# AWS Certified AI Practitioner (AIF-C01) L'esame AWS Certified AI Practitioner (AIF-C01) è rivolto a persone che desiderano dimostrare una comprensione di base dei concetti dell'IA e degli strumenti di IA di AWS. Questa certificazione è incentrata sulle applicazioni pratiche dell'IA in ambito aziendale. **Topics** + [Introduzione](#ai-practitioner-01-intro) + [Descrizione del candidato target](#ai-practitioner-01-target) + [Contenuto dell'esame](#ai-practitioner-01-exam-content) + [Descrizione del contenuto](#ai-practitioner-01-domains) + [Dominio del contenuto 1: Fondamenti di IA e ML](ai-practitioner-01-domain1.md) + [Dominio del contenuto 2: Fondamenti di GenAI](ai-practitioner-01-domain2.md) + [Dominio del contenuto 3: Applicazioni dei modelli di fondazione](ai-practitioner-01-domain3.md) + [Dominio del contenuto 4: Linee guida per un'IA responsabile](ai-practitioner-01-domain4.md) + [Dominio del contenuto 5: Sicurezza, conformità e governance per le soluzioni di IA](ai-practitioner-01-domain5.md) + [Servizi AWS trattati in sede di esame](aif-01-in-scope-services.md) + [Servizi AWS non trattati in sede di esame](aif-01-out-of-scope-services.md) + [Sondaggio](#ai-practitioner-01-survey) ## Introduzione L'esame [AWS Certified AI Practitioner (AIF-C01)](https://aws.amazon.com/certification/certified-ai-practitioner/) è rivolto a persone che desiderano dimostrare una comprensione di base dei concetti dell'IA e degli strumenti di IA di AWS. Questa certificazione è incentrata sulle applicazioni pratiche dell'IA in ambito aziendale. Inoltre, durante l'esame viene valutata la capacità dei candidati di completare le seguenti attività: + Descrivere concetti, strategie e metodi relativi a ML, IA e IA generativa (GenAI), in generale e in AWS. + Identificare l'uso appropriato delle tecnologie di IA/ML e GenAI per risolvere i problemi aziendali. + Determinare i tipi corretti di tecnologie di IA/ML da applicare a specifici casi d'uso. + Utilizzare le tecnologie di IA, ML e GenAI in modo responsabile. ## Descrizione del candidato target Il candidato target deve avere fino a 6 mesi di esperienza con le tecnologie di IA/ML in AWS. Il candidato target utilizza, ma non necessariamente crea, soluzioni di IA/ML in AWS. ### Conoscenze su AWS consigliate Il candidato target deve possedere le seguenti conoscenze su AWS: + Familiarità con i principali servizi AWS (ad esempio, Amazon EC2, Amazon S3, AWS Lambda, Amazon Bedrock e Amazon SageMaker AI) e con i casi d'uso di tali servizi AWS + Familiarità con il modello di responsabilità condivisa di AWS per la sicurezza e la conformità nel cloud AWS + Familiarità con AWS Identity and Access Management (IAM) per proteggere e controllare l'accesso alle risorse AWS + Familiarità con i modelli di prezzo dei servizi AWS ### Attività lavorative che non rientrano nelle competenze del candidato target Il seguente elenco illustra le attività lavorative che non rientrano nelle competenze previste per il candidato target. L'elenco non è esaustivo. Le seguenti attività non rientrano nell'ambito dell'esame: + Sviluppo o codifica di algoritmi o modelli di IA/ML + Implementazione di tecniche di ingegneria dei dati o ingegneria delle caratteristiche + Esecuzione del tuning degli iperparametri o dell'ottimizzazione dei modelli + Creazione e distribuzione di infrastrutture o pipeline di IA/ML + Esecuzione di analisi matematiche o statistiche dei modelli di IA/ML + Implementazione di protocolli di sicurezza o conformità per i sistemi di IA/ML + Sviluppo e implementazione di policy e framework di governance per le soluzioni di IA/ML ## Contenuto dell'esame ### Tipi di domande L'esame include uno o più dei seguenti tipi di domande: + **Scelta multipla:** una risposta corretta e tre risposte errate (distrattori). + **Risposta