Les services et sous-services d'IA AWS pour l'AIF-C01 : ce que fait chacun et comment l'utiliser

L'examen AIF-C01 ne vous demande pas de construire quoi que ce soit. Il vérifie si vous savez choisir le bon service AWS pour un problème et expliquer ce qu'il fait. Cela paraît facile jusqu'à ce que vous réalisiez qu'AWS compte une douzaine de services d'IA, et que les deux grands - Amazon Bedrock et Amazon SageMaker AI - contiennent chacun une douzaine de sous-services qui leur sont propres. La plupart des gens étudient les noms phares et se font coincer par un scénario qui repose sur Knowledge Bases contre le réglage fin (fine-tuning), ou Ground Truth contre Data Wrangler.

Voici la version approfondie : chaque service et chaque sous-service dans le périmètre de l'AIF-C01, avec ce que c'est, pourquoi il existe et comment vous l'utiliseriez réellement. C'est long à dessein - traitez-le comme une référence que vous parcourez par section, et non comme une histoire que vous lisez du début à la fin. Si vous voulez d'abord la carte plus courte "quel service correspond à quel domaine d'examen", lisez l'article compagnon Chaque service AWS de l'examen AIF-C01, puis revenez ici pour le détail des sous-services.

Le modèle mental : cinq façons d'utiliser l'IA sur AWS

Avant la liste des services, gardez ce cadrage en tête. Chaque question d'IA de l'examen demande en réalité "laquelle de ces cinq couches convient ?"

• Les API d'IA gérées (Comprehend, Rekognition, Textract, etc.) - pré-entraînées, à usage unique. Vous envoyez des données, vous obtenez un résultat. Aucun choix de modèle, aucun entraînement.
• Amazon Bedrock - un accès géré à des modèles de fondation, plus l'outillage pour construire des applications d'IA générative (RAG, agents, garde-fous). Vous choisissez un modèle et vous composez le comportement ; vous ne gérez pas de serveurs.
• Amazon SageMaker AI - la plateforme complète pour construire votre propre modèle. Vous préparez les données, entraînez, réglez, déployez et surveillez des modèles personnalisés.
• Amazon Q - des produits d'assistant IA finis. Vous ne choisissez pas de modèle et ne câblez pas de magasin vectoriel ; AWS l'a déjà fait.
• PartyRock - un bac à sable sans code pour apprendre et prototyper des applications d'IA générative.

L'examen teste constamment les frontières entre ces couches. Gardez la couche à l'esprit en lisant chaque service ci-dessous.

Amazon Bedrock

Ce que c'est. Un service entièrement géré qui vous donne une seule API pour appeler des modèles de fondation de nombreux fournisseurs, plus un ensemble d'outils intégrés pour construire des applications d'IA générative par-dessus. Aucune infrastructure, aucun hébergement de modèle - vous envoyez des invites, vous obtenez des réponses.

Pourquoi il existe. Les applications d'IA générative ont besoin de plus qu'un modèle brut : elles ont besoin d'un ancrage sur des données privées, de contrôles de sécurité, d'orchestration et d'évaluation. Bedrock regroupe tout cela derrière des API serverless afin que vous construisiez l'application, pas la plomberie.

Comment l'utiliser. Choisissez un modèle, testez-le dans un playground, puis ajoutez les sous-services dont vous avez besoin (Knowledge Bases pour le RAG, Guardrails pour la sécurité, Agents pour les actions) et appelez le tout depuis votre application via l'API ou le SDK.

Foundation models

Le catalogue de modèles que vous pouvez appeler. Vous n'êtes pas verrouillé sur un seul fournisseur - sélectionner le bon modèle en fonction du coût, de la latence et des capacités est une compétence clé de l'examen.

• Amazon Titan - les modèles maison d'Amazon : Titan Text, Titan Text Embeddings (pour la recherche vectorielle RAG), Titan Image Generator et Titan Multimodal Embeddings.
• Amazon Nova - la famille de modèles plus récente d'Amazon (traitée dans sa propre section ci-dessous).
• Anthropic Claude - des modèles solides pour le raisonnement généraliste et le contexte long.
• Meta Llama, Mistral, Cohere, AI21 Labs (Jamba), Stability AI (génération d'images) et d'autres.

