AWS-KI-Services und Subservices für AIF-C01: was jeder tut und wie man ihn nutzt

Die AIF-C01-Prüfung verlangt nicht, dass Sie etwas bauen. Sie prüft, ob Sie den richtigen AWS-Service für ein Problem auswählen und erklären können, was er tut. Das klingt einfach, bis man merkt, dass AWS ein Dutzend KI-Services hat, und die beiden großen - Amazon Bedrock und Amazon SageMaker AI - jeweils ein eigenes Dutzend an Subservices enthalten. Die meisten lernen die prominenten Namen und stolpern dann über ein Szenario, das an Knowledge Bases vs. Fine-Tuning oder Ground Truth vs. Data Wrangler hängt.

Dies ist die ausführliche Version: jeder Service und jeder Subservice im Umfang von AIF-C01, mit dem, was er ist, warum es ihn gibt und wie Sie ihn tatsächlich nutzen würden. Der Text ist bewusst lang - behandeln Sie ihn als Referenz, die Sie abschnittsweise überfliegen, nicht als Geschichte, die Sie von Anfang bis Ende lesen. Wenn Sie zuerst die kürzere Übersicht "welcher Service passt zu welchem Prüfungsbereich" möchten, lesen Sie den Begleitbeitrag Jeder AWS-Service in der AIF-C01-Prüfung und kommen Sie dann für die Subservice-Details hierher zurück.

Das mentale Modell: fünf Wege, KI auf AWS zu nutzen

Bevor die Serviceliste kommt, halten Sie diesen Rahmen im Kopf. Jede KI-Frage in der Prüfung fragt eigentlich "welche dieser fünf Ebenen passt?"

• Verwaltete KI-APIs (Comprehend, Rekognition, Textract und so weiter) - vortrainiert, einem einzigen Zweck dienend. Sie senden Daten, Sie erhalten ein Ergebnis. Keine Modellauswahl, kein Training.
• Amazon Bedrock - verwalteter Zugriff auf Foundation Models plus die Werkzeuge, um generative KI-Anwendungen zu bauen (RAG, Agents, Guardrails). Sie wählen ein Modell und komponieren Verhalten; Sie verwalten keine Server.
• Amazon SageMaker AI - die vollständige Plattform zum Bauen eigener Modelle. Sie bereiten Daten vor, trainieren, optimieren, stellen bereit und überwachen eigene Modelle.
• Amazon Q - fertige KI-Assistenzprodukte. Sie wählen kein Modell und richten keinen Vektorspeicher ein; AWS hat das bereits getan.
• PartyRock - ein No-Code-Spielplatz zum Lernen und Prototyping generativer KI-Anwendungen.

Die Prüfung testet ständig die Grenzen zwischen diesen. Behalten Sie die Ebene im Kopf, während Sie jeden Service unten lesen.

Amazon Bedrock

Was es ist. Ein vollständig verwalteter Service, der Ihnen eine API bietet, um Foundation Models vieler Anbieter aufzurufen, plus eine Reihe integrierter Werkzeuge zum Bauen generativer KI-Anwendungen darauf. Keine Infrastruktur, kein Modell-Hosting - Sie senden Prompts, Sie erhalten Antworten.

Warum es ihn gibt. Generative KI-Anwendungen brauchen mehr als ein reines Modell: Sie brauchen Verankerung in privaten Daten, Sicherheitskontrollen, Orchestrierung und Evaluierung. Bedrock bündelt all das hinter serverlosen APIs, sodass Sie die Anwendung bauen, nicht die Verkabelung.

Wie man ihn nutzt. Wählen Sie ein Modell, testen Sie es in einem Playground und fügen Sie dann die Subservices hinzu, die Sie brauchen (Knowledge Bases für RAG, Guardrails für Sicherheit, Agents für Aktionen), und rufen Sie das Ganze aus Ihrer Anwendung über die API oder das SDK auf.

Foundation models

Der Katalog von Modellen, die Sie aufrufen können. Sie sind nicht an einen Anbieter gebunden - die Auswahl des richtigen Modells für Kosten, Latenz und Fähigkeiten ist eine zentrale Prüfungskompetenz.

