כל שירות של AWS במבחן AIF-C01 — ומדוע הוא שם
פירוט מעשי של 21 שירותי AWS שנבחנים במבחן AI Practitioner: מה כל אחד עושה, לאיזה דומיין במבחן הוא משתייך, ועד כמה עמוק צריך להגיע.
מבחן AIF-C01 מכסה שטח רחב באופן מפתיע של שירותי AWS. חלקם — Amazon Bedrock, Amazon SageMaker — הם הכוכבים הברורים. אחרים — Amazon Macie, AWS KMS, Amazon CloudWatch — מופיעים בשאלות תרחישים שבהן התשובה תלויה בהכרת הכלי הנכון לדרישת אבטחה או ממשל (governance). אם תיכנסו למבחן כשאתם מכירים רק את שירותי ה-generative-AI, אתם תאבדו נקודות יקרות.
מדריך זה מציג כל שירות AWS שמופיע במבחן AIF-C01, מסביר מה הוא עושה בעברית פשוטה, ומציין לאיזו דומיין במבחן הוא שייך. קיבצתי אותם לפי האופן שבו המבחן מתייחס אליהם: תחילה שירותי generative-AI מרכזיים, לאחר מכן שירותי AI ייעודיים מובנים מראש, ולבסוף אבטחה, ממשל ותשתיות תומכות.
Core generative-AI services
אלו השירותים שעליהם תקדישו את רוב זמן הלימודים. הם מופיעים לאורך Domain 2, Domain 3 ו-Domain 4 — המהווים את עיקר המבחן.
Amazon Bedrock
Amazon Bedrock הוא מרכז מבחן AIF-C01. זהו שירות מנוהל לחלוטין המעניק לכם גישת API למודלי יסוד (foundation models) מבית Anthropic (Claude), Meta (Llama), Mistral, AI21, Cohere, Stability AI והמשפחה של AWS עצמה — Titan. אתם לא מנהלים תשתית, אתם לא מאמנים שום דבר — אתם שולחים פרומפטים ומקבלים תגובות.
זווית המבחן: Domain 3 (Applications of Foundation Models) נשען בכבדות על Amazon Bedrock. צפו לשאלות תרחיש על בחירת מודל (מתי לבחור ב-Claude לעומת Titan לעומת Llama), פרמטרי אינפרנס (temperature, top-p, max tokens), ומתי Amazon Bedrock היא הבחירה הנכונה לעומת אירוח עצמי ב-Amazon SageMaker.
Amazon Bedrock Knowledge Bases
זהו פתרון ה-RAG (retrieval-augmented generation) המנוהל של AWS. אתם מכוונים אותו למסמכים ב-Amazon S3, הוא מחלק אותם לפרגמנטים, מייצר embeddings, שומר אותם בבסיס נתונים וקטורי ומאפשר למודל יסוד לשלוף קטעים רלוונטיים לפני הפקת תגובה. הוא מטפל במעקב אחר ציטוטים ומקורות באופן אוטומטי.
זווית המבחן: RAG היא תשובת הספר לשאלה "כיצד לבסס מודל יסוד על הנתונים הפרטיים שלכם ללא ביצוע fine-tuning?". תראו את התרחיש הזה מספר פעמים במבחן. דעו את ההבדל בין RAG לבין fine-tuning — המבחן בוחן זאת במפורש.
Amazon Bedrock Guardrails
Amazon Bedrock Guardrails היא שכבת מדיניות היושבת בין המשתמש למודל. היא יכולה לסנן תוכן פוגעני, לחסום נושאים ספציפיים שתגדירו, לצנזר PII מהקלטים והפלטים, ולבסס תגובות כדי לצמצם הזיות (hallucinations). אתם מגדירים אותה בצורה דקלרטיבית — אין צורך בקוד מותאם אישית.
זווית המבחן: Domain 4 (Guidelines for Responsible AI) שואל כיצד למנוע ממודל לייצר תוכן לא בטוח או הוזה. Amazon Bedrock Guardrails היא התשובה הייעודית של AWS. דעו את ארבעת סוגי ההגנות שהיא מציעה: מסנני תוכן, נושאים חסומים, צנזור PII ובדיקות ביסוס (grounding).
