AIF-C01 のための AWS の AI サービスとサブサービス: それぞれが何をし、どう使うのか

AWS Certified AI Practitioner 試験のための詳細リファレンス。すべての AWS の AI/ML サービスとそのサブサービス - Bedrock、AgentCore、SageMaker AI、Nova、マネージド AI API、Amazon Q、PartyRock - について、それが何であり、なぜ存在し、どう使うのかを解説します。

著者：CertLabPro TeamSeptember 14, 202629 min read

AIF-C01 試験は、何かを構築することを求めるものではありません。問われるのは、ある課題に対して適切な AWS サービスを選び、それが何をするのかを説明できるかどうかです。簡単そうに聞こえますが、AWS には十数個の AI サービスがあり、そのうち大きな 2 つ - Amazon Bedrock と Amazon SageMaker AI - はそれぞれさらに十数個のサブサービスを内包していることに気づくと、話は変わってきます。多くの人は主要な名前だけを学び、Knowledge Bases とファインチューニングのどちらか、あるいは Ground Truth と Data Wrangler のどちらかを軸にしたシナリオでつまずきます。

これは詳細版です。AIF-C01 の出題範囲に含まれるすべてのサービスとサブサービスについて、それが何であり、なぜ存在し、実際にどう使うのかを解説します。あえて長くしています - 最初から最後まで読み通す物語ではなく、セクション単位で拾い読みするリファレンスとして扱ってください。まず「どのサービスがどの試験ドメインに対応するか」という短いマップが欲しい場合は、姉妹記事の AIF-C01 試験に出るすべての AWS サービスを読んでから、サブサービスの詳細を求めてここに戻ってきてください。

メンタルモデル: AWS 上で AI を使う 5 つの方法

サービス一覧に入る前に、この枠組みを頭に入れておいてください。試験のすべての AI 問題は、本質的には「この 5 つのレイヤーのどれが当てはまるか」を問うています。

マネージド AI API（Comprehend、Rekognition、Textract など） - 事前学習済みで、単一目的。データを送ると結果が得られます。モデルの選択も学習もありません。
Amazon Bedrock - 基盤モデルへのマネージドアクセスに加え、生成 AI アプリを構築するためのツール群（RAG、エージェント、ガードレール）を提供します。モデルを選び、振る舞いを組み立てますが、サーバーの管理はしません。
Amazon SageMaker AI - 自分でモデルを構築するためのフルプラットフォームです。データの準備、学習、チューニング、デプロイ、そしてカスタムモデルの監視を行います。
Amazon Q - 完成された AI アシスタント製品です。モデルを選んだりベクトルストアを配線したりする必要はありません。AWS がすでに済ませています。
PartyRock - 生成 AI アプリを学び、プロトタイピングするためのノーコードのプレイグラウンドです。

試験は常にこれらの境界を問います。以下の各サービスを読むときは、どのレイヤーに属するかを念頭に置いてください。

Amazon Bedrock

それが何か。 多くのプロバイダーの基盤モデルを 1 つの API で呼び出せるフルマネージドサービスであり、さらにその上に生成 AI アプリケーションを構築するための組み込みツール一式を備えています。インフラもモデルのホスティングも不要 - プロンプトを送れば、応答が返ってきます。

なぜ存在するのか。 生成 AI アプリには、素のモデル以上のものが必要です。プライベートデータへのグラウンディング、安全性の制御、オーケストレーション、そして評価が必要です。Bedrock はそれらすべてをサーバーレス API の背後に束ねるので、配管ではなくアプリそのものを構築できます。

どう使うか。 モデルを選び、プレイグラウンドで試し、必要なサブサービス（RAG のための Knowledge Bases、安全性のための Guardrails、アクションのための Agents）を追加して、それらすべてを API または SDK を通じてアプリから呼び出します。

基盤モデル

呼び出せるモデルのカタログです。1 つのベンダーに縛られるわけではありません - コスト、レイテンシ、能力に応じて適切なモデルを選ぶことは、試験の核心的なスキルです。