• Amazon Titan - Amazons Erstanbieter-Modelle: Titan Text, Titan Text Embeddings (für RAG-Vektorsuche), Titan Image Generator und Titan Multimodal Embeddings.
• Amazon Nova - Amazons neuere Modellfamilie (in einem eigenen Abschnitt weiter unten behandelt).
• Anthropic Claude - starke Modelle für allgemeines Reasoning und lange Kontexte.
• Meta Llama, Mistral, Cohere, AI21 Labs (Jamba), Stability AI (Bildgenerierung) und andere.

Wissen Sie, dass ein "Foundation Model" ein großes vortrainiertes Modell ist, das Sie durch Prompting, RAG oder Fine-Tuning anpassen - nicht etwas, das Sie von Grund auf trainieren.

Bedrock playgrounds

Was/warum. Konsolen für Chat, Text und Bild zum Ausprobieren von Modellen und Prompts ohne Code. Hier vergleichen Sie Modelle und stimmen Inferenzparameter ab (temperature, top-p, max tokens), bevor Sie irgendetwas verdrahten.

Wie man ihn nutzt. Öffnen Sie den Playground, wählen Sie ein Modell, iterieren Sie über einen Prompt und übernehmen Sie dann das siegreiche Modell und die Einstellungen in Ihre Anwendung.

Knowledge Bases

Was/warum. Die verwaltete Fähigkeit für Retrieval-Augmented Generation (RAG). Sie verbindet ein Foundation Model mit Ihren privaten Dokumenten, sodass Antworten in Ihren Daten verankert sind - ohne Fine-Tuning.

Wie man sie nutzt. Richten Sie sie auf eine Datenquelle (zum Beispiel S3), und sie zerlegt die Dokumente in Chunks, erzeugt Embeddings, speichert sie in einem Vektorspeicher und ruft relevante Passagen ab, um sie zur Abfragezeit in den Prompt einzufügen. Sie verfolgt Zitationen automatisch. Die kanonische Prüfungsantwort auf "ein Modell in privaten Daten verankern, ohne neu zu trainieren" lautet Knowledge Bases (RAG).

Agents

Was/warum. Geben einem Foundation Model die Fähigkeit, Aktionen auszuführen - APIs aufzurufen, mehrstufige Workflows auszuführen, eine Knowledge Base abzufragen - anstatt nur Text zurückzugeben.

Wie man sie nutzt. Definieren Sie "action groups" (die Werkzeuge und APIs, die das Modell aufrufen darf, oft von Lambda gestützt), und Agents führt die Reason-Act-Observe-Schleife aus. Wenn ein Szenario erfordert, dass der Assistent etwas nachschlägt und dann etwas tut (eine Bestellung prüfen, einen Datensatz aktualisieren), lautet die Antwort Agents, nicht reine Inferenz.

Guardrails

Was/warum. Eine konfigurierbare Richtlinienebene zwischen dem Nutzer und dem Modell, die Sicherheits- und Responsible-AI-Anforderungen durchsetzt.

Wie man sie nutzt. Schalten Sie die Schutzmechanismen ein, die Sie brauchen: Inhaltsfilter (Hass, Gewalt und so weiter), von Ihnen definierte verbotene Themen, Wortfilter, Redaktion sensibler Informationen (PII) bei Eingaben und Ausgaben sowie kontextbezogene Verankerungsprüfungen zur Reduzierung von Halluzinationen. Es ist deklarativ - kein eigener Code. Guardrails gelten für Modelle, Agents, Knowledge Bases und Flows.

Flows

Was/warum. Ein visueller Low-Code-Builder zum Verketten von Bedrock-Bausteinen zu einem benannten Workflow.

Wie man sie nutzt. Ziehen Sie Prompts, Knowledge Bases, Agents, Guardrails, Lambda-Funktionen und bedingte Logik in einen Flow und rufen Sie dann das Ganze mit einem einzigen API-Aufruf auf. Nutzen Sie es, wenn Sie Orchestrierung wollen, ohne den Verbindungscode zu schreiben.

