Chaque service AWS de l'examen AIF-C01 — et pourquoi il y figure

L'examen AIF-C01 couvre une surface étonnamment large de services AWS. Certains d'entre eux — Bedrock, SageMaker — sont les têtes d'affiche évidentes. D'autres — Macie, KMS, CloudWatch — apparaissent dans des questions de scénario où la réponse dépend de la connaissance du bon outil pour une exigence de sécurité ou de gouvernance. Si vous vous présentez à l'examen en ne connaissant que les services d'IA générative, vous laisserez des points en chemin.

Ce guide répertorie chaque service AWS qui apparaît à l'examen AIF-C01, explique ce qu'il fait en français simple et vous indique à quel domaine de l'examen il appartient. Je les ai regroupés de la manière dont l'examen les appréhende : d'abord les services principaux d'IA générative, puis les services d'IA spécialisés pré-construits, et enfin l'infrastructure de gouvernance et de sécurité.

Core generative-AI services

Ce sont les services sur lesquels vous passerez le plus de temps d'étude. Ils apparaissent dans le Domain 2, Domain 3 et Domain 4, qui représentent la majeure partie de l'examen.

Amazon Bedrock

Amazon Bedrock est la pièce maîtresse de l'examen AIF-C01. Il s'agit d'un service entièrement géré qui vous offre un accès API aux modèles de fondation d'Anthropic (Claude), Meta (Llama), Mistral, AI21, Cohere, Stability AI et de la propre famille Titan d'Amazon. Vous ne gérez pas d'infrastructure, vous n'entraînez rien — vous envoyez des invites (prompts) et obtenez des réponses.

Angle d'examen : Le Domain 3 (Applications of Foundation Models) s'appuie fortement sur Amazon Bedrock. Attendez-vous à des questions de scénario sur la sélection des modèles (quand choisir Claude par rapport à Titan ou Llama), les paramètres d'inférence (temperature, top-p, max tokens) et le moment où Amazon Bedrock est le bon choix par rapport à l'auto-hébergement sur Amazon SageMaker.

Amazon Bedrock Knowledge Bases

Il s'agit de la solution RAG (retrieval-augmented generation) gérée d'AWS. Vous pointez vers des documents Amazon S3, le service les découpe, génère des plongements vectoriels (embeddings), les stocke dans une base de données vectorielle et permet à un modèle de fondation de récupérer les passages pertinents avant de générer une réponse. Il gère automatiquement le suivi des citations.

Angle d'examen : RAG est la réponse canonique à la question "comment ancrer un modèle de fondation dans vos données privées sans fine-tuning ?". Vous verrez ce scénario plusieurs fois à l'examen. Connaissez la différence entre RAG et le fine-tuning — l'examen le teste explicitement.

Amazon Bedrock Guardrails

Amazon Bedrock Guardrails est une couche de politiques qui se situe entre l'utilisateur et le modèle. Il peut filtrer les contenus nuisibles, bloquer des sujets spécifiques que vous définissez, masquer les PII des entrées et des sorties, et ancrer les réponses pour réduire les hallucinations. Vous le configurez de manière déclarative — aucun code personnalisé n'est requis.

Angle d'examen : Le Domain 4 (Guidelines for Responsible AI) demande comment empêcher un modèle de générer du contenu dangereux ou halluciné. Amazon Bedrock Guardrails est la réponse AWS désignée. Connaissez les quatre types de protections qu'il offre : filtres de contenu, sujets refusés, masquage de PII et vérifications d'ancrage.

Amazon Bedrock Agents

Amazon Bedrock Agents donnent à un modèle de fondation la capacité de prendre des mesures — appeler des APIs, interroger des bases de connaissances, exécuter des flux de travail en plusieurs étapes. Vous définissez des "groupes d'actions" qui décrivent les outils que le modèle peut utiliser, et Amazon Bedrock Agents gère la boucle d'orchestration (penser → agir → observer → répondre).

Angle d'examen : Le Domain 3 comprend des scénarios d'orchestration de l'IA. L'examen distingue Amazon Bedrock Agents (multi-étapes, utilisation d'outils) de l'inférence Amazon Bedrock classique (une invite → une réponse). Si une question décrit un chatbot qui doit vérifier l'état d'une commande, modifier une base de données et répondre, la réponse est Amazon Bedrock Agents.

Amazon Q

Amazon Q est le produit d'assistant IA packagé d'AWS. Amazon Q Developer vit dans les IDE et la console AWS pour aider aux questions de codage, de débogage et d'infrastructure. Amazon Q Business se connecte aux sources de données de l'entreprise (SharePoint, Confluence, Salesforce) pour les questions-réponses internes.

Angle d'examen : L'AIF-C01 présente Amazon Q comme l'option "à utiliser si vous ne voulez rien construire". Les questions testent le moment où il faut choisir Amazon Q (clé en main, orienté) par rapport à Amazon Bedrock (personnalisable, à construire soi-même).