Amazon Titan - Amazon のファーストパーティモデル: Titan Text、Titan Text Embeddings（RAG のベクトル検索向け）、Titan Image Generator、Titan Multimodal Embeddings。
Amazon Nova - Amazon のより新しいモデルファミリー（下記の独立したセクションで扱います）。
Anthropic Claude - 強力な汎用推論モデルおよび長文脈モデル。
Meta Llama、Mistral、Cohere、AI21 Labs (Jamba)、Stability AI（画像生成）など。

「基盤モデル」とは、プロンプティング、RAG、またはファインチューニングを通じて適応させる大規模な事前学習済みモデルであり、ゼロから学習させるものではないことを理解しておいてください。

Bedrock playgrounds

何を/なぜ。 コードなしでモデルとプロンプトを試すための、コンソールのチャット・テキスト・画像コンソールです。ここは、何かを配線する前にモデルを比較し、推論パラメータ（temperature、top-p、max tokens）を調整する場所です。

どう使うか。 プレイグラウンドを開き、モデルを選び、プロンプトを反復し、勝ち残ったモデルと設定をアプリに持ち込みます。

Knowledge Bases

何を/なぜ。 マネージドな検索拡張生成（RAG）機能です。基盤モデルをあなたのプライベート文書に接続し、ファインチューニングなしで、回答をあなたのデータに基づいたものにします。

どう使うか。 データソース（例えば S3）を指定すると、文書をチャンク化し、埋め込みを生成し、ベクトルストアに格納し、クエリ時にプロンプトへ注入するために関連する箇所を取得します。引用を自動的に追跡します。「再学習せずにモデルをプライベートデータに基づかせる」に対する試験の定番の答えは Knowledge Bases (RAG) です。

Agents

何を/なぜ。 基盤モデルに、単にテキストを返すだけでなく、アクションを取る能力 - API の呼び出し、複数ステップのワークフローの実行、Knowledge Base への問い合わせ - を与えます。

どう使うか。 「アクショングループ」（モデルが呼び出せるツールと API。多くの場合 Lambda に裏打ちされます）を定義すると、Agents が推論・行動・観察のループを回します。アシスタントが何かを調べてから何か（注文の確認、レコードの更新）を行う必要があるシナリオなら、答えは素の推論ではなく Agents です。

Guardrails

何を/なぜ。 ユーザーとモデルの間に置かれる、安全性と責任ある AI の要件を強制する設定可能なポリシーレイヤーです。

どう使うか。 必要な保護を有効にします: コンテンツフィルター（ヘイト、暴力など）、あなたが定義する禁止トピック、単語フィルター、入力と出力に対する機密情報（PII）のマスキング、そして幻覚を減らすための文脈的グラウンディングチェック。宣言的です - カスタムコードは不要です。Guardrails はモデル、Agents、Knowledge Bases、Flows にわたって適用されます。

Flows

何を/なぜ。 Bedrock の各要素を 1 つの名前付きワークフローに連鎖させる、ビジュアルなローコードビルダーです。

どう使うか。 プロンプト、Knowledge Bases、Agents、Guardrails、Lambda 関数、そして条件ロジックをフローにドラッグし、その全体を 1 回の API 呼び出しで実行します。接着コードを書かずにオーケストレーションを行いたいときに使います。

Prompt Management

何を/なぜ。 プロンプトのバージョン管理付きカタログです。文字列をコードに貼り付ける代わりに、チームがプロンプトを再利用し比較できるようにします。

どう使うか。 プロンプトをバージョン管理されたリソースとして保存し、バリアントをテストし、アプリや Flows から参照します。Model Evaluation と組み合わせて、どのバージョンがより良い性能を出すかを測定します。

Model Evaluation

何を/なぜ。 モデルと RAG の品質を組み込みで評価するので、モデルの選択が当て推量ではなく測定に基づくものになります。

どう使うか。 自動評価（正確性、堅牢性、有害性などの指標）を実行するか、人間のレビュアーを起用して、あなた自身のデータでモデルやプロンプトのバージョンを比較します。

