AWS AI Practitioner (AIF-C01): Beispielfragen
12 eigene AIF-C01-Übungsfragen zu allen fünf Prüfungsbereichen, jeweils mit richtiger Antwort und Begründung, warum die anderen Optionen falsch sind.
In diesem Artikel
- AIF-C01-Prüfungsfakten auf einen Blick
- Bereich 1: Fundamentals of AI and ML
- Bereich 2: Fundamentals of GenAI
- Bereich 3: Applications of Foundation Models
- Bereich 4: Guidelines for Responsible AI
- Bereich 5: Security, Compliance, and Governance for AI Solutions
- So wertest du dich selbst aus
- Wie diese Fragen entstanden sind
- Mehr AIF-C01-Fragen üben
Unten findest du 12 eigene Übungsfragen für die Prüfung AWS Certified AI Practitioner (AIF-C01), jeweils mit richtiger Antwort und kurzer Erklärung, auch dazu, warum die anderen Optionen falsch sind. Sie decken alle fünf offiziellen Bereiche ungefähr im gleichen Verhältnis ab wie die echte Prüfung, damit du deine Schwächen vor dem Prüfungstag findest.
Versuch jede Frage, bevor du die Antwort liest. Erst raten und dann nachsehen, so bleibt das Gelernte hängen. Wer sofort die Antwort liest, hat vor allem das Gefühl, etwas gelernt zu haben.
Das Wichtigste in Kürze
- AIF-C01 hat 65 Fragen (50 bewertet) in 90 Minuten, bestanden ist mit einem skalierten Wert von 700 von 1.000.
- Bereich 3, Applications of Foundation Models, macht 28 % des Ergebnisses aus, deshalb stammen 4 der 12 Fragen unten aus diesem Bereich.
- Die meisten AIF-C01-Fragen prüfen, ob du einen geschäftlichen Bedarf dem richtigen Konzept oder AWS-Dienst zuordnen kannst, nicht ob du ein Modell bauen kannst.
- Klingen zwei Antworten richtig, ist bei einem Szenario auf Einsteigerniveau meist die günstigere, verwaltete und weniger individuelle Option die, die AWS hören will.
AIF-C01-Prüfungsfakten auf einen Blick
Diese Angaben stammen aus dem offiziellen AIF-C01-Prüfungsleitfaden und von der Seite AWS Certified AI Practitioner, geprüft am 2026-10-21. Alle Fakten, was die einzelnen Bereiche abdecken, und einen Lernplan findest du auf unserer AIF-C01-Prüfungsseite.
| Fakt | Offizieller Wert |
|---|---|
| Fragen | 65 (50 bewertet, 15 unbewertet) |
| Zeit | 90 Minuten |
| Bestehensgrenze | 700 (skalierter Wert 100–1.000) |
| Preis | 100 USD |
| Fragetypen | Multiple Choice, Multiple Response, Ordering, Matching |
| Bereich | Gewichtung | Fragen unten |
|---|---|---|
| 1. Fundamentals of AI and ML | 20 % | 1–2 |
| 2. Fundamentals of GenAI | 24 % | 3–4 |
| 3. Applications of Foundation Models | 28 % | 5–8 |
| 4. Guidelines for Responsible AI | 14 % | 9–10 |
| 5. Security, Compliance, and Governance for AI Solutions | 14 % | 11–12 |
Der aktuelle Prüfungsleitfaden ist Version 1.1 und wurde am 30. April 2026 veröffentlicht. Er hat Agentic AI, Context Engineering, das Model Context Protocol (MCP) und Amazon Bedrock AgentCore in die Ziele aufgenommen, ältere Übungssets lassen diese Themen deshalb womöglich aus.
Bereich 1: Fundamentals of AI and ML
Frage 1
Ein Einzelhandelsunternehmen will seine Kunden nach Kaufverhalten gruppieren. Für die Gruppen gibt es keine vorhandenen Labels. Welche Art von Machine Learning passt zu dieser Aufgabe?
