AWS認定AIプラクティショナー（AIF-C01）対策コース - L

コースについて

AWS認定AIプラクティショナー（AIF-C01）の対策コースです。

https://aws.amazon.com/jp/certification/certified-ai-practitioner/

出題範囲などの詳細な情報は以下公式ドキュメントから確認できます。

https://docs.aws.amazon.com/ja_jp/aws-certification/latest/ai-practitioner-01/ai-practitioner-01.html

AWS認定AIプラクティショナー（AIF-C01）試験概要

AWS認定AIプラクティショナー（AIF-C01）の試験概要は以下の通りです。

試験コード：AIF-C01
レベル：Foundational
試験時間：90分
問題数：65問
採点対象：50問
採点対象外：15問
合格スコア：700 / 1000
受験料：100 USD
試験方式：Pearson VUEテストセンター / オンライン監督付き
日本語：対応
有効期間：3年間

参考：https://aws.amazon.com/jp/certification/certified-ai-practitioner/、https://docs.aws.amazon.com/ja_jp/aws-certification/latest/ai-practitioner-01/ai-practitioner-01.html

コース内容

AWS認定 AIプラクティショナーの概要

AWS認定 AIプラクティショナー試験概要

AWS認定AIプラクティショナーの受験方法

コンテンツ分野 1: AI と ML の基礎

タスクステートメント 1.1: AI の基本的な概念と用語を説明する
基本的な AI 用語 [AI、ML、深層学習、ニューラルネットワーク、コンピュータビジョン、自然言語処理 (NLP)、モデル、アルゴリズム、トレーニングと推論、バイアス、公平性、フィット、大規模言語モデル (LLM)、生成 AI (GenAI)、エージェンティック AI など]
さまざまな種類の推論 (バッチ、リアルタイム、非同期、サーバーレスなど) について説明する。
AI モデルに含まれるさまざまな種類のデータ (ラベル付きとラベルなし、表形式、時系列、画像、テキスト、構造化データと非構造化データなど) について説明する。
さまざまな種類の AI/ML 学習 (教師あり学習、教師なし学習、強化学習の方法など) について説明する。
タスクステートメント 1.2: AI の実用的なユースケースを特定する
AI/ML が価値を提供できる応用分野 (人間の意思決定の支援、ソリューションのスケーラビリティ、オートメーションなど) を認識する。
AI/ML ソリューションが適切でない場合 (費用対効果の分析、予測ではなく特定の結果が必要な状況など) を特定する。
特定のユースケース (回帰、分類、クラスタリングなど) に適した AI/ML 手法を選択する。
実際の AI 応用例 (コンピュータビジョン、NLP、音声認識、レコメンデーションシステム、不正検出、予測、ナレッジベース、エージェンティック AI など) を特定する。
AWS のマネージド AI/ML サービス (Amazon SageMaker AI、Amazon Transcribe、Amazon Translate、Amazon Comprehend、Amazon Lex、Amazon Polly など) の機能を説明する。
従来の ML モデルまたは基盤モデル (FM) が特定のユースケースに適する場合を (規制上の懸念、説明可能性の要件、運用上の制約などに基づいて) 特定する。
タスクステートメント 1.3: AI/ML 開発ライフサイクルについて説明する
AI/ML パイプラインのコンポーネントを説明し、区別する。
FM モデルのソース (オープンソースの事前トレーニング済みモデル、トレーニング用のカスタムモデルなど) について説明する。
本番環境でモデルを使用する方法 (マネージド API サービス、セルフホスト API など) を説明する。
AI/ML パイプラインの各ステージに関連する AWS のサービスと機能 (Amazon Bedrock、Amazon Q、Amazon Quick、Kiro、SageMaker AI など) を特定する。
ML 運用 (MLOps) の基本概念 (実験、反復可能なプロセス、スケーラブルなシステム、技術的負債の管理、本番稼働の準備、モデルモニタリング、モデルの再トレーニングなど) を説明する。
ML モデルを評価するためのモデルパフォーマンスメトリクス (正解率、適合率、再現率、F1 スコアなど) とビジネスメトリクス [ユーザーあたりのコスト、開発コスト、顧客からのフィードバック、投資収益率 (ROI) など] を説明する。