Prompt Management

Was/warum. Ein versionierter Katalog für Prompts, sodass Teams sie wiederverwenden und vergleichen, statt Zeichenketten in Code zu kopieren.

Wie man es nutzt. Speichern Sie Prompts als versionierte Ressourcen, testen Sie Varianten und referenzieren Sie sie aus Anwendungen und Flows. Passt zu Model Evaluation, um zu messen, welche Version besser abschneidet.

Model Evaluation

Was/warum. Integrierte Evaluierung der Modell- und RAG-Qualität, sodass die Modellauswahl gemessen statt geraten wird.

Wie man es nutzt. Führen Sie automatische Evaluierungen durch (Metriken wie Genauigkeit, Robustheit, Toxizität) oder ziehen Sie menschliche Prüfer heran und vergleichen Sie Modelle oder Prompt-Versionen anhand Ihrer eigenen Daten.

Custom models (fine-tuning and continued pre-training)

Was/warum. Wenn Prompting und RAG nicht ausreichen, passen Sie ein Modell an Ihre Domäne an.

Wie man es nutzt. Fine-Tuning bringt einem Modell etwas aus gelabelten Beispielen bei; Continued Pre-Training passt es an einen großen Bestand ungelabelten Domänentexts an. Das Ergebnis ist ein privates, individuelles Modell, das Sie über Bedrock bereitstellen. Die Prüfung will, dass Sie wissen, dass Fine-Tuning das Modell verändert, während RAG das Modell unangetastet lässt und zur Abfragezeit Kontext liefert.

Provisioned Throughput

Was/warum. Ein Preis- und Kapazitätsmodus. On-Demand-Preisgestaltung berechnet pro Token ohne Verpflichtung; Provisioned Throughput reserviert dedizierte Kapazität für stetige, hochvolumige oder eigene Modell-Workloads.

Wie man es nutzt. Wählen Sie Provisioned Throughput, wenn Sie garantierten Durchsatz brauchen oder ein eigenes Modell bereitstellen; andernfalls ist On-Demand die Standardwahl.

Other Bedrock features to recognize

• Batch inference - große Jobs offline zu geringeren Kosten ausführen.
• Cross-Region inference - Anfragen zur Kapazität und Resilienz über Regionen hinweg leiten.
• Model invocation logging - Prompt- und Antwortprotokolle zur Auditierung an CloudWatch oder S3 senden.
• Bedrock Data Automation - unstrukturierte Inhalte (Dokumente, Bilder, Audio, Video) in strukturierte Ausgaben extrahieren und transformieren.
• Bedrock Marketplace - Zugriff auf spezialisierte und neu aufkommende Modelle jenseits des Kernkatalogs.

Amazon Bedrock AgentCore

Was es ist. Eine neuere Reihe von Services zum Betrieb von KI-Agenten in Produktion, unabhängig davon, welches Framework oder Modell sie gebaut hat. Bedrock Agents hilft Ihnen, einen Agenten zu bauen; AgentCore hilft Ihnen, einen im großen Maßstab zu betreiben.

Warum es ihn gibt. Prototyp-Agenten scheitern in Produktion - ihnen fehlen Memory, sicherer Werkzeugzugriff, Identity und Observability. AgentCore liefert diese als verwaltete Bausteine, die Sie unabhängig voneinander übernehmen.

Wie man ihn nutzt. Wählen Sie die Komponenten, die Sie brauchen:

• Runtime - serverloses Hosting für den Agenten- oder Werkzeugcode, mit Sitzungsisolation.
• Memory - persistenter Kontext über Sitzungen hinweg, sodass sich der Agent erinnert.
• Gateway - stellt Ihre APIs und Lambda-Funktionen dem Agenten als aufrufbare Werkzeuge bereit.
• Identity - gibt jedem Agenten eine Workload-Identität und verwaltet seinen Zugriff auf externe Dienste (integriert sich mit Cognito, Okta, Entra ID).
• Code Interpreter - eine Sandbox für den Agenten zum Ausführen von Code.
• Browser - Headless-Web-Browsing für den Agenten.
• Observability - Tracing und Überwachung des Agentenverhaltens.

