AWS Certified Machine Learning Engineer Associate
275 Übungsfragen
Zuletzt überprüft: April 2026
Persönliche Notizen und Ressourcenlinks für Ihre Lernreise
Nach Zertifizierung Filtern
Die AWS Certified Machine Learning Engineer Associate (MLA-C01) wurde im August 2024 als praxisorientiertes Gegenstück zur älteren Machine Learning Specialty eingeführt. Sie bestätigt die Fähigkeit, ML-Workloads auf AWS zu erstellen, bereitzustellen, zu überwachen und zu warten — mit starkem Fokus auf Amazon SageMaker, MLOps-Tools und den Lebenszyklus von Produktionsmodellen. Die Prüfung richtet sich an ML-Ingenieure am Anfang und in der Mitte ihrer Karriere, an Datenwissenschaftler, die in den Bereich des Engineerings wechseln, und an DevOps-Ingenieure, die ihre Kenntnisse auf ML-Plattformen erweitern möchten. Erwarten Sie szenariobasierte Fragen zu Feature-Pipelines, Modellregistern, Bereitstellungsmustern, Drift-Erkennung und kostenbewusster Inferenz. Die Prüfung ist konzeptionell und ohne praktische Übungen (keine Labs), setzt aber voraus, dass der Kandidat tatsächlich Modelle in Produktion gebracht hat.
Der größte Bereich mit 28 %. SageMaker Data Wrangler, Feature Store, Glue und S3 Data Lake-Muster. Erwarten Sie Fragen zur Handhabung von unausgeglichenen Daten, Leakage, Codierungsstrategien und Feature Engineering im großen Maßstab.
SageMaker Training Jobs, integrierte Algorithmen vs. eigene Container, JumpStart, Hyperparameter-Tuning und Modellbewertung. Häufiges Problem: die Wahl zwischen SageMaker Autopilot, Canvas und benutzerdefiniertem Training.
SageMaker Endpunkte (Echtzeit, asynchron, serverless, Batch Transform), Pipelines, Model Registry und CI/CD mit CodePipeline. Kandidaten übersehen oft feine Unterschiede zwischen den Bereitstellungsmodi und ihren Kosten-Leistungs-Abwägungen.
SageMaker Model Monitor, Clarify (Bias und Erklärbarkeit), Drift-Erkennung und IAM/VPC-Muster für ML-Workloads. Prüft die praktische MLOps-Flüssigkeit mehr als die Theorie.
Services, die Sie in der Prüfung antreffen, und warum jeder davon wichtig ist.
End-to-End-ML-Plattform mit Notebooks, Trainingsjobs, Hyperparameter-Tuning, Processing-Jobs, verwalteten Inferenz-Endpunkten und MLOps-Pipelines.
Warum er in der Prüfung steht: SageMaker ist der Dachdienst, der alle vier MLA-C01-Domänen abdeckt — rechnen Sie mit Fragen zu Trainingsinfrastruktur, Inferenz-Bereitstellung und Abwägungen zwischen verwalteten und selbst gehosteten Optionen.
Webbasierte IDE für ML — Jupyter-Notebooks, Experimente, Pipelines, Model Registry, JumpStart und Canvas in einem einzigen Arbeitsbereich.
Warum er in der Prüfung steht: Domäne 2 (ML-Modellentwicklung) prüft Studio als einheitliche Oberfläche zum Iterieren an Modellen, Debuggen von Trainings und Promoten von Artefakten.
Katalog vortrainierter Basismodelle und aufgabenspezifischer Modelle mit Ein-Klick-Bereitstellung, Transfer-Learning-Notebooks und Fine-Tuning-Workflows.
Warum er in der Prüfung steht: JumpStart ist die kanonische Antwort, wenn eine Frage darauf abzielt, mit einem vorgefertigten Modell zu starten statt von Grund auf zu trainieren — relevant in Domäne 2.
Werkzeug zur Bias-Erkennung und Erklärbarkeit, das SHAP-Feature-Attributionen sowie Bias-Metriken vor und nach dem Training für tabellarische und Basismodelle liefert.
Warum er in der Prüfung steht: Fragen in Domäne 2 und Domäne 4 zu Responsible AI, Modellerklärbarkeit und Fairness-Audits nennen Clarify als AWS-native Antwort.
Prüft bereitgestellte Endpunkte kontinuierlich auf Drift in Datenqualität, Modellqualität, Bias und Feature-Attributionen gegen eine Baseline.
Warum er in der Prüfung steht: Domäne 4 (Überwachung, Wartung und Sicherheit) prüft wiederholt, wie Drift in der Produktion erkannt und behandelt wird — Model Monitor ist der dafür benannte Dienst.