Sachez qu'un "foundation model" est un grand modèle pré-entraîné que vous adaptez par le prompting, le RAG ou le réglage fin - pas quelque chose que vous entraînez à partir de zéro.

Bedrock playgrounds

Quoi/pourquoi. Des consoles de chat, de texte et d'image pour essayer des modèles et des invites sans code. C'est là que vous comparez les modèles et réglez les paramètres d'inférence (temperature, top-p, max tokens) avant de câbler quoi que ce soit.

Comment l'utiliser. Ouvrez le playground, choisissez un modèle, itérez sur une invite, puis reportez le modèle et les réglages gagnants dans votre application.

Knowledge Bases

Quoi/pourquoi. La capacité gérée de génération augmentée par la récupération (RAG). Elle connecte un modèle de fondation à vos documents privés afin que les réponses soient ancrées dans vos données - sans réglage fin.

Comment l'utiliser. Pointez-la vers une source de données (par exemple S3), et elle découpe les documents, génère des embeddings, les stocke dans un magasin vectoriel et récupère les passages pertinents à injecter dans l'invite au moment de la requête. Elle suit les citations automatiquement. La réponse canonique de l'examen à "ancrer un modèle dans des données privées sans réentraînement" est Knowledge Bases (RAG).

Agents

Quoi/pourquoi. Donner à un modèle de fondation la capacité d'entreprendre des actions - appeler des API, exécuter des flux de travail en plusieurs étapes, interroger une Knowledge Base - au lieu de simplement renvoyer du texte.

Comment l'utiliser. Définissez des "action groups" (les outils et les API que le modèle peut appeler, souvent adossés à Lambda), et Agents exécute la boucle raisonner-agir-observer. Si un scénario a besoin que l'assistant recherche quelque chose puis fasse quelque chose (vérifier une commande, mettre à jour un enregistrement), la réponse est Agents, pas l'inférence simple.

Guardrails

Quoi/pourquoi. Une couche de politique configurable entre l'utilisateur et le modèle qui applique les exigences de sécurité et d'IA responsable.

Comment l'utiliser. Activez les protections dont vous avez besoin : filtres de contenu (haine, violence, etc.), sujets interdits que vous définissez, filtres de mots, expurgation des informations sensibles (PII) sur les entrées et les sorties, et vérifications d'ancrage contextuel pour réduire les hallucinations. C'est déclaratif - aucun code personnalisé. Guardrails s'applique à travers les modèles, Agents, Knowledge Bases et Flows.

Flows

Quoi/pourquoi. Un constructeur visuel à faible code pour enchaîner des composants Bedrock en un seul flux de travail nommé.

Comment l'utiliser. Faites glisser des invites, des Knowledge Bases, des Agents, des Guardrails, des fonctions Lambda et de la logique conditionnelle dans un flux, puis invoquez le tout avec un seul appel d'API. Utilisez-le quand vous voulez de l'orchestration sans écrire le code de liaison.

Prompt Management

Quoi/pourquoi. Un catalogue versionné pour les invites, afin que les équipes les réutilisent et les comparent au lieu de coller des chaînes dans le code.

Comment l'utiliser. Stockez les invites comme des ressources versionnées, testez des variantes et référencez-les depuis les applications et Flows. S'associe à Model Evaluation pour mesurer quelle version est la plus performante.

Model Evaluation

Quoi/pourquoi. Une évaluation intégrée de la qualité des modèles et du RAG, afin que le choix du modèle soit mesuré plutôt que deviné.

Comment l'utiliser. Exécutez des évaluations automatiques (des métriques comme la précision, la robustesse, la toxicité) ou faites appel à des réviseurs humains, et comparez les modèles ou les versions d'invite sur vos propres données.

Custom models (réglage fin et pré-entraînement continu)

Quoi/pourquoi. Quand le prompting et le RAG ne suffisent pas, adaptez un modèle à votre domaine.

