שירותי ה-AI ותת-השירותים של AWS למבחן AIF-C01: מה כל אחד עושה ואיך להשתמש בו

מבחן AIF-C01 לא מבקש ממך לבנות שום דבר. הוא בודק אם אתה יכול לבחור את שירות ה-AWS הנכון לבעיה ולהסביר מה הוא עושה. זה נשמע קל עד שאתה מבין של-AWS יש תריסר שירותי AI, ושני הגדולים שבהם - Amazon Bedrock ו-Amazon SageMaker AI - כל אחד מכיל תריסר תת-שירותים משלו. רוב האנשים לומדים את השמות הראשיים ונתפסים על ידי תרחיש שמסתמך על Knowledge Bases מול fine-tuning, או Ground Truth מול Data Wrangler.

זו הגרסה המעמיקה: כל שירות וכל תת-שירות שנמצא בהיקף של AIF-C01, עם מה זה, למה זה קיים, ואיך היית משתמש בזה בפועל. זה ארוך במכוון - התייחס לזה כאל מדריך שאתה סורק לפי סעיף, לא סיפור שאתה קורא מההתחלה עד הסוף. אם אתה רוצה קודם את המפה הקצרה יותר של "איזה שירות מתאים לאיזה תחום מבחן", קרא את הפוסט המלווה כל שירות AWS במבחן AIF-C01, ואז חזור לכאן לפרטי תת-השירותים.

המודל המנטלי: חמש דרכים להשתמש ב-AI ב-AWS

לפני רשימת השירותים, החזק את המסגור הזה בראשך. כל שאלת AI במבחן באמת שואלת "איזו מבין חמש השכבות האלה מתאימה?"

• ממשקי AI מנוהלים (Comprehend, Rekognition, Textract, וכן הלאה) - מאומנים מראש, ייעודיים למטרה אחת. אתה שולח נתונים, אתה מקבל תוצאה. אין בחירת מודל, אין אימון.
• Amazon Bedrock - גישה מנוהלת ל-foundation models בתוספת הכלים לבנות אפליקציות generative AI (RAG, agents, guardrails). אתה בוחר מודל ומרכיב התנהגות; אתה לא מנהל שרתים.
• Amazon SageMaker AI - הפלטפורמה המלאה לבנייה של מודל משלך. אתה מכין נתונים, מאמן, מכוונן, פורס, ומנטר מודלים מותאמים אישית.
• Amazon Q - מוצרי עוזר AI מוגמרים. אתה לא בוחר מודל ולא מחווט vector store; AWS כבר עשתה זאת.
• PartyRock - מגרש משחקים ללא קוד ללמידה ולפרוטוטייפ של אפליקציות generative AI.

המבחן בודק כל הזמן את הגבולות בין אלה. שמור את השכבה בראשך כשאתה קורא כל שירות למטה.

Amazon Bedrock

מה זה. שירות מנוהל לחלוטין שנותן לך API אחד לקרוא ל-foundation models מספקים רבים, בתוספת סט של כלים מובנים לבניית אפליקציות generative AI מעליהם. אין תשתית, אין אירוח מודלים - אתה שולח prompts, אתה מקבל תגובות.

למה זה קיים. אפליקציות generative AI צריכות יותר ממודל גולמי: הן צריכות עיגון בנתונים פרטיים, בקרות בטיחות, orchestration, והערכה. Bedrock מאגד את כל זה מאחורי ממשקי serverless כך שאתה בונה את האפליקציה, לא את האינסטלציה.

איך להשתמש בזה. בחר מודל, בדוק אותו ב-playground, ואז הוסף את תת-השירותים שאתה צריך (Knowledge Bases ל-RAG, Guardrails לבטיחות, Agents לפעולות) וקרא לכל זה מהאפליקציה שלך דרך ה-API או ה-SDK.