Amazon Bedrock Agents
Amazon Bedrock Agents מעניקים למודל יסוד את היכולת לבצע פעולות — לקרוא ל-APIs, לתשאל בסיסי ידע ולהריץ תהליכי עבודה מרובי שלבים. אתם מגדירים "קבוצות פעולה" (action groups) המתארות באילו כלים המודל יכול להשתמש, ו-Amazon Bedrock Agents מטפל בלולאת האורקסטרציה (לחשוב ← לפעול ← לצפות ← להגיב).
זווית המבחן: Domain 3 כולל תרחישי "אורקסטרציית AI". המבחן מבדיל בין Amazon Bedrock Agents (מרובה שלבים, משתמש בכלים) לבין אינפרנס רגיל של Amazon Bedrock (פרומפט בודד ← תגובה בודדת). אם שאלה מתארת צ'אטבוט שצריך לחפש סטטוס הזמנה, לעדכן בסיס נתונים ולהגיב — התשובה היא Amazon Bedrock Agents.
Amazon Q
Amazon Q הוא מוצר עוזר ה-AI המובנה של AWS. השירות Amazon Q Developer חי בתוך סביבות פיתוח (IDEs) ובקונסולת AWS כדי לסייע בשאלות קידוד, דיבאג ותשתית. השירות Amazon Q Business מתחבר למקורות נתונים ארגוניים (SharePoint, Confluence, Salesforce) לצורך מענה על שאלות פנים-ארגוניות.
זווית המבחן: מבחן AIF-C01 מציג את Amazon Q בתור האופציה של "השתמש בזה אם אינך רוצה לבנות שום דבר בעצמך". השאלות בוחנות מתי לבחור ב-Amazon Q (מוצר מובנה ומוגדר מראש) לעומת Amazon Bedrock (ניתן להתאמה אישית, לבנייה עצמית).
Amazon SageMaker
Amazon SageMaker הוא פלטפורמת ה-ML המלאה — נוטבוקים, משימות אימון, כוונון היפר-פרמטרים, אירוח נקודות קצה (endpoints) מנוהלות לאינפרנס ו-pipelines של MLOps. זהו השירות שבו משתמשים כאשר בונים ומאמנים מודלים מותאמים אישית, ולא רק קוראים למודלים מאומנים מראש.
זווית המבחן: Domain 2 (Fundamentals of AI and ML) מתייחס ל-Amazon SageMaker עבור כל מחזור החיים של ML. המבחן בודק האם אתם מבינים את ההבדל בין אימון (Amazon SageMaker), אירוח אינפרנס (endpoints של Amazon SageMaker), וגישה למודלים מבוססת API (שזה Amazon Bedrock).
Amazon SageMaker JumpStart
Amazon SageMaker JumpStart הוא קטלוג מודלים בתוך Amazon SageMaker. הוא מציע מודלי יסוד מאומנים מראש ומודלים ייעודיים למשימות שונות עם פריסה בלחיצת כפתור אחת ונוטבוקים לביצוע fine-tuning. חשבו על זה כעל App Store למודלי ML שניתן לפרוס בתוך חשבון ה-AWS שלכם.
זווית המבחן: המבחן מבחין בין שלוש דרכים להשתמש במודל: (1) קריאה ל-API מנוהל באמצעות Amazon Bedrock, (2) פריסת מודל מאומן מראש מ-Amazon SageMaker JumpStart לנקודת קצה משלכם, (3) אימון מאפס ב-Amazon SageMaker. השירות Amazon SageMaker JumpStart הוא אפשרות 2.
Amazon SageMaker Clarify
Amazon SageMaker Clarify הוא כלי לזיהוי הטיות (bias detection) והסבר מודלים. הוא מחשב ערכי השפעה של תכונות באמצעות SHAP (אילו תכונות קלט השפיעו על תחזית זו?), מודד הטיות לפני ואחרי האימון בקבוצות דמוגרפיות, ועובד הן על מודלים של נתונים טבלאיים והן על פלטים של מודלי יסוד.
זווית המבחן: Domain 4 (Responsible AI) בוחן זיהוי הטיות ויכולת הסבר של מודלים. כאשר שאלה שואלת "כיצד תזהו אם המודל שלכם מוטה כלפי קבוצה דמוגרפית מסוימת?" — התשובה היא Amazon SageMaker Clarify.
Specialized pre-built AI services
שירותים אלו פותרים משימות AI ספציפיות מבלי לדרוש מכם לאמן או לנהל מודלים כלשהם. המבחן בוחן את היכולת שלכם לבחור את השירות הנכון עבור תרחיש נתון.
