内容领域 1： AI 和 ML 基础知识
领域 1 涵盖了 AI 和 ML 的基础知识，占考试计分内容的 20%。
任务说明 1.1： 解释基本 AI 概念和术语。
目标：
定义基本 AI 术语（例如：AI、ML、深度学习、神经网络、计算机视觉、自然语言处理 [NLP]、模型、算法、训练与推理、偏差、公平性、拟合度、大语言模型 [LLM]、生成式人工智能 [GenAI]、智能体 AI）。
描述 AI、ML、GenAI、深度学习和智能体 AI 之间的异同。
描述各种推理类型（例如：批量推理、实时推理、异步推理、无服务器推理）。
描述 AI 模型中不同类型的数据（例如：标记数据和未标记数据、表格数据、时间序列数据、图像数据、文本数据、结构化数据和非结构化数据）。
描述不同类型的 AI/ML 数据学习方法（例如：监督学习、无监督学习、强化学习）。
任务说明 1.2： 确定 AI 的实际使用案例。
目标：
了解 AI/ML 可发挥价值的应用（例如：辅助人类决策、解决方案可扩展性、自动化）。
确定何时不宜采用 AI/ML 解决方案（例如：基于成本效益分析的考量，或在需要特定结果而不是预测的情况）。
针对特定的用例，选择合适的 AI/ML 技术（例如：回归、分类、聚类）。
确定真实世界的 AI 应用示例（例如：计算机视觉、自然语言处理、语音识别、推荐系统、欺诈检测、预测分析、知识库、智能体 AI）。
解释 AWS 托管式 AI/ML 服务（例如：Amazon SageMaker AI、Amazon Transcribe、Amazon Translate、Amazon Comprehend、Amazon Lex、Amazon Polly）的功能。
识别在特定用例中何时适合使用 ML 模型或基础模型（FM）（例如：基于监管考量、可解释性要求、运营约束等因素）。
任务说明 1.3： 描述 AI/ML 开发生命周期。
目标：
描述和区分 AI/ML 管道的组件。
描述 FM 模型的来源（例如：开源预训练模型、训练自定义模型）。
描述在生产环境中使用模型的方法（例如：托管式 API 服务、自托管 API）。
确定 AI/ML 流程每个阶段的相关服务和功能（例如：Amazon Bedrock、Amazon Q、Amazon Quick、Kiro、SageMaker AI）。
描述 ML 运维 (MLOps) 的基本概念（例如：实验、可重复的流程、可扩展的系统、技术债务管理、实现生产就绪、模型监控以及模型重训练）。
描述模型性能指标（例如：准确率、精确率、召回率、F1 分数）以及业务指标（例如：单用户成本、开发成本、客户反馈、投资回报率 [ROI]），以对 ML 模型进行评估。
