AWS Certified Generative AI Developer - Professional
315 שאלות תרגול
נבדק לאחרונה: April 2026
הערות אישיות וקישורים למשאבים למסע הלמידה שלך
סנן לפי הסמכה
ההסמכה AWS Certified Generative AI Developer Professional (AIP-C01) היא הסמכה ברמה מקצועית המתמקדת בבנייה, שילוב והפעלה של יישומי AI גנרטיביים ברמת ייצור ב-AWS — בעיקר על גבי Amazon Bedrock, עם SageMaker, Lambda, OpenSearch ו-Knowledge Bases כשירותי תמיכה. היא מיועדת למפתחים ומהנדסי ML מנוסים המעצבים מערכות RAG (retrieval-augmented generation), זרימות עבודה מבוססות סוכנים (agentic workflows), ויישומי מודלי יסוד המשתמשים בכלים. צפו לשאלות תרחיש מעמיקות בנושאי הנדסת פרומפטים, הטמעות (embeddings), חיפוש וקטורי, הגדרות בטיחות (guardrails), הערכה, אופטימיזציית עלויות ובקרות AI אחראי. בניגוד ל-AIF-C01 הבסיסי, AIP-C01 מניח שהמועמד כותב קוד ושיגר תכונות מבוססות Bedrock. הבחינה היא בפורמט בחירה מרובה ותשובות מרובות, ללא מעבדות מעשיות.
התחום הגדול ביותר עם 31%. בחירת מודלים ב-Bedrock, צינורות הטמעה (embedding pipelines), מאגרי וקטורים (OpenSearch Serverless, Aurora pgvector, Kendra), Knowledge Bases, כוונון עדין לעומת אימון מוקדם מתמשך, וניהול נתונים לאבטחת איכות נתוני אימון של LLM.
בניית יישומי RAG, סוכנים ויישומים המשתמשים בכלים. Bedrock Agents, Action Groups, אינטגרציות Lambda ותזמור קריאות LLM מרובות שלבים. מכשול נפוץ: לדעת מתי מתאים להשתמש ב-Agent לעומת תזמור מותאם אישית.
Bedrock Guardrails, הפחתת התקפות הזרקת פרומפטים, טשטוש PII, IAM ו-KMS לגישה למודלים, ותבניות ניהול תוכן. שאלות בעלות צפיפות גבוהה למרות המשקל הצנוע של 20%.
בקרת עלויות הסקה (תפוקה מוקצית מראש לעומת לפי דרישה), מטמון (caching), זיקוק מודלים (model distillation), כוונון זמן אחזור (latency tuning) ובחירת מודלים קטנים יותר במידת הצורך. לעיתים קרובות מפספסים: מתי להשתמש בפרופילי הסקה בין-אזוריים.
מסגרות הערכה (הערכת מודלי Bedrock, הערכה אנושית, LLM כשופט), זליגה (drift), זיהוי הזיות, וניפוי שגיאות בכשלי אחזור RAG. התחום הקטן ביותר (11%) אך מעניש לימוד שטחי.
שירותים שתפגוש במבחן ומדוע כל אחד מהם חשוב.
שירות מנוהל לחלוטין החושף מודלי יסוד מ-Anthropic, Meta, Mistral, AI21, Cohere, Stability AI ו-Amazon Titan דרך API יחיד עם streaming, batch ו-provisioned throughput.
מדוע הוא במבחן: Bedrock הוא התשתית לכל תרחיש בדומיין 1 (אינטגרציית מודלי יסוד) — בחירת מודל, פרמטרי inference, throughput מוגדר מראש לעומת לפי דרישה, וטיפול בתגובות streaming.
RAG מנוהל הבנוי על מסמכי S3 ומאגר וקטורי הניתן להחלפה (OpenSearch Serverless, Aurora pgvector, Pinecone, MongoDB Atlas, Redis Enterprise) עם תמיכה ב-chunking, embeddings ובציטוטים.
מדוע הוא במבחן: דומיין 2 (יישום ואינטגרציה) בוחן מתי לעגן מודל בנתונים פרטיים באמצעות RAG במקום fine-tuning, כולל אסטרטגיית chunking, בחירת מאגר וקטורי, והפצת ציטוטים.