カスタムモデル（ファインチューニングと継続事前学習）

何を/なぜ。 プロンプティングと RAG では不十分なとき、モデルをあなたのドメインに適応させます。

どう使うか。 ファインチューニングはラベル付きの例からモデルを教え、継続事前学習はラベルなしの大量のドメインテキストにモデルを適応させます。結果は、Bedrock を通じて提供するプライベートなカスタムモデルです。試験では、ファインチューニングはモデルそのものを変えるのに対し、RAG はモデルには手を触れずクエリ時に文脈を供給する、ということを理解しておいてほしいのです。

Provisioned Throughput

何を/なぜ。 料金とキャパシティのモードです。オンデマンド料金はコミットメントなしにトークン単位で課金します。Provisioned Throughput は、安定した、大量の、またはカスタムモデルのワークロードのために専用キャパシティを予約します。

どう使うか。 保証されたスループットが必要な場合、またはカスタムモデルを提供する場合は Provisioned Throughput を選びます。それ以外はオンデマンドがデフォルトです。

認識しておくべきその他の Bedrock 機能

Batch inference - 大規模なジョブを低コストでオフライン実行します。
Cross-Region inference - キャパシティと回復力のためにリクエストを複数リージョンにルーティングします。
Model invocation logging - 監査のためにプロンプトと応答のログを CloudWatch または S3 に送信します。
Bedrock Data Automation - 非構造化コンテンツ（文書、画像、音声、動画）を抽出・変換して構造化された出力にします。
Bedrock Marketplace - コアカタログを超えた、特化型・新興のモデルにアクセスします。

Amazon Bedrock AgentCore

それが何か。 どのフレームワークやモデルで構築されたかに関わらず、AI エージェントを本番環境で実行するためのより新しいサービス群です。Bedrock Agents はエージェントの構築を助け、AgentCore はそれを大規模に運用することを助けます。

なぜ存在するのか。 プロトタイプのエージェントは本番で壊れます - メモリ、安全なツールアクセス、アイデンティティ、可観測性を欠いているからです。AgentCore はそれらをマネージドな構成要素として提供し、独立して採用できます。

どう使うか。 必要なコンポーネントを選びます:

Runtime - エージェントまたはツールのコードのためのサーバーレスホスティングで、セッション分離を備えます。
Memory - セッションをまたいで持続する文脈で、エージェントが記憶できるようにします。
Gateway - あなたの API と Lambda 関数を、呼び出し可能なツールとしてエージェントに公開します。
Identity - 各エージェントにワークロードアイデンティティを与え、外部サービスへのアクセスを管理します（Cognito、Okta、Entra ID と統合します）。
Code Interpreter - エージェントがコードを実行するためのサンドボックスです。
Browser - エージェントのためのヘッドレスな Web ブラウジングです。
Observability - エージェントの振る舞いのトレースと監視です。

AIF-C01 では、AgentCore を「エージェントを本番に持っていく」レイヤーとして認識してください。自分で構築する必要はありません。

Amazon Nova

それが何か。 Amazon 自身の基盤モデルファミリーで、Bedrock を通じて提供されます。

なぜ存在するのか。 テキスト、画像、動画にわたって、低く予測可能な価格とレイテンシで、強力な能力を提供するためです。

どう使うか。 仕事に合ったティアを選びます:

Nova Micro - テキストのみ、最も低いコストとレイテンシ。
Nova Lite - 低コストのマルチモーダル（テキスト、画像、動画の入力）。
Nova Pro - ほとんどのタスクに向けたバランスの取れたマルチモーダルモデル。
Nova Premier - 最も能力が高く、より小さいカスタムモデルを蒸留するための優れた「教師」です。
Nova Canvas - 画像生成。
Nova Reel - 動画生成。
Nova Sonic - 音声から音声へ; Nova Act - エージェント的なブラウザアクション。