Comment l'utiliser. Le réglage fin enseigne à un modèle à partir d'exemples étiquetés ; le pré-entraînement continu l'adapte à un vaste corpus de texte de domaine non étiqueté. Le résultat est un modèle personnalisé privé que vous servez via Bedrock. L'examen veut que vous sachiez que le réglage fin modifie le modèle, alors que le RAG laisse le modèle tel quel et fournit du contexte au moment de la requête.

Provisioned Throughput

Quoi/pourquoi. Un mode de tarification et de capacité. La tarification à la demande facture au token sans engagement ; Provisioned Throughput réserve une capacité dédiée pour des charges de travail stables, à haut volume ou avec modèles personnalisés.

Comment l'utiliser. Choisissez Provisioned Throughput quand vous avez besoin d'un débit garanti ou de servir un modèle personnalisé ; sinon, la tarification à la demande est la valeur par défaut.

Autres fonctionnalités de Bedrock à reconnaître

• Batch inference - exécuter de gros travaux hors ligne à moindre coût.
• Cross-Region inference - router les requêtes entre les Régions pour la capacité et la résilience.
• Model invocation logging - envoyer les journaux d'invites et de réponses vers CloudWatch ou S3 pour l'audit.
• Bedrock Data Automation - extraire et transformer du contenu non structuré (documents, images, audio, vidéo) en sortie structurée.
• Bedrock Marketplace - accéder à des modèles spécialisés et émergents au-delà du catalogue principal.

Amazon Bedrock AgentCore

Ce que c'est. Un ensemble plus récent de services pour exécuter des agents d'IA en production, quel que soit le framework ou le modèle qui les a construits. Bedrock Agents vous aide à construire un agent ; AgentCore vous aide à en exploiter un à grande échelle.

Pourquoi il existe. Les agents prototypes cassent en production - ils manquent de mémoire, d'accès sécurisé aux outils, d'identité et d'observabilité. AgentCore fournit ces éléments sous forme de briques gérées que vous adoptez indépendamment.

Comment l'utiliser. Choisissez les composants dont vous avez besoin :

• Runtime - hébergement serverless pour le code de l'agent ou de l'outil, avec isolation des sessions.
• Memory - contexte persistant à travers les sessions afin que l'agent se souvienne.
• Gateway - expose vos API et fonctions Lambda à l'agent en tant qu'outils appelables.
• Identity - donne à chaque agent une identité de charge de travail et gère son accès aux services externes (s'intègre à Cognito, Okta, Entra ID).
• Code Interpreter - un bac à sable pour que l'agent exécute du code.
• Browser - navigation web sans interface (headless) pour l'agent.
• Observability - traçage et surveillance du comportement de l'agent.

Pour l'AIF-C01, reconnaissez AgentCore comme la couche "amener un agent en production" ; vous n'avez pas besoin d'en construire un.

Amazon Nova

Ce que c'est. La propre famille de modèles de fondation d'Amazon, servie via Bedrock.

Pourquoi il existe. Pour offrir de solides capacités à un prix et une latence bas et prévisibles, sur le texte, l'image et la vidéo.

Comment l'utiliser. Choisissez le niveau qui correspond à la tâche :

• Nova Micro - texte uniquement, coût et latence les plus bas.
• Nova Lite - multimodal à faible coût (entrée texte, image, vidéo).
• Nova Pro - modèle multimodal équilibré pour la plupart des tâches.
• Nova Premier - le plus capable, et un bon "enseignant" pour distiller de plus petits modèles personnalisés.
• Nova Canvas - génération d'images.
• Nova Reel - génération de vidéo.
• Nova Sonic - parole à parole ; Nova Act - actions de navigateur agentiques.

Amazon SageMaker AI

Ce que c'est. La plateforme de bout en bout pour construire, entraîner, déployer et surveiller vos propres modèles d'apprentissage automatique. C'est la couche "construire un modèle personnalisé" - à l'opposé des API gérées.

Pourquoi il existe. Certains problèmes ont besoin d'un modèle entraîné sur vos données, avec un contrôle complet du cycle de vie. SageMaker AI fournit chaque étape comme une capacité gérée afin que les équipes n'aient pas à assembler leur propre infrastructure de ML.