שכבת מדיניות המסננת תוכן מזיק, חוסמת נושאים אסורים, מסתירה PII, מיישמת בדיקות contextual-grounding, ומציגה מסנני מילים/נושאים על פני קלט ופלט.
מדוע הוא במבחן: דומיין 3 (בטיחות, אבטחה וממשל של AI) הוא בעיקרו שאלון Guardrails — עוצמות מסנני תוכן, תצורת נושאים אסורים, contextual grounding ותבניות אנונימיזציה של PII.
שכבת תזמור המאפשרת למודל יסוד לקרוא ל-APIs, לתשאל מאגרי ידע ולשרשר פעולות רב-שלביות באמצעות שימוש בכלים, עם קבוצות פעולה המגובות על ידי Lambda ו-OpenAPI/function schemas.
מדוע הוא במבחן: תרחישי דומיין 2 על היגיון רב-שלבי, סוכני קריאת כלים וקבוצות פעולה המגובות ב-Lambda מציינים את Agents כמתזמר המקורי של AWS; צפו להבחנות לעומת inference גולמי או Step Functions.
fine-tuning ו-pre-training מתמשך של מודלי יסוד על מערכי נתונים פרטיים ב-S3, המייצרים מודלים מותאמים אישית הניתנים לפריסה באמצעות Provisioned Throughput.
מדוע הוא במבחן: שאלות בדומיין 1 בוחנות את עץ ההחלטות של fine-tune מול RAG מול prompt-engineering; צפו לתרחישים ספציפיים שבהם pre-training מתמשך או instruction fine-tuning היא התשובה הנכונה.
הערכת מודלים אוטומטית ומנוהלת עם human-in-the-loop — מדדים מובנים (דיוק, חוסן, רעילות) בתוספת קריטריונים מותאמים אישית המנוקדים על ידי LLM-as-judge או עובדים אנושיים.
מדוע הוא במבחן: דומיין 5 (בדיקות, אימות ופתרון תקלות) בוחן כיצד לכמת רגרסיות איכות בין מודלים או גרסאות prompt — Bedrock Evaluations הוא המנגנון הנקוב.
קטלוג של מודלי יסוד ומודלים ייעודיים מאומנים מראש עם פריסה בלחיצה אחת לנקודות קצה של SageMaker, notebooks ל-transfer-learning ושוק מודלים קנייני.
מדוע הוא במבחן: דומיין 2 מבחין בין "אירוח בנקודת קצה של SageMaker" (JumpStart) לבין "קריאה ל-API של Bedrock" — שאלות בוחנות את פשרות ההשהיה, העלות וההתאמה האישית בין השניים.
עוזר generative-AI ארוז — Q Developer עבור זרימות עבודה של קידוד ב-IDE/Console, Q Business עבור RAG ארגוני מעל מקורות נתונים מחוברים, Q ב-QuickSight עבור BI Q&A.
מדוע הוא במבחן: דומיין 2 בוחן מתי לצרוך את Q (ארוז) לעומת לבנות על Bedrock (מותאם אישית); Q Business מופיע ספציפית בשאלות תרחישי RAG ארגוניים.
OpenSearch Serverless עם סוג אוסף ייעודי לחיפוש וקטורי — ה-backend של Bedrock Knowledge Base כברירת מחדל ומאגר הוקטורים המקורי של AWS הנבחן ביותר.
מדוע הוא במבחן: תרחישי RAG בדומיין 1 מניחים את OpenSearch Serverless כמאגר הוקטורים המוגדר כברירת מחדל — צפו לשאלות על גודל OCU, קיבולת לעומת עלות, ובחירות אינדקס approximate-nearest-neighbor.
Aurora PostgreSQL עם הרחבת pgvector, נתמך על ידי Bedrock Knowledge Bases כמאגר וקטורי חלופי עם סמנטיקה טרנזקציונית וגישת SQL.
מדוע הוא במבחן: שאלות בחירת מאגר וקטורים בדומיין 2 מציגות ניגוד בין Aurora pgvector (ערימת SQL קיימת, טרנזקציונית) לבין OpenSearch Serverless (וקטורי טהור, OCU serverless).
אחסון אובייקטים המכיל מסמכי מקור של Knowledge Base, קורפוסים לאימון fine-tuning, מערכי נתונים להערכה, ולוגים של model invocation.
