AIF-C01 के लिए AWS AI सेवाएं और उप-सेवाएं: हर एक क्या करती है और उसका उपयोग कैसे करें

AWS Certified AI Practitioner परीक्षा के लिए एक गहन संदर्भ। हर AWS AI और ML सेवा और उसकी उप-सेवाएं - Bedrock, AgentCore, SageMaker AI, Nova, प्रबंधित AI APIs, Amazon Q, PartyRock - यह क्या है, यह क्यों मौजूद है, और इसका उपयोग कैसे करें, सहित।

लेखक: CertLabPro TeamSeptember 14, 202621 min read

AIF-C01 परीक्षा आपसे कुछ बनाने के लिए नहीं कहती। यह पूछती है कि क्या आप किसी समस्या के लिए सही AWS सेवा चुन सकते हैं और समझा सकते हैं कि वह क्या करती है। यह आसान लगता है जब तक आपको एहसास नहीं होता कि AWS के पास एक दर्जन AI सेवाएं हैं, और दो बड़ी सेवाएं - Amazon Bedrock और Amazon SageMaker AI - प्रत्येक में अपनी एक दर्जन उप-सेवाएं शामिल हैं। ज्यादातर लोग मुख्य नामों का अध्ययन करते हैं और ऐसे किसी परिदृश्य में फंस जाते हैं जो Knowledge Bases बनाम fine-tuning, या Ground Truth बनाम Data Wrangler पर टिका होता है।

यह गहन संस्करण है: AIF-C01 के दायरे में आने वाली हर सेवा और हर उप-सेवा, इसके साथ कि यह क्या है, यह क्यों मौजूद है, और आप वास्तव में इसका उपयोग कैसे करेंगे। यह जानबूझकर लंबा है - इसे एक संदर्भ के रूप में मानें जिसे आप अनुभाग-दर-अनुभाग स्कैन करते हैं, न कि कोई कहानी जिसे आप शुरू से अंत तक पढ़ते हैं। यदि आप पहले छोटा "कौन सी सेवा किस परीक्षा डोमेन से मेल खाती है" वाला नक्शा चाहते हैं, तो साथी पोस्ट Every AWS service on the AIF-C01 exam पढ़ें, फिर उप-सेवा के विवरण के लिए यहां वापस आएं।

मानसिक मॉडल: AWS पर AI का उपयोग करने के पांच तरीके

सेवा सूची से पहले, इस ढांचे को अपने दिमाग में रखें। परीक्षा में हर AI प्रश्न वास्तव में यही पूछ रहा है कि "इन पांच परतों में से कौन सी फिट बैठती है?"

प्रबंधित AI APIs (Comprehend, Rekognition, Textract, इत्यादि) - पूर्व-प्रशिक्षित, एकल-उद्देश्यीय। आप डेटा भेजते हैं, आपको परिणाम मिलता है। कोई मॉडल चुनाव नहीं, कोई प्रशिक्षण नहीं।
Amazon Bedrock - फाउंडेशन मॉडल तक प्रबंधित पहुंच के साथ-साथ जनरेटिव AI ऐप्स (RAG, agents, guardrails) बनाने के लिए टूलिंग। आप एक मॉडल चुनते हैं और व्यवहार तैयार करते हैं; आप सर्वर प्रबंधित नहीं करते।
Amazon SageMaker AI - पूर्ण अपना-खुद-का-मॉडल-बनाओ प्लेटफॉर्म। आप डेटा तैयार करते हैं, प्रशिक्षित करते हैं, ट्यून करते हैं, तैनात करते हैं, और कस्टम मॉडल की निगरानी करते हैं।
Amazon Q - तैयार AI सहायक उत्पाद। आप कोई मॉडल नहीं चुनते या वेक्टर स्टोर नहीं जोड़ते; AWS पहले ही यह कर चुका है।
PartyRock - जनरेटिव AI ऐप्स सीखने और प्रोटोटाइप बनाने के लिए एक नो-कोड प्लेग्राउंड।

परीक्षा लगातार इनके बीच की सीमाओं का परीक्षण करती है। नीचे प्रत्येक सेवा पढ़ते समय इस परत को ध्यान में रखें।

Amazon Bedrock

यह क्या है। एक पूरी तरह से प्रबंधित सेवा जो आपको कई प्रदाताओं से फाउंडेशन मॉडल को कॉल करने के लिए एक API देती है, साथ ही उनके ऊपर जनरेटिव AI अनुप्रयोग बनाने के लिए अंतर्निहित टूल का एक सेट। कोई इंफ्रास्ट्रक्चर नहीं, कोई मॉडल होस्टिंग नहीं - आप प्रॉम्प्ट भेजते हैं, आपको प्रतिक्रियाएं मिलती हैं।

यह क्यों मौजूद है। जनरेटिव AI ऐप्स को एक कच्चे मॉडल से अधिक की आवश्यकता होती है: उन्हें निजी-डेटा ग्राउंडिंग, सुरक्षा नियंत्रण, ऑर्केस्ट्रेशन, और मूल्यांकन की आवश्यकता होती है। Bedrock इन सबको सर्वरलेस APIs के पीछे बंडल करता है ताकि आप ऐप बनाएं, न कि प्लंबिंग।