Comment l'utiliser. Pour l'AIF-C01, vous utilisez SageMaker de manière conceptuelle : sachez ce que fait chaque sous-service et quand il s'applique. On n'attend pas de vous que vous écriviez du code d'entraînement.

SageMaker Studio

L'IDE et le centre de contrôle basé sur le web - notebooks, expériences et accès à toutes les autres capacités de SageMaker en un seul endroit.

SageMaker JumpStart

Un catalogue de modèles de fondation pré-entraînés et de modèles spécifiques à une tâche avec déploiement en un clic et notebooks de réglage fin. Voyez-le comme le déploiement d'un modèle prêt à l'emploi dans votre propre compte et endpoint - distinct de l'appel d'une API hébergée via Bedrock.

SageMaker Canvas

Le ML sans code pour les analystes. Chargez un jeu de données, choisissez une cible, et Canvas construit un modèle et génère des prédictions. Il peut aussi exploiter les modèles de fondation Bedrock pour des tâches génératives - le tout sans écrire de code.

Data Wrangler

Préparation visuelle des données. Importez depuis de nombreuses sources, appliquez des centaines de transformations intégrées, analysez et exportez les données préparées dans un pipeline d'entraînement. C'est l'étape "nettoyer et mettre en forme les données".

Feature Store

Un référentiel central pour les caractéristiques (les entrées du modèle) que vos équipes conçoivent, avec un magasin en ligne pour l'inférence à faible latence et un magasin hors ligne pour l'entraînement. Empêche chaque équipe de recalculer les mêmes caractéristiques.

Ground Truth (et Ground Truth Plus)

L'étiquetage des données. Ground Truth gère des flux de travail d'étiquetage humains et automatisés pour construire des jeux de données d'entraînement ; Ground Truth Plus est la version entièrement gérée, exploitée par AWS avec une main-d'oeuvre experte. Les données étiquetées sont ce dont l'entraînement supervisé a besoin.

Clarify

Détection des biais et explicabilité. Il mesure les biais dans les données et dans les prédictions du modèle entre les groupes, et calcule les attributions de caractéristiques (quelles entrées ont déterminé une prédiction, avec SHAP). C'est la réponse nommée pour "détecter les biais" et "expliquer le modèle" dans les scénarios d'IA responsable.

Model Monitor

Surveillance continue des modèles en production. Il détecte la dérive des données, la dérive de la qualité du modèle, la dérive des biais et la dérive de l'attribution des caractéristiques, et déclenche des alertes - afin que vous surpreniez un modèle qui se dégrade avant vos utilisateurs.

Autopilot

Apprentissage automatique automatisé (AutoML). Pointez-le vers un jeu de données et il explore les algorithmes, entraîne et règle automatiquement des modèles candidats, puis fait ressortir le meilleur. La voie sans effort vers un modèle entraîné.

Pipelines

Orchestration MLOps. Définissez le flux de travail reproductible - préparer, entraîner, évaluer, enregistrer, déployer - sous forme de pipeline afin que la livraison des modèles soit automatisée et reproductible.

Model Registry et Model Cards

Model Registry versionne les modèles entraînés et gère l'approbation pour le déploiement. Model Cards documentent l'objectif, les données, les performances et les limites d'un modèle à des fins de gouvernance. Les deux soutiennent un ML responsable et auditable.

Options d'inférence

Comment vous servez un modèle entraîné, adapté au profil de trafic :

• Real-time endpoints - service persistant, à faible latence, toujours actif.
• Serverless inference - se réduit à zéro pour un trafic intermittent ; aucune capacité à gérer.
• Asynchronous inference - met en file d'attente les requêtes volumineuses ou de longue durée.
• Batch transform - score un jeu de données entier hors ligne, sans endpoint.

Savoir quelle option d'inférence convient à un scénario (trafic stable contre irrégulier contre en masse) est un schéma récurrent de l'examen.

Les services d'IA gérés (API spécifiques à une tâche)

Des services pré-entraînés qui résolvent un type de problème sans entraînement ni gestion de modèle. L'examen teste le choix du bon service pour un cas d'usage.