Amazon Comprehend
שירות NLP מנוהל: ניתוח סנטימנט, זיהוי ישויות, שליפת ביטויי מפתח, זיהוי שפה וזיהוי PII. אין צורך באימון מודל — שולחים טקסט ומקבלים תוצאות מובנות.
זווית המבחן: "אני צריך לנתח משוב לקוחות לצורך ניתוח סנטימנט" ← Amazon Comprehend. "אני צריך למצוא PII באוסף מסמכים" ← Amazon Comprehend (או Amazon Macie עבור סריקה ב-S3). דעו את הגבולות.
Amazon Rekognition
ראייה ממוחשבת (computer vision): זיהוי תגיות, ניתוח פנים, מודרציית תוכן, זיהוי ידוענים, זיהוי פעילות בוידאו. מכניסים תמונה או וידאו, מקבלים תגיות מובנות.
זווית המבחן: "יש לי תמונות ואין לי צוות ML" ← Amazon Rekognition. המבחן משתמש גם בתכונת מודרציית התוכן של Amazon Rekognition בתרחישי בינה מלאכותית אחראית (responsible-AI).
Amazon Textract
הבנת מסמכים: שולף טקסט, זוגות מפתח-ערך, טבלאות ושדות טפסים מקבצי PDF ותמונות סרוקות. עובר מעבר ל-OCR בסיסי — הוא מבין את מבנה המסמך.
זווית המבחן: "חילוץ נתונים מחשבוניות/קבלות/טפסים" ← Amazon Textract. המבחן בוחן ספציפית את ההבדל בין Amazon Textract (חילוץ מסמכים מובנה) לבין תכונת DetectText של Amazon Rekognition (OCR כללי על גבי תמונות).
Amazon Transcribe
המרת דיבור לטקסט (Speech-to-text) עם זיהוי דוברים, אוצר מילים מותאם אישית, סטרימינג בזמן אמת וגרסאות ייעודיות לתחום הרפואי ולמוקדי שירות טלפוניים.
זווית המבחן: מצוות יחד עם Amazon Comprehend בשאלות pipeline: "תמלל הקלטת מוקד שירות, ואז נתח את הסנטימנט" ← Amazon Transcribe + Amazon Comprehend.
Amazon Polly
המרת טקסט לדיבור (Text-to-speech) עם קולות ניורוניים וגנרטיביים בעשרות שפות. תומך ב-SSML לצורך שליטה עדינה בהגייה, בקצב ובדגשים.
זווית המבחן: "המרת טקסט לדיבור" ← Amazon Polly. המבחן בודק מתי Amazon Polly (שירות TTS מובנה) מספיק לעומת מתי תזדקקו למודל קול מותאם אישית ב-Amazon SageMaker.
Amazon Translate
תרגום מכונה ניורוני בלמעלה מ-75 שפות, עם תמיכה בטרמינולוגיה מותאמת אישית לצורך ניסוחים ייחודיים לדומיין שלכם.
זווית המבחן: פשוט וישיר — "תרגום תוכן לשפות מרובות ללא אימון מודל" ← Amazon Translate.
Amazon Lex
בינה מלאכותית שיחתית (conversational AI) לבניית צ'אטבוטים עם intents, slots ופלט קולי באמצעות Amazon Polly. מפעיל אינטראקציות בסגנון Alexa.
זווית המבחן: Amazon Lex הוא שלד הצ'אטבוטים המובנה מראש. המבחן מעמת אותו מול Amazon Bedrock Agents — שירות Amazon Lex מיועד לשיחות מובנות מבוססות intents; שירות Amazon Bedrock Agents מיועד לעוזרי AI פתוחים שמשתמשים בכלים.
Amazon Kendra
חיפוש ארגוני מבוסס ML על פני מסמכים, SharePoint, Confluence ובסיסי נתונים. מבין שאילתות בשפה טבעית, ולא רק התאמת מילים פשוטה.
זווית המבחן: Amazon Kendra מופיע כחלופת שליפה בלבד לעומת Amazon Bedrock Knowledge Bases. כאשר השאלה אומרת "חיפוש בלבד, אין צורך בגנרציה" ← Amazon Kendra. כאשר היא אומרת "חיפוש וסינתזה של תשובה" ← Amazon Bedrock Knowledge Bases.