Foundation models

הקטלוג של המודלים שאתה יכול לקרוא להם. אתה לא נעול לספק אחד - בחירת המודל הנכון לעלות, latency, ויכולת היא מיומנות ליבה במבחן.

• Amazon Titan - המודלים מתוצרת Amazon: Titan Text, Titan Text Embeddings (לחיפוש וקטורי ב-RAG), Titan Image Generator, ו-Titan Multimodal Embeddings.
• Amazon Nova - משפחת המודלים החדשה יותר של Amazon (מכוסה בסעיף משלה למטה).
• Anthropic Claude - מודלי חשיבה חזקים לשימוש כללי ובעלי הקשר ארוך.
• Meta Llama, Mistral, Cohere, AI21 Labs (Jamba), Stability AI (יצירת תמונות), ואחרים.

דע ש-"foundation model" הוא מודל גדול מאומן מראש שאתה מתאים דרך prompting, RAG, או fine-tuning - לא משהו שאתה מאמן מאפס.

Bedrock playgrounds

מה/למה. קונסולות צ'אט, טקסט, ותמונות ב-console לניסוי מודלים ו-prompts ללא קוד. זה המקום שבו אתה משווה מודלים ומכוונן פרמטרי inference (temperature, top-p, max tokens) לפני שאתה מחווט משהו.

איך להשתמש. פתח את ה-playground, בחר מודל, שכלל prompt, ואז העבר את המודל וההגדרות המנצחים לתוך האפליקציה שלך.

Knowledge Bases

מה/למה. יכולת ה-retrieval-augmented generation (RAG) המנוהלת. היא מחברת foundation model למסמכים הפרטיים שלך כך שהתשובות מעוגנות בנתונים שלך - ללא fine-tuning.

איך להשתמש. כוון אותה למקור נתונים (למשל S3), והיא מחלקת את המסמכים לחלקים, מייצרת embeddings, שומרת אותם ב-vector store, ומאחזרת קטעים רלוונטיים להזרקה לתוך ה-prompt בזמן השאילתה. היא עוקבת אחר ציטוטים אוטומטית. התשובה הקנונית של המבחן ל-"עגן מודל בנתונים פרטיים ללא אימון מחדש" היא Knowledge Bases (RAG).

Agents

מה/למה. נותן ל-foundation model את היכולת לבצע פעולות - לקרוא ל-APIs, להריץ תהליכי עבודה רב-שלביים, לשאול Knowledge Base - במקום רק להחזיר טקסט.

איך להשתמש. הגדר "action groups" (הכלים וה-APIs שהמודל רשאי לקרוא להם, לעתים קרובות מגובים ב-Lambda), ו-Agents מריץ את לולאת reason-act-observe. אם תרחיש צריך שהעוזר יחפש משהו ואז יעשה משהו (בדיקת הזמנה, עדכון רשומה), התשובה היא Agents, לא inference פשוט.

Guardrails

מה/למה. שכבת מדיניות ניתנת להגדרה בין המשתמש למודל שאוכפת דרישות בטיחות ו-responsible-AI.

איך להשתמש. הפעל את ההגנות שאתה צריך: מסנני תוכן (שנאה, אלימות, וכן הלאה), נושאים אסורים שאתה מגדיר, מסנני מילים, השחרה של מידע רגיש (PII) בקלט ובפלט, ובדיקות עיגון הקשרי (contextual grounding) להפחתת הזיות. זה declarative - ללא קוד מותאם. Guardrails חלים על פני מודלים, Agents, Knowledge Bases, ו-Flows.

Flows

מה/למה. בנאי ויזואלי low-code לשרשור חלקי Bedrock לתוך תהליך עבודה אחד בעל שם.

איך להשתמש. גרור prompts, Knowledge Bases, Agents, Guardrails, פונקציות Lambda, ולוגיקה מותנית לתוך flow, ואז הפעל את כל הדבר בקריאת API אחת. השתמש בזה כשאתה רוצה orchestration בלי לכתוב את קוד הדבק.