- A. Überwachtes Lernen (Supervised Learning) mit einem Klassifikationsmodell
- B. Unüberwachtes Lernen (Unsupervised Learning) mit Clustering
- C. Reinforcement Learning mit einer Belohnungsfunktion
- D. Überwachtes Lernen mit einem Regressionsmodell
Antwort: B. Clustering ist unüberwacht: Es findet Gruppen in Daten ohne Labels, und genau das ist hier die Situation.
- A und D sind falsch, weil überwachtes Lernen beschriftete Beispiele braucht (bekannte Gruppen oder bekannte numerische Zielwerte), und das Unternehmen hat keine.
- C ist falsch, weil Reinforcement Learning einen Agenten über Belohnungen für Aktionen in einer Umgebung trainiert. Einen Agenten oder Aktionen gibt es hier nicht.
Frage 2
Ein Modell erreicht auf seinen Trainingsdaten 98 % Genauigkeit, auf neuen, ungesehenen Daten aber nur 71 %. Was ist das wahrscheinlichste Problem?
- A. Underfitting
- B. Overfitting
- C. Data Drift im Trainingsdatensatz
- D. Der Inference-Endpoint ist zu klein
Antwort: B. Overfitting bedeutet, dass das Modell die Trainingsdaten zu genau gelernt hat, samt Rauschen, und deshalb nicht gut verallgemeinert. Ein großer Abstand zwischen Trainings- und Validierungsleistung ist das klassische Zeichen.
- A ist falsch, weil ein unterangepasstes Modell auch auf den Trainingsdaten schlecht abschneidet.
- C ist falsch, weil Drift beschreibt, dass sich Produktionsdaten nach dem Training mit der Zeit verändern.
- D ist falsch, weil die Instanzgröße Geschwindigkeit und Kosten beeinflusst, nicht die Genauigkeit.
Bereich 2: Fundamentals of GenAI
Frage 3
Ein Team will einen Chatbot bauen, der Foundation Models mehrerer Anbieter über eine einzige API aufruft, ohne Server bereitzustellen oder zu verwalten. Welcher AWS-Dienst passt am besten?
- A. Amazon SageMaker AI mit einem eigenen Trainingsjob
- B. Amazon Bedrock
- C. Amazon EC2 mit GPU-Instanzen
- D. Amazon Comprehend
Antwort: B. Amazon Bedrock ist ein vollständig verwalteter Dienst, der per API Zugriff auf Foundation Models von Amazon und anderen Modellanbietern gibt. Du musst also keine Infrastruktur betreiben.
- A ist falsch, weil ein Trainingsjob dazu dient, ein eigenes Modell zu bauen oder zu trimmen, was das Team nicht braucht.
- C ist falsch, weil Modelle auf EC2 selbst zu hosten bedeutet, Server zu verwalten, also das Gegenteil der Vorgabe.
- D ist falsch, weil Amazon Comprehend ein Dienst für Natural Language Processing ist (Entitäten, Stimmung, Klassifikation) und keine Möglichkeit, allgemeine Foundation Models aufzurufen.
Frage 4
Ein Unternehmen stellt fest, dass seine Kosten für generative KI stark steigen, wenn Nutzer lange Dokumente in den Prompt einfügen. Was erklärt das?
- A. Die On-Demand-Preise für Modelle richten sich meist nach der Anzahl der Input- und Output-Tokens.
- B. Lange Prompts zwingen das Modell zum erneuten Training.
- C. Die Preise richten sich nach der Zahl der API-Nutzer.
- D. Lange Prompts verwenden immer ein größeres Modell.
Antwort: A. Textmodelle werden in der Regel pro Token abgerechnet, und ein Token ist ein Textbaustein (oft ein Wortteil). Ein langes eingefügtes Dokument fügt jeder Anfrage viele Input-Tokens hinzu, die Kosten wachsen also mit der Prompt-Länge.
