AWS ML Engineer Associate (MLA-C01): Was vom neuen Zertifikat zu erwarten ist

MLA-C01 wurde im August 2024 allgemein verfügbar (GA) und entwickelte sich still und heimlich zum AWS ML-Zertifikat, das Ihre Zeit am meisten wert ist. Es ersetzte das alte Machine Learning Specialty (MLS-C01), das 2024 eingestellt wurde – obwohl MLS-C01 immer noch in veralteten Studienführern auftaucht, da das Internet nicht nach dem Zeitplan von AWS aktualisiert wird. Wenn Sie hierher gekommen sind, um herauszufinden, ob Sie MLS-C01 oder MLA-C01 studieren sollen, lautet die Antwort MLA-C01. Das alte Zertifikat ist tot.

Interessant ist die Verschiebung des Schwerpunkts. MLS-C01 konzentrierte sich stark auf die Data-Science-Seite – Algorithmenauswahl, Hyperparameter-Tuning, die Mathematik, wann XGBoost gegenüber einem neuronalen Netz einzusetzen ist. MLA-C01 schlägt stark in die andere Richtung aus. Es ist eine Engineering-Prüfung. SageMaker-Bereitstellung, MLOps-Pipelines, Überwachung von Drift, Debugging von Endpunkten. Wenn Sie ein Zertifikat wollten, das testet, ob Sie ein Modell trainieren können, dann ist dies nicht das Richtige. Wenn Sie ein Zertifikat wollten, das testet, ob Sie eines ausliefern und betreiben können, dann ist MLA-C01 genau das Richtige.

Format

65 Fragen, 170 Minuten, 150 $, skalierte Bestehensnote 720/1000. Vier Domänen:

• Datenaufbereitung für ML (28%)
• ML-Modellentwicklung (26%)
• Bereitstellung und Orchestrierung von ML-Workflows (22%)
• Überwachung, Wartung und Sicherheit von ML-Lösungen (24%)

Diese Verteilung ist auf den ersten Blick irreführend. „ML-Modellentwicklung“ klingt nach dem Trainieren von Modellen, aber in MLA-C01 geht es tatsächlich um die Auswahl integrierter SageMaker-Algorithmen und die Konfiguration von Trainingsaufträgen. Sie werden nicht gebeten, einen Transformer von Grund auf neu zu entwerfen.

Für wen dieses Zertifikat gedacht ist

Ehrlich gesagt, drei Gruppen:

Dateningenieure, die in ML hineingezogen wurden. Sie haben die Pipelines gebaut. Jetzt benötigt Ihr Team SageMaker-Endpunkte hinter einem API Gateway, und Sie sind derjenige, der sie verdrahtet. MLA-C01 passt genau zu dieser Arbeit.

Backend-Ingenieure, die ML-Funktionen ausliefern. Sie trainieren keine Modelle. Ein Data Scientist übergibt Ihnen ein Modell-Artefakt, und Sie müssen es bereitstellen, überwachen, neu trainieren und zurücksetzen, falls es zu Drift kommt. Dies ist das Zertifikat dafür.

Cloud-Ingenieure, die sich auf ML-Plattformen konzentrieren. Sie sind bereits mit IAM, VPCs, S3 Lifecycle und CloudWatch vertraut. Jetzt müssen Sie die SageMaker-Formen lernen. MLA-C01 ist ein gezielter Weg, dies zu tun.

Es ist nicht das Zertifikat für Data Scientists, die Modell-F&E betreiben. Sie möchten ein anderes Zertifikat – möglicherweise gar nichts AWS-Spezifisches, möglicherweise den GCP Professional ML Engineer, wenn sie überhaupt ein Cloud-Signal wünschen. Das reine ML-Zertifikat von AWS ist verschwunden; AIF-C01 (AI Practitioner) ist grundlegend und leichter; AIP-C01 (GenAI Developer Pro) ist das neue schwere ML-Zertifikat auf der Professional-Stufe.

Was wirklich dran ist

SageMaker, von Grund auf. SageMaker Studio, Trainingsaufträge (eingebaute Algorithmen, BYO-Container, Script Mode), Verarbeitungsaufträge, Batch Transform, Modellregister, Endpunkte (Echtzeit, Serverless, Asynchron, Multi-Modell), Shadow Tests, A/B-Modellvarianten, Autoscaling. Auch SageMaker Canvas, SageMaker JumpStart für Foundation Models, SageMaker Pipelines für die Orchestrierung.