מדוע הוא במבחן: כל תרחיש ניהול נתונים בדומיין 1 עובר דרך S3 — פריסת מקורות ל-chunking, מחזור חיים על מסמכים גולמיים, וגישת IAM על דלי KB הם נושאי בחינה חוזרים.
מחשוב serverless עבור קבוצות פעולה של Bedrock Agent, preprocessing של RAG, עיצוב תגובה לאחר inference, ואינג׳סטיה מונעת אירועי S3 לתוך Knowledge Bases.
מדוע הוא במבחן: שאלות קבוצות פעולה בדומיין 2 בוחנות את חוזה ה-Lambda (סכמת בקשה/תגובה) ש-Bedrock Agents מפעילים; דומיין 4 גם בוחן את Lambda כדבק ה-inference החסכוני.
מתזמר זרימות עבודה serverless עם אינטגרציה מקורית של Bedrock InvokeModel, אידיאלי לשרשראות prompt מרובות קריאות, הערכות מקבילות, ולולאות אישור אנושיות.
מדוע הוא במבחן: דומיין 2 מבחין בין Step Functions (תזמור רב-שלבי דטרמיניסטי) לבין Bedrock Agents (קריאת כלים מונעת מודל); ידיעה מתי כל אחד נכון היא מסיח חוזר.
פתח קדמי מנוהל ל-HTTP/REST/WebSocket עבור נקודות קצה של inference המגובות ב-Bedrock, עם מנגנוני throttling, מפתחות API, אימות JWT, ושכבות תוכנית שימוש.
מדוע הוא במבחן: תרחישי productionization בדומיין 2 בוחנים חשיפת נקודות קצה של RAG ושל סוכנים באופן חיצוני — API Gateway הוא נקודת הכניסה הנקובה, בצירוף Lambda או אינטגרציה ישירה עם Bedrock.
פלטפורמת ML המשמשת ב-AIP-C01 בעיקר לאירוח מודלי יסוד של JumpStart בנקודות קצה real-time/serverless/async כאשר ה-API המנוהל של Bedrock אינו מתאים.
מדוע הוא במבחן: שאלות פריסת נקודות קצה בדומיין 2 בוחנות בחירות real-time מול serverless מול async-inference ב-SageMaker; פשרות עלות ו-cold-start לעומת Bedrock הן נקודת המעבר הטיפוסית.
NLP מנוהל עם API לזיהוי PII המחזיר טווחי ישויות וסוגים, בתוספת הסתרת PII ממוקדת — שמיש כמסנן טרום-Guardrails או כמטהר לאחר inference.
מדוע הוא במבחן: שאלות טיפול ב-PII בדומיין 3 בוחנות הגנות שכבות: Comprehend לזיהוי, Guardrails לחסימה — ידיעה היכן כל אחד שייך בצינור היא חומר לבחינה.
בקרת גישה ברמת החשבון עם service roles, מדיניות מבוססת זהות ומבוססת משאבים, ומפתחות תנאי השולטים בגישה למודלי Bedrock, ביצוע Agent, ואינג׳סטיה ל-KB.
מדוע הוא במבחן: דומיין 3 (בטיחות, אבטחה וממשל של AI) בוחן roles של least-privilege עבור Bedrock invocation, קבוצות פעולה של Agent, ואינג׳סטיה ל-Knowledge Base — IAM הוא המנגנון הנקוב לכל אורך הדרך.
מפתחות הצפנה בניהול לקוח עבור נתוני התאמת מודל של Bedrock, אינדקסים וקטוריים של Knowledge Base, מסמכי מקור ב-S3, ולוגים של CloudWatch invocation.
מדוע הוא במבחן: תרחישי ציות בדומיין 3 בוחנים בקרת מפתחות בניהול לקוח על קורפוסים ל-fine-tuning ולוגי prompt/response; הרשאות KMS ומדיניות מפתחות הן התשובה הנקובה.
לוג ביקורת ברמת החשבון של כל קריאת API — מי הפעיל איזה מודל Bedrock, מי עדכן Guardrails, מי הזריק נתונים ל-Knowledge Base, עם לכידת אירועי נתונים אופציונלית עבור inference.
מדוע הוא במבחן: תרחישי Audit Trail בדומיין 3 מצטטים את CloudTrail כתיעוד הבלתי ניתן לשינוי הנדרש עבור סקירות ציות ותגובה לאירועים בפעילות Bedrock ו-Agent.
