AWS Certified Machine Learning Engineer Associate
275 अभ्यास प्रश्न
अंतिम समीक्षा: April 2026
आपकी अध्ययन यात्रा के लिए व्यक्तिगत नोट्स और संसाधन लिंक
सर्टिफिकेशन द्वारा फ़िल्टर करें
AWS सर्टिफाइड मशीन लर्निंग इंजीनियर एसोसिएट (MLA-C01) अगस्त 2024 में पुराने मशीन लर्निंग स्पेशियल्टी के एक अभ्यास-केंद्रित समकक्ष के रूप में लॉन्च किया गया था। यह AWS पर ML वर्कलोड बनाने, तैनात करने, मॉनिटर करने और बनाए रखने की क्षमता को मान्य करता है — जिसमें Amazon SageMaker, MLOps टूलिंग और प्रोडक्शन मॉडल लाइफसाइकल पर विशेष जोर दिया गया है। यह परीक्षा शुरुआती और मध्य-करियर ML इंजीनियरों, इंजीनियरिंग में जाने वाले डेटा वैज्ञानिकों और ML प्लेटफॉर्म में विस्तार करने वाले DevOps इंजीनियरों को लक्षित करती है। फीचर पाइपलाइन, मॉडल रजिस्ट्री, परिनियोजन पैटर्न, ड्रिफ्ट डिटेक्शन और लागत-जागरूक अनुमान के बारे में परिदृश्य-आधारित प्रश्नों की अपेक्षा करें। यह परीक्षा वैचारिक और हाथों-मुक्त (कोई लैब नहीं) है, लेकिन यह मानती है कि उम्मीदवार ने वास्तव में मॉडलों को प्रोडक्शन में भेजा है।
28% के साथ सबसे बड़ा डोमेन। SageMaker Data Wrangler, Feature Store, Glue, और S3 डेटा लेक पैटर्न। असंतुलित डेटा, लीकेज, एनकोडिंग रणनीतियों और बड़े पैमाने पर फीचर इंजीनियरिंग को संभालने पर प्रश्नों की अपेक्षा करें।
SageMaker ट्रेनिंग जॉब्स, बिल्ट-इन एल्गोरिदम बनाम ब्रिंग-योर-ओन-कंटेनर, JumpStart, हाइपरपैरामीटर ट्यूनिंग और मॉडल मूल्यांकन। एक आम बाधा: SageMaker Autopilot, Canvas, और कस्टम ट्रेनिंग के बीच चयन करना।
SageMaker एंडपॉइंट्स (रियल-टाइम, एसिंक, सर्वरलेस, बैच ट्रांसफॉर्म), पाइपलाइन, मॉडल रजिस्ट्री और CodePipeline के साथ CI/CD। उम्मीदवार अक्सर परिनियोजन मोड और उनके लागत ट्रेडऑफ़ के बीच सूक्ष्म अंतरों को नहीं समझ पाते हैं।
SageMaker Model Monitor, Clarify (पूर्वाग्रह और व्याख्यात्मकता), ड्रिफ्ट डिटेक्शन और ML वर्कलोड के लिए IAM/VPC पैटर्न। यह सिद्धांत से अधिक व्यावहारिक MLOps प्रवाह को परखता है।
परीक्षा में आने वाली सेवाएँ और क्यों प्रत्येक महत्वपूर्ण है।
एंड-टू-एंड ML प्लेटफ़ॉर्म जो नोटबुक्स, ट्रेनिंग जॉब्स, हाइपरपैरामीटर ट्यूनिंग, प्रोसेसिंग जॉब्स, मैनेज्ड इन्फरेंस एंडपॉइंट्स और MLOps पाइपलाइनों को कवर करता है।
यह परीक्षा में क्यों है: SageMaker वह छत्र सेवा है जो सभी चार MLA-C01 डोमेन में फैली है — ट्रेनिंग इन्फ्रास्ट्रक्चर विकल्पों, इन्फरेंस डिप्लॉयमेंट विकल्पों और मैनेज्ड बनाम सेल्फ-होस्टेड ट्रेड-ऑफ़ पर प्रश्नों की अपेक्षा रखें।
ML के लिए वेब-आधारित IDE — Jupyter नोटबुक्स, एक्सपेरिमेंट्स, Pipelines, Model Registry, JumpStart और Canvas सब एक ही वर्कस्पेस में।
