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、培訓和推理、偏差、公平性、擬合度、大型語言模型 [LLM]、生成式 AI [GenAI]、代理式 AI）。
描述AI、ML、GenAI、深度學習和代理式 AI 之間的異同。
描述各種推理類型（例如：批量推理、即時推理、非同步推理、無伺服器推理）。
描述 AI 模型中不同類型的數據（例如：標記和未標記數據、表格、時間序列、圖像、文字、結構化和非結構化數據）。
描述不同類型的 AI/ML 學習方法（例如：監督學習、無監督學習、強化學習方法）。
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 解決方案何時不適用 (例如：成本效益分析、需要特定的結果而不是預測)。
針對特定用例選擇合適的 AI/ML 技術（例如：回歸、分類、叢集）。
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、知識庫、代理式 AI）。
說明 AWS 託管 AI/ML 服務的功能（例如：Amazon SageMaker AI、Amazon Transcribe、Amazon Translate、Amazon Comprehend、Amazon Lex、Amazon Polly）。
識別傳統 ML 模型或基礎模型 (FM) 在特定使用場景下的適用時機（例如：基於法規考量、可解釋性要求、營運限制）。
任務説明 1.3： 描述 AI/ML 開發生命週期。
目標：
描述和區分 AI/ML 管道的組件。
描述 FM 模型的來源（例如：開源預訓練模型、訓練自定義模型）。
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 AI/ML 流程中各階段相關的 AWS 服務與功能（例如：Amazon Bedrock、Amazon Q、Amazon QuickSight、Kiro、SageMaker AI).
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)。
描述用於評估 ML 模型的效能指標（例如：準確率、精確率、召回率、F1 分數）與業務指標（例如：每位用戶成本、開發成本、客戶回饋、投資報酬率 [ROI]）。