コンテンツ分野 2: GenAI の基礎

タスクステートメント 2.1: 生成 AI (GenAI) の基本概念を説明する
GenAI の基本概念 [トークン、チャンク化、埋め込み、ベクトル、プロンプトエンジニアリング、トランスフォーマーベースの大規模言語モデル (LLM)、基盤モデル (FM)、マルチモーダルモデル、拡散モデルなど] を定義する。
GenAI モデルの潜在的なユースケース (画像・動画・音声の生成、要約、AI アシスタント、翻訳、コード生成、カスタマーサービスエージェント、検索、レコメンデーションエンジンなど) を特定する。
FM のライフサイクル (データ選択、モデル選択、事前トレーニング、ファインチューニング、評価、デプロイ、フィードバックなど) を説明する。
トークンベースの価格設定モデルと、推論のコストとパフォーマンスに及ぼすその影響を説明する。
FM アプリケーションにおけるコンテキストエンジニアリングの役割を説明する。
エージェンティック AI の基本的な概念 [複雑な AI アプリケーションのマルチエージェントシステムパターン、エージェントを外部システムに接続する際のモデルコンテキストプロトコル (MCP) とその役割、マルチエージェント通信パターン、メモリ管理、ツールの使用、ワークフローオーケストレーションなど] を定義する。
タスクステートメント 2.2: ビジネス上の問題の解決に GenAI を使用する場合の可能性と制限を理解する
GenAI の利点 (適応性、応答性、会話能力、コンテンツ生成能力など) を説明する。
GenAI ソリューションのデメリット (ハルシネーション、解釈可能性、不正確さ、非決定性など) を特定する。
GenAI モデルを選択する際に考慮すべき要素 (モデルタイプ、パフォーマンス要件、機能、制約、コンプライアンス、コスト、レイテンシー、モデルの複雑さなど) を特定する。
GenAI アプリケーションのビジネス価値とメトリクス (クロスドメインのパフォーマンス、ROI、効率性、コンバージョン率、ユーザーあたりの平均収益、正解率、顧客生涯価値など) を見極める。
タスクステートメント 2.3: GenAI アプリケーションを構築するための AWS インフラストラクチャとテクノロジーについて説明する
GenAI アプリケーションを開発するための AWS のサービスと機能 (Amazon Bedrock、Amazon SageMaker AI、SageMaker JumpStart、Amazon Quick、Kiro、Strands Agents、Amazon Bedrock AgentCore など) を特定する。
AWS の GenAI サービスを使用してアプリケーションを構築するメリット (アクセシビリティ、参入障壁の低さ、効率性、費用対効果、市場投入までのスピード、ビジネス目標の達成能力など) を説明する。
GenAI アプリケーションの AWS インフラストラクチャの利点 (セキュリティ、コンプライアンス、責任、安全性など) を説明する。
AWS の GenAI サービスの、コストに対するトレードオフ (応答性、可用性、冗長性、パフォーマンス、リージョン展開、トークンベースの料金設定、プロビジョンスループット、カスタムモデルなど) を説明する。