מדדים, לוגים והתראות — לוגי invocation של מודל Bedrock (prompts והשלמות), עקבות Agent, התקדמות אינג׳סטיה של Knowledge Base, ומדדי ביצוע של קבוצות פעולה של Lambda.
מדוע הוא במבחן: דומיין 4 (יעילות תפעולית) ודומיין 5 (פתרון תקלות) בוחנים את CloudWatch עבור נצפות עלות טוקנים, התראות latency, ואיתור כשלים ב-invocation של קבוצות פעולה של Agent.
$140k–$195k–$280k USD שנתי
AIP-C01 היא הסמכה חדשה יותר ואין עבורה סקרי שכר ייעודיים. הטווח נגזר מתגמול מהנדסי GenAI / ML סמוכים בשוק האמריקאי ויש להתייחס אליו כאל הערכה. מהנדסי GenAI בכירים במעבדות AI מובילות ובחברות FAANG עשויים לעיתים קרובות לעבור את ה-$400k TC. תפקידי "GenAI" ברמת כניסה יכולים לרדת מתחת לרף הנמוך. הנתונים ישתנו באופן משמעותי לפי רמת החברה, מיקום ועבודות שסופקו בפועל.
מקור: תפקידי מהנדסי GenAI / ML (סמוכים) מ-levels.fyi 2025–2026, נתוני U.S. BLS OEWS מאי 2024 (15-1252 מפתחי תוכנה, 15-2051 מדעני נתונים). הנתונים משוערים; התגמול בפועל תלוי בתפקיד, באזור ובניסיון.
תפקידי הנדסת GenAI הפכו לאחת ממשפחות המשרות הצומחות ביותר בשנים 2024–2026, כאשר אימוץ Bedrock ו-LLM בארגונים עבר מפרוטוטיפים למערכות ייצור. AIP-C01 ממוקמת כאות אמין ברמה מקצועית המעיד כי מועמד מסוגל לספק יישומים מבוססי Bedrock, כולל RAG, סוכנים ונקודות קצה מוגנות בייצור. מגייסים בחברות ארגוניות ממוקדות AWS משתמשים בה לצד פרויקטי Bedrock מוכחים ב-GitHub או עבודות ייצור. היא משתלבת היטב עם AIF-C01 (בסיס), MLA-C01 (רוחב הנדסי) ו-Solutions Architect Professional (SAP-C02) לאמינות מרובת תחומים. ההסמכה אינה מכשירה בפני עצמה מועמדים לתפקידי מחקר ML, תפקידי אימון מודלי יסוד, או משרות מדע יישומי — אלה דורשים יסודות ML עמוקים ולעיתים קרובות תואר שני.
אין דרישות קדם רשמיות. AWS ממליצה על לפחות שנת ניסיון אחת בבניית יישומים עם מודלי יסוד ב-AWS, בתוספת שנת ניסיון רחבה יותר בהנדסת תוכנה. ציפיות מעשיות כוללות נוחות עם Python, אינטגרציית REST/SDK, מסדי נתונים וקטוריים, ולפחות פריסה אחת של Bedrock או SageMaker JumpStart בסביבת ייצור.
המסלול המומלץ הוא AIF-C01 תחילה כדי לספוג את אוצר המילים של GenAI, ולאחר מכן MLA-C01 (עומק הנדסי) או DVA-C02 (שטף פיתוח) לפני שניגשים ל-AIP-C01. מועמדים ללא חשיפה קודמת ל-AWS צריכים לצפות לעקומת למידה תלולה — רבות משאלות AIP-C01 מניחות היכרות בסיסית עם IAM, VPC, Lambda ו-API Gateway. פרויקט RAG אישי ופונקציונלי עם Bedrock בתוספת OpenSearch Serverless או Knowledge Bases הוא כלי ההכנה היחיד והשימושי ביותר.
AIP-C01 מדורג כהסמכה מקצועית ואחת הבחינות הקשות יותר של AWS ברמת עמית ומעלה, מכיוון שהיא משלבת הנדסת יישומי LLM ועומק בפלטפורמת AWS. תכננו 100–160 שעות לימוד על פני 10–14 שבועות אם אתם כבר בונים יישומי GenAI באופן מקצועי; 200+ שעות על פני 16+ שבועות אם אתם מגיעים מרקע שאינו GenAI. הבחינה כוללת 75 שאלות מדורגות ב-180 דקות — בחירה מרובה ותשובות מרובות, ללא מעבדות.
