AWS ML Engineer Associate (MLA-C01): למה לצפות מההסמכה החדשה
AWS השיקה את MLA-C01 באוגוסט 2024 כדי למלא את הפער בהנדסת למידת מכונה. הנה מה שנבדק, למי הוא מיועד, וכיצד הוא משתווה ל-MLS-C01 (אותו הוא מחליף).
MLA-C01 יצא לזמינות כללית (GA) באוגוסט 2024 והפך בשקט להסמכת ה-ML של AWS שהכי שווה את זמנכם. הוא החליף את הסמכת ה-Machine Learning Specialty (MLS-C01) הישנה, שהוצאה משימוש ב-2024 – אם כי MLS-C01 עדיין מופיע במדריכי לימוד מיושנים מכיוון שהאינטרנט אינו מתעדכן לפי לוח הזמנים של AWS. אם הגעתם לכאן כדי להבין אם ללמוד ל-MLS-C01 או ל-MLA-C01, התשובה היא MLA-C01. ההסמכה הישנה מתה.
מה שמעניין הוא השינוי בהיקף. MLS-C01 נטה מאוד לצד מדעי הנתונים – בחירת אלגוריתמים, כוונון היפרפרמטרים, המתמטיקה של מתי להשתמש ב-XGBoost לעומת רשת נוירונים. MLA-C01 הולך בכיוון ההפוך לחלוטין. זו בחינה הנדסית. פריסת SageMaker, צינורות MLOps, ניטור סחיפה (drift), ניפוי באגים בנקודות קצה. אם רציתם הסמכה שבודקת אם אתם יכולים לאמן מודל, זו לא היא. אם רציתם הסמכה שבודקת אם אתם יכולים לשלוח ולהפעיל מודל, MLA-C01 היא בדיוק זה.
פורמט
65 שאלות, 170 דקות, 150$, ציון עובר מותאם 720/1000. ארבעה תחומים:
- הכנת נתונים עבור למידת מכונה (28%)
- פיתוח מודלי למידת מכונה (26%)
- פריסה ותזמור זרימות עבודה של למידת מכונה (22%)
- ניטור, תחזוקה ואבטחה של פתרונות למידת מכונה (24%)
התפלגות זו מטעה בקריאה ראשונה. "פיתוח מודלי למידת מכונה" נשמע כמו אימון מודלים, אך ב-MLA-C01 זה עוסק למעשה בבחירת אלגוריתמי SageMaker מובנים והגדרת עבודות אימון. לא תתבקשו לתכנן שנאי (transformer) מאפס.
למי מיועדת הסמכה זו
בכנות, לשלוש קבוצות:
מהנדסי נתונים שנקלעו לעולם ה-ML. אתם בניתם את הצינורות (pipelines). כעת הצוות שלכם זקוק לנקודות קצה של SageMaker מאחורי API Gateway ואתם אלה שמחברים את הכל. MLA-C01 מתאים לעבודה זו באופן הדוק.
מהנדסי Backend שפורסים פיצ'רי ML. אתם לא מאמנים מודלים. מדען נתונים מוסר לכם ארטיפקט מודל ואתם צריכים לפרוס אותו, לנטר אותו, לאמן אותו מחדש, ולבצע החזרה לאחור (rollback) אם הוא סוטה. זו ההסמכה לכך.
מהנדסי ענן שעוברים לפלטפורמות ML. אתם כבר מרגישים בנוח עם IAM, VPCs, מחזור חיי S3, CloudWatch. עכשיו אתם צריכים ללמוד את היבטי SageMaker. MLA-C01 היא דרך ממוקדת לעשות זאת.
זו אינה ההסמכה למדעני נתונים העוסקים במחקר ופיתוח מודלים. הם ירצו הסמכה אחרת – אולי שאינה ספציפית ל-AWS, אולי את GCP Professional ML Engineer אם הם רוצים אינדיקציה כלשהי לענן. הסמכת ה-ML הטהורה של AWS אינה קיימת עוד; AIF-C01 (AI Practitioner) היא יסודית וקלה יותר; AIP-C01 (GenAI Developer Pro) היא הסמכת ה-ML הכבדה החדשה ברמת Professional.