यह परीक्षा में क्यों है: डोमेन 2 (ML Model Development) Studio का परीक्षण मॉडलों पर इटरेट करने, ट्रेनिंग डीबग करने और आर्टिफ़ैक्ट्स को आगे बढ़ाने के लिए एकीकृत सतह के रूप में करता है।
वन-क्लिक डिप्लॉयमेंट, ट्रांसफ़र-लर्निंग नोटबुक्स और फ़ाइन-ट्यूनिंग वर्कफ़्लो के साथ प्री-ट्रेन्ड फ़ाउंडेशन व टास्क-स्पेसिफ़िक मॉडलों की कैटलॉग।
यह परीक्षा में क्यों है: JumpStart वह कैनोनिकल उत्तर है जब प्रश्न पूछा जाता है कि स्क्रैच से ट्रेनिंग करने के बजाय प्री-बिल्ट मॉडल से कैसे शुरू करें — डोमेन 2 में प्रासंगिक।
पूर्वाग्रह-डिटेक्शन और एक्सप्लेनेबिलिटी टूल जो टैब्युलर और फ़ाउंडेशन मॉडलों पर SHAP फ़ीचर एट्रिब्यूशन्स के साथ-साथ प्री-ट्रेनिंग और पोस्ट-ट्रेनिंग पूर्वाग्रह मेट्रिक्स तैयार करता है।
यह परीक्षा में क्यों है: डोमेन 2 + डोमेन 4 के जिम्मेदार AI, मॉडल एक्सप्लेनेबिलिटी और फ़ेयरनेस ऑडिट्स पर प्रश्न Clarify को AWS-नेटिव उत्तर के रूप में नामित करते हैं।
बेसलाइन के विरुद्ध डेटा-क्वॉलिटी ड्रिफ़्ट, मॉडल-क्वॉलिटी ड्रिफ़्ट, बायस ड्रिफ़्ट और फ़ीचर-एट्रिब्यूशन ड्रिफ़्ट के लिए डिप्लॉय किए गए एंडपॉइंट्स की लगातार जाँच करता है।
यह परीक्षा में क्यों है: डोमेन 4 (Monitoring, Maintenance, and Security) बार-बार परीक्षण करता है कि प्रोडक्शन में ड्रिफ़्ट का पता कैसे लगाया जाए और जवाब कैसे दिया जाए — Model Monitor नामित सेवा है।
ML फ़ीचर्स के लिए मैनेज्ड रिपॉज़िटरी जिसमें सिंक्रोनाइज़्ड ऑनलाइन (लो-लेटेंसी) और ऑफ़लाइन (बैच) स्टोर्स, पॉइंट-इन-टाइम शुद्धता और मॉडलों के बीच फ़ीचर पुनर्उपयोग शामिल है।
यह परीक्षा में क्यों है: डोमेन 1 (Data Preparation) Feature Store का परीक्षण ट्रेनिंग/सर्विंग स्क्यू से बचने और टीमों के बीच फ़ीचर साझा करने के कैनोनिकल तरीक़े के रूप में करता है।
SageMaker के लिए नेटिव MLOps ऑर्केस्ट्रेटर — प्रीप्रोसेसिंग, ट्रेनिंग, इवैल्यूएशन, मॉडल रजिस्ट्रेशन और कंडीशनल डिप्लॉयमेंट को एक वर्शन्ड DAG के रूप में जोड़ता है।
यह परीक्षा में क्यों है: डोमेन 3 (Deployment & Orchestration) रिप्रोड्यूसिबल एंड-टू-एंड पाइपलाइनों पर ज़ोर देता है; SageMaker-हेवी स्टैक्स के लिए Pipelines जेनेरिक स्टेप ऑर्केस्ट्रेटरों के मुक़ाबले AWS-नेटिव विकल्प है।
Studio के अंदर विज़ुअल डेटा-प्रेप टूल जो S3, Athena, Redshift, Snowflake से डेटा इम्पोर्ट करता है और एक क्लिक से 300+ बिल्ट-इन ट्रांसफ़ॉर्मेशन लागू करता है।
यह परीक्षा में क्यों है: फ़ीचर इंजीनियरिंग और एक्सप्लोरेटरी डेटा एनालिसिस पर डोमेन 1 के प्रश्न अक्सर Data Wrangler को टैब्युलर प्रेप के लिए लो-कोड उत्तर के रूप में नामित करते हैं।