- B ist falsch, weil die Inferenz das Modell nicht neu trainiert.
- C ist falsch, weil die Zahl der Nutzer die Kosten pro Anfrage nicht bestimmt.
- D ist falsch, weil die Anwendung das Modell auswählt und nicht die Länge des Prompts.
Bereich 3: Applications of Foundation Models
Frage 5
Eine Bank nutzt ein Foundation Model, um eine feste Berichtsvorlage auszufüllen. Die Antworten schwanken bei identischen Anfragen zu stark. Welche Änderung eines Inferenzparameters hilft am meisten?
- A. Die Temperature erhöhen
- B. Die Temperature senken
- C. Die maximale Ausgabelänge erhöhen
- D. Die Stop Sequences entfernen
Antwort: B. Die Temperature steuert, wie zufällig das Modell das nächste Token auswählt. Eine niedrigere Temperature macht die Ausgabe fokussierter und konsistenter, was zum Ausfüllen von Vorlagen passt.
- A ist falsch, weil eine höhere Temperature die Ausgabe abwechslungsreicher und kreativer macht, also das Gegenteil dessen, was die Bank will.
- C ist falsch, weil die Ausgabelänge begrenzt, wie lang eine Antwort sein darf, nicht wie konsistent sie ist.
- D ist falsch, weil Stop Sequences die Generierung nur an einer festgelegten Stelle beenden.
Frage 6
Ein Unternehmen will einen internen Assistenten, der Fragen anhand seiner HR-Richtlinien beantwortet. Die Richtlinien ändern sich jeden Monat, und die Antworten müssen die aktuelle Fassung widerspiegeln. Welcher Ansatz ist am kostengünstigsten?
- A. Ein neues Foundation Model auf den Richtlinien vortrainieren
- B. Ein Modell jeden Monat auf den neuen Richtlinien feinabstimmen (Fine-Tuning)
- C. Retrieval Augmented Generation (RAG) mit Amazon Bedrock Knowledge Bases nutzen
- D. Alle Richtlinien als Beispiele in einen Few-Shot-Prompt einfügen
Antwort: C. RAG holt zum Zeitpunkt der Frage die passenden Textstellen aus den aktuellen Dokumenten und gibt sie dem Modell als Kontext mit. Ändern sich die Richtlinien, genügt es, die Knowledge Base zu aktualisieren, ganz ohne neues Training.
- A ist falsch, weil das Vortraining mit Abstand die teuerste Anpassungsmethode ist.
- B ist falsch, weil monatliches Fine-Tuning Zeit und Geld kostet und Fine-Tuning besser geeignet ist, Stil oder eine Aufgabe beizubringen, als Fakten aktuell zu halten.
- D ist falsch, weil das Einfügen aller Richtlinien in jeden Prompt die Token-Kosten erhöht und das Kontextfenster sprengen kann. Beispiele bringen ein Format bei, keinen Dokumentenbestand.
Ist RAG neu für dich, erklärt unser Leitfaden zu Retrieval-Augmented Generation das Muster Schritt für Schritt.
Frage 7
Ein Prompt soll ein Modell Support-Tickets in eine von fünf Kategorien einordnen lassen, aber das Modell verwendet ständig eigene Kategorienamen. Was ist die einfachste Lösung per Prompt Engineering?
- A. Ein paar beschriftete Beispiele mit den exakten Kategorienamen ergänzen (Few-Shot Prompting)
- B. Das Modell mit 10.000 Tickets feinabstimmen
- C. Die Temperature erhöhen
- D. Auf ein größeres Modell wechseln
Antwort: A. Ein paar durchgespielte Beispiele mit den exakten Labels zeigen dem Modell die erwartete Ausgabe, und auch die erlaubten Kategorien in der Anweisung aufzuführen hilft. Es kostet nichts, das auszuprobieren, und ist der erste Schritt vor aufwendigeren Optionen.