multipla:** due o più risposte corrette su cinque o più opzioni di risposta. È necessario selezionare tutte le risposte corrette per ricevere i crediti per la domanda. + **Ordinamento:** un elenco di 3-5 risposte per completare un'attività specifica. È necessario selezionare le risposte corrette e posizionarle nell'ordine giusto per ricevere i crediti per la domanda. + **Abbinamento:** un elenco di risposte da abbinare a un elenco di 3-7 prompt. È necessario abbinare correttamente tutte le coppie per ricevere i crediti per la domanda. Le domande senza risposta vengono valutate come errate. Non è prevista alcuna penalità per chi prova a indovinare. L'esame prevede 50 domande che influiscono sul punteggio finale. ### Contenuto senza punteggio L'esame include 15 domande alle quali non viene assegnato un punteggio e che non influiscono sul risultato finale. AWS raccoglie informazioni sulle prestazioni relativamente a queste domande, al fine di valutare la possibilità di convertirle in futuro in domande a punteggio. In sede di esame, le domande che non influiscono sul punteggio non verranno distinte dalle altre. ### Risultato dell'esame L'esame AWS Certified AI Practitioner (AIF-C01) prevede un esito netto, superamento o mancato superamento. La valutazione avviene in base a uno standard minimo stabilito da professionisti AWS che seguono le best practice e le linee guida del settore delle certificazioni. I risultati dell'esame sono espressi da un punteggio compreso tra 100 e 1.000. Il punteggio minimo richiesto per il superamento della prova è 700. Il punteggio riflette le prestazioni complessive del candidato all'esame e indica se l'esame è stato superato o meno. I modelli di punteggio dimensionato aiutano a equiparare i punteggi tra moduli dell'esame, i quali potrebbero presentare livelli di difficoltà leggermente diversi. Il report relativo al punteggio può contenere una tabella di classificazione del rendimento in ogni sezione. Per l'esame viene impiegato un modello di punteggio compensativo; ciò significa che non è necessario ottenere un punteggio sufficiente in ogni sezione. L'esame viene superato se il punteggio complessivo ottenuto corrisponde almeno al minimo richiesto. Ogni sezione ha un proprio peso specifico, quindi alcune di esse presentano più domande di altre. La seguente tabella delle classificazioni include informazioni generali che evidenziano i punti forti e deboli del candidato. Interpreta con la massima attenzione il feedback relativo a ogni sezione. ## Descrizione del contenuto Questa guida all'esame include informazioni sui pesi, sui domini del contenuto, sulle attività e sulle competenze per l'esame. Non fornisce un elenco esaustivo dei contenuti dell'esame. Di seguito sono elencati i domini del contenuto e i pesi dell'esame: + [Dominio del contenuto 1: Fondamenti di IA e ML (20% dei contenuti a punteggio)](ai-practitioner-01-domain1.md) + [Dominio del contenuto 2: Fondamenti di GenAI (24% dei contenuti a punteggio)](ai-practitioner-01-domain2.md) + [Dominio del contenuto 3: Applicazioni dei modelli di fondazione (28% dei contenuti a punteggio)](ai-practitioner-01-domain3.md) + [Dominio del contenuto 4: Linee guida per un'IA responsabile (14% dei contenuti a punteggio)](ai-practitioner-01-domain4.md) + [Dominio del contenuto 5: Sicurezza, conformità e governance per le soluzioni di IA (14% dei contenuti a punteggio)](ai-practitioner-01-domain5.md) # 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. **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 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. # Dominio del contenuto 2: Fondamenti di GenAI Il dominio 2 tratta i principi fondamentali dell'intelligenza artificiale generativa (GenAI) e rappresenta il 24% dei contenuti a