ऑब्जेक्ट स्टोरेज जो ट्रेनिंग डेटासेट्स, मॉडल आर्टिफ़ैक्ट्स, इन्फरेंस इनपुट/आउटपुट और SageMaker Feature Store ऑफ़लाइन डेटा के लिए डेटा लेक के रूप में काम करता है।
यह परीक्षा में क्यों है: हर MLA-C01 डेटा-प्रेप और मॉडल-डिप्लॉयमेंट परिदृश्य S3 को डेटा सब्सट्रेट मानता है; स्टोरेज क्लासेज़, लाइफ़साइकल नीतियाँ और एक्सेस पैटर्न डोमेन 1 और 4 में सामने आते हैं।
सर्वरलेस ETL सेवा जिसमें मैनेज्ड Spark रनटाइम, एक Data Catalog, स्कीमा डिस्कवरी के लिए क्रॉलर्स और लो-कोड ट्रांसफ़ॉर्मेशन के लिए Glue DataBrew शामिल है।
यह परीक्षा में क्यों है: डोमेन 1 कच्चे डेटा को उस आकार में लाने के लिए डिफ़ॉल्ट ETL/डेटा-कैटलॉग टूल के रूप में Glue को नामित करता है जिसकी SageMaker ट्रेनिंग अपेक्षा करती है।
S3 (और फ़ेडरेटेड स्रोतों) पर सर्वरलेस इंटरैक्टिव SQL इंजन, स्कीमा के लिए Glue Data Catalog का उपयोग करता है और पे-पर-क्वेरी प्राइसिंग पर चलता है।
यह परीक्षा में क्यों है: Athena वह अपेक्षित उत्तर है जब प्रश्न पूछा जाता है कि बिना क्लस्टर शुरू किए S3 ट्रेनिंग डेटा पर ऐड-हॉक SQL कैसे चलाएँ — डोमेन 1 में आम।
बड़े पैमाने पर डेटा प्रोसेसिंग के लिए मैनेज्ड Hadoop/Spark प्लेटफ़ॉर्म, जो Spark MLlib, Hive, Presto और SageMaker Studio EMR इंटीग्रेशन का समर्थन करता है।
यह परीक्षा में क्यों है: EMR डोमेन 1 के उन परिदृश्यों में आता है जो Glue के पैमाने से अधिक हैं या SageMaker के बाहर Spark MLlib पाइपलाइनों की माँग करते हैं।
रियल-टाइम डेटा-स्ट्रीमिंग सेवा जो क्लिकस्ट्रीम, IoT और लॉग इवेंट्स को स्केल पर इंजेस्ट करती है और रिटेंशन विंडो के भीतर रीप्ले योग्य है।
यह परीक्षा में क्यों है: स्ट्रीमिंग फ़ीचर इंजेशन (जैसे फ़्रॉड डिटेक्शन, रिकमेंडेशन फ़्रेशनेस) पर डोमेन 1 के प्रश्न AWS-नेटिव उत्तर के रूप में Kinesis को नामित करते हैं।
इवेंट-ड्रिवन इन्फरेंस, हल्की प्रीप्रोसेसिंग, S3 इवेंट ट्रिगर्स और बिज़नेस वर्कफ़्लो में SageMaker कॉल्स को स्टिच करने के लिए सर्वरलेस कंप्यूट।
यह परीक्षा में क्यों है: डोमेन 3 के डिप्लॉयमेंट परिदृश्य "SageMaker एंडपॉइंट पर होस्ट करें" और "Lambda में रैप करें" के ट्रेड-ऑफ़ में फ़र्क़ करते हैं — लागत, कोल्ड स्टार्ट और पेलोड-साइज़ के प्रश्न आम हैं।
उन Docker इमेजेज़ के लिए मैनेज्ड कंटेनर रजिस्ट्री जिन्हें SageMaker ट्रेनिंग जॉब्स, प्रोसेसिंग जॉब्स और इन्फरेंस एंडपॉइंट्स रनटाइम पर पुल करते हैं।
यह परीक्षा में क्यों है: डोमेन 3 कस्टम ट्रेनिंग/इन्फरेंस के लिए BYOC (bring-your-own-container) वर्कफ़्लो का परीक्षण करता है — ECR नामित स्टोरेज और IAM-इंटीग्रेटेड रजिस्ट्री है।
सर्वरलेस वर्कफ़्लो ऑर्केस्ट्रेटर जिसमें ट्रेनिंग, बैच ट्रांसफ़ॉर्म, एंडपॉइंट डिप्लॉयमेंट और Lambda स्टेप कंपोज़िशन के लिए नेटिव SageMaker इंटीग्रेशन्स हैं।
