AWS Certified Machine Learning Engineer Associate
275 практических вопросов
Последняя проверка: April 2026
Написаны с нуля по официальному руководству к экзамену AWS
Личные заметки и ссылки на ресурсы для вашего учебного пути
Отслеживайте экзамены, заметки и ресурсы по дням
Сертификация AWS Certified Machine Learning Engineer Associate (MLA-C01) была запущена в августе 2024 года как ориентированный на практиков аналог более старой специализации Machine Learning Specialty. Она подтверждает способность создавать, развертывать, мониторить и поддерживать рабочие нагрузки ML в AWS - с сильным акцентом на Amazon SageMaker, инструментарий MLOps и жизненные циклы производственных моделей. Экзамен предназначен для ML-инженеров на начальном и среднем этапах карьеры, специалистов по данным, переходящих в инженерию, и инженеров DevOps, расширяющих свои знания в области ML-платформ. Ожидайте вопросов, основанных на сценариях, о конвейерах признаков, реестрах моделей, шаблонах развертывания, обнаружении дрейфа и выводе с учетом стоимости. Экзамен концептуальный и не требует практических навыков (без лабораторий), но предполагает, что кандидат уже внедрял модели в производство.
Самая большая область, 28%. SageMaker Data Wrangler, Feature Store, Glue и шаблоны озер данных S3. Ожидайте вопросов по обработке несбалансированных данных, утечке данных, стратегиям кодирования и проектированию признаков в масштабе.
Задания SageMaker для обучения, встроенные алгоритмы против собственного контейнера, JumpStart, настройка гиперпараметров и оценка модели. Распространенное затруднение: выбор между SageMaker Autopilot, Canvas и пользовательским обучением.
Конечные точки SageMaker (в реальном времени, асинхронные, бессерверные, пакетное преобразование), Pipelines, Model Registry и CI/CD с CodePipeline. Кандидаты часто упускают тонкие различия между режимами развертывания и их компромиссы по стоимости.
SageMaker Model Monitor, Clarify (предвзятость и объяснимость), обнаружение дрейфа и шаблоны IAM/VPC для рабочих нагрузок ML. Проверяет практическую компетентность в MLOps больше, чем теорию.
Сервисы, с которыми вы столкнётесь на экзамене, и почему каждый из них важен.
Сквозная ML-платформа, охватывающая ноутбуки, обучающие задания, подбор гиперпараметров, задания обработки данных, управляемые конечные точки для инференса и MLOps-пайплайны.
Почему он на экзамене: SageMaker - зонтичный сервис, покрывающий все четыре домена MLA-C01: ожидайте вопросов о выборе инфраструктуры обучения, вариантах развёртывания инференса и компромиссах между управляемым и self-hosted-подходами.
Веб-IDE для ML - Jupyter-ноутбуки, эксперименты, Pipelines, Model Registry, JumpStart и Canvas в едином рабочем пространстве.
Почему он на экзамене: Домен 2 (Разработка ML-моделей) проверяет Studio как унифицированную поверхность для итераций над моделями, отладки обучения и продвижения артефактов.
Каталог предобученных базовых и задачеспецифичных моделей с развёртыванием в один клик, ноутбуками для transfer learning и сценариями дообучения.
Почему он на экзамене: JumpStart - канонический ответ, когда вопрос спрашивает, как стартовать с готовой модели вместо обучения с нуля, что актуально для Домена 2.
Инструмент детекции смещений и интерпретируемости, который выдаёт SHAP-атрибуции признаков плюс метрики смещения до и после обучения для табличных и базовых моделей.
Почему он на экзамене: Вопросы Домена 2 и Домена 4 про ответственный ИИ, интерпретируемость моделей и аудит справедливости называют Clarify как нативное AWS-решение.
Непрерывно проверяет развёрнутые эндпоинты на дрейф качества данных, качества модели, смещений и атрибуций признаков относительно базовой линии.
Почему он на экзамене: Домен 4 (Мониторинг, обслуживание и безопасность) неоднократно проверяет, как обнаруживать и реагировать на дрейф в продакшене - Model Monitor назван прямо.
Управляемое хранилище ML-признаков с синхронизированными онлайн- (низколатентным) и офлайн- (батч) хранилищами, point-in-time-корректностью и переиспользованием признаков между моделями.
Почему он на экзамене: Домен 1 (Подготовка данных) проверяет Feature Store как канонический способ избежать training/serving skew и делиться признаками между командами.
Нативный MLOps-оркестратор для SageMaker, связывающий предобработку, обучение, оценку, регистрацию моделей и условное развёртывание в виде версионированного DAG.
Почему он на экзамене: Домен 3 (Развёртывание и оркестрация) подчёркивает воспроизводимые сквозные пайплайны; для SageMaker-центричных стэков Pipelines - выбор AWS поверх универсальных оркестраторов.