Verwaltetes Repository für ML-Features mit synchronisierten Online- (latenzarmen) und Offline-Stores (Batch), Point-in-Time-Korrektheit und Feature-Wiederverwendung über Modelle hinweg.
Warum er in der Prüfung steht: Domäne 1 (Datenvorbereitung) prüft den Feature Store als kanonisches Mittel, um Training/Serving-Skew zu vermeiden und Features teamübergreifend zu teilen.
Nativer MLOps-Orchestrator für SageMaker — verkettet Vorverarbeitung, Training, Auswertung, Modellregistrierung und bedingte Bereitstellung als versionierten DAG.
Warum er in der Prüfung steht: Domäne 3 (Bereitstellung & Orchestrierung) betont reproduzierbare End-to-End-Pipelines; Pipelines ist die AWS-native Wahl gegenüber generischen Step-Orchestratoren in SageMaker-lastigen Stacks.
Visuelles Data-Prep-Tool in Studio zum Importieren von Daten aus S3, Athena, Redshift und Snowflake mit über 300 vorgefertigten Transformationen per Klick.
Warum er in der Prüfung steht: Fragen in Domäne 1 zu Feature Engineering und explorativer Datenanalyse nennen Data Wrangler regelmäßig als Low-Code-Antwort für die tabellarische Aufbereitung.
Objektspeicher, der als Data Lake für Trainingsdatensätze, Modellartefakte, Inferenz-Ein- und -Ausgaben sowie die Offline-Daten des SageMaker Feature Store dient.
Warum er in der Prüfung steht: Jedes MLA-C01-Szenario zur Datenvorbereitung und Modellbereitstellung setzt S3 als Datenbasis voraus; Speicherklassen, Lifecycle-Policies und Zugriffsmuster tauchen in Domäne 1 und 4 auf.
Serverloser ETL-Dienst mit verwalteter Spark-Laufzeit, einem Data Catalog, Crawlern zur Schemaerkennung und Glue DataBrew für Low-Code-Transformationen.
Warum er in der Prüfung steht: Domäne 1 nennt Glue als Standardwerkzeug für ETL und Datenkatalog, um Rohdaten in die für das SageMaker-Training erwartete Form zu bringen.
Serverlose interaktive SQL-Engine über S3 (und föderierte Quellen), die den Glue Data Catalog für das Schema nutzt und nach Abfrage abrechnet.
Warum er in der Prüfung steht: Athena ist die erwartete Antwort, wenn eine Frage darauf zielt, Ad-hoc-SQL auf S3-Trainingsdaten ohne Cluster auszuführen — in Domäne 1 häufig.
Verwaltete Hadoop/Spark-Plattform für die Großdatenverarbeitung mit Unterstützung für Spark MLlib, Hive, Presto und die EMR-Integration in SageMaker Studio.
Warum er in der Prüfung steht: EMR taucht in Domäne 1 auf, wenn Szenarien die Skalierungsgrenzen von Glue überschreiten oder Spark-MLlib-Pipelines außerhalb von SageMaker erfordern.
Echtzeit-Datenstreaming-Dienst zur skalierbaren Aufnahme von Clickstream-, IoT- und Log-Ereignissen, innerhalb des Retention-Fensters wiederholbar.
Warum er in der Prüfung steht: Fragen in Domäne 1 zur Streaming-Feature-Ingestion (z. B. Betrugserkennung, Empfehlungsaktualität) nennen Kinesis als AWS-native Antwort.
Serverloses Compute für ereignisgesteuerte Inferenz, leichte Vorverarbeitung, S3-Ereignis-Trigger und das Einbinden von SageMaker-Aufrufen in Geschäftsworkflows.
Warum er in der Prüfung steht: Bereitstellungsszenarien in Domäne 3 unterscheiden zwischen „Hosting auf SageMaker-Endpunkt" und „Wrapping in Lambda" — Fragen zu Kosten, Cold Start und Payload-Größe sind häufig.
Verwaltete Container-Registry für die Docker-Images, die SageMaker-Trainingsjobs, Processing-Jobs und Inferenz-Endpunkte zur Laufzeit ziehen.
Warum er in der Prüfung steht: Domäne 3 prüft BYOC-Workflows (Bring Your Own Container) für individuelles Training und Inferenz — ECR ist die benannte, IAM-integrierte Registry.
Serverloser Workflow-Orchestrator mit nativen SageMaker-Integrationen für Training, Batch Transform, Endpunktbereitstellung und Komposition von Lambda-Schritten.
Warum er in der Prüfung steht: Die Unterscheidung zwischen Step Functions (dienstübergreifende Orchestrierung) und SageMaker Pipelines (SageMaker-nativem MLOps) ist ein wiederkehrendes Distraktor-Muster in Domäne 3.