Amazon SageMaker AI

それが何か。 自分の機械学習モデルを構築、学習、デプロイ、監視するためのエンドツーエンドのプラットフォームです。これが「カスタムモデルを構築する」レイヤーであり、マネージド API とは正反対の端に位置します。

なぜ存在するのか。 課題によっては、ライフサイクルを完全に制御しながら、あなたのデータで学習させたモデルが必要です。SageMaker AI は各段階をマネージドな機能として提供するので、チームは自前の ML インフラをつなぎ合わせる必要がありません。

どう使うか。 AIF-C01 では SageMaker を概念的に使います - 各サブサービスが何をし、いつ当てはまるかを知っておいてください。学習コードを書くことは求められません。

SageMaker Studio

Web ベースの IDE 兼コントロールセンター - ノートブック、実験、そして他のすべての SageMaker 機能へのアクセスを 1 か所にまとめます。

SageMaker JumpStart

事前学習済みの基盤モデルとタスク特化型モデルのカタログで、ワンクリックのデプロイとファインチューニング用ノートブックを備えます。ホスト型 API を Bedrock を通じて呼び出すのとは別物で、既製のモデルを自分のアカウントとエンドポイントにデプロイするものと考えてください。

SageMaker Canvas

アナリスト向けのノーコード ML です。データセットをアップロードし、ターゲットを選ぶと、Canvas がモデルを構築し予測を生成します。生成タスクのために Bedrock の基盤モデルを利用することもできます - すべてコードを書かずに行えます。

Data Wrangler

ビジュアルなデータ準備です。多くのソースからインポートし、数百の組み込み変換を適用し、分析して、準備済みデータを学習パイプラインにエクスポートします。これが「データをクリーニングして整形する」ステップです。

Feature Store

チームが作り出す特徴量（モデルの入力）の中央リポジトリで、低レイテンシ推論のためのオンラインストアと学習のためのオフラインストアを備えます。各チームが同じ特徴量を再計算するのを防ぎます。

Ground Truth（および Ground Truth Plus）

データのラベル付けです。Ground Truth は人間による、および自動化されたラベル付けのワークフローを管理して学習データセットを構築します。Ground Truth Plus は、専門的な作業者を擁する、AWS が運営するフルマネージド版です。ラベル付きデータは、教師あり学習が必要とするものです。

Clarify

バイアスの検出と説明可能性です。データおよびモデルの予測における、グループ間のバイアスを測定し、特徴量の寄与（SHAP を用いて、どの入力が予測を左右したか）を計算します。責任ある AI のシナリオにおける「バイアスを検出する」「モデルを説明する」に対する名指しの答えです。

Model Monitor

本番環境のモデルの継続的な監視です。データドリフト、モデル品質のドリフト、バイアスのドリフト、特徴量寄与のドリフトを検出し、アラートを発します - これにより、ユーザーが気づく前にモデルの劣化を捉えられます。

Autopilot

自動機械学習（AutoML）です。データセットを指定すると、アルゴリズムを探索し、候補モデルを自動的に学習・チューニングして、最良のものを提示します。学習済みモデルへの、重い作業のいらない道です。

Pipelines

MLOps のオーケストレーションです。繰り返し可能なワークフロー - 準備、学習、評価、登録、デプロイ - をパイプラインとして定義し、モデルの提供を自動化し再現可能にします。

Model Registry と Model Cards

Model Registry は学習済みモデルをバージョン管理し、デプロイのための承認を管理します。Model Cards は、ガバナンスのためにモデルの目的、データ、性能、限界を文書化します。どちらも責任ある、監査可能な ML を支えます。

推論オプション

学習済みモデルをどう提供するか、トラフィックのパターンに合わせて選びます:

Real-time endpoints - 永続的で、低レイテンシで、常時稼働の提供。
Serverless inference - 断続的なトラフィックに対してゼロまでスケールし、管理すべきキャパシティがありません。
Asynchronous inference - 大規模または長時間実行のリクエストをキューに入れます。
Batch transform - データセット全体をオフラインでスコアリングし、エンドポイントは不要です。