punteggio dell'esame. **Topics** + [Obiettivo 2.1: Spiegazione dei concetti di base della GenAI](#ai-practitioner-01-task2.1) + [Obiettivo 2.2: Comprensione delle funzionalità e dei limiti delle applicazioni di GenAI per risolvere i problemi aziendali](#ai-practitioner-01-task2.2) + [Obiettivo 2.3: Descrizione dell'infrastruttura e delle tecnologie AWS per la creazione di applicazioni di GenAI](#ai-practitioner-01-task2.3) ## Obiettivo 2.1: Spiegazione dei concetti di base della GenAI Obiettivi: + Definire i concetti fondamentali della GenAI (ad esempio, token, chunking, embedding, vettori, progettazione dei prompt, LLM basati su trasformatore, modelli di fondazione, modelli multimodali e modelli di diffusione). + Identificare i potenziali casi d'uso per i modelli di GenAI (ad esempio, generazione di immagini, video e audio, sintesi, assistenti di IA, traduzione, generazione di codice, agenti per il servizio clienti, ricerche e motori di suggerimenti). + Descrivere il ciclo di vita dei modelli di fondazione (ad esempio, selezione dei dati, selezione dei modelli, pre-addestramento, fine-tuning, valutazione, implementazione e feedback). ## Obiettivo 2.2: Comprensione delle funzionalità e dei limiti delle applicazioni di GenAI per risolvere i problemi aziendali Obiettivi: + Descrivere i vantaggi delle soluzioni di GenAI (ad esempio, adattabilità, reattività e semplicità). + Identificare gli svantaggi delle soluzioni di GenAI (ad esempio, allucinazioni, interpretabilità, imprecisione e non determinismo). + Identificare i fattori da considerare per la selezione dei modelli di GenAI (ad esempio, tipi di modello, requisiti prestazionali, capacità, vincoli e conformità). + Determinare le metriche e il valore di business per le applicazioni di GenAI (ad esempio, prestazioni multidominio, efficienza, tasso di conversione, ricavi medi per utente, accuratezza e valore medio del cliente). ## Obiettivo 2.3: Descrizione dell'infrastruttura e delle tecnologie AWS per la creazione di applicazioni di GenAI Obiettivi: + Identificare i servizi e le funzionalità AWS per sviluppare applicazioni di GenAI (ad esempio, Amazon SageMaker JumpStart, Amazon Bedrock PartyRock, Amazon Q e Amazon Bedrock Data Automation). + Descrivere i vantaggi dell'utilizzo dei servizi di GenAI AWS per creare applicazioni (ad esempio, accessibilità, barriere all'ingresso ridotte, efficienza, convenienza, time-to-market ridotto e capacità di raggiungere gli obiettivi aziendali). + Descrivere i vantaggi dell'infrastruttura AWS per le applicazioni di GenAI (ad esempio, sicurezza, conformità e responsabilità). + Descrivere i compromessi di costo dei servizi di GenAI AWS (ad esempio, reattività, disponibilità, ridondanza, prestazioni, copertura regionale, determinazione dei prezzi basata su token, throughput di provisioning e modelli personalizzati). # Dominio del contenuto 3: Applicazioni dei modelli di fondazione Il dominio 3 tratta le applicazioni dei modelli di fondazione e rappresenta il 28% dei contenuti a punteggio dell'esame. **Topics** + [Obiettivo 3.1: Illustrazione delle considerazioni di progettazione per le applicazioni che utilizzano modelli di fondazione (FM)](#ai-practitioner-01-task3.1) + [Obiettivo 3.2: Scelta delle tecniche efficaci per la progettazione dei prompt](#ai-practitioner-01-task3.2) + [Obiettivo 3.3: Descrizione del processo di addestramento e fine-tuning per gli FM](#ai-practitioner-01-task3.3) + [Obiettivo 3.4: Descrizione dei metodi per valutare le prestazioni degli FM](#ai-practitioner-01-task3.4) ## Obiettivo 3.1: Illustrazione delle considerazioni di progettazione per le applicazioni che utilizzano modelli di fondazione (FM) Obiettivi: + Identificare i criteri per la scelta di modelli pre-addestrati (ad esempio, costi, modalità, latenza, modelli