2.1.4 : Décrire le modèle de tarification basé sur des jetons et son effet sur les coûts et les performances pour l'inférence
Objectif 2.1.5 : Décrire le rôle de l'ingénierie contextuelle dans les applications de FM
Objectif 2.1.6 : Définir les concepts fondamentaux de l'IA agentique (par exemple, les modèles de systèmes multi-agents pour les applications d'IA complexes, le protocole de contextualisation des modèles [MCP] et son rôle dans la connexion des agents à des systèmes externes, les modèles de communication multi-agents, la gestion de la mémoire, l'utilisation des outils et l'orchestration des flux de travail)
Objectif 3.2.5 : Décrire les stratégies de gestion des versions et de gestion d'invites qui utilisent Amazon Bedrock Prompt Management.
Objectif 3.4.5 : Identifier les métriques d'alignement des objectifs commerciaux pour les applications d'IA (par exemple, taux d'achèvement des tâches, satisfaction des utilisateurs, coût par interaction)
Objectif 5.1.5 : Décrire les méthodes de détection des hallucinations et les techniques d'ancrage pour améliorer la précision des résultats (par exemple, ancrage de la génération à enrichissement contextuel [RAG], validation des résultats, score de confiance)
Modifications apportées aux services concernés et non concernés
Services ajoutés à la liste des services concernés
Amazon Aurora
Amazon Bedrock AgentCore
Kiro
Strands Agents
Amazon Q
Amazon SageMaker JumpStart
AWS Transform
Services retirés de la liste des services concernés
Amazon MemoryDB
Services retirés de la liste des services non concernés
AWS DeepComposer
Amazon FinSpace
Amazon Honeycode
AWS IAM Identity Center
AWS Marketplace
AWS Organizations
Amazon WorkDocs