Prompt Management

מה/למה. קטלוג עם ניהול גרסאות ל-prompts כך שצוותים משתמשים בהם מחדש ומשווים אותם במקום להדביק מחרוזות לתוך קוד.

איך להשתמש. אחסן prompts כמשאבים עם ניהול גרסאות, בדוק וריאנטים, והפנה אליהם מאפליקציות ומ-Flows. משתלב עם Model Evaluation למדידה של איזו גרסה מתפקדת טוב יותר.

Model Evaluation

מה/למה. הערכה מובנית של איכות מודל ו-RAG, כך שבחירת המודל נמדדת במקום מנוחשת.

איך להשתמש. הרץ הערכות אוטומטיות (מטריקות כמו דיוק, robustness, רעילות) או הבא סוקרים אנושיים, והשווה מודלים או גרסאות prompt על הנתונים שלך.

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

מה/למה. כאשר prompting ו-RAG לא מספיקים, התאם מודל לתחום שלך.

איך להשתמש. fine-tuning מלמד מודל מדוגמאות מתויגות; continued pre-training מתאים אותו לגוף גדול של טקסט תחום לא מתויג. התוצאה היא custom model פרטי שאתה משרת דרך Bedrock. המבחן רוצה שתדע ש-fine-tuning משנה את המודל, בעוד ש-RAG משאיר את המודל בשקט ומספק הקשר בזמן השאילתה.

Provisioned Throughput

מה/למה. מצב תמחור וקיבולת. תמחור on-demand גובה לפי token ללא התחייבות; Provisioned Throughput שומר קיבולת ייעודית ל-workloads יציבים, בנפח גבוה, או מבוססי custom-model.

איך להשתמש. בחר Provisioned Throughput כשאתה צריך throughput מובטח או כדי לשרת custom model; אחרת on-demand הוא ברירת המחדל.

תכונות Bedrock נוספות לזהות

• Batch inference - הרץ עבודות גדולות offline בעלות נמוכה יותר.
• Cross-Region inference - נתב בקשות על פני Regions לקיבולת וחוסן.
• Model invocation logging - שלח לוגים של prompt ותגובה ל-CloudWatch או S3 לביקורת.
• Bedrock Data Automation - חלץ והמר תוכן לא מובנה (מסמכים, תמונות, אודיו, וידאו) לפלט מובנה.
• Bedrock Marketplace - גישה למודלים מתמחים ומתפתחים מעבר לקטלוג הליבה.

Amazon Bedrock AgentCore

מה זה. סט חדש יותר של שירותים להרצת AI agents בסביבת production, ללא קשר לאיזה framework או מודל בנה אותם. Bedrock Agents עוזר לך לבנות agent; AgentCore עוזר לך להפעיל אחד בקנה מידה.

למה זה קיים. agents בפרוטוטייפ נשברים ב-production - חסרים להם memory, גישת כלים מאובטחת, identity, ו-observability. AgentCore מספק אותם כאבני בניין מנוהלות שאתה מאמץ באופן עצמאי.

איך להשתמש. בחר את הרכיבים שאתה צריך:

• Runtime - אירוח serverless לקוד ה-agent או הכלי, עם בידוד session.
• Memory - הקשר מתמשך על פני sessions כך שה-agent זוכר.
• Gateway - חושף את ה-APIs ופונקציות ה-Lambda שלך ל-agent ככלים ניתנים לקריאה.
• Identity - נותן לכל agent workload identity ומנהל את הגישה שלו לשירותים חיצוניים (משתלב עם Cognito, Okta, Entra ID).
• Code Interpreter - sandbox ל-agent להרצת קוד.
• Browser - גלישה באינטרנט ללא ממשק (headless) עבור ה-agent.
• Observability - מעקב וניטור של התנהגות ה-agent.

