內容領域 1： AI 和 ML 的基礎知識
領域 1 涵蓋 AI 和 ML 的基礎知識，佔考試計分內容的 20%。
任務説明 1.1： 說明基本 AI 概念和術語。
目標：
定義基本的 AI 術語 (例如：AI、ML、深度學習、神經網路、電腦視覺、自然語言處理 [NLP]、模型、演算法、訓練和推論、偏差、公平、合適，大語言模型 [LLM])。
描述 AI、ML、GenAI 和深度學習之間的相似性和差異。
描述各種類型的推論 (例如：批次、即時)。
描述 AI 模型中的不同資料類型 (例如：標記和未標記、表格式、時間序列、影像、文字、結構化和非結構化)。
描述監督式學習、無監督學習和強化學習。
任務説明 1.2： 識別 AI 的實務使用案例。
目標：
辨識 AI/ML 可以提供價值的應用領域 (例如：協助人類做決策、解決方案可擴展性、自動化)。
判斷 AI/ML 解決方案何時不適合 (例如：成本效益分析、需要特定的結果而不是預測)。
針對特定使用案例 (例如：迴歸、分類、叢集) 選取適當的 ML 技術。
識別實際 AI 應用程式的範例 (例如：電腦視覺、NLP、語音識別、推薦系統、詐騙偵測、預測)。
說明 AWS 受管 AI/ML 服務的功能 (例如：Amazon SageMaker AI、Amazon Transcribe、Amazon Translate、Amazon Comprehend、Amazon Lex、Amazon Polly)。
任務説明 1.3： 描述 ML 開發生命週期。
目標：
描述 ML 管道的元件 (例如：資料收集、探索資料分析 [EDA]、資料預處理、特徵工程、模型訓練、超參數調校、評估、部署、監控)。
描述 ML 模型的來源 (例如：開放原始碼預先訓練的模型、訓練自訂模型)。
描述在生產中使用模型的方法 (例如：受管 API 服務、自我託管 API)。
識別 ML 管道每個階段的相關 AWS 服務和特徵 (例如：SageMaker AI、SageMaker Data Wrangler、SageMaker Feature Store、SageMaker Model Monitor)。
描述 ML 維運 (MLOps) 的基礎概念 (例如：實驗、可重複的流程、可擴展的系統、管理技術債務、實現生產整備、模型監控、模型重新訓練)。
描述模型效能指標 (例如：準確度、曲線下面積 [AUC]、F1 分數) 和商業指標 (例如：每位使用者成本、開發成本、客戶回饋、投資報酬率 [ROI]) 以評估 ML 模型。
