AWS ML 工程师助理 (MLA-C01)：新认证的预期

MLA-C01 于 2024 年 8 月正式发布 (GA)，并悄然成为最值得您投入时间的 AWS ML 认证。它取代了已于 2024 年退役的旧版机器学习专业认证 (MLS-C01)——尽管 MLS-C01 仍然出现在过时的学习指南中，因为互联网的更新速度跟不上 AWS 的日程。如果您来这里是为了弄清楚是学习 MLS-C01 还是 MLA-C01，答案是 MLA-C01。旧认证已失效。

有趣的是其范围的转变。MLS-C01 侧重于数据科学方面——算法选择、超参数调优、何时使用 XGBoost 与神经网络的数学原理。MLA-C01 则完全转向另一个方向。这是一项工程考试。它关注 SageMaker 部署、MLOps 管道、监控漂移、调试端点。如果您想要一个测试您是否能训练模型的认证，这并不是。如果您想要一个测试您是否能交付和操作模型的认证，MLA-C01 正是如此。

考试形式

65 道题，170 分钟，150 美元，按比例评分，及格分数为 720/1000。涵盖四个领域：

• 机器学习数据准备 (28%)
• 机器学习模型开发 (26%)
• 机器学习工作流的部署和编排 (22%)
• 机器学习解决方案的监控、维护和安全 (24%)

乍一看，这个分布可能具有误导性。“机器学习模型开发”听起来像是模型训练，但在 MLA-C01 中，它实际上是关于选择内置的 SageMaker 算法和配置训练任务。您不会被要求从头设计一个 transformer 模型。

适合人群

坦白说，有三类人：

被卷入 ML 领域的数据工程师。 您构建了数据管道。现在您的团队需要通过 API Gateway 访问 SageMaker 端点，而您就是负责连接这些端点的人。MLA-C01 与这项工作紧密相关。

交付 ML 功能的后端工程师。 您不训练模型。数据科学家将模型工件交给您，您需要部署、监控、重新训练，并在模型发生漂移时回滚。这就是为此而设的认证。

转向 ML 平台的云工程师。 您已经熟悉 IAM、VPC、S3 生命周期、CloudWatch。现在您需要学习 SageMaker 的各种形态。MLA-C01 是一个专注的学习途径。

它不适合从事模型研发的数据科学家。他们需要不同的认证——可能与 AWS 无关，或者如果他们想要任何云信号，可能是 GCP Professional ML Engineer。AWS 的纯 ML 认证已不复存在；AIF-C01 (AI Practitioner) 是基础且较轻量级的；AIP-C01 (GenAI Developer Pro) 则是专业级别的新的重量级 ML 认证。

实际考什么

SageMaker，从头到尾。 SageMaker Studio、训练任务（内置算法、自带容器、脚本模式）、处理任务、批量转换、模型注册表、端点（实时、无服务器、异步、多模型）、影子测试、A/B 模型变体、自动扩缩。还有 SageMaker Canvas、用于基础模型的 SageMaker JumpStart、用于编排的 SageMaker Pipelines。

您不需要记住每一个内置算法。您需要大致了解何时使用 linear learner、XGBoost、DeepAR 或 Object2Vec，以及如何配置训练任务以使用 Spot 实例、分布式训练和托管热池。

AWS 上的数据准备。 AWS Glue、Glue DataBrew、EMR、Kinesis Data Streams / Firehose / Analytics、Athena、SageMaker Data Wrangler、SageMaker Feature Store。许多数据工程知识会渗透到本次考试中。如果您参加过 DEA-C01，那么 MLA-C01 中约 25% 的内容会让您感到熟悉。

MLOps 模式。 SageMaker Pipelines、AWS Step Functions、用于触发器的 EventBridge、CodePipeline 集成、蓝绿模型部署、金丝雀发布、模型注册表审批、ML 的 CI/CD。虽然不如 DOP-C02 在纯 CI/CD 方面深入，但覆盖范围很广。

监控和漂移。 SageMaker Model Monitor（数据质量、模型质量、偏差漂移、特征归因漂移）、用于偏差和可解释性的 SageMaker Clarify、模型控制面板。针对端点的 CloudWatch 指标。这是一个被低估的主题——大多数考生会略过它，因为监控听起来很无聊，但真实考试中有 12 道题是关于它的。

安全。 适用于 SageMaker 的 IAM、用于训练数据和模型工件的 KMS 加密、SageMaker 的 VPC 模式、网络隔离、SageMaker Role Manager、用于端点的 PrivateLink、审计日志。

