آموزش دوره جامع توسعه‌دهنده حرفه‌ای هوش مصنوعی مولد AWS (AWS Certified Generative AI Developer Professional) - آخرین آپدیت

علاوه بر دامنه‌های تخصصی آزمون، این بانک سوالات شامل ۳۰۰ سوال استاندارد و ۱۵۰ سوال دشوار و جدید است که حوزه‌های دانش زیر را پوشش می‌دهد:

1. مبانی Amazon Bedrock

2. انتخاب مدل پایه (Foundation Model)

3. مهندسی پرامپت (Prompt Engineering)

4. RAG و پایگاه‌های دانش (Knowledge Bases)

5. جای‌گذاری‌ها (Embeddings) و ذخیره‌سازهای برداری (Vector Stores)

6. سفارشی‌سازی مدل و تنظیم دقیق (Fine-Tuning)

7. عامل‌های Bedrock و استفاده از ابزارها (Bedrock Agents & Tool Use)

8. هوش مصنوعی مسئولانه و گاردریل‌ها (Responsible AI & Guardrails)

9. SageMaker برای هوش مصنوعی مولد

10. امنیت، هزینه و عملیات

توزیع سوالات در ۶ آزمون آزمایشی: هر آزمون (۷۵ سوال) شامل ۷ تا ۸ سوال متوازن از هر دامنه است. با آرزوی موفقیت در آزمون. من در چند ماه آینده دوره‌ای کامل در مورد تمامی این مباحث منتشر خواهم کرد.

دامنه‌های آزمونی که این تست‌ها پوشش می‌دهند به شرح زیر است:

دامنه ۱: یکپارچه‌سازی FM، داده‌ها و انطباق (۳۱٪). رفتار همگام‌سازی پایگاه‌های دانش، الگوهای مقیاس‌پذیری ذخیره‌ساز برداری (pgvector در مقابل OpenSearch Service) و تکنیک‌های مهندسی پرامپت.

دامنه ۲: پیاده‌سازی و ادغام (۲۶٪). مقایسه Bedrock Agents در مقابل AgentCore و Step Functions، مقایسه Converse API در مقابل InvokeModel، بازگشت کنترل (Return of Control) و معماری‌های استریمینگ.

دامنه ۳: ایمنی، امنیت و حاکمیت AI (۲۰٪). مکانیسم‌های Guardrails، الگوهای کنترل دسترسی IAM برای Bedrock، مقایسه VPC endpoint در مقابل NAT gateway و Q Business در مقابل Knowledge Bases.

دامنه‌های ۴ و ۵: بهینه‌سازی و تست (۲۳٪). تله‌های هزینه (Provisioned در مقابل On-demand)، معیارهای ارزیابی (ROUGE/BLEU/BERTScore) و الگوهای بازیابی از Throttling.

آزمون نهایی دانش عملی شما را در این حوزه‌های اصلی می‌سنجد:

• مدل‌های پایه (FMs): انتخاب، سفارشی‌سازی و ارزیابی مدل‌ها (مانند Anthropic Claude، Amazon Titan، Llama).

• معماری‌های RAG: پیاده‌سازی پایگاه‌های دانش، ذخیره‌سازهای برداری (مانند Amazon OpenSearch) و جای‌گذاری داده‌ها.

• هوش مصنوعی عاملی (Agentic AI): طراحی عامل‌های AI و ادغام آن‌ها در جریان‌های کاری کسب‌وکار.

• مهندسی پرامپت: مدیریت و بهینه‌سازی پرامپت‌ها در مقیاس بالا.

• امنیت و حاکمیت: به‌کارگیری شیوه‌های هوش مصنوعی مسئولانه، گاردریل‌ها و حریم خصوصی داده‌ها.

• عملیات: عیب‌یابی، مانیتورینگ و بهینه‌سازی اپلیکیشن‌های GenAI از نظر هزینه و تأخیر (Latency).

  
  

لیست زیر شامل تکنولوژی‌ها و مفاهیمی است که احتمالاً در این آزمون‌های آزمایشی ظاهر شوند:

• تولید تقویت شده بازیابی (RAG)

• پایگاه‌های داده برداری و Embeddingها

• مهندسی و مدیریت پرامپت

• یکپارچه‌سازی مدل‌های پایه (FM)

• سیستم‌های هوش مصنوعی عاملی (Agentic AI)

• شیوه‌های هوش مصنوعی مسئولانه

• ایمنی محتوا و نظارت (Moderation)

• ارزیابی و اعتبارسنجی مدل

• بهینه‌سازی هزینه برای بارهای کاری AI

• تنظیم عملکرد برای اپلیکیشن‌های AI

• مانیتورینگ و مشاهده‌پذیری سیستم‌های AI

• امنیت و حاکمیت برای اپلیکیشن‌های AI

• طراحی API و الگوهای ادغام

• معماری‌های رویداد-محور (Event-driven)

• رایانش بدون سرور (Serverless)

• ارکستراسیون کانتینرها

• زیرساخت به عنوان کد (IaC)

• CI/CD برای اپلیکیشن‌های AI

• معماری‌های ابری ترکیبی (Hybrid Cloud)

• ادغام سیستم‌های سازمانی

لطفاً برای هرگونه سوال در مورد محتوای این تست‌ها یا پاسخ‌ها، از طریق Udemy با من در ارتباط باشید.