Domaine 1 : Principes fondamentaux de l'IA et du ML (20 % du contenu noté)
Le Domaine 1 couvre les principes fondamentaux de l'IA et du ML et représente 20 % du contenu noté de l'examen.
Rubriques
Énoncé de tâche 1.1 : Expliquer les concepts et terminologies de base de l'IA.
Objectifs :
Définir les termes de base de l'IA (par exemple, IA, ML, deep learning, réseaux neuronaux, vision par ordinateur, traitement du langage naturel [NLP], modèle, algorithme, entraînement et inférence, biais, équité, ajustement, grand modèle de langage [LLM]).
Décrire les similitudes et les différences entre l'IA, le ML et le deep learning.
Décrire les différents types d'inférence (par exemple, par lots, en temps réel).
Décrire les différents types de données dans les modèles d'IA (par exemple, étiquetées et non étiquetées, tabulaires, séries chronologiques, images, textes, structurées et non structurées).
Décrire l'apprentissage supervisé, l'apprentissage non supervisé et l'apprentissage par renforcement.
Énoncé de tâche 1.2 : Identifier des cas d'utilisation pratiques de l'IA.
Objectifs :
Identifier les applications dans lesquelles l'IA ou le ML peut apporter de la valeur (par exemple, aide à la prise de décision humaine, capacité de mise à l'échelle des solutions, automatisation).
Déterminer quand les solutions d'IA/ML ne sont pas appropriées (par exemple, analyses coûts-avantages, situations dans lesquelles un résultat spécifique est nécessaire au lieu d'une prédiction).
Sélectionner les techniques de ML appropriées pour des cas d'utilisation spécifiques (par exemple, régression, classification, mise en cluster).
Identifier des exemples d'applications d'IA concrètes (par exemple, vision par ordinateur, NLP, reconnaissance vocale, systèmes de recommandation, détection de fraude, prévisions).
Expliquer les fonctionnalités des services d'IA/ML gérés par AWS (par exemple, SageMaker, Amazon Transcribe, Amazon Translate, Amazon Comprehend, Amazon Lex, Amazon Polly).
Énoncé de tâche 1.3 : Décrire le cycle de vie du développement du machine learning.
Objectifs :
Décrire les composants d'un pipeline de ML (par exemple, collecte de données, analyse exploratoire des données [EDA], prétraitement des données, ingénierie des fonctionnalités, entraînement de modèle, réglage des hyperparamètres, évaluation, déploiement, surveillance).
Comprendre les sources des modèles de ML (par exemple, modèles open source pré-entraînés, modèles d'entraînement personnalisés).
Décrire les méthodes d'utilisation d'un modèle en production (par exemple, service d'API géré, API auto-hébergée).
Identifier les services et fonctionnalités AWS pertinents pour chaque étape d'un pipeline de ML (par exemple, SageMaker, Amazon SageMaker Data Wrangler, Amazon SageMaker Feature Store, Amazon SageMaker Model Monitor).
Comprendre les concepts fondamentaux des opérations de ML (MLOps) (par exemple, expérimentation, processus répétables, systèmes pouvant être mis à l'échelle, gestion de la dette technique, préparation à la production, surveillance des modèles, réentraînement des modèles).
Comprendre les métriques de performance des modèles (par exemple, précision, aire sous la courbe ROC [AUC], score F1) et les métriques opérationnelles (par exemple, coût par utilisateur, coûts de développement, commentaires des clients, retour sur investissement [ROI]) pour évaluer les modèles de ML.