Визуальный инструмент подготовки данных внутри Studio для импорта из S3, Athena, Redshift, Snowflake и применения 300+ встроенных трансформаций в один клик.
Почему он на экзамене: Вопросы Домена 1 по feature engineering и разведочному анализу данных часто называют Data Wrangler как low-code-ответ для подготовки табличных данных.
Объектное хранилище, играющее роль озера данных для обучающих наборов, артефактов моделей, входов/выходов инференса и офлайн-данных SageMaker Feature Store.
Почему он на экзамене: Каждый сценарий подготовки данных и развёртывания моделей в MLA-C01 предполагает S3 как основу хранения; классы хранения, lifecycle-политики и паттерны доступа всплывают в Доменах 1 и 4.
Бессерверный ETL-сервис с управляемым Spark-рантаймом, Data Catalog, краулерами для обнаружения схем и Glue DataBrew для low-code-трансформаций.
Почему он на экзамене: Домен 1 называет Glue инструментом ETL/каталога данных по умолчанию для приведения сырых данных к форме, ожидаемой обучением в SageMaker.
Бессерверный интерактивный SQL-движок поверх S3 (и федеративных источников), использующий Glue Data Catalog для схем и оплату за запрос.
Почему он на экзамене: Athena - ожидаемый ответ, когда вопрос спрашивает, как выполнять ad-hoc SQL-запросы к обучающим данным в S3 без поднятия кластера, что часто встречается в Домене 1.
Управляемая Hadoop/Spark-платформа для крупномасштабной обработки данных с поддержкой Spark MLlib, Hive, Presto и интеграции SageMaker Studio с EMR.
Почему он на экзамене: EMR встречается в сценариях Домена 1, выходящих за пределы масштаба Glue или требующих пайплайнов Spark MLlib вне SageMaker.
Сервис потоковой передачи данных в реальном времени для приёма clickstream, IoT- и логовых событий в большом объёме с возможностью повтора в пределах окна хранения.
Почему он на экзамене: Вопросы Домена 1 о потоковом приёме признаков (например, обнаружение мошенничества, свежесть рекомендаций) называют Kinesis как нативный AWS-ответ.
Бессерверные вычисления для event-driven-инференса, лёгкой предобработки, S3-триггеров и встраивания вызовов SageMaker в бизнес-процессы.
Почему он на экзамене: Сценарии развёртывания в Домене 3 различают компромиссы «хостинг на эндпоинте SageMaker» и «оборачивание в Lambda» - типичны вопросы о стоимости, cold start и размере полезной нагрузки.
Управляемый реестр контейнеров для Docker-образов, которые обучающие задания, задания обработки и эндпоинты инференса SageMaker подтягивают на этапе выполнения.
Почему он на экзамене: Домен 3 проверяет BYOC-сценарии для кастомного обучения и инференса - ECR назван хранилищем образов и реестром, интегрированным с IAM.
Бессерверный оркестратор рабочих процессов с нативными интеграциями SageMaker для обучения, batch transform, развёртывания эндпоинтов и композиции шагов с Lambda.
Почему он на экзамене: Разделение Step Functions (мультисервисная оркестрация) и SageMaker Pipelines (нативный MLOps SageMaker) - повторяющийся паттерн дистракторов в Домене 3.
Контроль доступа на уровне аккаунта: пользователи, роли, политики, федерация и least-privilege-разрешения для каждого действия SageMaker, S3 и пайплайнов.
Почему он на экзамене: Домен 4 (Безопасность) проверяет execution-роли IAM для обучения и инференса, межаккаунтное использование моделей и resource-based-политики на озере данных.
Управляемое создание и контроль криптографических ключей для шифрования обучающих данных, артефактов моделей, EBS-томов на обучающих инстансах и payload-ов эндпоинтов.
Почему он на экзамене: Шифрование данных в покое с использованием customer-managed-ключей - канонический ответ Домена 4 для защиты чувствительных обучающих корпусов и интеллектуальной собственности моделей.
Метрики, логи и алармы для вызовов эндпоинтов SageMaker, прогресса обучающих заданий, кастомных метрик моделей и длительности шагов пайплайна.
Почему он на экзамене: Домен 4 ожидает CloudWatch для алармов по латентности и ошибкам эндпоинтов, разбора логов обучающих заданий и доставки находок Model Monitor ops-командам.
Аккаунт-уровневый журнал аудита всех вызовов API - кто запустил обучающее задание, кто обновил эндпоинт, кто скачал артефакты моделей из S3.
Почему он на экзамене: Сценарии комплаенса в Домене 4 называют CloudTrail неизменяемой записью, нужной чтобы ответить на вопросы «кто развернул эту модель» и «когда обращались к обучающим данным».
