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, grandes modelos de linguagem (LLM), IA generativa e IA agêntica].
Descrever as semelhanças e diferenças entre IA, ML, IA generativa, aprendizado profundo e IA agêntica.
Descrever vários tipos de inferência (por exemplo, em lote, em tempo real, assíncrona, sem servidor).
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 os diferentes tipos de aprendizado de IA/ML (por exemplo, aprendizado supervisionado, aprendizado não supervisionado, métodos de 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, previsão, bases de conhecimento e IA agêntica).
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).
Identificar quando os modelos tradicionais de ML ou modelos de base (FMs) são apropriados para um caso de uso específico (por exemplo, com base em questões regulatórias, requisitos de explicabilidade, restrições operacionais).
Declaração de tarefa 1.3: Descrever o ciclo de vida do desenvolvimento de ML.
Objetivos:
Descrever e diferenciar os componentes de um pipeline de IA/ML.
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 serviços e recursos AWS relevantes para cada estágio de um pipeline de IA/ML (por exemplo, Amazon Bedrock, Amazon Q, Amazon Quick, Kiro, SageMaker IA).
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, precisão, recall 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.