どの推論オプションがシナリオ（安定したトラフィック対スパイク状対バルク）に合うかを知っていることは、繰り返し出る試験パターンです。

マネージド AI サービス（タスク特化型 API）

学習やモデル管理なしに、1 種類の問題を解く事前学習済みサービスです。試験は、あるユースケースに対して適切なものを選ぶことを問います。

Amazon Comprehend

何を/なぜ/どう。 テキストに対する自然言語処理: 感情、エンティティ、キーフレーズ、言語検出、トピックモデリング、PII 検出に加え、カスタム分類とカスタムエンティティ認識。テキストを送ると、構造化された結果が得られます。「顧客フィードバックを分析する」「テキスト中の PII を見つける」に対する答えです。

Amazon Textract

何を/なぜ/どう。 基本的な OCR を超えた文書理解 - PDF やスキャンからテキスト、キーと値のペア、表、フィールドを抽出し、請求書、領収書、身分証明書向けの特化した解析を備えます。「フォームから構造化データを抽出する」に対する答えです。

Amazon Rekognition

何を/なぜ/どう。 画像と動画のためのコンピュータービジョン: 物体・シーンの検出、顔の分析と比較、コンテンツモデレーション、画像内のテキスト、そして独自のカテゴリのための Custom Labels。「ML チームなしで画像を分析する」に対する答えです。

Amazon Transcribe

何を/なぜ/どう。 話者識別、カスタム語彙、カスタム言語モデル、PII のマスキング、リアルタイムストリーミング、そして医療向けバリアントを備えた自動音声認識（音声からテキスト）。しばしば Comprehend と組み合わせます: 通話を文字起こしし、次に感情を分析します。

Amazon Polly

何を/なぜ/どう。 多くの言語のニューラルおよびジェネレーティブな音声によるテキスト読み上げで、発音とペーシングを SSML で制御します。「テキストを自然な音声に変換する」に対する答えです。

Amazon Translate

何を/なぜ/どう。 多くの言語にわたるニューラル機械翻訳で、ドメイン特有の言い回しのためのカスタム用語集、リアルタイムとバッチを備えます。「モデルを学習させずにコンテンツを翻訳する」に対する答えです。

Amazon Lex

何を/なぜ/どう。 自動音声認識と自然言語理解を備えた会話ボットを構築します: インテントとスロットを定義し、Lambda で処理を完了し、Polly を通じて音声で応答します。構造化された、インテントベースのチャットボットフレームワークです - 自由形式で、ツールを使うアシスタントのための Bedrock Agents と対比してください。

Amazon Personalize

何を/なぜ/どう。 Amazon.com を支えるのと同じ技術から構築された、マネージドなリアルタイムのレコメンデーションとパーソナライゼーションです。インタラクションデータを与えると、レコメンデーション、パーソナライズされたランキング、ユーザーセグメントが得られます - レコメンダーモデルを構築する必要はありません。

Amazon Q

それが何か。 AWS の完成された AI アシスタント製品です。試験にとっての要点: Q はツールキットではなく製品です。モデルを選んだり、プロンプトを管理したり、ベクトルストアを構築したりする必要はありません - AWS がそれを行いました。

Amazon Q Developer - IDE とコンソールの中のコーディング兼 AWS アシスタント: コード生成、デバッグ、参照追跡、AWS リソースに関する質問、そしてコストや CLI のヘルプ（旧 CodeWhisperer）。
Amazon Q Business - あなたの会社のデータ（例えば SharePoint、Confluence、Salesforce）に基づいて質問に答える、権限を意識した応答を備えたエンタープライズアシスタント。
名指しで目にするかもしれない組み込み型のバリエーション: Q in QuickSight（ビジネスインテリジェンス）、Q in Connect（コンタクトセンター）、そして Q Apps。

どう使うか / 試験の切り口。 要件が「何も構築せずに AI を使う」なら Q を選びます。カスタマイズして自分のアプリを構築する必要があるなら Bedrock を選びます。