עבור AIF-C01, זהה את AgentCore כשכבת "העברת agent ל-production"; אתה לא צריך לבנות אחד.

Amazon Nova

מה זה. משפחת ה-foundation models של Amazon עצמה, המשרתת דרך Bedrock.

למה זה קיים. כדי להציע יכולת חזקה במחיר ו-latency נמוכים וצפויים על פני טקסט, תמונה, ווידאו.

איך להשתמש. בחר את הרמה שמתאימה למשימה:

• Nova Micro - טקסט בלבד, העלות וה-latency הנמוכים ביותר.
• Nova Lite - multimodal בעלות נמוכה (קלט טקסט, תמונה, וידאו).
• Nova Pro - מודל multimodal מאוזן לרוב המשימות.
• Nova Premier - הכי מסוגל, ו-"מורה" טוב ל-distilling של custom models קטנים יותר.
• Nova Canvas - יצירת תמונות.
• Nova Reel - יצירת וידאו.
• Nova Sonic - דיבור-לדיבור; Nova Act - פעולות דפדפן agentic.

Amazon SageMaker AI

מה זה. הפלטפורמה מקצה לקצה לבנייה, אימון, פריסה, וניטור של מודלי machine learning משלך. זו שכבת "בנה custom model" - הקצה ההפוך מממשקי ה-API המנוהלים.

למה זה קיים. חלק מהבעיות צריכות מודל שמאומן על הנתונים שלך, עם שליטה מלאה במחזור החיים. SageMaker AI מספק כל שלב כיכולת מנוהלת כך שצוותים לא תופרים יחד תשתית ML משלהם.

איך להשתמש. עבור AIF-C01 אתה משתמש ב-SageMaker באופן מושגי: דע מה כל תת-שירות עושה ומתי הוא חל. לא מצופה ממך לכתוב קוד אימון.

SageMaker Studio

ה-IDE ומרכז השליטה מבוסס-האינטרנט - notebooks, ניסויים, וגישה לכל יכולת SageMaker אחרת במקום אחד.

SageMaker JumpStart

קטלוג של foundation models מאומנים מראש ומודלים ייעודיים למשימה עם פריסה בלחיצה אחת ו-notebooks של fine-tuning. חשוב על זה כפריסה של מודל מוכן לתוך החשבון וה-endpoint שלך - נבדל מקריאה ל-API מאורח דרך Bedrock.

SageMaker Canvas

ML ללא קוד לאנליסטים. העלה מערך נתונים, בחר יעד, ו-Canvas בונה מודל ומייצר תחזיות. הוא יכול גם לגשת ל-foundation models של Bedrock למשימות generative - הכל בלי לכתוב קוד.

Data Wrangler

הכנת נתונים ויזואלית. ייבא ממקורות רבים, החל מאות טרנספורמציות מובנות, נתח, וייצא את הנתונים המוכנים לתוך pipeline של אימון. זה שלב "נקה ועצב את הנתונים".

Feature Store

מאגר מרכזי ל-features (קלטי המודל) שהצוותים שלך מהנדסים, עם online store ל-inference בעל latency נמוך ו-offline store לאימון. מונע מכל צוות לחשב מחדש את אותם features.

Ground Truth (ו-Ground Truth Plus)

תיוג נתונים. Ground Truth מנהל תהליכי עבודה של תיוג אנושי ואוטומטי לבניית מערכי נתוני אימון; Ground Truth Plus הוא הגרסה המנוהלת לחלוטין, המופעלת על ידי AWS, עם כוח עבודה מומחה. נתונים מתויגים הם מה שאימון מפוקח צריך.

Clarify

זיהוי הטיה והסברתיות. הוא מודד הטיה בנתונים ובתחזיות המודל על פני קבוצות, ומחשב feature attributions (אילו קלטים הובילו לתחזית, באמצעות SHAP). זו התשובה בשם ל-"זהה הטיה" ו-"הסבר את המודל" בתרחישי responsible-AI.