multilingue, dimensioni dei modelli, complessità dei modelli, personalizzazione, lunghezza di input/output e caching dei prompt). + Descrivere l'effetto dei parametri di inferenza sulle risposte dei modelli (ad esempio, temperatura e lunghezza di input/output). + Definire la generazione potenziata da recupero dati (RAG) e descrivere le relative applicazioni aziendali (ad esempio, Amazon Bedrock Knowledge Bases). + Identificare i servizi AWS che consentono di memorizzare gli embedding all'interno di database vettoriali (ad esempio, Servizio OpenSearch di Amazon, Amazon Aurora, Amazon Neptune e Amazon RDS per PostgreSQL). + Spiegare i compromessi di costo dei vari approcci alla personalizzazione degli FM (ad esempio, pre-addestramento, fine-tuning, apprendimento contestuale e RAG). + Descrivere il ruolo degli agenti nelle attività in più fasi (ad esempio, Agent per Amazon Bedrock, IA agentica e Model Context Protocol). ## Obiettivo 3.2: Scelta delle tecniche efficaci per la progettazione dei prompt Obiettivi: + Definire i concetti e i costrutti della progettazione dei prompt (ad esempio, contesto, istruzioni, prompt negativi, spazio latente dei modelli e routing di prompt). + Definire le tecniche per la progettazione dei prompt (ad esempio, catena di pensiero, zero-shot, single-shot, few-shot e template di prompt). + Identificare e descrivere i vantaggi e le best practice per la progettazione dei prompt (ad esempio, miglioramento della qualità della risposta, sperimentazione, guardrail, individuazione, specificità e concisione e utilizzo di più commenti). + Definire i potenziali rischi e limiti della progettazione dei prompt (ad esempio, esposizione, poisoning, hijacking e jailbreaking). ## Obiettivo 3.3: Descrizione del processo di addestramento e fine-tuning per gli FM Obiettivi: + Descrivere gli elementi chiave dell'addestramento di un FM (ad esempio, pre-addestramento, fine-tuning, pre-addestramento continuo e distillazione). + Definire i metodi per il fine-tuning di un FM (ad esempio, tuning delle istruzioni, adattamento dei modelli a domini specifici, transfer learning e pre-addestramento continuo). + Descrivere come preparare i dati per il fine-tuning di un FM, ad esempio data curation, governance, dimensioni, etichettatura, rappresentatività, apprendimento per rinforzo da feedback umano (RLHF). ## Obiettivo 3.4: Descrizione dei metodi per valutare le prestazioni degli FM Obiettivi: + Determinare gli approcci per valutare le prestazioni degli FM (ad esempio, valutazione umana, set di dati di benchmark e valutazione del modello in Amazon Bedrock). + Identificare le metriche pertinenti per valutare le prestazioni degli FM, ad esempio Recall-Oriented Understudy for Gisting Evaluation (ROUGE) valutazione bilingue (BLEU) e BERTScore. + Determinare se un FM soddisfa in modo efficace gli obiettivi aziendali (ad esempio, produttività, coinvolgimento degli utenti e progettazione delle attività). + Identificare gli approcci per valutare le prestazioni delle applicazioni create con gli FM (ad esempio, RAG, agenti e flussi di lavoro). # Dominio del contenuto 4: Linee guida per un'IA responsabile Il dominio 4 tratta le linee guida per un'IA responsabile e rappresenta il 14% dei contenuti a punteggio dell'esame. **Topics** + [Obiettivo 4.1: Spiegazione dello sviluppo di sistemi di IA responsabili](#ai-practitioner-01-task4.1) + [Obiettivo 4.2: Riconoscimento dell'importanza di modelli trasparenti e spiegabili](#ai-practitioner-01-task4.2) ## Obiettivo 4.1: Spiegazione dello sviluppo di sistemi di IA responsabili Obiettivi: + Identificare le caratteristiche dell'IA responsabile (ad esempio, bias, equità, inclusività, robustezza, sicurezza e veridicità). + Spiegare come utilizzare gli strumenti per identificare le caratteristiche