Für AIF-C01 erkennen Sie AgentCore als die Ebene "einen Agenten in Produktion bringen"; Sie müssen keinen bauen.

Amazon Nova

Was es ist. Amazons eigene Familie von Foundation Models, über Bedrock bereitgestellt.

Warum es ihn gibt. Um starke Fähigkeiten bei niedrigem, vorhersehbarem Preis und niedriger Latenz über Text, Bild und Video hinweg zu bieten.

Wie man ihn nutzt. Wählen Sie die Stufe, die zur Aufgabe passt:

• Nova Micro - nur Text, niedrigste Kosten und Latenz.
• Nova Lite - kostengünstig multimodal (Text-, Bild-, Video-Eingabe).
• Nova Pro - ausgewogenes multimodales Modell für die meisten Aufgaben.
• Nova Premier - das fähigste und ein guter "Lehrer" zum Destillieren kleinerer eigener Modelle.
• Nova Canvas - Bildgenerierung.
• Nova Reel - Videogenerierung.
• Nova Sonic - Speech-to-Speech; Nova Act - agentische Browseraktionen.

Amazon SageMaker AI

Was es ist. Die durchgängige Plattform zum Bauen, Trainieren, Bereitstellen und Überwachen eigener Machine-Learning-Modelle. Dies ist die Ebene "ein eigenes Modell bauen" - das andere Ende gegenüber den verwalteten APIs.

Warum es ihn gibt. Manche Probleme brauchen ein auf Ihren Daten trainiertes Modell mit voller Kontrolle über den Lebenszyklus. SageMaker AI stellt jede Phase als verwaltete Fähigkeit bereit, sodass Teams nicht ihre eigene ML-Infrastruktur zusammenstückeln.

Wie man ihn nutzt. Für AIF-C01 nutzen Sie SageMaker konzeptionell: wissen Sie, was jeder Subservice tut und wann er zutrifft. Es wird nicht erwartet, dass Sie Trainingscode schreiben.

SageMaker Studio

Die webbasierte IDE und Steuerzentrale - Notebooks, Experimente und Zugriff auf jede andere SageMaker-Fähigkeit an einem Ort.

SageMaker JumpStart

Ein Katalog vortrainierter Foundation Models und aufgabenspezifischer Modelle mit Ein-Klick-Bereitstellung und Fine-Tuning-Notebooks. Betrachten Sie es als die Bereitstellung eines fertigen Modells in Ihr eigenes Konto und Ihren eigenen Endpunkt - im Unterschied zum Aufruf einer gehosteten API über Bedrock.

SageMaker Canvas

No-Code-ML für Analysten. Laden Sie einen Datensatz hoch, wählen Sie ein Ziel, und Canvas baut ein Modell und erzeugt Vorhersagen. Es kann auch Bedrock-Foundation-Models für generative Aufgaben anzapfen - alles ohne Code zu schreiben.

Data Wrangler

Visuelle Datenvorbereitung. Importieren Sie aus vielen Quellen, wenden Sie Hunderte integrierter Transformationen an, analysieren Sie und exportieren Sie die vorbereiteten Daten in eine Trainingspipeline. Dies ist der Schritt "die Daten bereinigen und formen".

Feature Store

Ein zentrales Repository für die Features (Modelleingaben), die Ihre Teams entwickeln, mit einem Online-Store für Inferenz mit niedriger Latenz und einem Offline-Store für das Training. Verhindert, dass jedes Team dieselben Features neu berechnet.

Ground Truth (and Ground Truth Plus)

Datenlabeling. Ground Truth verwaltet menschliche und automatisierte Labeling-Workflows zum Aufbau von Trainingsdatensätzen; Ground Truth Plus ist die vollständig verwaltete, von AWS betriebene Version mit einer Experten-Belegschaft. Gelabelte Daten sind das, was überwachtes Training braucht.