- B ist falsch, weil Fine-Tuning zwar funktionieren kann, aber weit teurer ist, als zuerst den Prompt zu verbessern.
- C ist falsch, weil eine höhere Temperature die Ausgabe weniger vorhersagbar macht.
- D ist falsch, weil auch ein größeres Modell Labels erfinden kann, wenn der Prompt nie das erwartete Format zeigt.
Unser Beitrag zu Zero-Shot vs. Few-Shot Prompting zeigt, wann Beispiele helfen und wann sie nach hinten losgehen.
Frage 8
Ein Team will eine automatische Metrik, um vom Modell erzeugte Zusammenfassungen mit von Menschen geschriebenen Referenzzusammenfassungen zu vergleichen. Welche Metrik ist dafür gedacht?
- A. ROUGE
- B. Mean Squared Error
- C. F1-Score für Bildklassifikation
- D. Latenz
Antwort: A. ROUGE (Recall-Oriented Understudy for Gisting Evaluation) misst die Überschneidung zwischen erzeugtem Text und Referenztext und wird häufig für Zusammenfassungen verwendet. Der Prüfungsleitfaden nennt außerdem BLEU (oft für Übersetzungen), BERTScore und LLM-as-a-judge.
- B ist falsch, weil der Mean Squared Error den Fehler numerischer Vorhersagen in der Regression misst.
- C ist falsch, weil es um Textzusammenfassung geht und nicht um Bildklassifikation.
- D ist falsch, weil die Latenz die Geschwindigkeit misst, nicht die Qualität.
Bereich 4: Guidelines for Responsible AI
Frage 9
Ein Kreditgeber will prüfen, ob sein Modell zur Kreditvergabe Antragsteller verschiedener Altersgruppen unfair behandelt, sowohl in den Trainingsdaten als auch in den Vorhersagen des Modells. Welche AWS-Funktion ist dafür gebaut?
- A. Amazon SageMaker Clarify
- B. AWS CloudTrail
- C. Amazon Textract
- D. Amazon Bedrock Knowledge Bases
Antwort: A. SageMaker Clarify erkennt mögliche Verzerrungen (Bias) in Daten und in Modellvorhersagen und liefert außerdem Erklärungen per Feature Attribution dazu, wie sich Eingaben auf Vorhersagen auswirken.
- B ist falsch, weil CloudTrail API-Aktivitäten protokolliert und keine Fairness von Modellen analysiert.
- C ist falsch, weil Textract Text und Daten aus Dokumenten extrahiert.
- D ist falsch, weil Knowledge Bases das Retrieval für RAG-Anwendungen bereitstellen.
Frage 10
Aufsichtsbehörden verlangen von einem Unternehmen, jedem Kunden zu erklären, warum das Modell seinen Antrag abgelehnt hat. Welche Wahl unterstützt diese Anforderung am besten?
- A. Das genaueste verfügbare tiefe neuronale Netz verwenden, unabhängig von der Interpretierbarkeit
- B. Ein besser interpretierbares Modell verwenden oder Explainability-Werkzeuge ergänzen, die zeigen, welche Merkmale jede Entscheidung bestimmt haben
- C. Die Eingaben des Modells verbergen, um geistiges Eigentum zu schützen
- D. Den Trainingsdatensatz vergrößern
Antwort: B. Responsible AI bei AWS umfasst Transparenz und Erklärbarkeit. Ein einfacheres, interpretierbares Modell oder Erklärungen per Feature Attribution erlauben es dem Unternehmen, einem Kunden zu sagen, welche Faktoren zur Entscheidung geführt haben. Der Zielkonflikt zwischen Leistung und Interpretierbarkeit taucht in der Prüfung immer wieder auf.
- A ist falsch, weil ein Modell, das niemand erklären kann, die regulatorische Anforderung auch dann verfehlen kann, wenn es genau ist.
- C ist falsch, weil das Verbergen von Eingaben die Transparenz verringert.