Amazon SageMaker

Amazon SageMaker est la plateforme ML complète — carnets de notes (notebooks), tâches d'entraînement, optimisation des hyperparamètres, points de terminaison d'inférence gérés et pipelines MLOps. C'est le service que vous utilisez lorsque vous construisez et entraînez des modèles personnalisés, et pas seulement pour appeler des modèles pré-entraînés.

Angle d'examen : Le Domain 2 (Fundamentals of AI and ML) fait référence à Amazon SageMaker pour l'ensemble du cycle de vie ML. L'examen teste si vous connaissez la différence entre l'entraînement (Amazon SageMaker), l'hébergement d'inférence (points de terminaison Amazon SageMaker) et l'accès aux modèles via API (Amazon Bedrock).

Amazon SageMaker JumpStart

Amazon SageMaker JumpStart est un catalogue de modèles au sein d'Amazon SageMaker. Il propose des modèles de fondation pré-entraînés et des modèles spécifiques à des tâches avec un déploiement en un clic et des notebooks de fine-tuning. Considérez-le comme un App Store pour les modèles ML que vous pouvez déployer dans votre propre compte AWS.

Angle d'examen : L'examen distingue trois façons d'utiliser un modèle : (1) appeler une API hébergée via Amazon Bedrock, (2) déployer un modèle pré-entraîné de Amazon SageMaker JumpStart dans votre propre point de terminaison, (3) s'entraîner à partir de zéro sur Amazon SageMaker. Amazon SageMaker JumpStart est l'option 2.

Amazon SageMaker Clarify

Amazon SageMaker Clarify est un outil de détection des biais et d'explicabilité des modèles. Il calcule les attributions de caractéristiques SHAP (quelles caractéristiques d'entrée ont conduit à cette prédiction ?), mesure le biais pré-entraînement et post-entraînement au sein des groupes démographiques, et fonctionne à la fois sur les modèles tabulaires et sur les sorties des modèles de fondation.

Angle d'examen : Le Domain 4 (Responsible AI) teste la détection des biais et l'explicabilité. Lorsqu'une question demande "comment détecter si votre modèle est biaisé envers un groupe démographique ?" — Amazon SageMaker Clarify est la réponse.

Specialized pre-built AI services

Ces services résolvent des tâches d'IA spécifiques sans vous obliger à entraîner ou à gérer des modèles. L'examen teste votre capacité à choisir le bon service pour un cas d'utilisation donné.

Amazon Comprehend

NLP géré : analyse des sentiments, reconnaissance d'entités, extraction de phrases clés, détection de la langue et identification des PII. Aucun entraînement requis — envoyez du texte, obtenez des résultats structurés.

Angle d'examen : "J'ai besoin d'analyser les commentaires des clients pour en connaître le sentiment" → Amazon Comprehend. "J'ai besoin de trouver des PII dans un corpus de documents" → Amazon Comprehend (ou Amazon Macie pour le balayage S3). Connaissez les limites.

Amazon Rekognition

Vision par ordinateur : détection d'étiquettes, analyse des visages, modération de contenu, reconnaissance de célébrités, détection d'activité vidéo. Image ou vidéo en entrée, étiquettes structurées en sortie.

Angle d'examen : "J'ai des images, pas d'équipe ML" → Amazon Rekognition. L'examen utilise également la fonction de modération de contenu d'Amazon Rekognition dans des scénarios d'IA responsable.

Amazon Textract

Compréhension des documents : extrait le texte, les paires clé-valeur, les tableaux et les champs de formulaire à partir de PDFs et d'images numérisées. Va au-delà de l'OCR de base — il comprend la structure du document.

Angle d'examen : "Extraire des données de factures/reçus/formulaires" → Amazon Textract. L'examen teste spécifiquement la différence entre Amazon Textract (extraction de documents structurés) et Amazon Rekognition DetectText (OCR générique sur photos).

Amazon Transcribe

Reconnaissance vocale avec identification du locuteur, vocabulaires personnalisés, streaming en temps réel et variantes spécialisées pour l'audio médical et de centre d'appels.

Angle d'examen : S'associe à Amazon Comprehend dans les questions de pipeline : "transcrire un enregistrement de centre d'appels, puis analyser les sentiments" → Amazon Transcribe + Amazon Comprehend.

Amazon Polly

Synthèse vocale avec des voix neuronales et génératives dans des dizaines de langues. Prend en charge le SSML pour un contrôle précis de la prononciation, du rythme et de l'accentuation.

Angle d'examen : "Convertir du texte en parole" → Amazon Polly. L'examen teste le moment où Amazon Polly (TTS clé en main) est suffisant par rapport au moment où vous auriez besoin d'un modèle de voix personnalisé sur Amazon SageMaker.

Amazon Translate

Traduction automatique neuronale dans plus de 75 langues, avec prise en charge de terminologies personnalisées pour des formulations spécifiques à un domaine.