Amazon Comprehend

Quoi/pourquoi/comment. Traitement du langage naturel sur du texte : sentiment, entités, phrases clés, détection de langue, modélisation de sujets et détection de PII, plus classification personnalisée et reconnaissance d'entités personnalisées. Envoyez du texte, obtenez des résultats structurés. La réponse pour "analyser les retours clients" ou "trouver des PII dans du texte".

Amazon Textract

Quoi/pourquoi/comment. Compréhension de documents au-delà de l'OCR de base - il extrait le texte, les paires clé-valeur, les tableaux et les champs des PDF et des numérisations, avec une analyse spécialisée pour les factures, les reçus et les documents d'identité. La réponse pour "extraire des données structurées à partir de formulaires".

Amazon Rekognition

Quoi/pourquoi/comment. Vision par ordinateur pour les images et la vidéo : détection d'objets et de scènes, analyse et comparaison de visages, modération de contenu, texte dans les images, et Custom Labels pour vos propres catégories. La réponse pour "analyser des images sans équipe de ML".

Amazon Transcribe

Quoi/pourquoi/comment. Reconnaissance automatique de la parole (speech-to-text) avec identification des locuteurs, vocabulaire personnalisé, modèles de langue personnalisés, expurgation des PII, streaming en temps réel et une variante médicale. Souvent associé à Comprehend : transcrire un appel, puis analyser le sentiment.

Amazon Polly

Quoi/pourquoi/comment. Synthèse vocale (text-to-speech) avec des voix neuronales et génératives dans de nombreuses langues, contrôlée avec SSML pour la prononciation et le rythme. La réponse pour "convertir du texte en parole naturelle".

Amazon Translate

Quoi/pourquoi/comment. Traduction automatique neuronale entre de nombreuses langues, avec une terminologie personnalisée pour le vocabulaire de domaine, en temps réel et par lots. La réponse pour "traduire du contenu sans entraîner un modèle".

Amazon Lex

Quoi/pourquoi/comment. Construire des bots conversationnels avec reconnaissance automatique de la parole et compréhension du langage naturel : définir des intentions et des emplacements (slots), exécuter avec Lambda, répondre par la voix via Polly. C'est le framework de chatbot structuré, basé sur les intentions - à opposer à Bedrock Agents pour des assistants ouverts et utilisant des outils.

Amazon Personalize

Quoi/pourquoi/comment. Recommandations et personnalisation gérées en temps réel, construites à partir de la même technologie que celle d'Amazon.com. Alimentez-le avec des données d'interaction ; obtenez des recommandations, un classement personnalisé et des segments d'utilisateurs - sans modèle de recommandation à construire.

Amazon Q

Ce que c'est. Les produits d'assistant IA finis d'AWS. L'idée clé pour l'examen : Q est un produit, pas une boîte à outils. Vous ne sélectionnez pas de modèle, ne gérez pas d'invites et ne construisez pas de magasin vectoriel - AWS l'a fait.

• Amazon Q Developer - un assistant de codage et AWS dans votre IDE et la console : génération de code, débogage, suivi des références, questions sur les ressources AWS, et aide sur les coûts ou la CLI (anciennement CodeWhisperer).
• Amazon Q Business - un assistant d'entreprise qui répond à des questions ancrées dans les données de votre société (par exemple SharePoint, Confluence, Salesforce), avec des réponses qui respectent les autorisations.
• Des variantes intégrées que vous pourriez voir nommées : Q in QuickSight (informatique décisionnelle), Q in Connect (centre de contact) et Q Apps.

Comment l'utiliser / angle d'examen. Choisissez Q quand l'exigence est "utiliser l'IA sans rien construire" ; choisissez Bedrock quand vous avez besoin de personnaliser et de construire votre propre application.

PartyRock

Ce que c'est. Un bac à sable sans code, basé sur le web (propulsé par Bedrock) pour construire des applications d'IA générative en les décrivant en langage clair. Il s'exécute en dehors de la console AWS et ne nécessite pas de compte AWS.

Pourquoi il existe. Pour permettre à chacun d'apprendre l'IA générative et l'ingénierie des invites de façon pratique, et de prototyper rapidement des idées d'application.