不会重点考察的内容（好消息）

• 纯粹的机器学习理论。 您不需要微积分。您不需要推导反向传播。您不会被问到哪种优化器更好。
• 深度学习架构设计。 没有关于选择 transformer 头数量的问题。
• 统计假设检验。 旧版 MLS-C01 包含此内容；MLA-C01 大部分已删除。
• 生成式 AI 具体细节。 这是 AIF-C01（基础）和 AIP-C01（专业）的范围。MLA-C01 提到了 JumpStart 和 Bedrock，但仅限于集成层面，而非深入探讨。

如何备考

资源仍在完善中——该认证仅推出约 20 个月。截至 2026 年 4 月：

• AWS Skill Builder 提供官方的 MLA-C01 学习路径。它内容优质，且注册账户即可免费使用。
• Stephane Maarek 在 Udemy 上有一个节奏良好的 MLA-C01 课程。
• Adrian Cantrill 截至 2025 年底尚未发布完整的 MLA-C01 课程——请查看目前是否存在。如果存在，那将是最深入的选择。
• Tutorials Dojo 提供模拟考试和解释。质量可靠。
• AWS Skill Builder 上的官方模拟考试。 最接近真实考试。

动手实践比 SAA-C03 更重要。启动一个 SageMaker Studio 域，在 Kaggle 数据集上训练一个内置算法，部署到实时端点，用 curl 调用它，然后将同一个模型部署到无服务器端点并注意冷启动。在端点上设置 Model Monitor 并触发漂移警报。整个练习在 AWS 账单上花费 5-15 美元，却能教您 30% 的考试内容。

时间预算：

• 具有 ML 经验的数据工程师或后端工程师：6-8 周，每周 10 小时。
• 没有 ML 背景的云工程师：12 周。实际构建一些东西。
• 学习 AWS 方面的数据科学家：6-10 周，主要关注部署和运维主题。

职业信号：仍在显现

在这里我将坦诚地谈谈不确定性：MLA-C01 过于新，尚无清晰的薪资数据。levels.fyi 和 Glassdoor 尚未将其归类为一项独立的资格认证——2026 年大多数“ML 工程师”职位仍然列出 MLS-C01（已不存在）或根本不列出任何 AWS 认证。那些确实提及 MLA-C01 的招聘信息，主要集中在拥有正式 ML 平台团队的中大型公司。

根据非正式数据和对话，我可以说：2026 年，美国主要大都市的高级 ML 工程师基本年薪在 18 万至 28 万美元之间，而在 FAANG 级别的公司，总薪酬可达 40 万美元以上。MLA-C01 本身并不能显著提升这个数字——经验才是关键。该认证可能价值 5 千至 1.5 万美元，就像 SAA-C03 对 SA 职位的作用一样：它向招聘人员表明您已通过了知识门槛。

MLA-C01 确实能清晰地表明：您能够将模型从 notebook 部署到生产端点，而不会出现问题。对于 ML 平台团队的招聘经理来说，这正是他们想要了解的。

对比：MLA-C01 与其他认证

• AIF-C01 是基础认证。如果您想为非工程职位获得通用的 AI 信号，可以考取它。它不能替代 MLA-C01。
• AIP-C01 是专业级的生成式 AI 开发者认证。它更侧重于生成式 AI 集成（Bedrock、提示工程、RAG 模式）。如果您的工作是交付 LLM 功能，请考取它。如果您想要同时拥有 ML 和生成式 AI 信号，可以在 MLA-C01 之后再考取它。
• DEA-C01 (数据工程师助理) 在数据准备方面与 MLA-C01 大约有 25% 的重叠。如果两者都考，建议先考 DEA-C01。
• GCP Professional ML Engineer (PMLE) 是 Google Cloud 上最接近的同等认证。它更侧重于 Vertex AI 和 TPU 的具体内容。两者不可互换，但形式相似。

总结

MLA-C01 是一项专注且相当困难的助理级考试，与实际工作——ML 平台工程师/MLOps 工程师——紧密契合。如果您从事这项工作，就去考吧。如果您正尝试从后端背景转型进入 ML 领域，并希望获得一份能向招聘人员证明能力的认证，那就是它了。薪资数据仍在显现，但趋势明显向上——ML 工程职位在 2026 年招聘迅速。

如果您正在备考，可以在 CertLabPro 上浏览 MLA-C01 题库或开始一次限时考试。本周就启动一个 SageMaker 端点吧。动手实践会让考试内容变得清晰明了。