इसका उपयोग कैसे करें। एक मॉडल चुनें, इसे एक प्लेग्राउंड में परखें, फिर उन उप-सेवाओं को जोड़ें जिनकी आपको आवश्यकता है (RAG के लिए Knowledge Bases, सुरक्षा के लिए Guardrails, क्रियाओं के लिए Agents) और API या SDK के माध्यम से अपने ऐप से यह सब कॉल करें।

Foundation models

आप जिन मॉडलों को कॉल कर सकते हैं उनकी सूची। आप एक ही विक्रेता तक सीमित नहीं हैं - लागत, विलंबता, और क्षमता के लिए सही मॉडल का चयन करना एक मुख्य परीक्षा कौशल है।

Amazon Titan - Amazon के फर्स्ट-पार्टी मॉडल: Titan Text, Titan Text Embeddings (RAG वेक्टर खोज के लिए), Titan Image Generator, और Titan Multimodal Embeddings।
Amazon Nova - Amazon का नया मॉडल परिवार (नीचे अपने अनुभाग में शामिल)।
Anthropic Claude - मजबूत सामान्य-उद्देश्यीय तर्क और लॉन्ग-कॉन्टेक्स्ट मॉडल।
Meta Llama, Mistral, Cohere, AI21 Labs (Jamba), Stability AI (छवि निर्माण), और अन्य।

जान लें कि एक "foundation model" एक बड़ा पूर्व-प्रशिक्षित मॉडल है जिसे आप प्रॉम्प्टिंग, RAG, या fine-tuning के माध्यम से अनुकूलित करते हैं - ऐसा कुछ नहीं जिसे आप शुरू से प्रशिक्षित करते हैं।

Bedrock playgrounds

क्या/क्यों। बिना किसी कोड के मॉडल और प्रॉम्प्ट आज़माने के लिए कंसोल चैट, टेक्स्ट, और इमेज कंसोल। यहीं आप कुछ भी जोड़ने से पहले मॉडलों की तुलना करते हैं और इंफरेंस पैरामीटर (temperature, top-p, max tokens) ट्यून करते हैं।

इसका उपयोग कैसे करें। प्लेग्राउंड खोलें, एक मॉडल चुनें, एक प्रॉम्प्ट पर पुनरावृत्ति करें, फिर जीतने वाले मॉडल और सेटिंग्स को अपने ऐप में ले जाएं।

Knowledge Bases

क्या/क्यों। प्रबंधित retrieval-augmented generation (RAG) क्षमता। यह एक फाउंडेशन मॉडल को आपके निजी दस्तावेज़ों से जोड़ती है ताकि उत्तर आपके डेटा में आधारित हों - बिना fine-tuning के।

इसका उपयोग कैसे करें। इसे एक डेटा स्रोत (उदाहरण के लिए S3) पर इंगित करें, और यह दस्तावेज़ों को टुकड़ों में बांटता है, embeddings उत्पन्न करता है, उन्हें एक वेक्टर स्टोर में संग्रहीत करता है, और क्वेरी समय पर प्रॉम्प्ट में इंजेक्ट करने के लिए प्रासंगिक अंश पुनः प्राप्त करता है। यह स्वचालित रूप से उद्धरणों को ट्रैक करता है। "बिना पुनः प्रशिक्षण के किसी मॉडल को निजी डेटा में आधारित करें" का परीक्षा का प्रामाणिक उत्तर Knowledge Bases (RAG) है।

Agents

क्या/क्यों। एक फाउंडेशन मॉडल को केवल टेक्स्ट लौटाने के बजाय क्रियाएं करने की क्षमता दें - APIs कॉल करना, बहु-चरण वर्कफ़्लो चलाना, एक Knowledge Base को क्वेरी करना।

इसका उपयोग कैसे करें। "action groups" परिभाषित करें (वे टूल और APIs जिन्हें मॉडल कॉल कर सकता है, अक्सर Lambda द्वारा समर्थित), और Agents reason-act-observe लूप चलाता है। यदि किसी परिदृश्य में सहायक को कुछ ढूंढने और फिर कुछ करने की आवश्यकता है (एक ऑर्डर जांचना, एक रिकॉर्ड अपडेट करना), तो उत्तर Agents है, न कि सादा इंफरेंस।

Guardrails

क्या/क्यों। उपयोगकर्ता और मॉडल के बीच एक कॉन्फ़िगर करने योग्य नीति परत जो सुरक्षा और जिम्मेदार-AI आवश्यकताओं को लागू करती है।

इसका उपयोग कैसे करें। आपको जिन सुरक्षाओं की आवश्यकता है उन्हें चालू करें: कंटेंट फ़िल्टर (घृणा, हिंसा, इत्यादि), आपके द्वारा परिभाषित निषिद्ध विषय, शब्द फ़िल्टर, इनपुट और आउटपुट पर संवेदनशील-सूचना (PII) रिडैक्शन, और मतिभ्रम कम करने के लिए प्रासंगिक ग्राउंडिंग जांच। यह घोषणात्मक है - कोई कस्टम कोड नहीं। Guardrails मॉडलों, Agents, Knowledge Bases, और Flows के आर-पार लागू होते हैं।