Comment l'utiliser. Vous composez une application à partir de widgets - saisie utilisateur, texte statique, et widgets de génération de texte, de génération d'images ou de chatbot propulsés par l'IA. Vous les enchaînez en référençant la sortie d'un widget dans l'invite d'un autre avec le signe @ (variables dynamiques), afin que les sorties circulent d'un widget à l'autre. Idéal pour développer l'intuition avant de toucher à Bedrock proprement dit.

Services de support dans le périmètre

Pas spécifiques à l'IA, mais testés dans les scénarios de sécurité, de gouvernance, de coût et de données. Sachez à quoi sert chacun ; vous n'avez pas besoin de détails de configuration approfondis.

• Sécurité, identité et conformité : IAM (accès au moindre privilège, par exemple restreindre les modèles Bedrock qu'un rôle peut invoquer), KMS (clés de chiffrement pour les données, les artefacts de modèle et les journaux), Macie (découverte de données sensibles et de PII par ML dans S3), Amazon Inspector (analyse des vulnérabilités), Secrets Manager (secrets gérés), AWS Artifact (rapports de conformité à la demande).
• Gestion et gouvernance : CloudTrail (piste d'audit des API), CloudWatch (métriques, journaux, alarmes ; journaux d'invocation Bedrock et métriques d'endpoint), AWS Config (configuration des ressources et conformité), Trusted Advisor (vérifications des bonnes pratiques), AWS Well-Architected Tool (évaluer les charges de travail par rapport au framework).
• Stockage : Amazon S3 (le lac de données pour les données d'entraînement, les documents et les artefacts), S3 Glacier (archivage).
• Calcul : Amazon EC2 (y compris les familles d'instances GPU et accélérateurs ; AWS Trainium pour l'entraînement et AWS Inferentia pour l'inférence), AWS Lambda (liaison serverless pour les pipelines et les actions d'agent).
• Conteneurs : Amazon ECS et Amazon EKS pour les charges de travail conteneurisées.
• Bases de données et magasins vectoriels : Amazon OpenSearch Service (recherche vectorielle k-NN pour le RAG), Amazon Aurora et Amazon RDS (relationnel, avec pgvector pour les embeddings), Amazon DynamoDB (clé-valeur), Amazon Neptune (graphe), Amazon DocumentDB, Amazon ElastiCache.
• Analytique et préparation des données : AWS Glue et Glue DataBrew (ETL et préparation), Amazon EMR (traitement de données massives), AWS Lake Formation (gouvernance des lacs de données), Amazon Redshift (entrepôt), AWS Data Exchange (données de tiers), Amazon Quick / QuickSight (informatique décisionnelle).
• Réseau : Amazon VPC (y compris les schémas PrivateLink pour garder le trafic hors d'internet), Amazon CloudFront (diffusion de contenu).
• Coût : AWS Budgets et AWS Cost Explorer (suivre et prévoir les dépenses - pertinent car la gestion des coûts de l'IA générative est à l'examen).

Nouvelles additions dans le périmètre à reconnaître

AWS a rafraîchi la liste dans le périmètre, donc quelques noms sont plus récents que la plupart des supports d'étude :

• Amazon Bedrock AgentCore et Amazon Nova (traités ci-dessus).
• Kiro - un environnement de développement agentique, piloté par des spécifications (IDE et CLI) qui transforme les invites en spécifications, code et documentation.
• Strands Agents - un SDK open source pour construire et orchestrer des agents d'IA sur AWS.
• AWS Transform - un atelier agentique pour la migration vers le cloud et la modernisation des applications.
• Le guide d'examen écrit désormais Amazon SageMaker AI (et non plus juste "SageMaker"). Même plateforme, nom mis à jour.

Explicitement hors périmètre : ignorez-les

AWS liste ceux-ci comme hors périmètre pour l'AIF-C01, alors ne passez pas de temps d'étude dessus :

• Apprentissage automatique : AWS DeepComposer, AWS HealthImaging, AWS HealthOmics, Amazon Monitron, AWS Panorama.
• Sécurité et réseau : Amazon GuardDuty, AWS Security Hub, Amazon Cognito, AWS WAF, AWS Shield, Amazon Route 53.
• Gestion : AWS Control Tower, AWS Organizations.
• Plus la plupart des services Internet des objets, Media, et Migration et Transfert.