$120k-$165k-$230k USD годовая
Диапазон охватывает должности MLE среднего и высшего уровня в США, где требуется владение AWS. Старшие MLE в FAANG / компаниях-единорогах часто превышают $300 тыс. TC. Рынки начального уровня и не прибрежных регионов показывают более низкие показатели. Сам по себе сертификат не повышает зарплату - он дополняет портфолио внедренных ML-систем.
Источник: роли ML-инженеров levels.fyi 2025-2026, U.S. BLS OEWS May 2024 (15-2051 data scientists, 15-1252 software developers). Цифры приблизительны; фактическая компенсация зависит от роли, региона и опыта.
Спрос на ML-инженеров, способных внедрять модели в производство - а не просто обучать их в ноутбуках - ускорился в 2024-2026 годах, поскольку предприятия начали операционализировать GenAI и классические ML-нагрузки. MLA-C01 служит надежным сигналом того, что кандидат понимает SageMaker от начала до конца и может управлять компромиссами MLOps. Рекрутеры в компаниях, ориентированных на AWS (финансовые услуги, здравоохранение, команды данных розничной торговли), используют его в качестве фильтра отбора наряду с опытом работы с Python и PyTorch/TensorFlow. Он естественным образом сочетается с AI Practitioner (AIF-C01) и Data Engineer Associate (DEA-C01) для более широкого профиля данных и ML. Сам по себе он НЕ квалифицирует кандидатов на роли в ML-исследованиях, должности специалистов по глубокому обучению или архитекторов ML-платформ - для них требуется многолетний опыт работы с внедренными системами, а часто и ученая степень.
Формальных предварительных требований нет. AWS рекомендует иметь не менее одного года практического опыта работы с SageMaker и ML-процессами, а также рабочие знания Python, распространенных ML-библиотек (scikit-learn, pandas, PyTorch или TensorFlow) и базовой статистики.
Наиболее эффективный путь - сначала сдать AIF-C01 (основополагающий словарь ИИ), затем создать небольшой сквозной проект SageMaker - хранилище признаков, задание на обучение, реестр моделей, конечную точку реального времени, мониторинг - прежде чем сдавать MLA-C01. Кандидатам с опытом Cloud Practitioner (CLF-C02) или Solutions Architect Associate (SAA-C03) вопросы по сервисам AWS даются гораздо легче. Чистое образование в области Data Science без опыта работы с AWS является самой сложной отправной точкой и обычно требует более 80 часов дополнительного изучения конкретных сервисов.
MLA-C01 имеет уровень Associate и значительно сложнее, чем AIF-C01, поскольку предполагает практическое владение SageMaker. Запланируйте 80-120 часов в течение 8-12 недель, если у вас есть предыдущий опыт ML, но ограниченный опыт работы с AWS; 40-60 часов в течение 4-6 недель, если вы ежедневно работаете с конвейерами AWS ML. Экзамен состоит из 65 вопросов, оцениваемых в течение 170 минут - множественный выбор и множественный ответ, без лабораторных работ.
Наиболее распространенным камнем преткновения является широкий спектр подсервисов SageMaker (Studio, Pipelines, Feature Store, Model Registry, Clarify, Model Monitor, JumpStart, Canvas, Autopilot, Ground Truth) - вопросы часто зависят от выбора правильного инструмента для ограниченного сценария. Вторая ловушка - режимы развертывания: точное знание того, когда использовать конечные точки реального времени, асинхронные, бессерверные или пакетные преобразования, а также компромиссы по стоимости и задержке для каждого из них.
Первоначальная общая доступность. Бета-экзамен проводился в середине 2024 года. Заменяет старую специализацию Machine Learning Specialty (MLS-C01) для кандидатов, ориентированных на инженерию. Актуальная версия по состоянию на апрель 2026 года.
Это сертификация AWS начального уровня для инженерии в области ML - создания, обучения, развертывания и эксплуатации моделей и конвейеров машинного обучения на AWS, в основном с помощью SageMaker, а также сопутствующих сервисов данных и MLOps. Она более практична и ориентирована на MLOps, чем старая ML Specialty. Экзамен состоит из 65 вопросов, длится 170 минут, проходной балл - 720/1000. Подробную информацию смотрите в хабе MLA-C01.
Это один из самых требовательных экзаменов уровня Associate, потому что он охватывает два набора навыков - концепции ML (подготовка данных, выбор модели, оценка, настройка) и инженерию для их внедрения в производство (конвейеры SageMaker, развертывание, мониторинг, CI/CD). Если у вас есть практический опыт работы с ML или MLOps, экзамен вполне управляем; если вы пришли из чистого ПО или чистой науки о данных, ожидайте, что придется подтянуть вторую половину. Практические вопросы с объяснениями покажут, над какой половиной нужно поработать.