dell'IA responsabile (ad esempio, Guardrail per Amazon Bedrock). + Definire pratiche responsabili per selezionare un modello (ad esempio, considerazioni ambientali e sostenibilità). + Identificare i rischi legali correlati all'utilizzo di soluzioni di GenAI (ad esempio, reclami per violazioni della proprietà intellettuale, output di modelli con bias, perdita di fiducia dei clienti, rischi per l'utente finale e allucinazioni). + Identificare le caratteristiche dei set di dati (ad esempio, inclusività, varietà, origini dati curate e set di dati bilanciati). + Descrivere gli effetti dei bias e della varianza (ad esempio, effetti sui gruppi demografici, imprecisione, overfitting e underfitting). + Descrivere gli strumenti per rilevare e monitorare i bias, l'affidabilità e la veridicità, ad esempio analisi della qualità delle etichette, verifiche condotte da umani, analisi dei sottogruppi, Amazon SageMaker Clarify, SageMaker Model Monitor e IA augmentée d'Amazon (Amazon A2I). ## Obiettivo 4.2: Riconoscimento dell'importanza di modelli trasparenti e spiegabili Obiettivi: + Descrivere le differenze tra i modelli che sono trasparenti e spiegabili e quelli che non lo sono. + Descrivere gli strumenti per identificare modelli trasparenti e spiegabili (ad esempio, Schede dei modelli SageMaker, modelli open source, dati e licenze). + Identificare i compromessi tra sicurezza e trasparenza dei modelli (ad esempio, misurazione di interpretabilità e prestazioni). + Descrivere i principi della progettazione umanocentrica per un'IA spiegabile. # Dominio del contenuto 5: Sicurezza, conformità e governance per le soluzioni di IA Il dominio 5 tratta la sicurezza, la conformità e la governance per le soluzioni di IA e rappresenta il 14% dei contenuti a punteggio dell'esame. **Topics** + [Obiettivo 5.1: Spiegazione dei metodi per proteggere i sistemi di IA](#ai-practitioner-01-task5.1) + [Obiettivo 5.2: Riconoscimento delle normative in materia di governance e conformità per i sistemi di IA](#ai-practitioner-01-task5.2) ## Obiettivo 5.1: Spiegazione dei metodi per proteggere i sistemi di IA Obiettivi: + Identificare i servizi e le funzionalità AWS per proteggere i sistemi di IA (ad esempio, ruoli, policy e autorizzazioni IAM, crittografia, Amazon Macie, AWS PrivateLink, modello di responsabilità condivisa di AWS). + Descrivere il concetto di identificazione delle origini e documentazione delle origini dei dati (ad esempio, data lineage, catalogazione dei dati e Schede dei modelli Amazon SageMaker). + Descrivere le best practice per un'ingegneria dei dati sicura (ad esempio, valutazione della qualità dei dati, implementazione di tecnologie volte al miglioramento della privacy, controllo dell'accesso ai dati e integrità dei dati). + Illustrare le considerazioni in materia di sicurezza e privacy per i sistemi di IA (ad esempio, sicurezza delle applicazioni, rilevamento delle minacce, gestione delle vulnerabilità, protezione dell'infrastruttura, iniezione di prompt, crittografia a riposo e in transito). ## Obiettivo 5.2: Riconoscimento delle normative in materia di governance e conformità per i sistemi di IA Obiettivi: + Identificare i servizi e le funzionalità AWS per agevolare la conformità in materia di governance e normative (ad esempio, AWS Config, Amazon Inspector, Gestione audit AWS, AWS Artifact, AWS CloudTrail e AWS Trusted Advisor). + Descrivere le strategie di governance dei dati (ad esempio, cicli di vita dei dati, registrazione di log, residenza, monitoraggio, osservazione e conservazione). + Descrivere i processi per seguire i protocolli di governance (ad esempio, policy, cadenza delle revisioni, strategie di revisione, framework di governance come la Generative AI Security Scoping Matrix, standard di trasparenza e requisiti