Flows

क्या/क्यों। Bedrock के टुकड़ों को एक नामित वर्कफ़्लो में जोड़ने के लिए एक दृश्य, लो-कोड बिल्डर।

इसका उपयोग कैसे करें। प्रॉम्प्ट, Knowledge Bases, Agents, Guardrails, Lambda फ़ंक्शन, और सशर्त तर्क को एक फ्लो में खींचें, फिर पूरी चीज़ को एक API कॉल से इनवोक करें। इसका उपयोग तब करें जब आप ग्लू कोड लिखे बिना ऑर्केस्ट्रेशन चाहते हैं।

Prompt Management

क्या/क्यों। प्रॉम्प्ट के लिए एक संस्करणीकृत कैटलॉग ताकि टीमें कोड में स्ट्रिंग्स चिपकाने के बजाय उन्हें पुन: उपयोग और तुलना करें।

इसका उपयोग कैसे करें। प्रॉम्प्ट को संस्करणीकृत संसाधनों के रूप में संग्रहीत करें, वेरिएंट का परीक्षण करें, और ऐप्स तथा Flows से उनका संदर्भ दें। यह मापने के लिए Model Evaluation के साथ जोड़ी बनाता है कि कौन सा संस्करण बेहतर प्रदर्शन करता है।

Model Evaluation

क्या/क्यों। मॉडल और RAG गुणवत्ता का अंतर्निहित मूल्यांकन, ताकि मॉडल चुनाव अनुमान लगाने के बजाय मापा जाए।

इसका उपयोग कैसे करें। स्वचालित मूल्यांकन चलाएं (सटीकता, मजबूती, विषाक्तता जैसे मीट्रिक) या मानव समीक्षक लाएं, और अपने स्वयं के डेटा पर मॉडलों या प्रॉम्प्ट संस्करणों की तुलना करें।

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

क्या/क्यों। जब प्रॉम्प्टिंग और RAG पर्याप्त नहीं होते, तो एक मॉडल को अपने डोमेन के अनुकूल बनाएं।

इसका उपयोग कैसे करें। Fine-tuning एक मॉडल को लेबल किए गए उदाहरणों से सिखाता है; continued pre-training इसे बिना लेबल वाले डोमेन टेक्स्ट के एक बड़े समूह के अनुकूल बनाता है। परिणाम एक निजी कस्टम मॉडल है जिसे आप Bedrock के माध्यम से सर्व करते हैं। परीक्षा चाहती है कि आप जानें कि fine-tuning मॉडल को बदलता है, जबकि RAG मॉडल को अकेला छोड़ देता है और क्वेरी समय पर संदर्भ प्रदान करता है।

Provisioned Throughput

क्या/क्यों। एक मूल्य निर्धारण और क्षमता मोड। ऑन-डिमांड मूल्य निर्धारण बिना किसी प्रतिबद्धता के प्रति टोकन शुल्क लेता है; Provisioned Throughput स्थिर, उच्च-मात्रा, या कस्टम-मॉडल वर्कलोड के लिए समर्पित क्षमता आरक्षित करता है।

इसका उपयोग कैसे करें। Provisioned Throughput तब चुनें जब आपको गारंटीड थ्रूपुट की आवश्यकता हो या किसी कस्टम मॉडल को सर्व करना हो; अन्यथा ऑन-डिमांड डिफ़ॉल्ट है।

पहचानने योग्य अन्य Bedrock सुविधाएं

Batch inference - बड़े जॉब को कम लागत पर ऑफ़लाइन चलाएं।
Cross-Region inference - क्षमता और लचीलापन के लिए Regions के आर-पार अनुरोध रूट करें।
Model invocation logging - ऑडिट के लिए प्रॉम्प्ट और प्रतिक्रिया लॉग CloudWatch या S3 को भेजें।
Bedrock Data Automation - असंरचित सामग्री (दस्तावेज़, छवियां, ऑडियो, वीडियो) को संरचित आउटपुट में निकालें और रूपांतरित करें।
Bedrock Marketplace - कोर कैटलॉग से परे विशेष और उभरते मॉडलों तक पहुंचें।

Amazon Bedrock AgentCore

यह क्या है। उत्पादन में AI agents चलाने के लिए सेवाओं का एक नया सेट, चाहे उन्हें किसी भी फ्रेमवर्क या मॉडल ने बनाया हो। Bedrock Agents आपको एक agent बनाने में मदद करता है; AgentCore आपको एक को बड़े पैमाने पर संचालित करने में मदद करता है।

यह क्यों मौजूद है। प्रोटोटाइप agents उत्पादन में टूट जाते हैं - उनमें मेमोरी, सुरक्षित टूल पहुंच, पहचान, और ऑब्ज़र्वेबिलिटी की कमी होती है। AgentCore इन्हें प्रबंधित बिल्डिंग ब्लॉक के रूप में प्रदान करता है जिन्हें आप स्वतंत्र रूप से अपनाते हैं।