Kontoweite Zugriffssteuerung: Benutzer, Rollen, Policies, Föderation und Least-Privilege-Berechtigungen für jede SageMaker-, S3- und Pipeline-Aktion.
Warum er in der Prüfung steht: Domäne 4 (Sicherheit) prüft IAM-Ausführungsrollen für Training und Inferenz, kontoübergreifendes Modell-Sharing sowie ressourcenbasierte Policies auf dem Data Lake.
Verwaltete Erstellung und Steuerung kryptografischer Schlüssel zur Verschlüsselung von Trainingsdaten, Modellartefakten, EBS-Volumes auf Trainings-Instances und Endpunkt-Payloads.
Warum er in der Prüfung steht: Verschlüsselung im Ruhezustand mit kundenseitig verwalteten Schlüsseln ist die kanonische Antwort in Domäne 4 zum Schutz sensibler Trainings-Korpora und Modell-IP.
Metriken, Logs und Alarme für SageMaker-Endpunkt-Aufrufe, Fortschritt von Trainingsjobs, eigene Modellmetriken und Laufzeiten der Pipeline-Schritte.
Warum er in der Prüfung steht: Domäne 4 erwartet CloudWatch für Latenz- und Fehler-Alarme an Endpunkten, das Troubleshooting von Trainingsjob-Logs und das Sichtbarmachen von Model-Monitor-Ergebnissen für Ops-Teams.
Kontoweites Audit-Log jedes API-Aufrufs — wer einen Trainingsjob gestartet, einen Endpunkt aktualisiert oder Modellartefakte aus S3 heruntergeladen hat.
Warum er in der Prüfung steht: Compliance-Szenarien in Domäne 4 verweisen auf CloudTrail als unveränderliches Protokoll, um zu beantworten, wer ein Modell bereitgestellt hat und wann auf die Trainingsdaten zugegriffen wurde.
$120k–$165k–$230k USD jährlich
Der Bereich deckt US-basierte Positionen für mittlere bis leitende MLEs ab, bei denen AWS-Kenntnisse erforderlich sind. FAANG / Unicorn Senior MLEs überschreiten häufig 300.000 $ Gesamtvergütung. Einstiegspositionen und Märkte außerhalb der Küstenregionen liegen tendenziell niedriger. Das Zertifikat allein beeinflusst das Gehalt nicht — es ergänzt ein Portfolio von implementierten ML-Systemen.
Quelle: levels.fyi 2025–2026 ML Ingenieurpositionen, U.S. BLS OEWS Mai 2024 (15-2051 data scientists, 15-1252 software developers). Die Zahlen sind ungefähr; die tatsächliche Vergütung hängt von der Rolle, der Region und der Erfahrung ab.
Die Nachfrage nach ML-Ingenieuren, die Modelle produktionsreif machen können — und nicht nur in Notebooks trainieren — beschleunigte sich von 2024 bis 2026, als Unternehmen GenAI- und klassische ML-Workloads operationalisierten. Die MLA-C01 dient als glaubwürdiges Signal, dass ein Kandidat SageMaker End-to-End versteht und MLOps-Kompromisse bewältigen kann. Recruiter in AWS-zentrierten Unternehmen (Finanzdienstleistungen, Gesundheitswesen, Daten-Teams im Einzelhandel) nutzen es als Screening-Filter neben Python- und PyTorch/TensorFlow-Erfahrung. Es passt natürlich zum AI Practitioner (AIF-C01) und zum Data Engineer Associate (DEA-C01) für ein breiteres Daten- und ML-Profil. Es qualifiziert Kandidaten NICHT allein für ML-Forschungspositionen, Deep-Learning-Spezialistenpositionen oder ML-Plattformarchitektentitel — diese erfordern mehrjährige Erfahrung mit ausgelieferten Systemen und oft einen Hochschulabschluss.
Es gibt keine formalen Voraussetzungen. AWS empfiehlt mindestens ein Jahr praktische Erfahrung mit SageMaker und ML-Workflows sowie grundlegende Kenntnisse in Python, gängigen ML-Bibliotheken (scikit-learn, pandas, PyTorch oder TensorFlow) und grundlegenden Statistikkenntnissen.
Der effizienteste Weg ist, zuerst die AIF-C01 zu bestehen (grundlegendes KI-Vokabular), dann ein kleines End-to-End SageMaker-Projekt aufzubauen — Feature Store, Training Job, Model Registry, Echtzeit-Endpunkt, Monitor — bevor man die MLA-C01 ablegt. Kandidaten mit einem Cloud Practitioner (CLF-C02) oder Solutions Architect Associate (SAA-C03) Hintergrund finden die Fragen zu AWS-Diensten viel einfacher. Ein reiner Datenwissenschafts-Hintergrund ohne AWS-Erfahrung ist der schwierigste Ausgangspunkt und erfordert typischerweise über 80 Stunden zusätzliches dienstspezifisches Studium.