यह परीक्षा में क्यों है: Step Functions (मल्टी-सर्विस ऑर्केस्ट्रेशन) और SageMaker Pipelines (SageMaker-नेटिव MLOps) में फ़र्क़ डोमेन 3 का आवर्ती डिस्ट्रैक्टर पैटर्न है।
अकाउंट-व्यापी एक्सेस कंट्रोल: हर SageMaker, S3 और पाइपलाइन क्रिया के लिए उपयोगकर्ता, रोल्स, नीतियाँ, फ़ेडरेशन और लीस्ट-प्रिविलेज परमिशन्स।
यह परीक्षा में क्यों है: डोमेन 4 (Security) ट्रेनिंग/इन्फरेंस के लिए IAM execution roles, क्रॉस-अकाउंट मॉडल साझाकरण और डेटा लेक पर रिसोर्स-आधारित नीतियों का परीक्षण करता है।
क्रिप्टोग्राफ़िक कुंजियों का मैनेज्ड निर्माण और नियंत्रण जो ट्रेनिंग डेटा, मॉडल आर्टिफ़ैक्ट्स, ट्रेनिंग इंस्टेंस पर EBS वॉल्यूम्स और एंडपॉइंट पेलोड्स को एन्क्रिप्ट करती हैं।
यह परीक्षा में क्यों है: कस्टमर-मैनेज्ड कुंजियों के साथ एन्क्रिप्शन-एट-रेस्ट संवेदनशील ट्रेनिंग कोरपोरा और मॉडल IP की रक्षा के लिए डोमेन 4 का कैनोनिकल उत्तर है।
SageMaker एंडपॉइंट इनवोकेशन्स, ट्रेनिंग-जॉब प्रगति, कस्टम मॉडल मेट्रिक्स और पाइपलाइन स्टेप अवधियों के लिए मेट्रिक्स, लॉग्स और अलार्म।
यह परीक्षा में क्यों है: डोमेन 4 एंडपॉइंट लेटेंसी/एरर अलार्म, ट्रेनिंग-जॉब लॉग ट्रबलशूटिंग और ऑप्स टीमों के सामने Model Monitor निष्कर्ष लाने के लिए CloudWatch की अपेक्षा रखता है।
हर API कॉल का अकाउंट-व्यापी ऑडिट लॉग — किसने ट्रेनिंग जॉब शुरू किया, किसने एंडपॉइंट अपडेट किया, किसने S3 से मॉडल आर्टिफ़ैक्ट्स डाउनलोड किए।
यह परीक्षा में क्यों है: डोमेन 4 के कम्प्लायंस परिदृश्य CloudTrail को उस अपरिवर्तनीय रिकॉर्ड के रूप में उद्धृत करते हैं जो "इस मॉडल को किसने डिप्लॉय किया" और "ट्रेनिंग डेटा कब एक्सेस किया गया" का उत्तर देता है।
$120k–$165k–$230k USD वार्षिक
यह रेंज यूएस-आधारित मध्य-से-वरिष्ठ MLE भूमिकाओं को कवर करती है जहाँ AWS दक्षता आवश्यक है। FAANG / यूनिकॉर्न के वरिष्ठ MLEs अक्सर $300k TC से अधिक कमाते हैं। एंट्री-लेवल और गैर-तटीय बाजारों में रुझान कम होता है। सर्टिफिकेशन अकेले वेतन नहीं बढ़ाता — यह शिप किए गए ML सिस्टम के पोर्टफोलियो का पूरक है।
स्रोत: levels.fyi 2025–2026 ML इंजीनियर भूमिकाएँ, U.S. BLS OEWS मई 2024 (15-2051 डेटा साइंटिस्ट, 15-1252 सॉफ्टवेयर डेवलपर). आंकड़े अनुमानित हैं; वास्तविक मुआवजा भूमिका, क्षेत्र और अनुभव पर निर्भर करता है।