Clarify

Bias-Erkennung und Erklärbarkeit. Es misst Bias in Daten und in Modellvorhersagen über Gruppen hinweg und berechnet Feature-Attributionen (welche Eingaben eine Vorhersage bestimmt haben, mittels SHAP). Dies ist die benannte Antwort für "Bias erkennen" und "das Modell erklären" in Responsible-AI-Szenarien.

Model Monitor

Kontinuierliche Überwachung von Modellen in Produktion. Es erkennt Data Drift, Modellqualitäts-Drift, Bias-Drift und Feature-Attributions-Drift und löst Alarme aus - sodass Sie eine Verschlechterung eines Modells erkennen, bevor die Nutzer es tun.

Autopilot

Automatisiertes Machine Learning (AutoML). Richten Sie es auf einen Datensatz, und es erkundet Algorithmen, trainiert und optimiert Kandidatenmodelle automatisch und bringt dann das beste hervor. Der Weg ohne Schwerstarbeit zu einem trainierten Modell.

Pipelines

MLOps-Orchestrierung. Definieren Sie den wiederholbaren Workflow - vorbereiten, trainieren, evaluieren, registrieren, bereitstellen - als Pipeline, sodass die Modellauslieferung automatisiert und reproduzierbar ist.

Model Registry and Model Cards

Model Registry versioniert trainierte Modelle und verwaltet die Freigabe für die Bereitstellung. Model Cards dokumentieren den Zweck, die Daten, die Leistung und die Grenzen eines Modells für Governance. Beide unterstützen verantwortungsvolles, auditierbares ML.

Inference options

Wie Sie ein trainiertes Modell bereitstellen, abgestimmt auf das Verkehrsmuster:

• Real-time endpoints - persistente, latenzarme, stets aktive Bereitstellung.
• Serverless inference - skaliert bei sporadischem Verkehr auf null; keine Kapazität zu verwalten.
• Asynchronous inference - reiht große oder lang laufende Anfragen ein.
• Batch transform - bewertet einen ganzen Datensatz offline, kein Endpunkt nötig.

Zu wissen, welche Inferenzoption zu einem Szenario passt (stetiger vs. sprunghafter vs. massenhafter Verkehr), ist ein wiederkehrendes Prüfungsmuster.

Die verwalteten KI-Services (aufgabenspezifische APIs)

Vortrainierte Services, die eine Art von Problem ohne Training oder Modellverwaltung lösen. Die Prüfung testet die Auswahl des richtigen für einen Anwendungsfall.

Amazon Comprehend

Was/warum/wie. Verarbeitung natürlicher Sprache über Text: Sentiment, Entitäten, Schlüsselphrasen, Spracherkennung, Themenmodellierung und PII-Erkennung, plus benutzerdefinierte Klassifizierung und benutzerdefinierte Entitätserkennung. Text senden, strukturierte Ergebnisse erhalten. Antwort für "Kundenfeedback analysieren" oder "PII in Text finden".

Amazon Textract

Was/warum/wie. Dokumentenverständnis jenseits von einfachem OCR - es extrahiert Text, Schlüssel-Wert-Paare, Tabellen und Felder aus PDFs und Scans, mit spezialisierter Analyse für Rechnungen, Quittungen und Ausweisdokumente. Antwort für "strukturierte Daten aus Formularen extrahieren".

Amazon Rekognition

Was/warum/wie. Computer Vision für Bilder und Video: Objekt- und Szenenerkennung, Gesichtsanalyse und -vergleich, Inhaltsmoderation, Text in Bildern und Custom Labels für Ihre eigenen Kategorien. Antwort für "Bilder ohne ML-Team analysieren".

Amazon Transcribe

Was/warum/wie. Automatische Speech-to-Text mit Sprecheridentifikation, benutzerdefiniertem Vokabular, benutzerdefinierten Sprachmodellen, PII-Redaktion, Echtzeit-Streaming und einer medizinischen Variante. Oft mit Comprehend gepaart: einen Anruf transkribieren, dann das Sentiment analysieren.

Amazon Polly

Was/warum/wie. Text-to-Speech mit neuronalen und generativen Stimmen in vielen Sprachen, gesteuert mit SSML für Aussprache und Tempo. Antwort für "Text in natürliche Sprache umwandeln".