Die MLA-C01 ist als Associate eingestuft und ist wesentlich schwieriger als die AIF-C01, da sie praktische SageMaker-Flüssigkeit voraussetzt. Planen Sie 80–120 Stunden über 8–12 Wochen ein, wenn Sie frühere ML-Erfahrung, aber begrenzte AWS-Kenntnisse haben; 40–60 Stunden über 4–6 Wochen, wenn Sie bereits täglich mit AWS ML-Pipelines arbeiten. Die Prüfung besteht aus 65 bewerteten Fragen in 170 Minuten — Multiple-Choice und Multiple-Response, keine Labs.
Die häufigste Stolperfalle ist die Breite der SageMaker-Unterdienste (Studio, Pipelines, Feature Store, Model Registry, Clarify, Model Monitor, JumpStart, Canvas, Autopilot, Ground Truth) — Fragen hängen oft davon ab, das richtige Tool für ein eingeschränktes Szenario auszuwählen. Die zweite Falle sind die Bereitstellungsmodi: genau zu wissen, wann Echtzeit- vs. asynchrone vs. serverless vs. Batch-Transform-Endpunkte zu verwenden sind und welche Kosten- und Latenzabwägungen damit verbunden sind.
Erste allgemeine Verfügbarkeit. Die Beta-Prüfung fand Mitte 2024 statt. Ersetzt die ältere Machine Learning Specialty (MLS-C01) für auf Engineering spezialisierte Kandidaten. Aktuelle Version mit Stand April 2026.
MLA-C01 (AWS Certified Machine Learning Engineer Associate) ist eine eine mittelschwere Prüfung, die praktische Erfahrung sowie ein solides Verständnis der Best Practices erwartet Associate-Level-Prüfung. Die meisten Kandidaten benötigen 80–150 Stunden Lernzeit, verteilt über 6–12 Wochen, für Prüfungen auf Associate-Niveau. Die meisten Kandidaten, die bei Übungsprüfungen konstant über der Bestehensschwelle liegen, bestehen beim ersten Versuch.
Die meisten Kandidaten benötigen 80–150 Stunden Lernzeit, verteilt über 6–12 Wochen, für Prüfungen auf Associate-Niveau. Die benötigte Zeit bis zum Bestehen variiert stark je nach Vorerfahrung. Ingenieure mit praktischer Produktionserfahrung in der zugrunde liegenden Technologie benötigen in der Regel weniger; Kandidaten, die neu auf der Plattform sind, sollten sich am oberen Ende dieses Bereichs orientieren.
MLA-C01 ist ein anerkanntes Zeugnis im AWS-Ökosystem und signalisiert Arbeitgebern, Personalvermittlern und Kunden validiertes Wissen. Ob es sich für Sie lohnt, hängt von Ihrer Rolle und Ihren Zielen ab – es zahlt sich am meisten für Cloud-Ingenieure, Architekten und Berater aus, die täglich mit AWS arbeiten oder in solche Rollen wechseln möchten.
Die Bestehensgrenze für MLA-C01 beträgt 720 / 1000. Die Prüfung enthält 65 Fragen und dauert 2 Std 50 Min.
Die Prüfungsgebühr für MLA-C01 beträgt $150 USD. Die Gebühren werden von AWS festgelegt und können je nach Region variieren; bestätigen Sie immer den aktuellen Preis auf der offiziellen AWS Zertifizierungsseite, bevor Sie buchen.
AWS-Zertifizierungen sind 3 Jahre gültig. Rezertifizieren Sie sich, indem Sie die aktuelle Version derselben Prüfung bestehen oder eine Prüfung auf höherem Niveau im selben Pfad vor Ablauf bestehen.
Ja. Sie können die Prüfung online (über den sicheren Browser des Anbieters, in den meisten Regionen rund um die Uhr verfügbar) oder in einem persönlichen Pearson VUE Testzentrum während der Geschäftszeiten ablegen. Beide Formate verwenden die gleichen Fragen, Zeitlimits und Bestehensgrenzen.
CertLabPro bietet 15 Lernmodi für die Übungsfragenbank für MLA-C01. Der Prüfungssimulationsmodus bildet die echte Prüfung ab: 65 Fragen in 2 Std 50 Min, mit der gleichen Bestehensschwelle von 720 / 1000. Im Browsing-Modus können Sie jede Frage und Antwort statisch lesen.