Security, governance, and supporting infrastructure
שירותים אלו אינם ספציפיים ל-AI, אך הם מופיעים בשאלות Domain 5 (Security, Compliance, and Governance). המבחן בודק אם אתם יודעים כיצד לאבטח ולנטר סביבות עבודה של AI.
AWS IAM
משתמשים, תפקידים (roles), פוליסיז, פדרציה והרשאות בגישת Least-Privilege לכל קריאת שירות ב-AWS. לא ספציפי ל-AI, אך המבחן בוחן דפוסי IAM ייחודיים ל-AI.
זווית המבחן: "כיצד להגביל אילו מודלים מפתח יכול להפעיל ב-Amazon Bedrock?" ← פוליסיז של IAM. "כיצד נוטבוק של Amazon SageMaker ניגש לנתוני אימון ב-Amazon S3?" ← תפקיד (role) של IAM. עקרון Least-Privilege הוא הנושא החוזר.
AWS KMS
ניהול מפתחות הצפנה להצפנת נתונים במצב מנוחה (data at rest) — קובצי נתוני אימון, ארטיפקטים של מודלים, לוגים של אינפרנס.
זווית המבחן: "כיצד להצפין משקלי מודל במצב מנוחה באמצעות מפתח מנוהל על ידי לקוח?" ← AWS KMS. נושא זה עולה בשאלות ממוקדות תאימות ורגולציה.
Amazon Macie
שירות לגילוי נתונים רגישים המשתמש ב-ML כדי למצוא PII, אישורים ונתונים פיננסיים בתוך buckets של Amazon S3.
זווית המבחן: "לפני הזנת מסמכים ל-pipeline של RAG, כיצד תבדקו נוכחות של PII בנתוני המקור?" ← Amazon Macie סורק את ה-bucket ב-S3; השירות Amazon Bedrock Guardrails מסנן בזמן האינפרנס. המבחן בוחן את שתי השכבות.
Amazon CloudWatch
מדדים (metrics), לוגים והתרעות בכל שירותי AWS. עבור סביבות עבודה של AI: לוגים של קריאות ל-Amazon Bedrock, לייטנסי של endpoints של Amazon SageMaker, והתרעות על סטייה (drift) בניטור המודל.
זווית המבחן: "כיצד אתם מנטרים ביצועי מודל בייצור?" ← מדדים והתרעות של Amazon CloudWatch. "כיצד לבצע ביקורת אילו פרומפטים נשלחו ל-Amazon Bedrock?" ← שימוש ב-Amazon CloudWatch Logs עם רישום קריאות מופעל ב-Amazon Bedrock.
How to study this
אל תנסו לשנן כל תכונה של כל שירות. המבחן בוחן זיהוי תבניות: בהינתן תרחיש, איזה שירות פותר אותו? הנה המודל המנטלי:
- "אני רוצה לקרוא למודל יסוד באמצעות API" ← Amazon Bedrock
- "אני רוצה לבסס מודל על הנתונים הפרטיים שלי" ← Amazon Bedrock Knowledge Bases (RAG)
- "אני רוצה שהמודל יבצע פעולות" ← Amazon Bedrock Agents
- "אני רוצה כללי בטיחות לפלט של המודל" ← Amazon Bedrock Guardrails
- "אני לא רוצה לבנות שום דבר, רק להשתמש ב-AI" ← Amazon Q
- "אני צריך לאמן מודל מותאם אישית" ← Amazon SageMaker
- "אני צריך מודל מאומן מראש שאוכל לפרוס בעצמי" ← Amazon SageMaker JumpStart
- "אני צריך לבדוק אם יש הטיה במודל שלי" ← Amazon SageMaker Clarify
- "אני צריך ל-[נתח טקסט / לזהות תמונות / לחלץ מסמכים / לתמלל אודיו / לסנתז דיבור / לתרגם / לבנות צ'אטבוט / לחפש במסמכים]" ← השירות הייעודי המתאים
- "אני צריך לאבטח / להצפין / לסרוק / לנטר" ← AWS IAM / AWS KMS / Amazon Macie / Amazon CloudWatch
עברו על שאלות תרגול עם המסגרת הזו ותגלו שאתם יכולים לענות על רוב שאלות בחירת השירותים בפחות מ-30 שניות.
Source: AWS AI Practitioner (AIF-C01) exam guide v1.1 (2024-08), AWS documentation as of May 2026.