Amazon Translate

Was/warum/wie. Neuronale maschinelle Übersetzung über viele Sprachen, mit benutzerdefinierter Terminologie für domänenspezifische Formulierungen, in Echtzeit und im Batch. Antwort für "Inhalte übersetzen, ohne ein Modell zu trainieren".

Amazon Lex

Was/warum/wie. Bauen Sie Konversationsbots mit automatischer Spracherkennung und Verständnis natürlicher Sprache: definieren Sie Intents und Slots, erfüllen Sie mit Lambda, sprechen Sie über Polly zurück. Es ist das strukturierte, intent-basierte Chatbot-Framework - stellen Sie es Bedrock Agents für offene, werkzeugnutzende Assistenten gegenüber.

Amazon Personalize

Was/warum/wie. Verwaltete Echtzeit-Empfehlungen und Personalisierung, aufgebaut auf derselben Technologie hinter Amazon.com. Füttern Sie es mit Interaktionsdaten; erhalten Sie Empfehlungen, personalisiertes Ranking und Nutzersegmente - kein Empfehlungsmodell zu bauen.

Amazon Q

Was es ist. AWS' fertige KI-Assistenzprodukte. Die zentrale Idee für die Prüfung: Q ist ein Produkt, kein Werkzeugkasten. Sie wählen kein Modell, verwalten keine Prompts und bauen keinen Vektorspeicher - AWS hat das getan.

• Amazon Q Developer - ein Coding- und AWS-Assistent in Ihrer IDE und der Konsole: Codegenerierung, Debugging, Referenzverfolgung, Fragen zu AWS-Ressourcen sowie Kosten- oder CLI-Hilfe (früher CodeWhisperer).
• Amazon Q Business - ein Unternehmensassistent, der Fragen beantwortet, die in Ihren Firmendaten verankert sind (zum Beispiel SharePoint, Confluence, Salesforce), mit berechtigungsbewussten Antworten.
• Eingebettete Ausprägungen, die Sie benannt sehen könnten: Q in QuickSight (Business Intelligence), Q in Connect (Contact Center) und Q Apps.

Wie man ihn nutzt / Prüfungsperspektive. Wählen Sie Q, wenn die Anforderung lautet "KI nutzen, ohne etwas zu bauen"; wählen Sie Bedrock, wenn Sie anpassen und Ihre eigene Anwendung bauen müssen.

PartyRock

Was es ist. Ein No-Code-, webbasierter Spielplatz (angetrieben von Bedrock) zum Bauen generativer KI-Anwendungen, indem man sie in einfacher Sprache beschreibt. Er läuft außerhalb der AWS Console und erfordert kein AWS-Konto.

Warum es ihn gibt. Um jedem zu ermöglichen, generative KI und Prompt Engineering praktisch zu lernen, und um App-Ideen schnell zu prototypisieren.

Wie man ihn nutzt. Sie komponieren eine App aus Widgets - Nutzereingabe, statischer Text und KI-gestützte Textgenerierung, Bildgenerierung oder Chatbot-Widgets. Sie verketten sie, indem Sie die Ausgabe eines Widgets im Prompt eines anderen mit dem @-Zeichen referenzieren (dynamische Variablen), sodass Ausgaben von Widget zu Widget fließen. Ideal, um Intuition aufzubauen, bevor Sie Bedrock selbst anfassen.

Unterstützende Services im Umfang

Nicht KI-spezifisch, aber in Szenarien zu Sicherheit, Governance, Kosten und Daten getestet. Wissen Sie, wofür jeder da ist; Sie brauchen keine tiefen Konfigurationsdetails.