コンテンツ分野 3: 基盤モデルの応用

タスクステートメント 3.1: 基盤モデル (FM) を使用するアプリケーションの設計上の考慮事項を説明する
FM を選ぶための選択基準 (コスト、モダリティ、レイテンシー、多言語、モデルサイズ、モデルの複雑さ、カスタマイズ、入力/出力の長さ、プロンプトキャッシュなど) を特定する。
推論パラメータがモデルの応答に与える影響 [温度 (Temperature)、入力/出力の長さなど] を説明する。
検索拡張生成 (RAG) を定義し、ビジネスにおける活用方法 (Amazon Bedrock ナレッジベースなど) を説明する。
ベクトルデータベースへの埋め込みの保存に役立つ AWS のサービス (Amazon OpenSearch Service、Amazon Aurora、Amazon Neptune、Amazon RDS for PostgreSQL など) を特定する。
FM をカスタマイズするためのさまざまなアプローチ (事前トレーニング、ファインチューニング、コンテキスト内学習、RAG、モデル蒸留など) のコスト面でのトレードオフを説明する。
AI エージェントの役割を定義し、ビジネスにおける AI エージェントの活用方法を説明する。
タスクステートメント 3.2: 効果的なプロンプトエンジニアリング手法を選択する
プロンプトエンジニアリングの概念と構成 (コンテキスト、指示、ネガティブプロンプトなど) を定義する。
プロンプトエンジニアリングの手法 (思考の連鎖、ゼロショット、シングルショット、フューショット、プロンプトテンプレート) を定義する。
プロンプトエンジニアリングの利点とベストプラクティス (応答品質の向上、実験、ガードレール、発見、具体性と簡潔さ、複数のコメントの使用) を特定し、説明する。
プロンプトエンジニアリングの潜在的なリスクと制限 (露出、ポイズニング、ハイジャック、ジェイルブレイクなど) を定義する。
Amazon Bedrock Prompt Management を使用するプロンプトのバージョン管理と管理戦略を説明する。
タスクステートメント 3.3: FM のトレーニングとファインチューニングのプロセスを説明する
FM のトレーニングの重要な要素 (事前トレーニング、ファインチューニング、継続的な事前チューニング、蒸留など) を説明する。
FM をファインチューニングするための方法 (指示のチューニング、特定分野へのモデルの適応、転移学習、継続的な事前トレーニングなど) を定義する。
FM をファインチューニングするためのデータの準備方法 [データキュレーション、ガバナンス、サイズ、ラベル付け、代表性、人間からのフィードバックによる強化学習 (RLHF) など] を説明する。
タスクステートメント 3.4: FM のパフォーマンスを評価する方法を説明する
FM のパフォーマンスを評価する手法 (ヒューマンインザループによる評価、ベンチマークデータセット、Amazon Bedrock のモデル評価など) を特定する。
FM のパフォーマンスを評価するための関連メトリクス [Recall-Oriented Understudy for Gisting Evaluation (ROUGE)、Bilingual Evaluation Understudy (BLEU)、BERTScore、LLM-as-a-judge など] を特定する。
FM がビジネス目標 (生産性、ユーザーエンゲージメント、タスクエンジニアリングなど) を効果的に満たしているかどうかを判断する。
FM を使用して構築されたアプリケーションのパフォーマンスを評価するためのアプローチ (RAG、エージェント、ワークフローなど) を特定する。
AI アプリケーションのビジネス目標整合指標 (タスク完了率、ユーザー満足度、インタラクションあたりのコストなど) を特定する。

コンテンツ分野 4: 責任ある AI に関するガイドライン

タスクステートメント 4.1: 責任ある AI システムの開発について説明する
責任ある AI の特徴 (バイアス、公平性、包括性、堅牢性、安全性、信憑性など) を特定する。
責任ある AI の特徴を特定するためのツール (Amazon Bedrock のガードレールなど) の使用方法を説明する。
モデルを選択するうえでの責任ある慣行 (環境への配慮、持続可能性など) を定義する。
生成 AI (GenAI) を使用する際の法的リスク (知的財産権侵害の申し立て、偏ったモデル出力、顧客の信頼喪失、エンドユーザーリスク、ハルシネーションなど) を特定する。
データセットの特徴 (包括性、多様性、キュレートされたデータソース、バランスの取れたデータセットなど) を特定する。
バイアスと分散の影響 (人口統計グループへの影響、不正確さ、オーバーフィット、アンダーフィットなど) を説明する。
バイアス、信頼性、真実性を検出およびモニタリングするためのツール [ラベル品質の分析、人間による監査、サブグループ分析、Amazon SageMaker Clarify、SageMaker Model Monitor、Amazon Augmented AI (Amazon A2I) など] について説明する。
タスクステートメント 4.2: 透明性の高い説明可能なモデルの重要性を認識する
透明性の高い説明可能なモデルと、透明性の低い説明不可能なモデルの違いを説明する。
透明性の高い説明可能なモデルを識別するためのツール (Amazon SageMaker Model Cards、SageMaker Clarify、Amazon Bedrock のモデル評価、オープンソースモデル、データ、ライセンスなど) を説明する。
モデルの安全性と透明性の間のトレードオフ (解釈可能性とパフォーマンスを測定するなど) を特定する。
説明可能な AI のための人間中心設計の原則 (ユーザーフィードバックメカニズム、AI 意思決定の透明性など) を説明する。