מכשולים נפוצים כוללים את רוחב תכונות Bedrock (Agents, Action Groups, Guardrails, Knowledge Bases, הערכת מודלים, ייבוא מודלים מותאמים אישית, הסקה בין-אזורית), תרחישי אופטימיזציית עלויות מורכבים הכוללים תפוקה מוקצית מראש, ושאלות עדינות בנוגע לאיכות אחזור RAG לעומת פשרות בכוונון עדין. הבחינה גם מתגמלת היכרות מעשית עם אמצעים להפחתת הזרקת פרומפטים ודליפת נתונים.
זמינות כללית ראשונית של הסמכת מפתח AI גנרטיבי ברמה מקצועית. מחליפה ומרחיבה את ה-AIF-C01 הבסיסי עם תוכן מעמיק של Bedrock ויישומי LLM. גרסה נוכחית נכון לאפריל 2026.
AIP-C01 (AWS Certified Generative AI Developer - Professional) הוא מבחן ברמת Professional מבחן מאתגר ועשיר בתרחישים הדורש ניסיון מעמיק ויכולת לקבל החלטות על פשרות אדריכליות. רוב המועמדים זקוקים ל-150–300 שעות לימוד הפרוסות על פני 3–6 חודשים עבור מבחני רמת מקצועי ומומחה. מבחנים אלו מצפים בדרך כלל למיומנות קודמת ברמת Associate. רוב המועמדים שמקבלים ציונים באופן עקבי מעל סף המעבר במבחני תרגול עוברים בניסיון הראשון.
רוב המועמדים זקוקים ל-150–300 שעות לימוד הפרוסות על פני 3–6 חודשים עבור מבחני רמת מקצועי ומומחה. מבחנים אלו מצפים בדרך כלל למיומנות קודמת ברמת Associate. משך הזמן למעבר משתנה מאוד בהתאם לניסיון קודם. מהנדסים בעלי ניסיון מעשי בסביבת ייצור בטכנולוגיה הבסיסית זקוקים בדרך כלל לפחות זמן; מועמדים חדשים לפלטפורמה צריכים לתכנן את לימודיהם לכיוון הקצה העליון של טווח זה.
AIP-C01 הוא אישור מוכר במערכת האקולוגית של AWS ומסמן ידע מאומת למעסיקים, מגייסים ולקוחות. האם זה שווה את הזמן והעמלה עבורך תלוי בתפקיד ובמטרות שלך – זה נוטה להשתלם ביותר עבור מהנדסי ענן, אדריכלים ויועצים שעובדים עם AWS על בסיס יומיומי או רוצים לעבור לתפקידים כאלה.
ציון המעבר עבור AIP-C01 הוא 750 / 1000. המבחן מכיל 75 שאלות ונמשך 3 שע'.
עמלת מבחן ה-AIP-C01 היא $300 USD. העמלות נקבעות על ידי AWS ועשויות להשתנות לפי אזור; תמיד אשרו את המחיר הנוכחי בדף ההסמכה הרשמי של AWS לפני ההזמנה.
הסמכות AWS תקפות למשך 3 שנים. ניתן לחדש הסמכה על ידי מעבר הגרסה הנוכחית של אותו מבחן, או על ידי מעבר מבחן ברמה גבוהה יותר באותו מסלול לפני התפוגה.
כן. ניתן לגשת למבחן באופן מקוון (בפיקוח דרך הדפדפן המאובטח של הספק, זמין 24/7 ברוב האזורים) או במרכז בחינה פיזי של Pearson VUE בשעות הפעילות. שני הפורמטים משתמשים באותן שאלות, מגבלת זמן וציון מעבר.
CertLabPro מספק 15 מצבי לימוד על פני בנק השאלות לתרגול עבור AIP-C01. מצב סימולציית המבחן משקף את המבחן האמיתי: 75 שאלות ב-3 שע', עם אותו סף מעבר של 750 / 1000. מצב עיון מאפשר לך לקרוא כל שאלה ותשובה באופן סטטי.