AWS把AI认证拆成6块，考生发现第4块藏了道送命题

AWS最新AI认证（AIF-C01）的通过率数据没公开，但备考群里有个共识：挂科的人里，七成栽在"以为懂了的"基础概念上。

这份认证不是考你调参能力，而是考你能不能把一个AI项目从"老板想搞"翻译成"云架构能跑"。换句话说，它考的是产品经理思维——用AWS的服务组合解决具体问题。

我把官方考纲和实际考题倾向做了交叉比对，发现六个知识域的权重分配暗藏玄机。下面按考试真实难度排序，不是按章节顺序。

机器学习：考的不是算法，是"这题该用哪种学习方式"

监督学习、无监督学习、强化学习——这三者的区分是送分题，但AWS喜欢把场景包装成你认不出来的样子。

比如"根据历史交易标记识别欺诈"明显是监督学习，但考题可能换成"推荐系统根据用户点击反馈持续优化"。很多人选监督学习，错了——这是强化学习的反馈循环机制。

AWS的出题逻辑很实际：它假设你是个接到业务需求的架构师，老板说要"智能推荐"，你得判断背后该用Amazon Personalize（基于协同过滤的监督学习）还是自建强化学习管道。

记住这个判断框架：有标签历史数据→监督；只有数据没标签→无监督；需要与环境持续交互优化→强化。

数据治理：Garbage in, garbage out是道送命题

考纲里"数据"这一章篇幅最短，但挂科率最高。因为AWS把它做成了综合应用题。

题目场景通常是：给你一个"客户投诉分类系统"的需求，问数据准备阶段要处理哪些问题。

标准答案永远包含三点：结构化与非结构化数据的混合处理（投诉文本是非结构化，客户ID是结构化）、标注质量（情感标签是否一致）、类别不平衡（投诉里"产品质量"占80%，"物流问题"只有5%，模型会严重偏科）。

AWS在这里埋了个陷阱选项："使用更多计算资源"。选这个就暴露了你没理解——数据问题是前置条件，算力堆上去只会加速错误。

官方文档反复强调data pipeline和governance，但考题不会直接考名词，而是考你在项目kick-off会上能不能拦住老板说"数据没清洗前别谈模型精度"。

NLP： managed service是正确答案，但要知道为什么

自然语言处理的服务选型题几乎是必考。Amazon Comprehend（文本分析）、Lex（对话机器人）、Transcribe（语音转文字）、Translate（机器翻译）——四个服务的功能边界必须清晰。

典型考题："需要分析社交媒体评论的情感倾向，同时提取提到的产品实体"。正确答案是Comprehend，因为它同时做sentiment analysis和entity recognition。选Lex的人混淆了"理解语言"和"对话交互"的场景差异。

AWS的隐藏考点是：什么时候不该自建模型。

考题会给你一个"需要99.9%准确率的中文分词系统"的需求，选项里包含"用SageMaker训练自定义模型"。这时候要选managed service的反面——因为通用API达不到这个精度，必须定制。能判断这个边界，才算真懂NLP落地。

计算机视觉：Rekognition和Textract的战场划分

视觉服务的考题喜欢混用场景。Rekognition做人脸识别、物体检测、内容审核；Textract专门做文档OCR，能识别表格和表单结构。

陷阱题示例："从扫描的采购合同中提取供应商名称和金额"。选Rekognition就错了——这是结构化文档抽取，Textract的form extraction才是正解。

更隐蔽的考点是合规。Rekognition的人脸识别功能在部分区域受限，考题可能问"跨国部署时的服务可用性"。这需要你记得AWS的region-specific服务列表，不是纯技术问题。

生成式AI：Temperature和RAG是2024年新增重灾区

Bedrock是AWS生成式AI的核心服务，但考题不考API调用，考的是控制参数的业务含义。

Temperature（温度）这个参数被包装成各种业务场景：创意文案生成需要高temperature（0.8-1.0），客服问答需要低temperature（0.1-0.3）保证一致性。考题不会直接问"temperature是什么"，而是问"如何控制模型输出的随机性"。

RAG（检索增强生成，Retrieval-Augmented Generation）是另一个高频考点。AWS把它作为解决hallucination（幻觉）的标准方案，考题场景通常是："如何让模型基于企业内部知识库回答，而不是胡编"。

正确答案是RAG架构：用OpenSearch或Kendra做向量检索，把检索结果塞进prompt context。选"微调模型"的人没理解——微调是解决风格问题，RAG是解决事实准确性问题，两者成本差一个数量级。

AI基础概念：最容易被低估的第一章

考纲把"AI fundamentals"放在开头，很多人跳过去直接学服务。但考题里有一道经典陷阱："以下哪项不是AI的核心能力？"

选项通常包含：学习数据模式、自主决策、理解人类情感、生成内容。正确答案是"理解人类情感"——这是NLP的情感分析功能，不是AI本身的定义能力。情感分析是模式识别，不是真正"理解"。

这个区分很产品经理：AI能检测文本中的积极/消极词汇，但它不知道什么叫"开心"。

ML、DL、NLP、CV的层级关系也是常考点。深度学习是机器学习的子集，NLP和CV是应用领域——这种嵌套结构会做成选择题的包含关系判断。

最后说个备考策略。AWS官方样题只有20道，但第三方平台Whizlabs和Tutorial Dojo的模拟题命中率很高。重点不是刷题量，是做错题归因：是服务边界不清？还是学习类型判断失误？

认证通过后有效期两年，但AWS的AI服务迭代速度是三个月一次大更新。这份考纲在2024年加入了大量生成式AI内容，2025年可能又会调整权重——毕竟Bedrock的新模型发布节奏，比考试大纲修订快得多。

你手头的AWS认证是多久前的？如果还是2023年之前的机器学习专项，现在投AI岗位简历，HR可能会问：Bedrock的Claude 3和Llama 3选型，你的实战经验是？