- D ist falsch, weil mehr Daten die Genauigkeit verbessern können, einzelne Entscheidungen aber nicht erklären.
Bereich 5: Security, Compliance, and Governance for AI Solutions
Frage 11 (wähle zwei)
Der kundenorientierte Chatbot eines Unternehmens auf Basis von Amazon Bedrock muss Versuche blockieren, seine Anweisungen zu überschreiben, und darf in Antworten keine personenbezogenen Daten von Kunden preisgeben. Welche zwei Maßnahmen erfüllen diese Anforderungen? (Wähle ZWEI.)
- A. Amazon Bedrock Guardrails mit einem Filter gegen Prompt-Angriffe konfigurieren
- B. Die Filter für sensible Informationen von Amazon Bedrock Guardrails so konfigurieren, dass personenbezogene Daten maskiert oder blockiert werden
- C. Die Temperature des Modells erhöhen
- D. Den System-Prompt in einem öffentlichen Amazon-S3-Bucket speichern
- E. Das Logging ausschalten, damit Angreifer es nicht lesen können
Antwort: A und B. Guardrails können Prompt-Angriffe wie Jailbreaks und Prompt Injection erkennen, und die Filter für sensible Informationen können personenbezogene Daten (PII) in Ein- und Ausgaben blockieren oder maskieren. Zusammen decken sie beide Anforderungen ab.
- C ist falsch, weil die Temperature die Zufälligkeit ändert und nicht die Sicherheit.
- D ist falsch, weil ein öffentlicher Bucket den System-Prompt für jeden zugänglich macht.
- E ist falsch, weil Logs für Audits und die Reaktion auf Vorfälle nötig sind. Die Lösung ist, den Zugriff darauf einzuschränken, nicht sie auszuschalten.
Mehr Hintergrund zum Angriff selbst findest du in unserem Beitrag Prompt Injection erklärt.
Frage 12
Ein Prüfer verlangt vom Unternehmen den Nachweis, wer in den letzten 90 Tagen die Amazon-Bedrock-APIs aufgerufen hat und wann. Welcher AWS-Dienst liefert diesen Nachweis?
- A. AWS CloudTrail
- B. Amazon Inspector
- C. AWS Trusted Advisor
- D. Amazon Macie
Antwort: A. CloudTrail zeichnet API-Aufrufe in einem AWS-Konto auf, einschließlich wer den Aufruf wann und von wo ausgeführt hat. Damit ist es der Prüfpfad (Audit Trail) für diese Art von Frage.
- B ist falsch, weil Amazon Inspector Workloads auf Software-Schwachstellen scannt.
- C ist falsch, weil Trusted Advisor Empfehlungen zu Best Practices für Kosten, Sicherheit und Limits gibt.
- D ist falsch, weil Amazon Macie sensible Daten in Amazon S3 aufspürt.
So wertest du dich selbst aus
Zähl deine richtigen Antworten von 12 und achte darauf, in welchen Bereichen du danebenlagst, nicht auf die Gesamtzahl. Zwölf Fragen sind zu wenig, um ein Prüfungsergebnis vorherzusagen. Ein Fehler in Bereich 3 wiegt nur deshalb schwerer als einer in Bereich 4, weil Bereich 3 in der echten Prüfung doppelt so viel Gewicht hat.
- 10–12 richtig: Mach mit Übungen in voller Länge unter Zeitdruck weiter und geh die Fragen, die du falsch hattest, weiter durch.
- 7–9 richtig: Lies die Ziele der Bereiche, in denen du Fehler hattest, noch einmal im Prüfungsleitfaden.
- 6 oder weniger: Fang mit den Konzepten an. Unser Lernpfad Prompt Engineering behandelt die GenAI-Ideen hinter den Bereichen 2 und 3.
Fragen, die du falsch hattest, sind mehr wert als die, die du richtig hattest. Schreib auf, warum du die falsche Antwort gewählt hast, und probier ein paar Tage später eine ähnliche Frage.