Si une question d'entraînement repose sur l'un de ceux-ci, c'est presque certainement un distracteur.

Une note sur les noms et la dérive du périmètre

Une poignée de services apparaissent dans d'anciens supports d'étude AIF-C01 (et dans certaines banques de questions) mais ne figurent pas sur la liste officielle actuelle dans le périmètre. Vous pourriez encore les voir référencés ; voici à quoi sert chacun, brièvement :

• Amazon Q - les produits d'assistant IA ci-dessus ; omniprésent en pratique même s'il ne figure pas dans le tableau officiel des services dans le périmètre.
• Amazon Kendra - recherche d'entreprise propulsée par le ML (récupération uniquement, contrairement à Knowledge Bases qui récupère et génère).
• Amazon Augmented AI (A2I) - ajoute une révision humaine pour les prédictions d'IA à faible confiance.
• AWS Audit Manager - automatise la collecte des preuves de conformité.
• AWS Fargate, Amazon EventBridge, Amazon API Gateway - calcul serverless, événementiel et plomberie d'API sur lesquels les applications d'IA sont souvent construites.

Comprenez ce qu'ils font au niveau d'une phrase et passez à autre chose.

Le guide de décision en 30 secondes

Face à un scénario, associez-le à une couche :

• Appeler un modèle de fondation par API -> Bedrock
• Ancrer un modèle dans des données privées, sans réentraînement -> Bedrock Knowledge Bases (RAG)
• Laisser le modèle entreprendre des actions -> Bedrock Agents
• Ajouter des contrôles de sécurité et de PII -> Bedrock Guardrails
• Exécuter des agents en production (mémoire, outils, identité) -> Bedrock AgentCore
• Utiliser l'IA sans rien construire -> Amazon Q
• Apprendre ou prototyper sans code -> PartyRock
• Entraîner ou régler un modèle personnalisé -> SageMaker AI
• Déployer vous-même un modèle prêt à l'emploi -> SageMaker JumpStart
• Étiqueter des données -> Ground Truth ; préparer des données -> Data Wrangler ; stocker des caractéristiques -> Feature Store
• Détecter des biais ou expliquer un modèle -> SageMaker Clarify
• Surveiller un modèle en production -> SageMaker Model Monitor
• Analyser texte / images / documents / parole / traduction / chatbots / recommandations -> l'API gérée correspondante
• Sécuriser, chiffrer, analyser, auditer ou surveiller -> IAM / KMS / Macie / CloudTrail / CloudWatch

Certifications associées

Ce guide correspond à plusieurs certifications AWS - il apparaît sous Guides d'étude associés sur chacun de leurs hubs :

• AWS Certified AI Practitioner (AIF-C01) - la cible principale ; chaque service ici est dans son périmètre.
• AWS Certified Machine Learning Engineer Associate (MLA-C01) - approfondit SageMaker AI, la préparation des données et le MLOps.
• AWS Certified Generative AI Developer Professional (AIP-C01) - s'appuie sur Bedrock, Agents, Knowledge Bases et Guardrails.
• AWS Certified Cloud Practitioner (CLF-C02) - fondamental ; aborde ces services d'IA de façon légère.
• AWS Certified Data Engineer Associate (DEA-C01) - les services de préparation des données et d'analytique (Glue, Data Wrangler, Feature Store) se recoupent directement.

Comment étudier ceci

Ne mémorisez pas chaque fonctionnalité. L'examen récompense la reconnaissance de schémas : lisez un scénario, identifiez la couche, nommez le service. Faites des questions d'entraînement avec le guide de décision en 30 secondes ouvert, et chaque fois que vous en ratez une, revenez à la section de ce service ici et lisez le quoi-pourquoi-comment jusqu'à ce que la frontière soit claire. Maîtrisez bien les sous-services de Bedrock et les sous-services de SageMaker - c'est là que l'examen sépare ceux qui ont survolé de ceux qui ont compris.

Source : guide de l'examen AWS Certified AI Practitioner (AIF-C01) (listes des services dans le périmètre et hors périmètre) et documentation des services AWS, en date de septembre 2026.