AWS AI Practitioner（AIF-C01）認證備考
領域5：AI安全性、合規與治理（14%）
xdev.asia
1. 考試概覽——AIF-C01
| 詳情 | 內容 |
|---|
| 考試代碼 | AIF-C01 |
| 題數 | 65題計分 + 15題不計分 = 共80題 |
| 時間 | 90分鐘 |
| 及格分數 | 700 / 1000 |
| 費用 | $100美元 |
| 題型 | 單選題 + 多選題 |
| 考試方式 | Pearson VUE（考試中心或線上監考） |
| 有效期 | 3年 |
2. 領域權重
領域1：AI與ML基礎 ████████████ 20% （約13題）
領域2：生成式AI基礎 █████████████████ 24% （約16題）
領域3：基礎模型的應用 ████████████████████ 28% （約18題）
領域4：負責任AI準則 █████████ 14% （約9題）
領域5：安全、合規與治理 █████████ 14% （約9題）
策略：領域3（28%）佔比最大——重點關注Bedrock、RAG、提示工程、微調。領域1+2（44%）是基礎——理解概念即可。
3. 時間管理策略
80題 / 90分鐘 = 每題約67秒
策略：
┌─────────────────────────────────────────────┐
│ 第一輪（0-60分鐘）：回答簡單的題目 │
│ → 跳過困難的（標記待覆核） │
│ → 目標：回答60+題 │
├─────────────────────────────────────────────┤
│ 第二輪（60-85分鐘）：覆核標記的題目 │
│ → 先排除錯誤答案 │
│ → 使用刪除法 │
├─────────────────────────────────────────────┤
│ 第三輪（85-90分鐘）：最終覆核 │
│ → 絕不留空白 │
│ → 猜答案不扣分 │
└─────────────────────────────────────────────┘
4. 領域1備忘錄——AI/ML基礎
| 概念 | 關鍵要點 |
|---|
| AI vs ML vs DL | AI ⊃ ML ⊃ DL。DL使用神經網路。 |
| 監督式 | 有標記資料 → 分類（離散）或迴歸（連續） |
| 非監督式 | 無標記資料 → 分群、降維 |
| 強化學習 | Agent + 環境 + 獎勵 → 透過試錯學習 |
| 過擬合 | 訓練資料表現好，測試表現差 → 增加資料、正則化、dropout |
| 欠擬合 | 兩者都表現差 → 更複雜的模型、更多特徵、更長訓練 |
| 精確率 | 預測為正的中，有多少是正確的？（避免假陽性） |
| 召回率 | 實際為正的中，找到了多少？（避免假陰性） |
| F1分數 | 精確率和召回率的調和平均數 |
| AUC-ROC | 模型區分類別的能力（越高越好） |
5. 領域2備忘錄——生成式AI
| 概念 | 關鍵要點 |
|---|
| 基礎模型 | 在廣泛資料上訓練的大型模型，可適應多種任務 |
| Transformer | 僅編碼器（BERT，分類）、僅解碼器（GPT，生成）、兩者（T5，翻譯） |
| Token | ~4字元 = 1 token。上下文視窗 = 最大token數。定價 = 按token。 |
| Temperature | 低（0）= 確定性/事實性。高（1）= 創意/多樣性。 |
| Top-p | 核心抽樣。0.1 = 聚焦。0.9 = 多樣。 |
| 幻覺 | 模型生成虛假資訊。緩解方式：RAG、guardrails、降低temperature。 |
| 嵌入 | 文字 → 向量。相似意義 = 接近的向量。用於搜尋、RAG。 |
| 擴散模型 | 透過去噪生成圖像。Stable Diffusion、Titan Image Generator。 |
| 多模態 | 處理多種資料類型。Claude 3（文字+圖像）、Titan MM Embeddings。 |
6. 領域3備忘錄——應用
| 概念 | 關鍵要點 |
|---|
| Zero-shot | 無範例。模型使用其知識。 |
| Few-shot | 2-5個範例。模式跟隨。 |
| Chain-of-Thought | 「逐步思考」→ 更好的推理/數學。 |
| RAG | 檢索文件 → 增強提示 → 生成。減少幻覺。 |
| Bedrock Knowledge Bases | 託管RAG：S3文件 → 自動分塊 → 嵌入 → 向量儲存 → 檢索。 |
| 微調 | 用你的資料進一步訓練FM。需要1000+標記範例。LoRA = 更便宜。 |
| Bedrock Agents | 多步驟任務：規劃 → 呼叫API → 回傳結果。使用動作群組。 |
| Bedrock Guardrails | 內容過濾、禁止主題、PII過濾、詞彙過濾、基礎檢查。 |
| PartyRock | 免費、無程式碼的Bedrock遊樂場。不需要AWS帳戶。 |
| Amazon Q Developer | AI程式碼助手（前身為CodeWhisperer）。IDE整合。 |
| Amazon Q Business | 企業公司資料問答。尊重ACL。 |
7. 領域4備忘錄——負責任AI
| 概念 | 關鍵要點 |
|---|
| 偏差類型 | 選擇、抽樣、衡量、標記、演算法、確認。 |
| SageMaker Clarify | 訓練前偏差 + 訓練後偏差 + SHAP可解釋性。 |
| Amazon A2I | 人在迴路。信心低時觸發人工審查。 |
| SHAP | 每次預測的特徵重要性。「為什麼被拒絕？」 |