Model Monitor

ניטור מתמשך של מודלים ב-production. הוא מזהה data drift, סחיפת איכות מודל, סחיפת הטיה, וסחיפת feature-attribution, ומעלה התראות - כך שאתה תופס מודל שמתדרדר לפני שהמשתמשים תופסים.

Autopilot

machine learning אוטומטי (AutoML). כוון אותו למערך נתונים והוא חוקר אלגוריתמים, מאמן, ומכוונן מודלים מועמדים אוטומטית, ואז מציף את הטוב ביותר. הנתיב ללא מאמץ כבד למודל מאומן.

Pipelines

orchestration של MLOps. הגדר את תהליך העבודה הניתן לחזרה - הכנה, אימון, הערכה, רישום, פריסה - כ-pipeline כך שאספקת המודל אוטומטית וניתנת לשחזור.

Model Registry ו-Model Cards

Model Registry מנהל גרסאות של מודלים מאומנים ומנהל אישור לפריסה. Model Cards מתעדים את מטרת המודל, הנתונים, הביצועים, והמגבלות עבור governance. שניהם תומכים ב-ML אחראי וניתן לביקורת.

אפשרויות inference

איך אתה משרת מודל מאומן, מותאם לתבנית התעבורה:

• Real-time endpoints - שירות מתמשך, בעל latency נמוך, תמיד פעיל.
• Serverless inference - מתכווץ לאפס עבור תעבורה לסירוגין; אין קיבולת לנהל.
• Asynchronous inference - מכניס לתור בקשות גדולות או ארוכות ריצה.
• Batch transform - נותן ציון למערך נתונים שלם offline, אין צורך ב-endpoint.

לדעת איזו אפשרות inference מתאימה לתרחיש (תעבורה יציבה מול קופצנית מול מסה) היא תבנית מבחן חוזרת.

שירותי ה-AI המנוהלים (ממשקי API ייעודיים למשימה)

שירותים מאומנים מראש שפותרים סוג אחד של בעיה ללא אימון או ניהול מודלים. המבחן בודק בחירה של הנכון עבור מקרה שימוש.

Amazon Comprehend

מה/למה/איך. עיבוד שפה טבעית מעל טקסט: sentiment, entities, ביטויי מפתח, זיהוי שפה, מידול נושאים, וזיהוי PII, בתוספת סיווג מותאם וזיהוי entity מותאם. שלח טקסט, קבל תוצאות מובנות. התשובה ל-"נתח משוב לקוחות" או "מצא PII בטקסט".

Amazon Textract

מה/למה/איך. הבנת מסמכים מעבר ל-OCR בסיסי - הוא מחלץ טקסט, זוגות key-value, טבלאות, ושדות מ-PDFs וסריקות, עם ניתוח מתמחה לחשבוניות, קבלות, ומסמכי זהות. התשובה ל-"חלץ נתונים מובנים מטפסים".

Amazon Rekognition

מה/למה/איך. ראייה ממוחשבת לתמונות ווידאו: זיהוי אובייקטים וסצנות, ניתוח והשוואת פנים, ניהול תוכן, טקסט בתמונות, ו-Custom Labels לקטגוריות שלך. התשובה ל-"נתח תמונות ללא צוות ML".

Amazon Transcribe

מה/למה/איך. דיבור-לטקסט אוטומטי עם זיהוי דובר, אוצר מילים מותאם, custom language models, השחרת PII, streaming בזמן אמת, ווריאנט רפואי. לעתים קרובות משולב עם Comprehend: תמלל שיחה, ואז נתח sentiment.

Amazon Polly

מה/למה/איך. טקסט-לדיבור עם קולות neural ו-generative בשפות רבות, נשלט עם SSML להגייה וקצב. התשובה ל-"המר טקסט לדיבור טבעי".

