AWS ML Engineer Associate (MLA-C01): чего ожидать от нового сертификата

MLA-C01 стал общедоступным в августе 2024 года и незаметно превратился в самый ценный сертификат AWS по машинному обучению. Он заменил старый сертификат Machine Learning Specialty (MLS-C01), который был упразднен в 2024 году — хотя MLS-C01 все еще фигурирует в устаревших учебных пособиях, потому что интернет не обновляется по расписанию AWS. Если вы пришли сюда, пытаясь понять, изучать ли MLS-C01 или MLA-C01, ответ — MLA-C01. Старый сертификат мертв.

Что интересно, изменился объем сертификации. MLS-C01 был сильно ориентирован на сторону data science — выбор алгоритмов, настройка гиперпараметров, математика использования XGBoost против нейронной сети. MLA-C01 резко движется в другом направлении. Это инженерный экзамен. Развертывание SageMaker, конвейеры MLOps, мониторинг дрейфа, отладка конечных точек. Если вы хотели сертификат, который проверяет, можете ли вы обучать модель, то это не то. Если вы хотели сертификат, который проверяет, можете ли вы доставлять и эксплуатировать модель, то MLA-C01 — это именно то.

Формат

65 вопросов, 170 минут, $150, проходной балл 720/1000. Четыре домена:

• Подготовка данных для ML (28%)
• Разработка ML-моделей (26%)
• Развертывание и оркестрация ML-рабочих процессов (22%)
• Мониторинг, обслуживание и безопасность ML-решений (24%)

Это распределение может ввести в заблуждение при первом прочтении. «Разработка ML-моделей» звучит как обучение моделей, но в MLA-C01 речь на самом деле идет о выборе встроенных алгоритмов SageMaker и настройке заданий обучения. Вас не просят разрабатывать трансформер с нуля.

Для кого этот сертификат

Честно говоря, три группы:

Инженеры по данным, которых вовлекли в ML. Вы создали конвейеры. Теперь вашей команде нужны конечные точки SageMaker за API Gateway, и вы их подключаете. MLA-C01 тесно соответствует этой работе.

Бэкенд-инженеры, внедряющие ML-функции. Вы не обучаете модели. Дата-сайентист передает вам артефакт модели, а вам нужно его развернуть, мониторить, переобучать и откатывать, если он отклоняется. Это сертификат для этого.

Облачные инженеры, переходящие на ML-платформы. Вы уже знакомы с IAM, VPC, жизненным циклом S3, CloudWatch. Теперь вам нужно изучить формы SageMaker. MLA-C01 — это целенаправленный способ сделать это.

Это не сертификат для дата-сайентистов, занимающихся исследованиями и разработками моделей. Им нужен другой сертификат — возможно, ничего специфичного для AWS, возможно, GCP Professional ML Engineer, если им нужен хоть какой-то облачный сигнал. Чисто ML-сертификат AWS исчез; AIF-C01 (AI Practitioner) является базовым и более легким; AIP-C01 (GenAI Developer Pro) — это новый серьезный ML-сертификат профессионального уровня.

Что на самом деле в нем

• SageMaker, от и до. SageMaker Studio, задания обучения (встроенные алгоритмы, собственный контейнер, Script Mode), задания обработки, пакетное преобразование, реестр моделей, конечные точки (в реальном времени, бессерверные, асинхронные, многомодельные), теневые тесты, A/B варианты моделей, автомасштабирование. Также SageMaker Canvas, SageMaker JumpStart для базовых моделей, SageMaker Pipelines для оркестрации.

  Вам не нужно знать наизусть каждый встроенный алгоритм. Вам нужно примерно знать, когда использовать линейный алгоритм (linear learner) против XGBoost против DeepAR против Object2Vec, и как настраивать задания обучения для использования Spot-инстансов, распределенного обучения и управляемых теплых пулов.

• Подготовка данных в AWS. AWS Glue, Glue DataBrew, EMR, Kinesis Data Streams / Firehose / Analytics, Athena, SageMaker Data Wrangler, SageMaker Feature Store. Много аспектов data engineering переходит в этот экзамен. Если вы сдавали DEA-C01, ~25% MLA-C01 покажется вам знакомым.

• Паттерны MLOps. SageMaker Pipelines, AWS Step Functions, EventBridge для триггеров, интеграция с CodePipeline, сине-зеленое развертывание моделей, канареечные выкатки, утверждения в реестре моделей, CI/CD для ML. Не так глубоко, как DOP-C02 по чистому CI/CD, но хорошее покрытие.

• Мониторинг и дрейф. SageMaker Model Monitor (качество данных, качество моделей, дрейф смещения, дрейф атрибуции признаков), SageMaker Clarify для смещения и объяснимости, Model Dashboard. Метрики CloudWatch для конечных точек. Это одна из недооцененных тем — большинство кандидатов просматривают ее поверхностно, потому что мониторинг звучит скучно, а затем 12 вопросов на реальном экзамене посвящены именно этому.

• Безопасность. IAM для SageMaker, шифрование KMS для обучающих данных и артефактов моделей, режим VPC для SageMaker, сетевая изоляция, SageMaker Role Manager, PrivateLink для конечных точек, ведение аудитных логов.