इसका उपयोग कैसे करें। आपको जिन घटकों की आवश्यकता है उन्हें चुनें:

Runtime - agent या टूल कोड के लिए सर्वरलेस होस्टिंग, सत्र अलगाव के साथ।
Memory - सत्रों के आर-पार स्थायी संदर्भ ताकि agent याद रखे।
Gateway - आपके APIs और Lambda फ़ंक्शन को agent के लिए कॉल करने योग्य टूल के रूप में उजागर करता है।
Identity - प्रत्येक agent को एक वर्कलोड पहचान देता है और बाहरी सेवाओं तक उसकी पहुंच का प्रबंधन करता है (Cognito, Okta, Entra ID के साथ एकीकृत होता है)।
Code Interpreter - agent के लिए कोड चलाने हेतु एक सैंडबॉक्स।
Browser - agent के लिए हेडलेस वेब ब्राउज़िंग।
Observability - agent व्यवहार की ट्रेसिंग और निगरानी।

AIF-C01 के लिए, AgentCore को "किसी agent को उत्पादन में ले जाने" वाली परत के रूप में पहचानें; आपको एक बनाने की आवश्यकता नहीं है।

Amazon Nova

यह क्या है। Amazon का अपना फाउंडेशन मॉडल परिवार, Bedrock के माध्यम से सर्व किया गया।

यह क्यों मौजूद है। टेक्स्ट, छवि, और वीडियो के आर-पार कम, पूर्वानुमेय मूल्य और विलंबता पर मजबूत क्षमता प्रदान करने के लिए।

इसका उपयोग कैसे करें। काम के अनुकूल स्तर चुनें:

Nova Micro - केवल-टेक्स्ट, सबसे कम लागत और विलंबता।
Nova Lite - कम लागत वाला मल्टीमॉडल (टेक्स्ट, छवि, वीडियो इनपुट)।
Nova Pro - अधिकांश कार्यों के लिए संतुलित मल्टीमॉडल मॉडल।
Nova Premier - सबसे सक्षम, और छोटे कस्टम मॉडलों को डिस्टिल करने के लिए एक अच्छा "teacher"।
Nova Canvas - छवि निर्माण।
Nova Reel - वीडियो निर्माण।
Nova Sonic - स्पीच-टू-स्पीच; Nova Act - एजेंटिक ब्राउज़र क्रियाएं।

Amazon SageMaker AI

यह क्या है। अपने स्वयं के मशीन लर्निंग मॉडल बनाने, प्रशिक्षित करने, तैनात करने, और निगरानी करने के लिए एंड-टू-एंड प्लेटफॉर्म। यह "एक कस्टम मॉडल बनाओ" वाली परत है - प्रबंधित APIs का विपरीत छोर।

यह क्यों मौजूद है। कुछ समस्याओं को आपके डेटा पर प्रशिक्षित मॉडल की आवश्यकता होती है, जीवनचक्र के पूर्ण नियंत्रण के साथ। SageMaker AI हर चरण को एक प्रबंधित क्षमता के रूप में प्रदान करता है ताकि टीमों को अपना खुद का ML इंफ्रास्ट्रक्चर एक साथ न जोड़ना पड़े।

इसका उपयोग कैसे करें। AIF-C01 के लिए आप SageMaker का उपयोग अवधारणात्मक रूप से करते हैं: जानें कि प्रत्येक उप-सेवा क्या करती है और यह कब लागू होती है। आपसे प्रशिक्षण कोड लिखने की अपेक्षा नहीं की जाती।

SageMaker Studio

वेब-आधारित IDE और नियंत्रण केंद्र - नोटबुक, प्रयोग, और हर दूसरी SageMaker क्षमता तक पहुंच एक ही स्थान पर।

SageMaker JumpStart

पूर्व-प्रशिक्षित फाउंडेशन मॉडल और कार्य-विशिष्ट मॉडलों का एक कैटलॉग, वन-क्लिक तैनाती और fine-tuning नोटबुक के साथ। इसे अपने स्वयं के खाते और एंडपॉइंट में एक तैयार मॉडल तैनात करने के रूप में सोचें - Bedrock के माध्यम से एक होस्टेड API को कॉल करने से अलग।

SageMaker Canvas

विश्लेषकों के लिए नो-कोड ML। एक डेटासेट अपलोड करें, एक लक्ष्य चुनें, और Canvas एक मॉडल बनाता है और पूर्वानुमान उत्पन्न करता है। यह जनरेटिव कार्यों के लिए Bedrock फाउंडेशन मॉडल को भी टैप कर सकता है - यह सब बिना कोई कोड लिखे।

Data Wrangler

दृश्य डेटा तैयारी। कई स्रोतों से आयात करें, सैकड़ों अंतर्निहित रूपांतरण लागू करें, विश्लेषण करें, और तैयार डेटा को एक प्रशिक्षण पाइपलाइन में निर्यात करें। यह "डेटा को साफ़ और आकार देने" वाला चरण है।