Amazon Translate

מה/למה/איך. תרגום מכונה neural על פני שפות רבות, עם טרמינולוגיה מותאמת לניסוח תחומי, בזמן אמת וב-batch. התשובה ל-"תרגם תוכן ללא אימון מודל".

Amazon Lex

מה/למה/איך. בנה בוטים שיחתיים עם זיהוי דיבור אוטומטי והבנת שפה טבעית: הגדר intents ו-slots, מלא באמצעות Lambda, דבר בחזרה דרך Polly. זהו ה-framework של chatbot מובנה ומבוסס-intent - השווה אותו ל-Bedrock Agents עבור עוזרים פתוחים ומשתמשי-כלים.

Amazon Personalize

מה/למה/איך. המלצות ופרסונליזציה מנוהלות בזמן אמת שנבנו מאותה טכנולוגיה שמאחורי Amazon.com. הזן לו נתוני אינטראקציה; קבל המלצות, דירוג מותאם אישית, ו-user segments - ללא מודל המלצות לבנות.

Amazon Q

מה זה. מוצרי עוזר ה-AI המוגמרים של AWS. הרעיון המרכזי למבחן: Q הוא מוצר, לא ערכת כלים. אתה לא בוחר מודל, לא מנהל prompts, ולא בונה vector store - AWS עשתה זאת.

• Amazon Q Developer - עוזר קידוד ו-AWS ב-IDE וב-console: יצירת קוד, debugging, מעקב הפניות, שאלות על משאבי AWS, ועזרה בעלות או ב-CLI (לשעבר CodeWhisperer).
• Amazon Q Business - עוזר ארגוני שעונה על שאלות המעוגנות בנתוני החברה שלך (למשל SharePoint, Confluence, Salesforce), עם תגובות מודעות-הרשאות.
• טעמים משובצים שאולי תראה בשמם: Q in QuickSight (business intelligence), Q in Connect (מוקד שירות), ו-Q Apps.

איך להשתמש / זווית המבחן. בחר Q כשהדרישה היא "השתמש ב-AI בלי לבנות שום דבר"; בחר Bedrock כשאתה צריך להתאים אישית ולבנות אפליקציה משלך.

PartyRock

מה זה. מגרש משחקים ללא קוד מבוסס-אינטרנט (מופעל על ידי Bedrock) לבניית אפליקציות generative AI על ידי תיאורן בשפה פשוטה. הוא רץ מחוץ ל-AWS Console ולא דורש חשבון AWS.

למה זה קיים. כדי לאפשר לכל אחד ללמוד generative AI ו-prompt engineering בצורה מעשית, ולעשות פרוטוטייפ מהיר לרעיונות אפליקציה.

איך להשתמש. אתה מרכיב אפליקציה מ-widgets - קלט משתמש, טקסט סטטי, ו-widgets מונעי-AI ליצירת טקסט, יצירת תמונות, או chatbot. אתה משרשר אותם על ידי הפניה לפלט של widget אחד בתוך ה-prompt של אחר עם הסימן @ (משתנים דינמיים), כך שפלטים זורמים מ-widget ל-widget. מצוין לבניית אינטואיציה לפני שאתה נוגע ב-Bedrock עצמו.

שירותים תומכים בהיקף

לא ספציפיים ל-AI, אבל נבדקים בתרחישי אבטחה, governance, עלות, ונתונים. דע למה כל אחד משמש; אתה לא צריך פרטי הגדרה מעמיקים.