150 USD, плюс местный налог - стандартная цена для сертификаций AWS уровня Associate. В случае неудачной попытки необходимо подождать 14 дней до платной пересдачи. Информацию о расписании и требованиях смотрите на нашей странице информации об экзаменах AWS.
Освойтесь с SageMaker от начала до конца - подготовка данных и разработка признаков, обучение и настройка, варианты развертывания (в реальном времени, пакетное, бессерверное), а также мониторинг/переобучение - плюс основы ML, лежащие в основе выбора и оценки моделей. Затем отработайте сценарные вопросы до тех пор, пока компромиссы не станут второй натурой. Наш банк вопросов MLA-C01 охватывает все области с объяснениями, а практическая лаборатория закрепляет рабочий процесс.
Да, если вы направляетесь в ML-инженерию или MLOps - это новая сертификация, которая отражает сдвиг отрасли в сторону внедрения моделей в производство, и она более релевантна для роли, чем чисто теоретическая ML-квалификация. Это сильный сигнал для MLOps и ML-платформ; посмотрите, как она ранжируется в нашем Отчете о состоянии сертификаций.
Большинству людей требуется 6-10 недель частичной занятости, в зависимости от их базовых знаний в области ML и AWS. Создайте или следуйте реальному конвейеру SageMaker от начала до конца, чтобы шаги развертывания и мониторинга не были просто теорией, а затем закрепите знания практическими вопросами MLA-C01. Если ML для вас в новинку, уделите время основам, прежде чем переходить к инструментам, специфичным для AWS.
MLA-C01 (AWS Certified Machine Learning Engineer Associate) - это Associate-уровневый экзамен, экзамен средней сложности, требующий практического опыта и глубокого понимания лучших практик. Большинству кандидатов требуется 80-150 часов обучения, распределенных на 6-12 недель, для экзаменов уровня Associate. Большинство кандидатов, которые стабильно набирают баллы выше проходного порога на пробных экзаменах, сдают его с первой попытки.
Большинству кандидатов требуется 80-150 часов обучения, распределенных на 6-12 недель, для экзаменов уровня Associate. Время, необходимое для сдачи, сильно варьируется в зависимости от предыдущего опыта. Инженерам с практическим опытом работы с базовой технологией обычно требуется меньше времени; кандидатам, новым для платформы, следует ориентироваться на верхнюю границу этого диапазона.
Да - для облачных инженеров, архитекторов и консультантов, работающих с AWS, MLA-C01 обычно стоит усилий. Это признанный сертификат, подтверждающий проверенные знания перед работодателями, рекрутерами и клиентами; окупятся ли время и стоимость лично для вас, зависит от вашей роли и целей.
Проходной балл для MLA-C01 составляет 720 / 1000. Экзамен содержит 65 вопросов и длится 2 ч 50 мин.
Стоимость экзамена MLA-C01 составляет $150 USD. Сборы устанавливаются AWS и могут варьироваться в зависимости от региона; всегда уточняйте текущую цену на официальной странице сертификации AWS перед бронированием.
Сертификации AWS действительны в течение 3 лет. Пройдите повторную сертификацию, сдав текущую версию того же экзамена или сдав экзамен более высокого уровня в том же направлении до истечения срока действия.
Да. Вы можете сдать экзамен онлайн (с прокторингом через безопасный браузер провайдера, доступный 24/7 в большинстве регионов) или в очном центре тестирования Pearson VUE в рабочее время. Оба формата используют одни и те же вопросы, ограничение по времени и проходной балл.
Режим симуляции экзамена MLA-C01 на CertLabPro воспроизводит настоящий экзамен: 65 вопросов за 2 ч 50 мин, с тем же проходным порогом 720 / 1000. Также вам доступно всего 15 режимов обучения, а режим «Обзор» статически показывает каждый вопрос с ответом и пояснением.
$120k-$230k USD - типичный диапазон зарплат в США для ролей, ценящих MLA-C01, по данным роли ML-инженеров levels.fyi 2025-2026, U.S. BLS OEWS May 2024 (15-2051 data scientists, 15-1252 software developers). Фактическая оплата зависит от уровня, местоположения и должности: senior- и архитекторские роли выше, начальные - ниже.
Да - месяц сосредоточенной подготовки реалистичен для большинства кандидатов. Большинству кандидатов требуется 80-150 часов обучения, распределенных на 6-12 недель, для экзаменов уровня Associate. Если платформа AWS для вас новая, заложите больше времени; с практическим опытом может понадобиться меньше.
Немного практического опыта с AWS помогает, но MLA-C01 по силам мотивированным новичкам, которые сначала изучают основы.