• Sicherheit, Identität und Compliance: IAM (Zugriff mit geringsten Rechten, zum Beispiel Einschränken, welche Bedrock-Modelle eine Rolle aufrufen darf), KMS (Verschlüsselungsschlüssel für Daten, Modellartefakte und Protokolle), Macie (ML-basierte Entdeckung sensibler Daten und PII in S3), Amazon Inspector (Schwachstellen-Scanning), Secrets Manager (verwaltete Secrets), AWS Artifact (Compliance-Berichte auf Abruf).
• Verwaltung und Governance: CloudTrail (API-Audit-Trail), CloudWatch (Metriken, Logs, Alarme; Bedrock-Aufrufprotokolle und Endpunktmetriken), AWS Config (Ressourcenkonfiguration und Compliance), Trusted Advisor (Best-Practice-Prüfungen), AWS Well-Architected Tool (Workloads gegen das Framework prüfen).
• Speicher: Amazon S3 (der Data Lake für Trainingsdaten, Dokumente und Artefakte), S3 Glacier (Archivierung).
• Compute: Amazon EC2 (einschließlich GPU- und Beschleuniger-Instanzfamilien; AWS Trainium für Training und AWS Inferentia für Inferenz), AWS Lambda (serverloser Klebstoff für Pipelines und Agentenaktionen).
• Container: Amazon ECS und Amazon EKS für containerisierte Workloads.
• Datenbanken und Vektorspeicher: Amazon OpenSearch Service (k-NN-Vektorsuche für RAG), Amazon Aurora und Amazon RDS (relational, mit pgvector für Embeddings), Amazon DynamoDB (Key-Value), Amazon Neptune (Graph), Amazon DocumentDB, Amazon ElastiCache.
• Analytik und Datenaufbereitung: AWS Glue und Glue DataBrew (ETL und Aufbereitung), Amazon EMR (Big-Data-Verarbeitung), AWS Lake Formation (Data-Lake-Governance), Amazon Redshift (Warehouse), AWS Data Exchange (Drittanbieterdaten), Amazon Quick / QuickSight (Business Intelligence).
• Netzwerk: Amazon VPC (einschließlich PrivateLink-Muster, um Verkehr aus dem Internet herauszuhalten), Amazon CloudFront (Content-Auslieferung).
• Kosten: AWS Budgets und AWS Cost Explorer (Ausgaben verfolgen und prognostizieren - relevant, weil das Kostenmanagement generativer KI in der Prüfung vorkommt).

Neue Ergänzungen im Umfang, die zu erkennen sind

AWS hat die In-Scope-Liste aktualisiert, sodass einige Namen neuer sind als die meisten Lernmaterialien:

• Amazon Bedrock AgentCore und Amazon Nova (oben behandelt).
• Kiro - eine agentische, spezifikationsgesteuerte Entwicklungsumgebung (IDE und CLI), die Prompts in Spezifikationen, Code und Dokumentation verwandelt.
• Strands Agents - ein Open-Source-SDK zum Bauen und Orchestrieren von KI-Agenten auf AWS.
• AWS Transform - agentische Werkbank für Cloud-Migration und Anwendungsmodernisierung.
• Der Prüfungsleitfaden schreibt nun Amazon SageMaker AI (nicht nur "SageMaker"). Dieselbe Plattform, aktualisierter Name.

Explizit außerhalb des Umfangs: diese überspringen

AWS listet diese als außerhalb des Umfangs für AIF-C01, verwenden Sie also keine Lernzeit darauf:

• Machine Learning: AWS DeepComposer, AWS HealthImaging, AWS HealthOmics, Amazon Monitron, AWS Panorama.
• Sicherheit und Netzwerk: Amazon GuardDuty, AWS Security Hub, Amazon Cognito, AWS WAF, AWS Shield, Amazon Route 53.
• Verwaltung: AWS Control Tower, AWS Organizations.
• Plus die meisten Dienste für Internet of Things, Media sowie Migration and Transfer.

Wenn eine Übungsfrage an einem dieser Dienste hängt, ist es fast sicher ein Ablenker.

