Dominio del contenuto 1: Fondamenti di IA e ML
Il dominio 1 tratta i principi fondamentali dell'intelligenza artificiale (IA) e del machine learning (ML) e rappresenta il 20% dei contenuti a punteggio dell'esame.
Attività
Obiettivo 1.1: Spiegazione dei termini e dei concetti di base correlati all'IA
Obiettivi:
Definire i termini di base correlati all'IA, ad esempio IA, ML, deep learning, reti neurali, visione artificiale, elaborazione del linguaggio naturale, modello, algoritmo, addestramento e inferenza, bias, equità, adattamento e modello linguistico di grandi dimensioni (LLM).
Descrivere somiglianze e differenze tra IA, ML, GenAI e deep learning.
Descrivere vari tipi di inferenza (ad esempio, batch e in tempo reale).
Descrivere i diversi tipi di dati nei modelli di IA (ad esempio, con e senza etichetta, tabellari, serie temporali, immagini, testo, strutturati e non strutturati).
Descrivere l'apprendimento supervisionato, l'apprendimento senza supervisione e l'apprendimento per rinforzo.
Obiettivo 1.2: Identificazione dei casi d'uso pratici per l'IA
Obiettivi:
Riconoscere le applicazioni in cui le soluzioni di IA/ML possono generare valore (ad esempio, assistenza ai processi decisionali umani, scalabilità delle soluzioni e automazione).
Determinare quando le soluzioni di IA/ML non sono appropriate (ad esempio, analisi costi-benefici o situazioni in cui è necessario ottenere un risultato specifico anziché una previsione).
Selezionare le tecniche di ML appropriate per casi d'uso specifici (ad esempio, regressione, classificazione o clustering).
Identificare esempi di applicazioni reali di IA (ad esempio, visione artificiale, elaborazione del linguaggio naturale, riconoscimento vocale, sistemi di suggerimento, rilevamento frodi ed esecuzione di previsioni).
Spiegare le funzionalità dei servizi di IA/ML gestiti da AWS (ad esempio, SageMaker AI, Amazon Transcribe, Amazon Translate, Amazon Comprehend, Amazon Lex e Amazon Polly).
Obiettivo 1.3: Descrizione del ciclo di vita dello sviluppo della tecnologia ML
Obiettivi:
Descrivere i componenti di una pipeline di ML (ad esempio, raccolta dei dati, analisi esplorativa dei dati, pre-elaborazione dei dati, ingegneria delle caratteristiche, addestramento dei modelli, tuning degli iperparametri, valutazione, implementazione e monitoraggio).
Descrivere le origini dei modelli di ML (ad esempio, modelli pre-addestrati open source o modelli personalizzati di addestramento).
Descrivere i metodi per utilizzare un modello in produzione (ad esempio, servizio API gestito o API self-hosted).
Identificare i servizi e le funzionalità AWS pertinenti per ogni fase di una pipeline di ML (ad esempio, SageMaker AI, SageMaker Data Wrangler, SageMaker Feature Store e SageMaker Model Monitor).
Descrivere i concetti fondamentali delle operazioni di ML (MLOps) (ad esempio, sperimentazione, processi ripetibili, sistemi scalabili, gestione del debito tecnico, raggiungimento del livello di preparazione necessario per la produzione, monitoraggio dei modelli e riaddestramento dei modelli).
Descrivere le metriche di prestazione dei modelli, ad esempio accuratezza, area sotto la curva (AUC) e punteggio F1, e le metriche aziendali, ad esempio costo per utente, costi di sviluppo, feedback dei clienti, ritorno sull'investimento (ROI), per valutare i modelli di ML.