Wie diese Fragen entstanden sind
TokIQ Editorial hat diese Fragen anhand der Task Statements im AIF-C01-Prüfungsleitfaden (Version 1.1) geschrieben. Es sind keine echten Prüfungsfragen, und sie stammen aus keiner Fragensammlung (Question Dump). AWS hält seine Prüfungsinhalte vertraulich. Die Prüfungsfakten wurden am 2026-10-21 mit den oben verlinkten AWS-Seiten abgeglichen. TokIQ steht in keiner Verbindung zu Amazon Web Services und wird von Amazon Web Services nicht unterstützt.
Du lernst auch für Microsofts KI-Grundlagenprüfung? Sieh dir unsere AI-901-Übungsfragen an, die auch erklären, was AI-900 ersetzt hat.
Mehr AIF-C01-Fragen üben
Wenn du jeden Tag ein kurzes Set wie dieses möchtest: TokIQ (bei Google Play, für das iPhone bald verfügbar) hat einen AIF-C01-Vorbereitungsmodus. Er bietet eine tägliche Session, die Fragen, die du falsch hattest, per Spaced Repetition wiederbringt, sich auf deinen schwächsten Bereich konzentriert und Mock-Prüfungen enthält. Jede Frage nennt die offizielle AWS-Quelle, auf der sie beruht, und nach jeder Antwort gibt es eine Erklärung in deiner Sprache.
Bereit für die Associate-Stufe? Sieh dir die MLA-C02-Beispielfragen an oder vergleiche Optionen in Welche KI-Zertifizierung zuerst?.
Häufige Fragen
Sind das echte AIF-C01-Prüfungsfragen?
Nein. Alle 12 Fragen hat TokIQ Editorial zum Üben geschrieben, auf Grundlage der Ziele im offiziellen AWS-Prüfungsleitfaden. Echte Prüfungsfragen sind vertraulich: Kandidaten unterschreiben eine Verschwiegenheitserklärung, deshalb sind als Exam Dumps verkaufte Sets ein Risiko und keine Abkürzung. Nutze sie, um dein Verständnis zu testen, nicht um Antworten auswendig zu lernen.
Wie viele Fragen hat die Prüfung AWS Certified AI Practitioner?
Die Prüfung AIF-C01 hat 65 Fragen in 90 Minuten. Fünfzig Fragen zählen für dein Ergebnis, 15 sind unbewertete Fragen, die AWS testet. Du erkennst nicht, welche das sind. Unbeantwortete Fragen zählen als falsch, und falsches Raten wird nicht bestraft (AWS-Prüfungsleitfaden, geprüft am 2026-10-21).
Welche Punktzahl braucht man für AIF-C01?
Du brauchst einen skalierten Wert von 700 auf einer Skala von 100 bis 1.000. Die Bewertung ist kompensatorisch: Du bestehst oder fällst durch auf Basis der gesamten Prüfung und musst nicht jeden Bereich einzeln bestehen (AWS-Prüfungsleitfaden, geprüft am 2026-10-21).
Welchen AIF-C01-Bereich sollte ich am meisten üben?
Applications of Foundation Models ist mit 28 % der bewerteten Inhalte der größte Bereich, danach folgen Fundamentals of GenAI mit 24 % und Fundamentals of AI and ML mit 20 %. Responsible AI und Security, Compliance and Governance machen je 14 % aus. Verteile deine Übungszeit ungefähr in diesem Verhältnis.
Welche Fragetypen gibt es in der AIF-C01-Prüfung?
Der Prüfungsleitfaden nennt vier Typen: Multiple Choice (eine richtige Antwort aus vier), Multiple Response (zwei oder mehr richtige aus fünf oder mehr, für die Punkte brauchst du alle), Ordering (Reihenfolge) und Matching (Zuordnung). Frage 11 oben ist ein Beispiel für Multiple Response.
- #AIF-C01
- #AWS Certified AI Practitioner
- #Übungsfragen
- #Zertifizierung