Domínio do conteúdo 1: Fundamentos de IA e ML
O domínio 1 abrange os fundamentos de IA e ML e representa 20% do conteúdo pontuado no exame.
Tarefas
Declaração de tarefa 1.1: Explicar conceitos e terminologias básicos de IA.
Objetivos:
Definir termos básicos de IA [por exemplo, IA, ML, aprendizado profundo, redes neurais, visão computacional, processamento de linguagem natural (PLN), modelo, algoritmo, treinamento e inferência, viés, imparcialidade, ajuste e grandes modelos de linguagem (LLMs)].
Descrever as semelhanças e diferenças entre IA, ML, IA generativa e aprendizado profundo.
Descrever vários tipos de inferência (por exemplo, em lote e em tempo real).
Descrever os diferentes tipos de dados nos modelos de IA (por exemplo, rotulados e não rotulados, tabulares, de série temporal, de imagem, de texto, estruturados e não estruturados).
Descrever o aprendizado supervisionado, o aprendizado não supervisionado e o aprendizado por reforço.
Declaração de tarefa 1.2: Identificar casos de uso práticos de IA.
Objetivos:
Reconhecer aplicações em que a IA e o ML podem agregar valor (por exemplo, auxílio na tomada de decisões humanas, escalabilidade da solução e automação).
Determinar quando as soluções de IA/ML não são apropriadas (por exemplo, análises de custo-benefício, situações em que é necessário um resultado específico em vez de uma previsão).
Selecionar as técnicas de ML apropriadas para casos de uso específicos (por exemplo, regressão, classificação e agrupamento).
Identificar exemplos de aplicações de IA reais (por exemplo, visão computacional, PLN, reconhecimento de fala, sistemas de recomendação, detecção de fraude e previsão).
Explicar os recursos dos serviços de IA/ML gerenciados pela AWS (por exemplo, Amazon SageMaker IA, Amazon Transcribe, Amazon Translate, Amazon Comprehend, Amazon Lex e Amazon Polly).
Declaração de tarefa 1.3: Descrever o ciclo de vida do desenvolvimento de ML.
Objetivos:
Descrever os componentes de um pipeline de ML [por exemplo, coleta de dados, análise exploratória de dados (AED), pré-processamento de dados, engenharia de atributos, treinamento do modelo, ajuste de hiperparâmetros, avaliação, implantação e monitoramento].
Descrever as origens dos modelos de ML (por exemplo, modelos pré-treinados de código aberto e modelos personalizados de treinamento).
Descrever os métodos para usar um modelo na produção (por exemplo, serviço de API gerenciado e API auto-hospedada).
Identificar os serviços e recursos relevantes da AWS para cada estágio de um pipeline de ML (por exemplo, SageMaker IA, SageMaker Data Wrangler, Arquivo de Atributos do SageMaker e SageMaker Model Monitor).
Descrever os conceitos fundamentais das operações de ML (MLOps) (por exemplo, experimentação, processos repetíveis, sistemas dimensionáveis, gerenciamento de dívidas técnicas, obtenção de prontidão para a produção, monitoramento de modelos e retreinamento de modelos).
Descrever as métricas de desempenho de modelos [por exemplo, acurácia, área sob a curva (AUC) e pontuação F1] e as métricas empresariais [por exemplo, custo por usuário, custos de desenvolvimento, feedback de clientes e retorno sobre o investimento (ROI)] para avaliar modelos de ML.