PartyRock

それが何か。 生成 AI アプリを平易な言葉で記述して構築するための、ノーコードの Web ベースのプレイグラウンド（Bedrock で動作）です。AWS コンソールの外で動作し、AWS アカウントを必要としません。

なぜ存在するのか。 誰もが生成 AI とプロンプトエンジニアリングを実地で学べるようにし、アプリのアイデアを素早くプロトタイピングできるようにするためです。

どう使うか。 アプリを ウィジェット から構成します - ユーザー入力、静的テキスト、そして AI 駆動のテキスト生成・画像生成・チャットボットのウィジェットです。あるウィジェットの出力を別のウィジェットのプロンプト内で @ 記号（動的変数）を使って参照することで連鎖させ、出力がウィジェットからウィジェットへ流れるようにします。Bedrock 本体に触れる前に直感を養うのに最適です。

出題範囲に含まれる補助サービス

AI 特有ではありませんが、セキュリティ、ガバナンス、コスト、データのシナリオで問われます。それぞれが何のためのものかを知っておいてください。詳細な設定の知識は必要ありません。

セキュリティ、アイデンティティ、コンプライアンス: IAM（最小権限のアクセス、例えばあるロールが呼び出せる Bedrock モデルを制限すること）、KMS（データ、モデルのアーティファクト、ログのための暗号化キー）、Macie（S3 内の機密データと PII を ML ベースで発見）、Amazon Inspector（脆弱性スキャン）、Secrets Manager（マネージドなシークレット）、AWS Artifact（オンデマンドのコンプライアンスレポート）。
管理とガバナンス: CloudTrail（API の監査証跡）、CloudWatch（メトリクス、ログ、アラーム; Bedrock の呼び出しログとエンドポイントのメトリクス）、AWS Config（リソースの構成とコンプライアンス）、Trusted Advisor（ベストプラクティスのチェック）、AWS Well-Architected Tool（フレームワークに照らしてワークロードをレビュー）。
ストレージ: Amazon S3（学習データ、文書、アーティファクトのためのデータレイク）、S3 Glacier（アーカイブ）。
コンピュート: Amazon EC2（GPU およびアクセラレータのインスタンスファミリーを含む; 学習のための AWS Trainium と推論のための AWS Inferentia）、AWS Lambda（パイプラインとエージェントのアクションのためのサーバーレスな接着剤）。
コンテナ: コンテナ化されたワークロードのための Amazon ECS と Amazon EKS。
データベースとベクトルストア: Amazon OpenSearch Service（RAG のための k-NN ベクトル検索）、Amazon Aurora と Amazon RDS（リレーショナル、埋め込みのための pgvector を備える）、Amazon DynamoDB（キーバリュー）、Amazon Neptune（グラフ）、Amazon DocumentDB、Amazon ElastiCache。
分析とデータ準備: AWS Glue と Glue DataBrew（ETL と準備）、Amazon EMR（ビッグデータ処理）、AWS Lake Formation（データレイクのガバナンス）、Amazon Redshift（ウェアハウス）、AWS Data Exchange（サードパーティのデータ）、Amazon Quick / QuickSight（ビジネスインテリジェンス）。
ネットワーキング: Amazon VPC（トラフィックをインターネットから隔離する PrivateLink パターンを含む）、Amazon CloudFront（コンテンツ配信）。
コスト: AWS Budgets と AWS Cost Explorer（支出の追跡と予測 - 生成 AI のコスト管理が試験に出るため関連します）。

認識しておくべき新たに出題範囲に加わったもの

AWS が出題範囲の一覧を刷新したため、いくつかの名前はほとんどの学習教材よりも新しくなっています:

Amazon Bedrock AgentCore と Amazon Nova（上記で扱いました）。
Kiro - プロンプトを仕様、コード、ドキュメントに変える、エージェント的で仕様駆動の開発環境（IDE と CLI）。
Strands Agents - AWS 上で AI エージェントを構築・オーケストレーションするためのオープンソースの SDK。
AWS Transform - クラウド移行とアプリケーションのモダナイゼーションのためのエージェント的なワークベンチ。
試験ガイドは今や（単なる「SageMaker」ではなく）Amazon SageMaker AI と記します。同じプラットフォームで、名前が更新されました。