コンテンツ分野 5: AI ソリューションのセキュリティ、コンプライアンス、ガバナンス

タスクステートメント 5.1: AI システムを保護する方法を説明する
AI システムを保護するための AWS のサービスと機能 (IAM ロール・ポリシー・アクセス許可、暗号化、Amazon Macie、AWS PrivateLink、AWS 責任共有モデル、Amazon Bedrock AgentCore Identity、AgentCore のポリシー、Amazon Bedrock Guardrails など) を特定する。
ソース引用とデータ出典の文書化の概念 (データリネージュ、データのカタログ化、Amazon SageMaker Model Cards など) を説明する。
セキュアなデータエンジニアリングのベストプラクティス (データ品質の評価、プライバシー強化技術の実装、データアクセス制御、データの完全性など) を説明する。
AI システムのセキュリティとプライバシーに関する考慮事項 (アプリケーションセキュリティ、脅威検出、脆弱性管理、インフラストラクチャ保護、プロンプトインジェクション、保管中および転送中の暗号化、データリークの防止、出力のフィルタリングと検証、AI インタラクションの監査証跡とログ要件、毒性など) を説明する。
出力精度を向上させるためのハルシネーション検出方法とグラウンディング手法 [検索拡張生成 (RAG) グラウンディング、出力検証、信頼度スコアリングなど] を説明する。
タスクステートメント 5.2: AI システムのガバナンスとコンプライアンス規制を認識する
ガバナンスと規制コンプライアンスを支援する AWS のサービスと機能 (AWS Config、Amazon Inspector、AWS Audit Manager、AWS Artifact、AWS CloudTrail、AWS Trusted Advisor など) を特定する。
データガバナンス戦略 (データライフサイクル、ログ記録、レジデンシー、モニタリング、観察、保持など) を説明する。
ガバナンスプロトコル (ポリシー、レビューサイクル、レビュー戦略、生成 AI セキュリティスコーピングマトリックスなどのガバナンスフレームワーク、透明性基準、チームトレーニング要件など) に従うためのプロセスを説明する。

コースについて

AWS認定AIプラクティショナー（AIF-C01）試験概要

コース内容

AWS認定 AIプラクティショナーの概要

AWS認定 AIプラクティショナー試験概要

AWS認定AIプラクティショナーの受験方法

AWS認定 AIプラクティショナー受験方法

コンテンツ分野 1: AI と ML の基礎

タスクステートメント 1.1: AI の基本的な概念と用語を説明する

さまざまな種類の推論 (バッチ、リアルタイム、非同期、サーバーレスなど) について説明する。

AI モデルに含まれるさまざまな種類のデータ (ラベル付きとラベルなし、表形式、時系列、画像、テキスト、構造化データと非構造化データなど) について説明する。

さまざまな種類の AI/ML 学習 (教師あり学習、教師なし学習、強化学習の方法など) について説明する。

タスクステートメント 1.2: AI の実用的なユースケースを特定する

AI/ML が価値を提供できる応用分野 (人間の意思決定の支援、ソリューションのスケーラビリティ、オートメーションなど) を認識する。

AI/ML ソリューションが適切でない場合 (費用対効果の分析、予測ではなく特定の結果が必要な状況など) を特定する。

特定のユースケース (回帰、分類、クラスタリングなど) に適した AI/ML 手法を選択する。

実際の AI 応用例 (コンピュータビジョン、NLP、音声認識、レコメンデーションシステム、不正検出、予測、ナレッジベース、エージェンティック AI など) を特定する。

AWS のマネージド AI/ML サービス (Amazon SageMaker AI、Amazon Transcribe、Amazon Translate、Amazon Comprehend、Amazon Lex、Amazon Polly など) の機能を説明する。

従来の ML モデルまたは基盤モデル (FM) が特定のユースケースに適する場合を (規制上の懸念、説明可能性の要件、運用上の制約などに基づいて) 特定する。

タスクステートメント 1.3: AI/ML 開発ライフサイクルについて説明する

AI/ML パイプラインのコンポーネントを説明し、区別する。

FM モデルのソース (オープンソースの事前トレーニング済みモデル、トレーニング用のカスタムモデルなど) について説明する。

本番環境でモデルを使用する方法 (マネージド API サービス、セルフホスト API など) を説明する。

AI/ML パイプラインの各ステージに関連する AWS のサービスと機能 (Amazon Bedrock、Amazon Q、Amazon Quick、Kiro、SageMaker AI など) を特定する。