Angle d'examen : Simple — "traduire du contenu dans plusieurs langues sans entraîner de modèle" → Amazon Translate.

Amazon Lex

IA conversationnelle pour créer des chatbots avec des intents, des slots et une sortie vocale via Amazon Polly. Permet des interactions de style Alexa.

Angle d'examen : Amazon Lex est le framework de chatbot pré-construit. L'examen le compare à Amazon Bedrock Agents — Amazon Lex pour les conversations structurées basées sur des intents ; Amazon Bedrock Agents pour les assistants IA ouverts utilisant des outils.

Amazon Kendra

Recherche d'entreprise alimentée par ML sur des documents, SharePoint, Confluence et des bases de données. Comprend les requêtes en langage naturel, et pas seulement la recherche par mots-clés.

Angle d'examen : Amazon Kendra apparaît comme une alternative de recherche seule aux Amazon Bedrock Knowledge Bases. Lorsque la question dit "recherche, pas de génération requise" → Amazon Kendra. Quand elle dit "rechercher et synthétiser une réponse" → Amazon Bedrock Knowledge Bases.

Security, governance, and supporting infrastructure

Ces services ne sont pas spécifiques à l'IA, mais ils apparaissent dans les questions du Domain 5 (Security, Compliance, and Governance). L'examen teste si vous savez comment sécuriser et surveiller les charges de travail d'IA.

AWS IAM

Utilisateurs, rôles, politiques, fédération et autorisations de moindre privilège pour chaque appel de service AWS. Non spécifique à l'IA, mais l'examen teste des modèles IAM spécifiques à l'IA.

Angle d'examen : "Comment restreindre les modèles qu'un développeur peut invoquer dans Amazon Bedrock ?" → Politiques IAM. "Comment un notebook Amazon SageMaker accède-t-il aux données d'entraînement dans S3 ?" → Rôle IAM. Le moindre privilège est le thème récurrent.

AWS KMS

Clés cryptographiques gérées pour chiffrer les données au repos — ensembles de données d'entraînement, artefacts de modèle, journaux d'inférence.

Angle d'examen : "Comment chiffrer les poids du modèle au repos avec une clé gérée par le client ?" → AWS KMS. Cela apparaît dans les questions axées sur la conformité.

Amazon Macie

Service de découverte de données sensibles qui utilise le ML pour trouver les PII, les identifiants et les données financières dans les compartiments S3.

Angle d'examen : "Avant d'alimenter des documents dans un pipeline RAG, comment recherchez-vous des PII dans les données sources ?" → Amazon Macie analyse le compartiment S3 ; Amazon Bedrock Guardrails filtre au moment de l'inférence. L'examen teste les deux couches.

Amazon CloudWatch

Mesures, journaux et alarmes sur tous les services AWS. Pour les charges de travail d'IA : journaux d'invocation Amazon Bedrock, latence de point de terminaison Amazon SageMaker, alertes de dérive de surveillance de modèle.

Angle d'examen : "Comment surveiller les performances d'un modèle en production ?" → Métriques + alarmes Amazon CloudWatch. "Comment auditer les invites qui ont été envoyées à Amazon Bedrock ?" → Journaux Amazon CloudWatch Logs avec journalisation d'invocation Amazon Bedrock activée.

How to study this

N'essayez pas de mémoriser chaque fonctionnalité de chaque service. L'examen teste la reconnaissance des formes : face à un scénario, quel service le résout ? Voici le modèle mental :

• "Je veux appeler un modèle de fondation via une API" → Amazon Bedrock
• "Je veux ancrer un modèle dans mes données privées" → Amazon Bedrock Knowledge Bases (RAG)
• "Je veux que le modèle prenne des mesures" → Amazon Bedrock Agents
• "Je veux des barrières de sécurité sur la sortie du modèle" → Amazon Bedrock Guardrails
• "Je ne veux rien construire, juste utiliser l'IA" → Amazon Q
• "J'ai besoin d'entraîner un modèle personnalisé" → Amazon SageMaker
• "J'ai besoin d'un modèle pré-entraîné que je peux déployer moi-même" → Amazon SageMaker JumpStart
• "J'ai besoin de vérifier si mon modèle présente des biais" → Amazon SageMaker Clarify
• "J'ai besoin d' [analyser du texte / voir des images / extraire des documents / transcrire de l'audio / synthétiser de la parole / traduire / construire un chatbot / rechercher des documents]" → le service spécialisé correspondant
• "J'ai besoin de sécuriser / chiffrer / balayer / surveiller" → AWS IAM / AWS KMS / Amazon Macie / Amazon CloudWatch

Exécutez les questions d'entraînement avec ce cadre et vous constaterez que vous pouvez répondre à la plupart des questions de sélection de services en moins de 30 secondes.

Source : AWS AI Practitioner (AIF-C01) exam guide v1.1 (2024-08), AWS documentation as of May 2026.