ML इंजीनियरों की मांग, जो मॉडलों को केवल नोटबुक में प्रशिक्षित करने के बजाय उन्हें प्रोडक्शन में ला सकते हैं, 2024-2026 के दौरान तेजी से बढ़ी है क्योंकि उद्यमों ने GenAI और क्लासिकल ML वर्कलोड को परिचालन में लाया है। MLA-C01 एक विश्वसनीय संकेत के रूप में कार्य करता है कि एक उम्मीदवार SageMaker को एंड-टू-एंड समझता है और MLOps ट्रेडऑफ़ को नेविगेट कर सकता है। AWS-केंद्रित कंपनियों (वित्तीय सेवाएँ, स्वास्थ्य सेवा, खुदरा डेटा टीमें) में भर्तीकर्ता इसे Python और PyTorch/TensorFlow अनुभव के साथ एक स्क्रीनिंग फिल्टर के रूप में उपयोग करते हैं। यह एक व्यापक डेटा-और-ML प्रोफाइल के लिए AI Practitioner (AIF-C01) और Data Engineer Associate (DEA-C01) के साथ स्वाभाविक रूप से जुड़ता है। यह स्वयं उम्मीदवारों को ML रिसर्च भूमिकाओं, डीप-लर्निंग विशेषज्ञ पदों, या ML प्लेटफॉर्म आर्किटेक्ट शीर्षकों के लिए योग्य नहीं बनाता — उनके लिए कई वर्षों के शिप किए गए सिस्टम अनुभव के साथ अक्सर स्नातक डिग्री की भी अपेक्षा की जाती है।
कोई औपचारिक पूर्व-आवश्यकताएँ नहीं हैं। AWS SageMaker और ML वर्कफ़्लो के साथ कम से कम एक वर्ष के व्यावहारिक अनुभव, साथ ही Python, सामान्य ML लाइब्रेरीज़ (scikit-learn, pandas, PyTorch या TensorFlow) और बुनियादी सांख्यिकी के कार्यसाधक ज्ञान की सिफारिश करता है।
सबसे कुशल तरीका पहले AIF-C01 (बुनियादी AI शब्दावली) को पास करना है, फिर MLA-C01 में बैठने से पहले एक छोटा एंड-टू-एंड SageMaker प्रोजेक्ट बनाना है — फीचर स्टोर, ट्रेनिंग जॉब, मॉडल रजिस्ट्री, रियल-टाइम एंडपॉइंट, मॉनिटर। Cloud Practitioner (CLF-C02) या Solutions Architect Associate (SAA-C03) पृष्ठभूमि वाले उम्मीदवारों को AWS-सेवाओं के प्रश्न बहुत आसान लगते हैं। AWS के अनुभव के बिना एक शुद्ध डेटा-साइंस पृष्ठभूमि सबसे कठिन शुरुआती बिंदु है और आमतौर पर 80+ घंटे के अतिरिक्त सेवा-विशिष्ट अध्ययन की आवश्यकता होती है।
MLA-C01 को एसोसिएट रेट किया गया है और यह AIF-C01 से काफी कठिन है क्योंकि यह SageMaker की व्यावहारिक दक्षता को मानता है। यदि आपके पास ML का पूर्व अनुभव है लेकिन AWS का सीमित अनुभव है, तो 8–12 सप्ताह में 80–120 घंटे की योजना बनाएं; यदि आप पहले से ही AWS ML पाइपलाइन पर रोजाना काम करते हैं, तो 4–6 सप्ताह में 40–60 घंटे की योजना बनाएं। परीक्षा में 170 मिनट में 65 अंक वाले प्रश्न होते हैं — बहुविकल्पीय और बहु-प्रतिक्रिया वाले, कोई लैब नहीं।
सबसे आम बाधा SageMaker उप-सेवाओं (Studio, Pipelines, Feature Store, Model Registry, Clarify, Model Monitor, JumpStart, Canvas, Autopilot, Ground Truth) की व्यापकता है — प्रश्न अक्सर एक सीमित परिदृश्य के लिए सही उपकरण चुनने पर निर्भर करते हैं। दूसरी चुनौती डिप्लॉयमेंट मोड हैं: यह जानना कि रियल-टाइम बनाम एसिंक बनाम सर्वरलेस बनाम बैच ट्रांसफॉर्म एंडपॉइंट्स का उपयोग कब करना है, और प्रत्येक की लागत और विलंबता के ट्रेडऑफ़।