di formazione dei team). # Servizi AWS trattati in sede di esame Il seguente elenco contiene i servizi e le funzionalità AWS trattati nell'esame AWS Certified AI Practitioner (AIF-C01). L'elenco non è esaustivo ed è soggetto a modifiche. Le offerte AWS sono suddivise in categorie in base alle loro funzioni principali. **Topics** + [Analisi](#aif-01-in-scope-analytics) + [Gestione finanziaria del cloud](#aif-01-in-scope-cloud-financial-management) + [Calcolo](#aif-01-in-scope-compute) + [Container](#aif-01-in-scope-containers) + [Database](#aif-01-in-scope-database) + [Machine learning](#aif-01-in-scope-machine-learning) + [Gestione e governance su AWS](#aif-01-in-scope-management-governance) + [Reti e distribuzione di contenuti](#aif-01-in-scope-networking) + [Sicurezza, identità e conformità](#aif-01-in-scope-security) + [Archiviazione](#aif-01-in-scope-storage) ## Analisi + Scambio dati su AWS + Amazon EMR + AWS Glue + AWS Glue DataBrew + AWS Lake Formation + Servizio OpenSearch di Amazon + Amazon QuickSight + Amazon Redshift ## Gestione finanziaria del cloud + Budget AWS + AWS Cost Explorer ## Calcolo + Amazon EC2 ## Container + Amazon Elastic Container Service (Amazon ECS) + Amazon Elastic Kubernetes Service (Amazon EKS) ## Database + Amazon DocumentDB (compatibile con MongoDB) + Amazon DynamoDB + Amazon ElastiCache + Amazon MemoryDB + Amazon Neptune + Amazon RDS ## Machine learning + IA augmentée d'Amazon (Amazon A2I) + Amazon Bedrock + Amazon Comprehend + Amazon Fraud Detector + Amazon Kendra + Amazon Lex + Amazon Nova + Amazon Personalize + Amazon Polly + Amazon Q Developer + Amazon Q Business + Amazon Rekognition + Amazon SageMaker AI + Amazon Textract + Amazon Transcribe + Amazon Translate ## Gestione e governance su AWS + AWS CloudTrail + Amazon CloudWatch + AWS Config + AWS Trusted Advisor + Strumento AWS Well-Architected ## Reti e distribuzione di contenuti + Amazon CloudFront + Amazon VPC ## Sicurezza, identità e conformità + AWS Artifact + Gestione audit AWS + AWS Identity and Access Management (IAM) + Amazon Inspector + Servizio AWS di gestione delle chiavi (AWS KMS) + Amazon Macie + AWS Secrets Manager ## Archiviazione + Amazon S3 + Amazon S3 Glacier # Servizi AWS non trattati in sede di esame Il seguente elenco contiene i servizi e le funzionalità AWS non trattati nell'esame. L'elenco non è esaustivo ed è soggetto a modifiche. Dall'elenco sono escluse le offerte AWS del tutto estranee ai ruoli target per l'esame: **Topics** + [Analisi](#aif-01-out-of-scope-analytics) + [Integrazione di applicazioni](#aif-01-out-of-scope-application-integration) + [Applicazioni aziendali](#aif-01-out-of-scope-business-applications) + [Gestione finanziaria del cloud](#aif-01-out-of-scope-cloud-financial-management) + [Calcolo](#aif-01-out-of-scope-compute) + [Container](#aif-01-out-of-scope-containers) + [Abilitazione dei clienti](#aif-01-out-of-scope-customer-enablement) + [Database](#aif-01-out-of-scope-database) + [Strumenti di sviluppo](#aif-01-out-of-scope-developer-tools) + [Servizi informatici per utenti finali](#aif-01-out-of-scope-end-user-computing) + [Frontend per il web e i dispositivi mobili](#aif-01-out-of-scope-frontend-web-mobile) + [Internet of Things (IoT)](#aif-01-out-of-scope-iot) + [Machine learning](#aif-01-out-of-scope-machine-learning) + [Gestione e governance su AWS](#aif-01-out-of-scope-management-governance) + [Servizi multimediali](#aif-01-out-of-scope-media) + [Migrazione e trasferimento](#aif-01-out-of-scope-migration-transfer) + [Reti e distribuzione di contenuti](#aif-01-out-of-scope-networking) + [Sicurezza, identità e conformità](#aif-01-out-of-scope-security) + [Archiviazione](#aif-01-out-of-scope-storage) ## Analisi + AWS Clean Rooms + Amazon CloudSearch + Amazon FinSpace + Streaming