Feature Store

आपकी टीमें जो फीचर (मॉडल इनपुट) इंजीनियर करती हैं उनके लिए एक केंद्रीय भंडार, कम-विलंबता इंफरेंस के लिए एक ऑनलाइन स्टोर और प्रशिक्षण के लिए एक ऑफ़लाइन स्टोर के साथ। हर टीम को समान फीचर पुनः-गणना करने से रोकता है।

Ground Truth (और Ground Truth Plus)

डेटा लेबलिंग। Ground Truth प्रशिक्षण डेटासेट बनाने के लिए मानव और स्वचालित लेबलिंग वर्कफ़्लो का प्रबंधन करता है; Ground Truth Plus पूरी तरह से प्रबंधित, AWS-संचालित संस्करण है जिसमें एक विशेषज्ञ कार्यबल होता है। लेबल किए गए डेटा की ही आवश्यकता पर्यवेक्षित प्रशिक्षण को होती है।

Clarify

पूर्वाग्रह पहचान और व्याख्यात्मकता। यह डेटा में और समूहों के आर-पार मॉडल पूर्वानुमानों में पूर्वाग्रह मापता है, और फीचर एट्रिब्यूशन की गणना करता है (कौन से इनपुट ने एक पूर्वानुमान को प्रेरित किया, SHAP का उपयोग करते हुए)। यह जिम्मेदार-AI परिदृश्यों में "पूर्वाग्रह का पता लगाओ" और "मॉडल की व्याख्या करो" का नामित उत्तर है।

Model Monitor

उत्पादन में मॉडलों की निरंतर निगरानी। यह डेटा ड्रिफ्ट, मॉडल-गुणवत्ता ड्रिफ्ट, पूर्वाग्रह ड्रिफ्ट, और फीचर-एट्रिब्यूशन ड्रिफ्ट का पता लगाता है, और अलर्ट उठाता है - ताकि आप उपयोगकर्ताओं से पहले एक क्षीण होते मॉडल को पकड़ लें।

Autopilot

स्वचालित मशीन लर्निंग (AutoML)। इसे एक डेटासेट पर इंगित करें और यह एल्गोरिदम की खोज करता है, प्रशिक्षित करता है, और उम्मीदवार मॉडलों को स्वचालित रूप से ट्यून करता है, फिर सबसे अच्छा सामने लाता है। एक प्रशिक्षित मॉडल तक पहुंचने का बिना-भारी-मेहनत वाला मार्ग।

Pipelines

MLOps ऑर्केस्ट्रेशन। दोहराने योग्य वर्कफ़्लो - तैयार करना, प्रशिक्षित करना, मूल्यांकन करना, पंजीकृत करना, तैनात करना - को एक पाइपलाइन के रूप में परिभाषित करें ताकि मॉडल डिलीवरी स्वचालित और पुनरुत्पादनीय हो।

Model Registry और Model Cards

Model Registry प्रशिक्षित मॉडलों को संस्करणित करता है और तैनाती के लिए अनुमोदन का प्रबंधन करता है। Model Cards शासन के लिए एक मॉडल के उद्देश्य, डेटा, प्रदर्शन, और सीमाओं का दस्तावेज़ीकरण करते हैं। दोनों जिम्मेदार, ऑडिट योग्य ML का समर्थन करते हैं।

Inference विकल्प

आप एक प्रशिक्षित मॉडल को ट्रैफ़िक पैटर्न के अनुरूप कैसे सर्व करते हैं:

Real-time endpoints - स्थायी, कम-विलंबता, हमेशा-चालू सर्विंग।
Serverless inference - रुक-रुक कर आने वाले ट्रैफ़िक के लिए शून्य तक स्केल करता है; प्रबंधित करने के लिए कोई क्षमता नहीं।
Asynchronous inference - बड़े या लंबे समय तक चलने वाले अनुरोधों को कतारबद्ध करता है।
Batch transform - एक पूरे डेटासेट को ऑफ़लाइन स्कोर करता है, कोई एंडपॉइंट आवश्यक नहीं।

यह जानना कि कौन सा inference विकल्प किसी परिदृश्य में फिट बैठता है (स्थिर ट्रैफ़िक बनाम अनियमित बनाम थोक) एक आवर्ती परीक्षा पैटर्न है।

प्रबंधित AI सेवाएं (कार्य-विशिष्ट APIs)

पूर्व-प्रशिक्षित सेवाएं जो बिना किसी प्रशिक्षण या मॉडल प्रबंधन के एक प्रकार की समस्या हल करती हैं। परीक्षा किसी उपयोग-मामले के लिए सही सेवा चुनने का परीक्षण करती है।

Amazon Comprehend

क्या/क्यों/कैसे। टेक्स्ट पर प्राकृतिक भाषा प्रसंस्करण: भावना, इकाइयां, मुख्य वाक्यांश, भाषा पहचान, विषय मॉडलिंग, और PII पहचान, साथ ही कस्टम वर्गीकरण और कस्टम इकाई पहचान। टेक्स्ट भेजें, संरचित परिणाम प्राप्त करें। "ग्राहक प्रतिक्रिया का विश्लेषण करो" या "टेक्स्ट में PII ढूंढो" का उत्तर।