| AI Service Cards | AWS公開文件：AWS AI服務的預期用途、限制、公平性。 |
| 模型卡片 | SageMaker：記錄你的模型詳情、指標、倫理。 |
| 毒性偵測 | Guardrails內容過濾器 + Amazon Comprehend毒性。 |
8. 領域5備忘錄——安全與合規
| 概念 | 關鍵要點 |
|---|
| IAM | 最小權限。bedrock:InvokeModel + 資源ARN = 限制模型。 |
| 靜態加密 | Bedrock、SageMaker、S3的KMS金鑰。合規使用客戶託管。 |
| VPC端點 | PrivateLink = 無需網際網路。Bedrock + SageMaker支援。 |
| PII偵測 | Comprehend（文字）、Macie（S3）、Guardrails（FM I/O）。 |
| CloudTrail | 誰在何時呼叫了哪個API。稽核軌跡。 |
| Model Invocation Logging | 記錄實際提示與回應（至S3/CloudWatch）。 |
| Bedrock資料隱私 | 你的資料不用於訓練基礎FM。留在區域內。加密。 |
| 共同責任 | 客戶：資料、偏差、IAM、合規。AWS：基礎設施、服務安全。 |
9. 「該用哪個AWS服務？」快速參考
| 如果你需要... | 使用這個服務 |
|---|
| 透過單一API存取多個FM | Amazon Bedrock |
| 用公司文件建立RAG | Bedrock Knowledge Bases |
| 建立能呼叫API的AI | Bedrock Agents |
| 封鎖有害/PII內容 | Bedrock Guardrails |
| 微調FM | Bedrock Custom Models或SageMaker |
| 從零開始訓練自訂ML模型 | Amazon SageMaker |
| 自動ML（無需程式碼） | SageMaker Canvas或SageMaker Autopilot |
| 偵測模型偏差 | SageMaker Clarify |
| AI預測的人工審查 | Amazon A2I |
| 從文件擷取文字 | Amazon Textract |
| 分析圖像/影片 | Amazon Rekognition |
| 翻譯文字 | Amazon Translate |
| 語音轉文字 | Amazon Transcribe |
| 文字轉語音 | Amazon Polly |
| NLP（情感、實體） | Amazon Comprehend |
| 建立聊天機器人 | Amazon Lex |
| 企業搜尋 | Amazon Kendra |
| 推薦系統 | Amazon Personalize |
| 時間序列預測 | Amazon Forecast |
| 詐欺偵測 | Amazon Fraud Detector |
| 程式碼助手 | Amazon Q Developer |
| 企業公司資料問答 | Amazon Q Business |
| 無程式碼GenAI遊樂場 | PartyRock |
| 在S3中尋找PII | Amazon Macie |
10. 常見考試陷阱
注意這些：
- 「最合適」/「最佳」：多個答案可能可行——選擇最符合所有限制條件的。
- RAG vs 微調：題目提到「最新資料」或「公司文件」→ RAG。「特定風格」或「寫作模式」→ 微調。
- 系統提示 vs Guardrails：題目說「保證」或「強制」→ Guardrails（系統提示可以被繞過）。
- 監督式 vs 非監督式：「標記」= 監督式。「無標記」= 非監督式。「獎勵」= 強化學習。
- SageMaker vs Bedrock：從零開始的自訂ML模型 → SageMaker。使用/自訂現有FM → Bedrock。
- Comprehend vs Macie：文字中的PII（執行時）→ Comprehend。S3檔案中的PII（發現）→ Macie。
- Clarify vs Guardrails：偏差偵測 → Clarify。內容安全 → Guardrails。
- Temperature：「一致的答案」→ 低temperature。「有創意的回應」→ 高temperature。
- 「最少工作量」/「最低負擔」：通常代表託管服務（Bedrock > SageMaker）。
- CloudTrail vs CloudWatch vs Invocation Logging：API稽核 → CloudTrail。指標 → CloudWatch。提示/回應日誌 → Invocation Logging。
11. 考試當天提示
- 先讀完整個題目再看答案選項
- 辨識關鍵字：「最」、「最少」、「最佳」、「首先」、「保證」
- 先排除錯誤答案——通常有2個明顯錯誤
- 不要過度思考——如果你知道答案，選擇後繼續
- 標記並跳過困難的題目——在第二輪回來
- 絕不留空白——猜答案不扣分
- 15題不計分——你不知道是哪些，所以每題都要認真
- 管理時間——平均每題67秒
12. 下一步
- 複習本系列的全部11課
- 參加模擬考，在「練習考試」部分
- AWS Skill Builder：AIF-C01的免費「考試準備」課程
- AWS PartnerCast：額外的考試準備資源
- 使用Bedrock練習：使用AWS Free Tier / PartyRock
- 報名考試，前往aws.amazon.com/certification
記住：你不需要實際操作經驗——這是Practitioner等級的考試。重點放在概念、用途和選擇正確的AWS服務。