Что не проверяется тщательно (хорошие новости)

• Чистая теория ML. Вам не нужен матанализ. Вам не нужно выводить обратное распространение ошибки. Вас не спросят, какой оптимизатор лучше.
• Проектирование архитектуры глубокого обучения. Нет вопросов по выбору количества голов трансформера.
• Статистическая проверка гипотез. В старом MLS-C01 это было; MLA-C01 убрал большую часть этого.
• Специфика генеративного ИИ. Это AIF-C01 (базовый) и AIP-C01 (Профессиональный). MLA-C01 упоминает JumpStart и Bedrock, но на уровне интеграции, а не углубленно.

Как учиться

Ресурсы все еще развиваются — сертификату всего около 20 месяцев. По состоянию на апрель 2026 года:

• AWS Skill Builder предлагает официальный учебный путь для MLA-C01. Он хороший и бесплатный при наличии учетной записи.
• Stephane Maarek предлагает курс MLA-C01 на Udemy с хорошим темпом.
• Adrian Cantrill не выпускал полный курс MLA-C01 по состоянию на конец 2025 года — проверьте, существует ли он уже. Если да, это будет самый глубокий вариант.
• Tutorials Dojo предлагает практические экзамены и объяснения. Качество хорошее.
• Официальные практические экзамены AWS на Skill Builder. Наиболее близки к реальному экзамену.

Практический опыт важнее, чем для SAA-C03. Разверните домен SageMaker Studio, обучите встроенный алгоритм на наборе данных Kaggle, разверните его на конечной точке реального времени, обратитесь к нему с помощью curl, затем разверните ту же модель на бессерверной конечной точке и обратите внимание на холодный старт. Настройте Model Monitor на конечной точке и запустите оповещение о дрейфе. Все это упражнение будет стоить $5–$15 по счетам AWS и научит вас 30% материала экзамена.

Бюджет времени:

• Инженер по данным или бэкенд-инженер с опытом работы в ML: 6–8 недель по 10 часов в неделю.
• Облачный инженер без опыта работы в ML: 12 недель. Создайте что-то реальное.
• Дата-сайентист, изучающий AWS: 6–10 недель, в основном по темам развертывания и эксплуатации.

Карьерный сигнал: все еще формируется

Здесь я буду честен относительно неопределенности: MLA-C01 слишком новый для чистых данных о зарплате. levels.fyi и Glassdoor еще не классифицируют его как отдельную квалификацию — большинство вакансий «ML-инженера» в 2026 году по-прежнему указывают MLS-C01 (которого больше не существует) или вообще не упоминают сертификаты AWS. Объявления о вакансиях, которые действительно упоминают MLA-C01, сосредоточены в средних и крупных компаниях с формальными командами ML-платформ.

Что я могу сказать из неофициальных данных и разговоров: старшие ML-инженеры в крупных городах США получают базовую зарплату от $180к до $280к в 2026 году, при этом общая компенсация (TC) превышает $400к+ в компаниях уровня FAANG. MLA-C01 сам по себе не сильно влияет на эту цифру — влияет опыт. Сертификат, вероятно, стоит $5k–$15k так же, как SAA-C03 для ролей SA: это сигнал для рекрутера, что вы преодолели порог знаний.

Что MLA-C01 действительно четко сигнализирует: что вы можете перевести модель из ноутбука в производственную конечную точку, не сломав ничего. Что, если вы менеджер по найму в команду ML-платформы, именно то, что вы хотите знать.

Сравнение: MLA-C01 против альтернатив

• AIF-C01 является базовым. Сдайте его, если вам нужен общий сигнал об ИИ для неинженерных ролей. Не заменяет MLA-C01.
• AIP-C01 — это сертификат GenAI Developer профессионального уровня. Он больше сфокусирован на интеграции генеративного ИИ (Bedrock, промпт-инжиниринг, паттерны RAG). Сдайте его, если ваша работа связана с внедрением функций LLM. Используйте его после MLA-C01, если хотите получить сигнал как по ML, так и по GenAI.
• DEA-C01 (Data Engineer Associate) примерно на 25% пересекается с MLA-C01 в части подготовки данных. Если вы будете сдавать оба, начните с DEA-C01.
• GCP Professional ML Engineer (PMLE) — это ближайший эквивалент в Google Cloud. Больше сфокусирован на Vertex AI и специфике TPU. Не взаимозаменяем, но имеет схожую структуру.

Вывод

MLA-C01 — это целенаправленный, довольно сложный экзамен уровня Associate, который тесно соответствует реальной работе — ML-платформенный инженер / MLOps-инженер. Если вы выполняете эту работу, сдайте его. Если вы пытаетесь войти в ML из бэкенд-среды и хотите один сертификат, который сигнализирует о вашей компетентности рекрутерам, это он. Данные о зарплате все еще формируются, но траектория явно восходящая — ML-инженерные роли активно нанимают в 2026 году.

Если вы готовитесь, просмотрите банк вопросов MLA-C01 на CertLabPro или начните экзамен с ограничением по времени. И запустите конечную точку SageMaker на этой неделе. Практическая работа делает экзамен очевидным.