Amazon Textract

क्या/क्यों/कैसे। बुनियादी OCR से परे दस्तावेज़ समझ - यह PDFs और स्कैन से टेक्स्ट, की-वैल्यू जोड़े, तालिकाएं, और फ़ील्ड निकालता है, चालान, रसीदों, और पहचान दस्तावेज़ों के लिए विशेष विश्लेषण के साथ। "फ़ॉर्म से संरचित डेटा निकालो" का उत्तर।

Amazon Rekognition

क्या/क्यों/कैसे। छवियों और वीडियो के लिए कंप्यूटर विज़न: वस्तु और दृश्य पहचान, चेहरे का विश्लेषण और तुलना, कंटेंट मॉडरेशन, छवियों में टेक्स्ट, और आपकी अपनी श्रेणियों के लिए Custom Labels। "बिना किसी ML टीम के छवियों का विश्लेषण करो" का उत्तर।

Amazon Transcribe

क्या/क्यों/कैसे। स्पीकर पहचान, कस्टम शब्दावली, कस्टम भाषा मॉडल, PII रिडैक्शन, रीयल-टाइम स्ट्रीमिंग, और एक चिकित्सा वेरिएंट के साथ स्वचालित स्पीच-टू-टेक्स्ट। अक्सर Comprehend के साथ जोड़ा जाता है: एक कॉल को ट्रांसक्राइब करें, फिर भावना का विश्लेषण करें।

Amazon Polly

क्या/क्यों/कैसे। कई भाषाओं में न्यूरल और जनरेटिव आवाज़ों के साथ टेक्स्ट-टू-स्पीच, उच्चारण और गति के लिए SSML से नियंत्रित। "टेक्स्ट को प्राकृतिक भाषण में बदलो" का उत्तर।

Amazon Translate

क्या/क्यों/कैसे। कई भाषाओं में न्यूरल मशीन अनुवाद, डोमेन वाक्यांशन के लिए कस्टम शब्दावली के साथ, रीयल-टाइम और बैच। "मॉडल प्रशिक्षित किए बिना सामग्री का अनुवाद करो" का उत्तर।

Amazon Lex

क्या/क्यों/कैसे। स्वचालित भाषण पहचान और प्राकृतिक-भाषा समझ के साथ संवादात्मक बॉट बनाएं: इरादे और स्लॉट परिभाषित करें, Lambda से पूरा करें, Polly के माध्यम से वापस बोलें। यह संरचित, इरादा-आधारित चैटबॉट फ्रेमवर्क है - इसकी तुलना खुले-अंत वाले, टूल-उपयोग करने वाले सहायकों के लिए Bedrock Agents से करें।

Amazon Personalize

क्या/क्यों/कैसे। Amazon.com के पीछे की उसी तकनीक से निर्मित प्रबंधित रीयल-टाइम अनुशंसाएं और वैयक्तिकरण। इसे इंटरैक्शन डेटा दें; अनुशंसाएं, वैयक्तिकृत रैंकिंग, और उपयोगकर्ता खंड प्राप्त करें - बनाने के लिए कोई अनुशंसाकर्ता मॉडल नहीं।

Amazon Q

यह क्या है। AWS के तैयार AI-सहायक उत्पाद। परीक्षा के लिए मुख्य विचार: Q एक उत्पाद है, न कि एक टूलकिट। आप कोई मॉडल नहीं चुनते, प्रॉम्प्ट प्रबंधित नहीं करते, या वेक्टर स्टोर नहीं बनाते - AWS ने वह किया।

Amazon Q Developer - आपके IDE और कंसोल में एक कोडिंग और AWS सहायक: कोड निर्माण, डीबगिंग, संदर्भ ट्रैकिंग, AWS संसाधन प्रश्न, और लागत या CLI सहायता (पूर्व में CodeWhisperer)।
Amazon Q Business - एक एंटरप्राइज़ सहायक जो आपकी कंपनी के डेटा (उदाहरण के लिए SharePoint, Confluence, Salesforce) में आधारित प्रश्नों का उत्तर देता है, अनुमति-सचेत प्रतिक्रियाओं के साथ।
एम्बेडेड रूप जिन्हें आप नामित देख सकते हैं: Q in QuickSight (व्यावसायिक बुद्धिमत्ता), Q in Connect (संपर्क केंद्र), और Q Apps।

इसका उपयोग कैसे करें / परीक्षा दृष्टिकोण। Q तब चुनें जब आवश्यकता "बिना कुछ बनाए AI का उपयोग करना" हो; Bedrock तब चुनें जब आपको अनुकूलित करने और अपना खुद का ऐप बनाने की आवश्यकता हो।

PartyRock

यह क्या है। एक नो-कोड, वेब-आधारित प्लेग्राउंड (Bedrock द्वारा संचालित) जनरेटिव AI ऐप्स को सादी भाषा में वर्णित करके बनाने के लिए। यह AWS Console के बाहर चलता है और इसके लिए AWS खाते की आवश्यकता नहीं होती।

यह क्यों मौजूद है। किसी को भी हाथों-हाथ जनरेटिव AI और प्रॉम्प्ट इंजीनियरिंग सीखने देने, और ऐप विचारों को तेज़ी से प्रोटोटाइप करने के लिए।