gestito da Amazon per Apache Kafka (Amazon MSK) ## Integrazione di applicazioni + Amazon AppFlow + Amazon MQ + Amazon Simple Workflow Service (Amazon SWF) ## Applicazioni aziendali + Amazon Chime + Amazon Honeycode + Amazon Pinpoint + Amazon Simple Email Service (Amazon SES) + AWS Supply Chain + AWS Wickr + Amazon WorkDocs + Amazon WorkMail ## Gestione finanziaria del cloud + Profilatore AWS dei costi delle applicazioni + AWS Billing Conductor + Marketplace AWS ## Calcolo + AWS App Runner + AWS Elastic Beanstalk + EC2 Image Builder + Amazon Lightsail ## Container + Servizio Red Hat OpenShift su AWS (ROSA) ## Abilitazione dei clienti + AWS IQ + Servizi gestiti AWS (AMS) + AWS re:Post Private + Supporto AWS ## Database + Amazon Keyspaces (per Apache Cassandra) + Database Amazon Quantum Ledger (Amazon QLDB) + Amazon Timestream ## Strumenti di sviluppo + AWS AppConfig + Strumento AWS per la creazione di applicazioni + AWS CloudShell + Amazon CodeCatalyst + AWS CodeStar + AWS Fault Injection Service + AWS X-Ray ## Servizi informatici per utenti finali + Amazon AppStream 2.0 + Amazon WorkSpaces + Amazon WorkSpaces Thin Client + Amazon WorkSpaces Web ## Frontend per il web e i dispositivi mobili + AWS Amplify + AWS AppSync + AWS Device Farm + Servizio di posizione Amazon ## Internet of Things (IoT) + Analisi AWS IoT + AWS IoT Core + AWS IoT Device Defender + Gestione del dispositivo AWS IoT + Eventi AWS IoT + AWS IoT FleetWise + FreeRTOS + AWS IoT Greengrass + 1 click AWS IoT + AWS IoT RoboRunner + AWS IoT SiteWise + AWS IoT TwinMaker ## Machine learning + AWS DeepComposer + AWS HealthImaging + AWS HealthOmics + Amazon Monitron + AWS Panorama ## Gestione e governance su AWS + AWS Control Tower + Dashboard AWS Health + Avvio della procedura guidata AWS + Strumento AWS di gestione delle licenze + Grafana gestito da Amazon + Servizio gestito da Amazon per Prometheus + AWS OpsWorks + AWS Organizations + AWS Proton + AWS Resilience Hub + Esploratore di risorse AWS + Gruppi di risorse AWS + Strumento di gestione degli incidenti AWS Systems Manager + Catalogo dei servizi AWS + Service Quotas + Gestione reti di telecomunicazioni di AWS + Notifiche AWS agli utenti ## Servizi multimediali + Amazon Elastic Transcoder + AWS Elemental MediaConnect + AWS Elemental MediaConvert + AWS Elemental MediaLive + AWS Elemental MediaPackage + AWS Elemental MediaStore + AWS Elemental MediaTailor + Servizio video interattivo Amazon (Amazon IVS) + Amazon Nimble Studio ## Migrazione e trasferimento + Servizio AWS di individuazione delle applicazioni + Servizio AWS di migrazione delle applicazioni + AWS Database Migration Service (AWS DMS) + AWS DataSync + Modernizzazione del mainframe AWS + Hub di migrazione AWS + Famiglia AWS Snow + AWS Transfer Family ## Reti e distribuzione di contenuti + AWS App Mesh + AWS Cloud Map + AWS Direct Connect + AWS Global Accelerator + 5G privato di AWS + Amazon Route 53 + Sistema di controllo Amazon Route 53 per il ripristino di applicazioni + Amazon VPC IP Address Manager (IPAM) ## Sicurezza, identità e conformità + Gestione certificati AWS (ACM) + AWS CloudHSM + Amazon Cognito + Amazon Detective + Servizio di directory AWS + Gestione dei firewall AWS + Amazon GuardDuty + Centro identità AWS IAM + AWS Payment Cryptography + Autorità di certificazione privata AWS + AWS Resource Access Manager (AWS RAM) + Centrale di sicurezza AWS + Amazon Security Lake + AWS Shield + AWS Signer + Autorizzazioni verificate da Amazon + AWS WAF ## Archiviazione + Backup AWS + AWS Elastic Disaster Recovery ## Sondaggio Quanto è stata utile questa guida all'esame? Per farci sapere cosa ne pensi, [partecipa al sondaggio](https://amazonmr.au1.qualtrics.com/jfe/form/SV_8vLR1a9uG9zu9Po?course_title=AI-Foundational&course_id=AIF-C01&Q_Language=EN).