מה באמת נכלל בבחינה
SageMaker, בכל היבטיו. SageMaker Studio, עבודות אימון (אלגוריתמים מובנים, קונטיינר משלכם (BYO container), Script Mode), עבודות עיבוד (processing jobs), טרנספורמציות אצווה (batch transform), רישום מודלים (model registry), נקודות קצה (בזמן אמת, serverless, אסינכרוניות, מודלים מרובים), בדיקות צל (shadow tests), גרסאות מודל A/B, קנה מידה אוטומטי (autoscaling). גם SageMaker Canvas, SageMaker JumpStart עבור מודלי יסוד (foundation models), ו-SageMaker Pipelines לתזמור (orchestration).
אינכם צריכים לדעת כל אלגוריתם מובנה בעל פה. אתם צריכים לדעת בערך מתי להשתמש ב-linear learner לעומת XGBoost לעומת DeepAR לעומת Object2Vec, וכיצד להגדיר עבודות אימון לשימוש ב-Spot, אימון מבוזר (distributed training), ומאגרי משאבים חמים מנוהלים (managed warm pools).
הכנת נתונים ב-AWS. AWS Glue, Glue DataBrew, EMR, Kinesis Data Streams / Firehose / Analytics, Athena, SageMaker Data Wrangler, SageMaker Feature Store. הרבה מהנדסת נתונים זולגת לבחינה זו. אם עשיתם את DEA-C01, כ-25% מ-MLA-C01 ירגיש מוכר.
דפוסי MLOps. SageMaker Pipelines, AWS Step Functions, EventBridge לטריגרים, אינטגרציית CodePipeline, פריסת מודלים בשיטת blue/green, פריסת קנריות (canary rollouts), אישורי רישום מודלים, CI/CD עבור ML. לא עמוק כמו DOP-C02 ב-CI/CD טהור אבל כיסוי מוצק.
ניטור וסחיפה (drift). SageMaker Model Monitor (איכות נתונים, איכות מודל, סחיפת הטיה (bias drift), סחיפת ייחוס תכונות (feature attribution drift)), SageMaker Clarify להטיה והסברתיות (explainability), Model Dashboard. מדדי CloudWatch לנקודות קצה. זהו אחד הנושאים הלא מוערכים מספיק – רוב המועמדים מרפרפים עליו כי ניטור נשמע משעמם, ואז 12 שאלות בבחינה האמיתית עוסקות בכך.
אבטחה. IAM עבור SageMaker, הצפנת KMS עבור נתוני אימון וארטיפקטים של מודלים, מצב VPC עבור SageMaker, בידוד רשת, SageMaker Role Manager, PrivateLink לנקודות קצה, רישום ביקורת (audit logging).
מה לא נבדק באופן נרחב (חדשות טובות)
- תיאוריית ML טהורה. אינכם צריכים חשבון דיפרנציאלי ואינטגרלי. אינכם צריכים לגזור backprop. לא תתבקשו לומר איזה אופטימייזר עדיף על אחר.
- תכנון ארכיטקטורת למידה עמוקה. אין שאלות על בחירת מספרי ראשי שנאי (transformer head counts).
- בדיקת השערות סטטיסטית. MLS-C01 הישנה כללה זאת; MLA-C01 השמיטה את רובה.
- פרטים ספציפיים של Generative AI. זה AIF-C01 (יסודית) ו-AIP-C01 (Pro). MLA-C01 מזכיר את JumpStart ו-Bedrock אך ברמת האינטגרציה, לא לעומק.
איך ללמוד
המשאבים עדיין מתפתחים – ההסמכה היא בת כ-20 חודשים בלבד. נכון לאפריל 2026:
- AWS Skill Builder כולל את מסלול הלמידה הרשמי של MLA-C01. הוא טוב וחינמי עם חשבון.
- לסטפן מארק (Stephane Maarek) יש קורס MLA-C01 ב-Udemy בקצב טוב.
- אדריאן קנטריל (Adrian Cantrill) לא הוציא קורס מלא ל-MLA-C01 נכון לסוף 2025 – בדקו אם אחד כזה קיים כבר. אם כן, זו תהיה האפשרות המעמיקה ביותר.
- לTutorials Dojo יש בחינות תרגול והסברים. האיכות מוצקה.
- בחינות התרגול הרשמיות של AWS ב-Skill Builder. הקרוב ביותר לדבר האמיתי.