इसका उपयोग कैसे करें। आप एक ऐप को widgets से बनाते हैं - उपयोगकर्ता इनपुट, स्थिर टेक्स्ट, और AI-संचालित टेक्स्ट निर्माण, छवि निर्माण, या चैटबॉट widgets। आप एक widget के आउटपुट को दूसरे के प्रॉम्प्ट के अंदर @ चिह्न (गतिशील चर) के साथ संदर्भित करके उन्हें जोड़ते हैं, ताकि आउटपुट एक widget से दूसरे widget में प्रवाहित हों। Bedrock को ठीक से छूने से पहले अंतर्ज्ञान बनाने के लिए बढ़िया।

दायरे में सहायक सेवाएं

AI-विशिष्ट नहीं, लेकिन सुरक्षा, शासन, लागत, और डेटा परिदृश्यों में परीक्षित। जानें कि प्रत्येक किस लिए है; आपको गहन कॉन्फ़िगरेशन विवरण की आवश्यकता नहीं है।

सुरक्षा, पहचान, और अनुपालन: IAM (न्यूनतम-विशेषाधिकार पहुंच, उदाहरण के लिए यह प्रतिबंधित करना कि कोई भूमिका किन Bedrock मॉडलों को इनवोक कर सकती है), KMS (डेटा, मॉडल आर्टिफ़ैक्ट, और लॉग के लिए एन्क्रिप्शन कुंजियां), Macie (S3 में ML-आधारित संवेदनशील-डेटा और PII खोज), Amazon Inspector (भेद्यता स्कैनिंग), Secrets Manager (प्रबंधित रहस्य), AWS Artifact (मांग-पर अनुपालन रिपोर्ट)।
प्रबंधन और शासन: CloudTrail (API ऑडिट ट्रेल), CloudWatch (मीट्रिक, लॉग, अलार्म; Bedrock इनवोकेशन लॉग और एंडपॉइंट मीट्रिक), AWS Config (संसाधन कॉन्फ़िगरेशन और अनुपालन), Trusted Advisor (सर्वोत्तम-अभ्यास जांच), AWS Well-Architected Tool (फ्रेमवर्क के विरुद्ध वर्कलोड की समीक्षा)।
भंडारण: Amazon S3 (प्रशिक्षण डेटा, दस्तावेज़ों, और आर्टिफ़ैक्ट के लिए डेटा लेक), S3 Glacier (संग्रहण)।
कंप्यूट: Amazon EC2 (GPU और एक्सेलरेटर इंस्टेंस परिवारों सहित; प्रशिक्षण के लिए AWS Trainium और इंफरेंस के लिए AWS Inferentia), AWS Lambda (पाइपलाइनों और agent क्रियाओं के लिए सर्वरलेस ग्लू)।
कंटेनर: कंटेनरीकृत वर्कलोड के लिए Amazon ECS और Amazon EKS।
डेटाबेस और वेक्टर स्टोर: Amazon OpenSearch Service (RAG के लिए k-NN वेक्टर खोज), Amazon Aurora और Amazon RDS (रिलेशनल, embeddings के लिए pgvector के साथ), Amazon DynamoDB (की-वैल्यू), Amazon Neptune (ग्राफ़), Amazon DocumentDB, Amazon ElastiCache।
एनालिटिक्स और डेटा तैयारी: AWS Glue और Glue DataBrew (ETL और तैयारी), Amazon EMR (बिग-डेटा प्रसंस्करण), AWS Lake Formation (डेटा-लेक शासन), Amazon Redshift (वेयरहाउस), AWS Data Exchange (तृतीय-पक्ष डेटा), Amazon Quick / QuickSight (व्यावसायिक बुद्धिमत्ता)।
नेटवर्किंग: Amazon VPC (ट्रैफ़िक को इंटरनेट से दूर रखने के लिए PrivateLink पैटर्न सहित), Amazon CloudFront (सामग्री वितरण)।
लागत: AWS Budgets और AWS Cost Explorer (खर्च को ट्रैक और पूर्वानुमानित करें - प्रासंगिक क्योंकि जनरेटिव AI लागत प्रबंधन परीक्षा में है)।

पहचानने योग्य नए दायरे-में जोड़

AWS ने दायरे-में सूची को ताज़ा किया, इसलिए कुछ नाम अधिकांश अध्ययन सामग्री से नए हैं:

Amazon Bedrock AgentCore और Amazon Nova (ऊपर शामिल)।
Kiro - एक एजेंटिक, स्पेक-संचालित विकास वातावरण (IDE और CLI) जो प्रॉम्प्ट को विनिर्देशों, कोड, और दस्तावेज़ों में बदल देता है।
Strands Agents - AWS पर AI agents बनाने और ऑर्केस्ट्रेट करने के लिए एक ओपन-सोर्स SDK।
AWS Transform - क्लाउड माइग्रेशन और अनुप्रयोग आधुनिकीकरण के लिए एजेंटिक वर्कबेंच।
परीक्षा गाइड अब Amazon SageMaker AI लिखती है (केवल "SageMaker" नहीं)। वही प्लेटफॉर्म, अद्यतन नाम।