Eine Anmerkung zu Benennung und Scope-Drift

Eine Handvoll Services taucht in älterem AIF-C01-Lernmaterial (und in einigen Fragensammlungen) auf, steht aber nicht auf der aktuellen offiziellen In-Scope-Liste. Sie könnten sie dennoch referenziert sehen; hier ist kurz, wofür jeder da ist:

• Amazon Q - die oben genannten KI-Assistenzprodukte; in der Praxis allgegenwärtig, auch wenn es nicht in der formalen In-Scope-Servicetabelle steht.
• Amazon Kendra - ML-gestützte Unternehmenssuche (nur Retrieval, im Gegensatz zu Knowledge Bases, die abruft und generiert).
• Amazon Augmented AI (A2I) - fügt menschliche Prüfung für KI-Vorhersagen mit geringer Konfidenz hinzu.
• AWS Audit Manager - automatisiert die Sammlung von Compliance-Nachweisen.
• AWS Fargate, Amazon EventBridge, Amazon API Gateway - serverloses Compute, Eventing und API-Verkabelung, auf denen KI-Anwendungen oft aufgebaut sind.

Verstehen Sie auf Satzebene, was sie tun, und gehen Sie weiter.

Der 30-Sekunden-Entscheidungsleitfaden

Ordnen Sie ein Szenario einer Ebene zu:

• Ein Foundation Model per API aufrufen -> Bedrock
• Ein Modell in privaten Daten verankern, ohne neu zu trainieren -> Bedrock Knowledge Bases (RAG)
• Das Modell Aktionen ausführen lassen -> Bedrock Agents
• Sicherheits- und PII-Kontrollen hinzufügen -> Bedrock Guardrails
• Agenten in Produktion betreiben (Memory, Werkzeuge, Identity) -> Bedrock AgentCore
• KI nutzen, ohne etwas zu bauen -> Amazon Q
• Ohne Code lernen oder prototypisieren -> PartyRock
• Ein eigenes Modell trainieren oder optimieren -> SageMaker AI
• Ein fertiges Modell selbst bereitstellen -> SageMaker JumpStart
• Daten labeln -> Ground Truth; Daten aufbereiten -> Data Wrangler; Features speichern -> Feature Store
• Bias erkennen oder ein Modell erklären -> SageMaker Clarify
• Ein Modell in Produktion überwachen -> SageMaker Model Monitor
• Text / Bilder / Dokumente / Sprache / Übersetzung / Chatbots / Empfehlungen analysieren -> die passende verwaltete API
• Absichern, verschlüsseln, scannen, auditieren oder überwachen -> IAM / KMS / Macie / CloudTrail / CloudWatch

Verwandte Zertifizierungen

Dieser Leitfaden bildet mehrere AWS-Zertifizierungen ab - er erscheint unter Verwandte Lernleitfäden auf jedem ihrer Hubs:

• AWS Certified AI Practitioner (AIF-C01) - das primäre Ziel; jeder Service hier ist in seinem Umfang.
• AWS Certified Machine Learning Engineer Associate (MLA-C01) - geht tiefer auf SageMaker AI, Datenaufbereitung und MLOps ein.
• AWS Certified Generative AI Developer Professional (AIP-C01) - baut auf Bedrock, Agents, Knowledge Bases und Guardrails auf.
• AWS Certified Cloud Practitioner (CLF-C02) - grundlegend; streift diese KI-Services nur leicht.
• AWS Certified Data Engineer Associate (DEA-C01) - die Datenaufbereitungs- und Analytikservices (Glue, Data Wrangler, Feature Store) überschneiden sich direkt.

Wie man das lernt

Merken Sie sich nicht jedes Feature. Die Prüfung belohnt Mustererkennung: lesen Sie ein Szenario, identifizieren Sie die Ebene, benennen Sie den Service. Bearbeiten Sie Übungsfragen mit geöffnetem 30-Sekunden-Entscheidungsleitfaden, und jedes Mal, wenn Sie eine verfehlen, kommen Sie zum Abschnitt dieses Services hier zurück und lesen Sie das Was-Warum-Wie, bis die Grenze klar ist. Bringen Sie die Bedrock-Subservices und die SageMaker-Subservices ins Reine - dort trennt die Prüfung diejenigen, die überflogen haben, von denen, die verstanden haben.

Quelle: Prüfungsleitfaden AWS Certified AI Practitioner (AIF-C01) (In-Scope- und Out-of-Scope-Servicelisten) und AWS-Servicedokumentation, Stand September 2026.