Sie müssen nicht jeden eingebauten Algorithmus auswendig kennen. Sie müssen grob wissen, wann Sie Linear Learner vs. XGBoost vs. DeepAR vs. Object2Vec verwenden, und wie Sie Trainingsaufträge konfigurieren, um Spot, verteiltes Training und verwaltete Warm Pools zu nutzen.

Datenaufbereitung auf AWS. AWS Glue, Glue DataBrew, EMR, Kinesis Data Streams / Firehose / Analytics, Athena, SageMaker Data Wrangler, SageMaker Feature Store. Viel Data Engineering fließt in diese Prüfung ein. Wenn Sie DEA-C01 abgelegt haben, werden sich etwa 25 % von MLA-C01 vertraut anfühlen.

MLOps-Muster. SageMaker Pipelines, AWS Step Functions, EventBridge für Trigger, CodePipeline-Integration, Blue/Green-Modellbereitstellung, Canary Rollouts, Genehmigungen im Modellregister, CI/CD für ML. Nicht so tief wie DOP-C02 in reinem CI/CD, aber solide Abdeckung.

Überwachung und Drift. SageMaker Model Monitor (Datenqualität, Modellqualität, Bias Drift, Feature Attribution Drift), SageMaker Clarify für Bias und Erklärbarkeit, Model Dashboard. CloudWatch-Metriken für Endpunkte. Dies ist eines der unterschätzten Themen – die meisten Kandidaten überfliegen es, weil Überwachung langweilig klingt, dann aber 12 Fragen in der eigentlichen Prüfung dazu gestellt werden.

Sicherheit. IAM für SageMaker, KMS-Verschlüsselung für Trainingsdaten und Modell-Artefakte, VPC-Modus für SageMaker, Netzwerkisolation, SageMaker Role Manager, PrivateLink für Endpunkte, Audit-Logging.

Was nicht stark getestet wird (gute Nachrichten)

• Reine ML-Theorie. Sie brauchen keine Infinitesimalrechnung. Sie müssen keine Backprop-Ableitung durchführen. Sie werden nicht gefragt, welcher Optimierer besser ist als ein anderer.
• Deep-Learning-Architekturdesign. Keine Fragen zur Auswahl der Anzahl von Transformer-Heads.
• Statistische Hypothesentests. Das alte MLS-C01 hatte dies; MLA-C01 hat das meiste davon gestrichen.
• Spezifika der generativen KI. Das ist AIF-C01 (grundlegend) und AIP-C01 (Pro). MLA-C01 erwähnt JumpStart und Bedrock, aber auf Integrationsebene, nicht in der Tiefe.

Wie man lernt

Die Ressourcen sind noch in Entwicklung – das Zertifikat ist erst etwa 20 Monate alt. Stand April 2026:

• AWS Skill Builder bietet den offiziellen MLA-C01 Lernpfad. Er ist gut und kostenlos mit einem Konto.
• Stephane Maarek bietet einen MLA-C01 Kurs auf Udemy an, der gut strukturiert ist.
• Adrian Cantrill hatte Ende 2025 noch keinen vollständigen MLA-C01 Kurs veröffentlicht – prüfen Sie, ob einer bereits existiert. Falls ja, wird dies die tiefgreifendste Option sein.
• Tutorials Dojo bietet Übungsprüfungen und Erklärungen. Die Qualität ist solide.
• Offizielle AWS Übungsprüfungen auf Skill Builder. Dem Original am nächsten.

Praktische Erfahrung zählt mehr als für SAA-C03. Richten Sie eine SageMaker Studio-Domain ein, trainieren Sie einen integrierten Algorithmus mit einem Kaggle-Datensatz, stellen Sie ihn auf einem Echtzeit-Endpunkt bereit, rufen Sie ihn mit curl auf, stellen Sie dasselbe Modell dann auf einem Serverless-Endpunkt bereit und beachten Sie den Cold Start. Richten Sie Model Monitor auf dem Endpunkt ein und lösen Sie eine Drift-Warnung aus. Diese gesamte Übung kostet 5–15 $ an AWS-Gebühren und lehrt Sie 30 % der Prüfungsinhalte.