עבודה מעשית חשובה יותר מאשר עבור SAA-C03. הקימו דומיין SageMaker Studio, אמנו אלגוריתם מובנה על דאטה-סט מ-Kaggle, פרסו אותו לנקודת קצה בזמן אמת, שלחו אליו בקשות באמצעות curl, ואז פרסו את אותו מודל לנקודת קצה serverless ושימו לב ל"התנעה הקרה" (cold-start). הגדירו Model Monitor בנקודת הקצה והפעילו התראת סחיפה. כל התרגיל הזה עולה 5-15$ בחשבונות AWS ומלמד אתכם 30% מהבחינה.
תקציב זמן:
- מהנדס נתונים או Backend עם חשיפה ל-ML: 6-8 שבועות ב-10 שעות/שבוע.
- מהנדס ענן ללא רקע ב-ML: 12 שבועות. בנו משהו אמיתי.
- מדען נתונים שלומד את צד ה-AWS: 6-10 שבועות, בעיקר על נושאי פריסה ותפעול (ops).
איתות קריירה: עדיין בשלבי התפתחות
כאן אהיה כנה לגבי אי-הוודאות: MLA-C01 חדשה מכדי שיהיו לה נתוני שכר ברורים. levels.fyi ו-Glassdoor עדיין לא מקבצים אותה כהסמכה נפרדת – רוב תפקידי "מהנדס ML" בשנת 2026 עדיין מפרטים את MLS-C01 (שאינה קיימת עוד) או אינם מפרטים שום הסמכת AWS כלל. מודעות הדרושים שכן מזכירות את MLA-C01 מרוכזות בחברות בינוניות עד גדולות עם צוותי פלטפורמת ML רשמיים.
מה שאני כן יכול לומר מנתונים ושיחות לא רשמיים: מהנדסי ML בכירים במטרופולינים הגדולים בארה"ב מרוויחים שכר בסיס של 180-280 אלף דולר בשנת 2026, כאשר שכר כולל (TC) חוצה את רף ה-400 אלף דולר בחברות ברמת FAANG. MLA-C01 לא מזיזה את המספר הזה בהרבה בפני עצמה – הניסיון כן. ההסמכה שווה כנראה 5-15 אלף דולר באותה מידה ש-SAA-C03 שווה לתפקידי SA: איתות למגייסים שעברתם רף ידע מסוים.
מה ש-MLA-C01 כן מסמן בבירור: שאתם יכולים לקחת מודל ממחברת (notebook) לנקודת קצה בפרודקשן מבלי לשבור דברים. וזה, אם אתם מנהלי גיוס בצוות פלטפורמת ML, זה בדיוק מה שאתם רוצים לדעת.
השוואה: MLA-C01 מול חלופות
- AIF-C01 היא יסודית. עשו אותה אם אתם רוצים איתות AI גנרי לתפקידים שאינם הנדסיים. היא אינה מחליפה את MLA-C01.
- AIP-C01 היא הסמכת GenAI Developer ברמת Pro. מתמקדת יותר באינטגרציית Generative AI (Bedrock, הנדסת פרומפטים, דפוסי RAG). עשו אותה אם עבודתכם היא פריסת פיצ'רי LLM. צרפו אותה אחרי MLA-C01 אם אתם רוצים איתות גם ל-ML וגם ל-GenAI.
- DEA-C01 (Data Engineer Associate) חופפת בכ-25% עם MLA-C01 בצד של הכנת הנתונים. אם אתם עושים את שניהם, עשו קודם את DEA-C01.
- GCP Professional ML Engineer (PMLE) היא המקבילה הקרובה ביותר ב-Google Cloud. מתמקדת יותר ב-Vertex AI ובפרטים ספציפיים של TPU. לא ניתנת להחלפה אך בעלת אופי דומה.
בשורה התחתונה
MLA-C01 היא בחינת Associate ממוקדת וקשה למדי, המתאימה באופן הדוק לעבודה אמיתית – מהנדס פלטפורמת ML / מהנדס MLOps. אם אתם עושים עבודה כזו, עשו אותה. אם אתם מנסים לפרוץ ל-ML מרקע של פיתוח בקאנד ורוצים הסמכה אחת שתאותת למגייסים על יכולת, זו היא. נתוני השכר עדיין מתפתחים אך המסלול הוא בבירור כלפי מעלה – תפקידי הנדסת ML מגייסות במהירות בשנת 2026.
אם אתם לומדים, עיינו במאגר השאלות של MLA-C01 ב-CertLabPro או התחילו בחינה מתוזמנת. והקימו נקודת קצה של SageMaker השבוע. העבודה המעשית היא מה שהופך את הבחינה למובנת מאליה.