ML 運用 (MLOps) の基本概念 (実験、反復可能なプロセス、スケーラブルなシステム、技術的負債の管理、本番稼働の準備、モデルモニタリング、モデルの再トレーニングなど) を説明する。

コンテンツ分野 2: GenAI の基礎

タスクステートメント 2.1: 生成 AI (GenAI) の基本概念を説明する

GenAI の基本概念 [トークン、チャンク化、埋め込み、ベクトル、プロンプトエンジニアリング、トランスフォーマーベースの大規模言語モデル (LLM)、基盤モデル (FM)、マルチモーダルモデル、拡散モデルなど] を定義する。

GenAI モデルの潜在的なユースケース (画像・動画・音声の生成、要約、AI アシスタント、翻訳、コード生成、カスタマーサービスエージェント、検索、レコメンデーションエンジンなど) を特定する。

FM のライフサイクル (データ選択、モデル選択、事前トレーニング、ファインチューニング、評価、デプロイ、フィードバックなど) を説明する。

トークンベースの価格設定モデルと、推論のコストとパフォーマンスに及ぼすその影響を説明する。

FM アプリケーションにおけるコンテキストエンジニアリングの役割を説明する。

タスクステートメント 2.2: ビジネス上の問題の解決に GenAI を使用する場合の可能性と制限を理解する

GenAI の利点 (適応性、応答性、会話能力、コンテンツ生成能力など) を説明する。

GenAI ソリューションのデメリット (ハルシネーション、解釈可能性、不正確さ、非決定性など) を特定する。

GenAI モデルを選択する際に考慮すべき要素 (モデルタイプ、パフォーマンス要件、機能、制約、コンプライアンス、コスト、レイテンシー、モデルの複雑さなど) を特定する。

GenAI アプリケーションのビジネス価値とメトリクス (クロスドメインのパフォーマンス、ROI、効率性、コンバージョン率、ユーザーあたりの平均収益、正解率、顧客生涯価値など) を見極める。

タスクステートメント 2.3: GenAI アプリケーションを構築するための AWS インフラストラクチャとテクノロジーについて説明する

GenAI アプリケーションを開発するための AWS のサービスと機能 (Amazon Bedrock、Amazon SageMaker AI、SageMaker JumpStart、Amazon Quick、Kiro、Strands Agents、Amazon Bedrock AgentCore など) を特定する。

AWS の GenAI サービスを使用してアプリケーションを構築するメリット (アクセシビリティ、参入障壁の低さ、効率性、費用対効果、市場投入までのスピード、ビジネス目標の達成能力など) を説明する。

GenAI アプリケーションの AWS インフラストラクチャの利点 (セキュリティ、コンプライアンス、責任、安全性など) を説明する。

AWS の GenAI サービスの、コストに対するトレードオフ (応答性、可用性、冗長性、パフォーマンス、リージョン展開、トークンベースの料金設定、プロビジョンスループット、カスタムモデルなど) を説明する。

コンテンツ分野 3: 基盤モデルの応用

タスクステートメント 3.1: 基盤モデル (FM) を使用するアプリケーションの設計上の考慮事項を説明する

FM を選ぶための選択基準 (コスト、モダリティ、レイテンシー、多言語、モデルサイズ、モデルの複雑さ、カスタマイズ、入力/出力の長さ、プロンプトキャッシュなど) を特定する。

推論パラメータがモデルの応答に与える影響 [温度 (Temperature)、入力/出力の長さなど] を説明する。

検索拡張生成 (RAG) を定義し、ビジネスにおける活用方法 (Amazon Bedrock ナレッジベースなど) を説明する。

ベクトルデータベースへの埋め込みの保存に役立つ AWS のサービス (Amazon OpenSearch Service、Amazon Aurora、Amazon Neptune、Amazon RDS for PostgreSQL など) を特定する。

FM をカスタマイズするためのさまざまなアプローチ (事前トレーニング、ファインチューニング、コンテキスト内学習、RAG、モデル蒸留など) のコスト面でのトレードオフを説明する。