• אבטחה, זהות, ותאימות: IAM (גישה בעלת least-privilege, למשל הגבלה של אילו מודלי Bedrock role יכול להפעיל), KMS (מפתחות הצפנה לנתונים, artifacts של מודלים, ולוגים), Macie (גילוי מבוסס-ML של נתונים רגישים ו-PII ב-S3), Amazon Inspector (סריקת פגיעויות), Secrets Manager (סודות מנוהלים), AWS Artifact (דוחות תאימות לפי דרישה).
• ניהול ו-governance: CloudTrail (מסלול ביקורת API), CloudWatch (מטריקות, לוגים, התראות; לוגי הפעלת Bedrock ומטריקות endpoint), AWS Config (תצורת משאבים ותאימות), Trusted Advisor (בדיקות שיטות עבודה מומלצות), AWS Well-Architected Tool (סקירת workloads מול ה-framework).
• אחסון: Amazon S3 (ה-data lake לנתוני אימון, מסמכים, ו-artifacts), S3 Glacier (ארכיון).
• מחשוב: Amazon EC2 (כולל משפחות instance של GPU ו-accelerator; AWS Trainium לאימון ו-AWS Inferentia ל-inference), AWS Lambda (דבק serverless ל-pipelines ופעולות agent).
• קונטיינרים: Amazon ECS ו-Amazon EKS ל-workloads מבוססי-קונטיינר.
• מסדי נתונים ו-vector stores: Amazon OpenSearch Service (חיפוש וקטורי k-NN ל-RAG), Amazon Aurora ו-Amazon RDS (יחסי, עם pgvector ל-embeddings), Amazon DynamoDB (key-value), Amazon Neptune (graph), Amazon DocumentDB, Amazon ElastiCache.
• אנליטיקה והכנת נתונים: AWS Glue ו-Glue DataBrew (ETL והכנה), Amazon EMR (עיבוד big-data), AWS Lake Formation (governance של data-lake), Amazon Redshift (מחסן), AWS Data Exchange (נתוני צד-שלישי), Amazon Quick / QuickSight (business intelligence).
• רשתות: Amazon VPC (כולל תבניות PrivateLink לשמור על תעבורה מחוץ לאינטרנט), Amazon CloudFront (אספקת תוכן).
• עלות: AWS Budgets ו-AWS Cost Explorer (עקוב וחזה הוצאה - רלוונטי מכיוון שניהול עלות generative AI נמצא במבחן).

תוספות חדשות בהיקף לזהות

AWS רעננה את הרשימה בהיקף, אז כמה שמות חדשים יותר מרוב חומר הלימוד:

• Amazon Bedrock AgentCore ו-Amazon Nova (מכוסים למעלה).
• Kiro - סביבת פיתוח agentic מבוססת-spec (IDE ו-CLI) שהופכת prompts ל-specs, קוד, ומסמכים.
• Strands Agents - SDK בקוד פתוח לבנייה ו-orchestration של AI agents ב-AWS.
• AWS Transform - שולחן עבודה agentic להגירה לענן ולמודרניזציה של אפליקציות.
• מדריך המבחן כותב עכשיו Amazon SageMaker AI (לא רק "SageMaker"). אותה פלטפורמה, שם מעודכן.

מפורשות מחוץ להיקף: דלג על אלה

AWS מציגה אותם כמחוץ להיקף עבור AIF-C01, אז אל תבזבז זמן לימוד עליהם:

• Machine learning: AWS DeepComposer, AWS HealthImaging, AWS HealthOmics, Amazon Monitron, AWS Panorama.
• אבטחה ורשתות: Amazon GuardDuty, AWS Security Hub, Amazon Cognito, AWS WAF, AWS Shield, Amazon Route 53.
• ניהול: AWS Control Tower, AWS Organizations.
• בתוספת רוב שירותי Internet of Things, Media, ו-Migration and Transfer.

אם שאלת תרגול מסתמכת על אחד מאלה, זה כמעט בוודאות מסיח דעת.