明確に出題範囲外: これらは飛ばす

AWS はこれらを AIF-C01 の出題範囲外として挙げているので、学習時間を割かないでください:

機械学習: AWS DeepComposer、AWS HealthImaging、AWS HealthOmics、Amazon Monitron、AWS Panorama。
セキュリティとネットワーキング: Amazon GuardDuty、AWS Security Hub、Amazon Cognito、AWS WAF、AWS Shield、Amazon Route 53。
管理: AWS Control Tower、AWS Organizations。
さらに、ほとんどの Internet of Things、Media、そして Migration and Transfer のサービス。

もし練習問題がこれらの 1 つを軸にしているなら、それはほぼ確実にディストラクター（引っかけ）です。

命名と範囲のずれについての注記

いくつかのサービスは、より古い AIF-C01 の学習教材（および一部の問題集）に登場しますが、現在の公式の出題範囲一覧には含まれていません。参照されているのを目にするかもしれないので、それぞれが何のためのものかを手短に挙げておきます:

Amazon Q - 上記の AI アシスタント製品群。正式な出題範囲のサービス表には載っていませんが、実務では至る所にあります。
Amazon Kendra - ML 駆動のエンタープライズ検索（取得のみで、取得と生成の両方を行う Knowledge Bases とは対照的）。
Amazon Augmented AI (A2I) - 確信度の低い AI 予測に人間のレビューを追加します。
AWS Audit Manager - コンプライアンスの証拠の収集を自動化します。
AWS Fargate、Amazon EventBridge、Amazon API Gateway - AI アプリがしばしばその上に構築される、サーバーレスコンピュート、イベント処理、API の配管。

これらが何をするのかを 1 文レベルで理解して、先に進んでください。

30 秒の意思決定ガイド

あるシナリオが与えられたら、それをレイヤーに対応づけます:

基盤モデルを API で呼び出す -> Bedrock
再学習なしにモデルをプライベートデータに基づかせる -> Bedrock Knowledge Bases (RAG)
モデルにアクションを取らせる -> Bedrock Agents
安全性と PII の制御を追加する -> Bedrock Guardrails
エージェントを本番で実行する（メモリ、ツール、アイデンティティ） -> Bedrock AgentCore
何も構築せずに AI を使う -> Amazon Q
コードなしで学ぶ、またはプロトタイピングする -> PartyRock
カスタムモデルを学習またはチューニングする -> SageMaker AI
既製のモデルを自分でデプロイする -> SageMaker JumpStart
データをラベル付けする -> Ground Truth; データを準備する -> Data Wrangler; 特徴量を格納する -> Feature Store
バイアスを検出する、またはモデルを説明する -> SageMaker Clarify
本番のモデルを監視する -> SageMaker Model Monitor
テキスト / 画像 / 文書 / 音声 / 翻訳 / チャットボット / レコメンデーションを分析する -> 対応するマネージド API
保護、暗号化、スキャン、監査、または監視する -> IAM / KMS / Macie / CloudTrail / CloudWatch

これをどう学ぶか

すべての機能を暗記しないでください。試験が報いるのはパターン認識です: シナリオを読み、レイヤーを見極め、サービスを名指しする。30 秒の意思決定ガイドを開いた状態で練習問題を解き、1 問間違えるたびに、ここでそのサービスのセクションに戻り、境界が明確になるまで「何を・なぜ・どう」を読んでください。Bedrock のサブサービスと SageMaker のサブサービスを整理しておきましょう - そこが、ざっと読み流した人と理解した人を試験が分ける場所です。

出典: AWS Certified AI Practitioner (AIF-C01) 試験ガイド（出題範囲内および範囲外のサービス一覧）と AWS サービスドキュメント、2026 年 9 月時点。