Zeitbudget:

• Dateningenieur oder Backend-Entwickler mit ML-Erfahrung: 6–8 Wochen bei 10 Std./Woche.
• Cloud-Ingenieur ohne ML-Hintergrund: 12 Wochen. Bauen Sie etwas Echtes.
• Data Scientist, der die AWS-Seite lernt: 6–10 Wochen, hauptsächlich zu den Themen Bereitstellung und Betrieb.

Karrieresignal: noch im Entstehen

Hier werde ich ehrlich über die Unsicherheit sein: MLA-C01 ist zu neu für saubere Gehaltsdaten. levels.fyi und Glassdoor gruppieren es noch nicht als eigenständiges Zertifikat – die meisten „ML Engineer“-Stellen im Jahr 2026 listen immer noch MLS-C01 (das nicht mehr existiert) oder gar kein AWS-Zertifikat auf. Die Stellenanzeigen, die MLA-C01 erwähnen, konzentrieren sich auf mittelgroße bis große Unternehmen mit formalen ML-Plattform-Teams.

Was ich aus informellen Daten und Gesprächen sagen kann: Senior ML Engineers in großen US-Metropolen erzielen 2026 ein Grundgehalt von 180.000–280.000 $, wobei das Gesamtgehalt (TC) bei FAANG-ähnlichen Unternehmen über 400.000 $ liegen kann. MLA-C01 allein bewegt diese Zahl nicht wesentlich – Erfahrung tut es. Das Zertifikat ist wahrscheinlich 5.000–15.000 $ wert, ähnlich wie SAA-C03 für SA-Rollen: ein für Recruiter sichtbares Signal, dass Sie eine bestimmte Wissensschwelle überschritten haben.

Was MLA-C01 klar signalisiert: dass Sie ein Modell von einem Notebook zu einem Produktions-Endpunkt bringen können, ohne etwas zu beschädigen. Was, wenn Sie ein Einstellungsmanager für ein ML-Plattform-Team sind, genau das ist, was Sie wissen möchten.

Vergleich: MLA-C01 vs. Alternativen

• AIF-C01 ist grundlegend. Nehmen Sie es, wenn Sie ein generisches KI-Signal für Nicht-Engineering-Rollen wünschen. Ersetzt MLA-C01 nicht.
• AIP-C01 ist das GenAI Developer-Zertifikat der Pro-Stufe. Stärker auf die Integration generativer KI ausgerichtet (Bedrock, Prompt Engineering, RAG-Muster). Nehmen Sie es, wenn Ihre Aufgabe das Ausliefern von LLM-Funktionen ist. Stapeln Sie es nach MLA-C01, wenn Sie sowohl ML- als auch GenAI-Signale wünschen.
• DEA-C01 (Data Engineer Associate) überschneidet sich etwa zu 25 % mit MLA-C01 im Bereich Datenaufbereitung. Wenn Sie beide machen, legen Sie zuerst DEA-C01 ab.
• GCP Professional ML Engineer (PMLE) ist das engste Äquivalent in der Google Cloud. Stärker auf Vertex AI und TPU-Spezifika ausgerichtet. Nicht austauschbar, aber ähnlich in Form und Umfang.

Fazit

MLA-C01 ist eine fokussierte, recht schwierige Associate-Prüfung, die eng an eine reale Tätigkeit – ML Platform Engineer / MLOps Engineer – anknüpft. Wenn Sie diese Arbeit machen, legen Sie sie ab. Wenn Sie versuchen, aus einem Backend-Hintergrund in ML einzusteigen und ein Zertifikat wünschen, das Recruitern Kompetenz signalisiert, dann ist dies das Richtige. Die Gehaltsdaten sind noch im Entstehen, aber die Tendenz ist eindeutig steigend – ML Engineering-Rollen werden 2026 schnell besetzt.

Wenn Sie lernen, durchsuchen Sie die MLA-C01 Fragenbank auf CertLabPro oder starten Sie eine zeitgesteuerte Prüfung. Und richten Sie diese Woche einen SageMaker-Endpunkt ein. Die praktische Arbeit lässt die Prüfung offensichtlich erscheinen.