הערה על שמות וסחיפת היקף

חופן שירותים מופיעים בחומר לימוד ישן יותר של AIF-C01 (ובכמה מאגרי שאלות) אבל אינם ברשימת ההיקף הרשמית הנוכחית. אתה עדיין עשוי לראות אליהם הפניה; הנה למה כל אחד משמש, בקצרה:

• Amazon Q - מוצרי עוזר ה-AI שלמעלה; נפוצים בפרקטיקה למרות שהם אינם בטבלת השירותים הפורמלית בהיקף.
• Amazon Kendra - חיפוש ארגוני מונע-ML (אחזור בלבד, לעומת Knowledge Bases שמאחזר ומייצר).
• Amazon Augmented AI (A2I) - מוסיף סקירה אנושית לתחזיות AI בעלות ביטחון נמוך.
• AWS Audit Manager - הופך את איסוף ראיות התאימות לאוטומטי.
• AWS Fargate, Amazon EventBridge, Amazon API Gateway - מחשוב serverless, eventing, ואינסטלציית API שאפליקציות AI לעתים קרובות בנויות עליהם.

הבן מה הם עושים ברמת משפט והמשך הלאה.

מדריך ההחלטה של 30 שניות

בהינתן תרחיש, התאם אותו לשכבה:

• קרא ל-foundation model דרך API -> Bedrock
• עגן מודל בנתונים פרטיים, ללא אימון מחדש -> Bedrock Knowledge Bases (RAG)
• תן למודל לבצע פעולות -> Bedrock Agents
• הוסף בקרות בטיחות ו-PII -> Bedrock Guardrails
• הרץ agents ב-production (memory, כלים, identity) -> Bedrock AgentCore
• השתמש ב-AI בלי לבנות שום דבר -> Amazon Q
• למד או עשה פרוטוטייפ ללא קוד -> PartyRock
• אמן או כוונן custom model -> SageMaker AI
• פרוס מודל מוכן בעצמך -> SageMaker JumpStart
• תייג נתונים -> Ground Truth; הכן נתונים -> Data Wrangler; אחסן features -> Feature Store
• זהה הטיה או הסבר מודל -> SageMaker Clarify
• נטר מודל ב-production -> SageMaker Model Monitor
• נתח טקסט / תמונות / מסמכים / דיבור / תרגום / chatbots / המלצות -> ה-API המנוהל המתאים
• אבטח, הצפן, סרוק, בצע ביקורת, או נטר -> IAM / KMS / Macie / CloudTrail / CloudWatch

הסמכות קשורות

מדריך זה ממופה למספר הסמכות AWS - הוא מופיע תחת Related Study Guides בכל אחד מהמרכזים שלהם:

• AWS Certified AI Practitioner (AIF-C01) - היעד העיקרי; כל שירות כאן נמצא בהיקף שלו.
• AWS Certified Machine Learning Engineer Associate (MLA-C01) - מעמיק יותר ב-SageMaker AI, הכנת נתונים, ו-MLOps.
• AWS Certified Generative AI Developer Professional (AIP-C01) - נבנה על Bedrock, Agents, Knowledge Bases, ו-Guardrails.
• AWS Certified Cloud Practitioner (CLF-C02) - בסיסי; נוגע בשירותי ה-AI האלה בקלילות.
• AWS Certified Data Engineer Associate (DEA-C01) - שירותי הכנת הנתונים והאנליטיקה (Glue, Data Wrangler, Feature Store) חופפים ישירות.

איך ללמוד את זה

אל תשנן כל תכונה. המבחן מתגמל זיהוי תבניות: קרא תרחיש, זהה את השכבה, נקוב בשם השירות. הרץ שאלות תרגול עם מדריך ההחלטה של 30 שניות פתוח, ובכל פעם שאתה מפספס אחת, חזור לסעיף של אותו שירות כאן וקרא את המה-למה-איך עד שהגבול ברור. הסדר את תת-השירותים של Bedrock ואת תת-השירותים של SageMaker - שם המבחן מפריד בין אנשים שרפרפו לבין אנשים שהבינו.

מקור: מדריך המבחן AWS Certified AI Practitioner (AIF-C01) (רשימות שירותים בהיקף ומחוץ להיקף) ותיעוד שירותי AWS, נכון לספטמבר 2026.