प्रारंभिक सामान्य उपलब्धता। बीटा परीक्षा मध्य-2024 में चली थी। इंजीनियरिंग-केंद्रित उम्मीदवारों के लिए पुराने मशीन लर्निंग स्पेशियल्टी (MLS-C01) की जगह लेता है। अप्रैल 2026 तक वर्तमान संस्करण।
MLA-C01 (AWS Certified Machine Learning Engineer Associate) एक एक मध्यम कठिन परीक्षा जो व्यावहारिक अनुभव और सर्वोत्तम प्रथाओं की ठोस समझ की अपेक्षा करती है Associate-स्तरीय परीक्षा है। एसोसिएट-स्तरीय परीक्षाओं के लिए अधिकांश उम्मीदवारों को 6-12 सप्ताह में फैले 80-150 घंटे के अध्ययन की आवश्यकता होती है। अधिकांश उम्मीदवार जो अभ्यास परीक्षाओं में उत्तीर्ण होने की सीमा से लगातार ऊपर स्कोर करते हैं, वे अपने पहले प्रयास में उत्तीर्ण हो जाते हैं।
एसोसिएट-स्तरीय परीक्षाओं के लिए अधिकांश उम्मीदवारों को 6-12 सप्ताह में फैले 80-150 घंटे के अध्ययन की आवश्यकता होती है। उत्तीर्ण होने में लगने वाला समय पूर्व अनुभव के आधार पर व्यापक रूप से भिन्न होता है। अंतर्निहित तकनीक में व्यावहारिक उत्पादन अनुभव वाले इंजीनियरों को आमतौर पर कम समय लगता है; प्लेटफ़ॉर्म के लिए नए उम्मीदवारों को उस सीमा के ऊपरी छोर की ओर योजना बनानी चाहिए।
MLA-C01 AWS इकोसिस्टम में एक मान्यता प्राप्त क्रेडेंशियल है और नियोक्ताओं, भर्तीकर्ताओं और ग्राहकों को मान्य ज्ञान का संकेत देता है। क्या यह आपके लिए समय और शुल्क के लायक है, यह आपकी भूमिका और लक्ष्यों पर निर्भर करता है - यह क्लाउड इंजीनियरों, आर्किटेक्ट्स और सलाहकारों के लिए सबसे अधिक फायदेमंद होता है जो AWS के साथ प्रतिदिन काम करते हैं या उन भूमिकाओं में जाना चाहते हैं।
MLA-C01 के लिए उत्तीर्ण अंक 720 / 1000 है। परीक्षा में 65 प्रश्न होते हैं और यह 2 घंटा 50 मिनट तक चलती है।
MLA-C01 परीक्षा का शुल्क $150 USD है। शुल्क AWS द्वारा निर्धारित किए जाते हैं और क्षेत्र के अनुसार भिन्न हो सकते हैं; बुकिंग से पहले हमेशा आधिकारिक AWS प्रमाणन पृष्ठ पर वर्तमान कीमत की पुष्टि करें।
AWS प्रमाणन 3 साल के लिए वैध हैं। उसी परीक्षा के वर्तमान संस्करण को पास करके, या समाप्ति से पहले उसी पथ में एक उच्च-स्तरीय परीक्षा पास करके पुनः प्रमाणित करें।
हाँ। आप परीक्षा ऑनलाइन (प्रदाता के सुरक्षित ब्राउज़र के माध्यम से प्रोक्टर्ड, अधिकांश क्षेत्रों में 24/7 उपलब्ध) या व्यावसायिक घंटों के दौरान व्यक्तिगत पियर्सन VUE परीक्षण केंद्र पर दे सकते हैं। दोनों प्रारूपों में समान प्रश्न, समय सीमा और उत्तीर्ण अंक होते हैं।
CertLabPro MLA-C01 के लिए अभ्यास प्रश्न बैंक में 15 अध्ययन मोड प्रदान करता है। परीक्षा-सिमुलेशन मोड वास्तविक परीक्षा को दर्शाता है: 2 घंटा 50 मिनट में 65 प्रश्न, 720 / 1000 की समान उत्तीर्ण सीमा के साथ। ब्राउज़ मोड आपको प्रत्येक प्रश्नोत्तर को स्थिर रूप से पढ़ने की अनुमति देता है।