स्पष्ट रूप से दायरे से बाहर: इन्हें छोड़ें

AWS इन्हें AIF-C01 के लिए दायरे से बाहर सूचीबद्ध करता है, इसलिए इन पर अध्ययन का समय न लगाएं:

मशीन लर्निंग: AWS DeepComposer, AWS HealthImaging, AWS HealthOmics, Amazon Monitron, AWS Panorama।
सुरक्षा और नेटवर्किंग: Amazon GuardDuty, AWS Security Hub, Amazon Cognito, AWS WAF, AWS Shield, Amazon Route 53।
प्रबंधन: AWS Control Tower, AWS Organizations।
साथ ही अधिकांश Internet of Things, Media, और Migration and Transfer सेवाएं।

यदि कोई अभ्यास प्रश्न इनमें से किसी पर टिका है, तो यह लगभग निश्चित रूप से एक ध्यानभटकाव है।

नामकरण और दायरे के खिसकाव पर एक नोट

कुछ सेवाएं पुरानी AIF-C01 अध्ययन सामग्री (और कुछ प्रश्न बैंकों) में दिखाई देती हैं लेकिन वर्तमान आधिकारिक दायरे-में सूची पर नहीं हैं। आप अभी भी उनके संदर्भ देख सकते हैं; यहां संक्षेप में प्रत्येक किस लिए है:

Amazon Q - ऊपर बताए गए AI सहायक उत्पाद; व्यवहार में सर्वव्यापी भले ही यह औपचारिक दायरे-में सेवा तालिका में न हो।
Amazon Kendra - ML-संचालित एंटरप्राइज़ खोज (केवल पुनर्प्राप्ति, बनाम Knowledge Bases जो पुनर्प्राप्त और उत्पन्न करता है)।
Amazon Augmented AI (A2I) - कम-विश्वास वाले AI पूर्वानुमानों के लिए मानव समीक्षा जोड़ता है।
AWS Audit Manager - अनुपालन साक्ष्य के संग्रह को स्वचालित करता है।
AWS Fargate, Amazon EventBridge, Amazon API Gateway - सर्वरलेस कंप्यूट, इवेंटिंग, और API प्लंबिंग जिन पर AI ऐप्स अक्सर बनाए जाते हैं।

एक वाक्य के स्तर पर समझें कि वे क्या करते हैं और आगे बढ़ें।

30-सेकंड निर्णय गाइड

एक परिदृश्य दिए जाने पर, इसे एक परत से मिलाएं:

एक फाउंडेशन मॉडल को API द्वारा कॉल करें -> Bedrock
बिना पुनः प्रशिक्षण के किसी मॉडल को निजी डेटा में आधारित करें -> Bedrock Knowledge Bases (RAG)
मॉडल को क्रियाएं करने दें -> Bedrock Agents
सुरक्षा और PII नियंत्रण जोड़ें -> Bedrock Guardrails
उत्पादन में agents चलाएं (memory, tools, identity) -> Bedrock AgentCore
बिना कुछ बनाए AI का उपयोग करें -> Amazon Q
बिना कोड के सीखें या प्रोटोटाइप करें -> PartyRock
एक कस्टम मॉडल प्रशिक्षित या ट्यून करें -> SageMaker AI
एक तैयार मॉडल स्वयं तैनात करें -> SageMaker JumpStart
डेटा लेबल करें -> Ground Truth; डेटा तैयार करें -> Data Wrangler; फीचर संग्रहीत करें -> Feature Store
पूर्वाग्रह का पता लगाएं या किसी मॉडल की व्याख्या करें -> SageMaker Clarify
उत्पादन में एक मॉडल की निगरानी करें -> SageMaker Model Monitor
टेक्स्ट / छवियां / दस्तावेज़ / भाषण / अनुवाद / चैटबॉट / अनुशंसाओं का विश्लेषण करें -> मेल खाती प्रबंधित API
सुरक्षित करें, एन्क्रिप्ट करें, स्कैन करें, ऑडिट करें, या निगरानी करें -> IAM / KMS / Macie / CloudTrail / CloudWatch

इसका अध्ययन कैसे करें

हर सुविधा को याद न करें। परीक्षा पैटर्न पहचान को पुरस्कृत करती है: एक परिदृश्य पढ़ें, परत की पहचान करें, सेवा का नाम लें। 30-सेकंड निर्णय गाइड खुला रखकर अभ्यास प्रश्न चलाएं, और हर बार जब आप एक चूक जाएं, तो यहां उस सेवा के अनुभाग पर वापस आएं और तब तक क्या-क्यों-कैसे पढ़ें जब तक सीमा स्पष्ट न हो जाए। Bedrock उप-सेवाओं और SageMaker उप-सेवाओं को सीधा कर लें - यहीं परीक्षा उन लोगों को अलग करती है जिन्होंने सरसरी तौर पर पढ़ा और उन लोगों को जिन्होंने समझा।

Source: AWS Certified AI Practitioner (AIF-C01) exam guide (in-scope and out-of-scope service lists) and AWS service documentation, as of September 2026.