# Dominio del contenuto 1: Fondamenti di IA e ML
<a name="ai-practitioner-01-domain1"></a>

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.

**Topics**
+ [Obiettivo 1.1: Spiegazione dei termini e dei concetti di base correlati all'IA](#ai-practitioner-01-task1.1)
+ [Obiettivo 1.2: Identificazione dei casi d'uso pratici per l'IA](#ai-practitioner-01-task1.2)
+ [Obiettivo 1.3: Descrizione del ciclo di vita dello sviluppo della tecnologia ML](#ai-practitioner-01-task1.3)

## Obiettivo 1.1: Spiegazione dei termini e dei concetti di base correlati all'IA
<a name="ai-practitioner-01-task1.1"></a>

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
<a name="ai-practitioner-01-task1.2"></a>

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
<a name="ai-practitioner-01-task1.3"></a>

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.