AI エージェントの役割を定義し、ビジネスにおける AI エージェントの活用方法を説明する。

タスクステートメント 3.2: 効果的なプロンプトエンジニアリング手法を選択する

プロンプトエンジニアリングの概念と構成 (コンテキスト、指示、ネガティブプロンプトなど) を定義する。

プロンプトエンジニアリングの手法 (思考の連鎖、ゼロショット、シングルショット、フューショット、プロンプトテンプレート) を定義する。

プロンプトエンジニアリングの利点とベストプラクティス (応答品質の向上、実験、ガードレール、発見、具体性と簡潔さ、複数のコメントの使用) を特定し、説明する。

プロンプトエンジニアリングの潜在的なリスクと制限 (露出、ポイズニング、ハイジャック、ジェイルブレイクなど) を定義する。

Amazon Bedrock Prompt Management を使用するプロンプトのバージョン管理と管理戦略を説明する。

タスクステートメント 3.3: FM のトレーニングとファインチューニングのプロセスを説明する

FM のトレーニングの重要な要素 (事前トレーニング、ファインチューニング、継続的な事前チューニング、蒸留など) を説明する。

FM をファインチューニングするための方法 (指示のチューニング、特定分野へのモデルの適応、転移学習、継続的な事前トレーニングなど) を定義する。

FM をファインチューニングするためのデータの準備方法 [データキュレーション、ガバナンス、サイズ、ラベル付け、代表性、人間からのフィードバックによる強化学習 (RLHF) など] を説明する。

タスクステートメント 3.4: FM のパフォーマンスを評価する方法を説明する

FM のパフォーマンスを評価する手法 (ヒューマンインザループによる評価、ベンチマークデータセット、Amazon Bedrock のモデル評価など) を特定する。

FM のパフォーマンスを評価するための関連メトリクス [Recall-Oriented Understudy for Gisting Evaluation (ROUGE)、Bilingual Evaluation Understudy (BLEU)、BERTScore、LLM-as-a-judge など] を特定する。

FM がビジネス目標 (生産性、ユーザーエンゲージメント、タスクエンジニアリングなど) を効果的に満たしているかどうかを判断する。

FM を使用して構築されたアプリケーションのパフォーマンスを評価するためのアプローチ (RAG、エージェント、ワークフローなど) を特定する。

AI アプリケーションのビジネス目標整合指標 (タスク完了率、ユーザー満足度、インタラクションあたりのコストなど) を特定する。

コンテンツ分野 4: 責任ある AI に関するガイドライン

タスクステートメント 4.1: 責任ある AI システムの開発について説明する

責任ある AI の特徴 (バイアス、公平性、包括性、堅牢性、安全性、信憑性など) を特定する。

責任ある AI の特徴を特定するためのツール (Amazon Bedrock のガードレールなど) の使用方法を説明する。

モデルを選択するうえでの責任ある慣行 (環境への配慮、持続可能性など) を定義する。

生成 AI (GenAI) を使用する際の法的リスク (知的財産権侵害の申し立て、偏ったモデル出力、顧客の信頼喪失、エンドユーザーリスク、ハルシネーションなど) を特定する。

データセットの特徴 (包括性、多様性、キュレートされたデータソース、バランスの取れたデータセットなど) を特定する。

バイアスと分散の影響 (人口統計グループへの影響、不正確さ、オーバーフィット、アンダーフィットなど) を説明する。

バイアス、信頼性、真実性を検出およびモニタリングするためのツール [ラベル品質の分析、人間による監査、サブグループ分析、Amazon SageMaker Clarify、SageMaker Model Monitor、Amazon Augmented AI (Amazon A2I) など] について説明する。

タスクステートメント 4.2: 透明性の高い説明可能なモデルの重要性を認識する

透明性の高い説明可能なモデルと、透明性の低い説明不可能なモデルの違いを説明する。

透明性の高い説明可能なモデルを識別するためのツール (Amazon SageMaker Model Cards、SageMaker Clarify、Amazon Bedrock のモデル評価、オープンソースモデル、データ、ライセンスなど) を説明する。

モデルの安全性と透明性の間のトレードオフ (解釈可能性とパフォーマンスを測定するなど) を特定する。

説明可能な AI のための人間中心設計の原則 (ユーザーフィードバックメカニズム、AI 意思決定の透明性など) を説明する。