Zum Inhalt springen
TokIQ
Lernen

AWS MLA-C02: Übungsfragen und Prüfungsguide (Beta)

10 eigene MLA-C02-Übungsfragen für AWS Certified Machine Learning Engineer Associate, dazu Beta-Fakten, die vier Domänen und die Änderungen gegenüber MLA-C01.

TokIQ Editorial7 Min. Lesezeit
In diesem Artikel
  1. MLA-C02 im Überblick
  2. Domäne 1: Data Preparation for ML and AI
  3. Domäne 2: ML Model and Foundation Model (FM) Development
  4. Domäne 3: Deployment and Orchestration of ML and AI Workflows
  5. Domäne 4: Operating, Monitoring, and Securing ML and AI Solutions
  6. Was sich von MLA-C01 zu MLA-C02 geändert hat
  7. So bewertest du dich selbst
  8. Wie diese Fragen entstanden sind
  9. Mehr MLA-C02-Fragen üben

MLA-C02 ist die aktualisierte Prüfung AWS Certified Machine Learning Engineer - Associate, und AWS führt sie derzeit als Beta durch. Unten findest du 10 eigene Übungsfragen zu den vier Domänen, mit Antworten und Erklärungen, danach die Beta-Fakten und die Änderungen gegenüber MLA-C01.

Das Wichtigste in Kürze

  • MLA-C02 prüft ML Engineering auf AWS: Datenpipelines, Training, Deployment, Monitoring und Sicherheit, für klassisches ML und für Foundation Models.
  • Drei der vier Domänen sind mit je 24% gewichtet, die Datenaufbereitung mit 28%.
  • Es ist eine Associate-Prüfung. AWS empfiehlt mindestens 1 Jahr praktische Erfahrung mit SageMaker AI und Bedrock.

MLA-C02 im Überblick

Die Fakten stammen von der AWS-Zertifizierungsseite und dem MLA-C02-Prüfungsguide, geprüft am 2026-11-02. Mehr Details und einen Lernplan findest du auf unserer MLA-C02-Vorbereitungsseite. Einen Wochenplan findest du unter MLA-C02 lernen.

FaktOffizieller Wert
StatusBeta; Datum der allgemeinen Verfügbarkeit folgt
Beta-Format85 Fragen, 170 Minuten, Multiple Choice und Multiple Response
Beta-Preis75 USD
SpracheWährend der Beta nur Englisch
Bestehensgrenze (Prüfungsguide)720 auf einer skalierten Punktzahl von 100-1.000
Gültigkeit3 Jahre
DomäneGewichtungFragen unten
1. Data Preparation for ML and AI28%1-3
2. ML Model and Foundation Model (FM) Development24%4-5
3. Deployment and Orchestration of ML and AI Workflows24%6-7
4. Operating, Monitoring, and Securing ML and AI Solutions24%8-10

Domäne 1: Data Preparation for ML and AI

Frage 1

Ein Team trainiert ein Modell mit einem Datensatz, in dem 98% der Beispiele zu einer Klasse gehören. Das Modell erreicht 98% Accuracy, erkennt aber die seltene Klasse nie. Was sollte das Team zuerst tun?

  • A. Die 98% Accuracy als Ergebnis melden
  • B. Das Klassenungleichgewicht angehen, zum Beispiel durch Resampling, und mit Precision und Recall bewerten
  • C. Die seltene Klasse aus den Daten entfernen
  • D. Die Zahl der Features auf eins reduzieren

Antwort: B. Accuracy verschleiert Fehler bei unausgewogenen Daten. Wer neu ausbalanciert (die seltene Klasse oversamplen oder die häufige undersamplen) und nach Precision, Recall oder F1 urteilt, bekommt ein ehrliches Bild.

  • A ist falsch, weil ein Modell, das immer die Mehrheitsklasse vorhersagt, ebenfalls 98% erreicht.
  • C ist falsch, weil gerade die seltene Klasse meist die wichtige ist.
  • D ist falsch, weil weniger Features das Ungleichgewicht nicht beheben.

Frage 2

Eine Data Scientist möchte dieselben aufbereiteten Features für das Training und für Online-Vorhersagen mit niedriger Latenz nutzen, ohne sie zweimal zu implementieren. Welcher Ansatz passt?

  • A. Die Features in einem zentralen Feature Store wie Amazon SageMaker Feature Store ablegen
  • B. Die Feature-Definitionen per E-Mail an das Anwendungsteam schicken
  • C. Die Features in jedem Notebook von Hand neu berechnen
  • D. Die Features nur in lokalen CSV-Dateien speichern

Antwort: A. Ein Feature Store hält eine einzige verwaltete Definition pro Feature vor und liefert sie sowohl für das Offline-Training als auch für Online-Inferenz. Das verhindert Training-Serving-Skew.

  • B, C und D sind falsch, weil sie die Logik doppeln, und genau so laufen Features im Training und im Betrieb auseinander.

Frage 3

Ein Team baut eine RAG-Anwendung und muss Firmendokumente so aufbereiten, dass ein Modell passende Textstellen abrufen kann. Welcher Schritt gehört zu dieser Aufbereitung?

  • A. Die Dokumente in Chunks aufteilen und Embeddings erzeugen, die in einem Vector Store liegen
  • B. Alle Dokumente löschen, die länger als eine Seite sind
  • C. Jedes Dokument in ein Bild umwandeln
  • D. Für jedes Dokument ein neues Modell von Grund auf trainieren

Antwort: A. Bei der RAG-Vorbereitung werden Dokumente in Chunks zerlegt, die Chunks in Embeddings umgewandelt und in einem Vector Store abgelegt, damit bei einer Anfrage ähnliche Passagen gefunden werden. Siehe was ist RAG.

  • B, C und D sind falsch, weil sie Inhalte zerstören, Text verlieren oder unnötig teuer sind.

Domäne 2: ML Model and Foundation Model (FM) Development

Frage 4

Ein Team hat einen kleinen beschrifteten Datensatz und braucht schnell einen Bildklassifikator. Das Training von Grund auf liefert schlechte Ergebnisse. Was ist der wirksamste Ansatz?

  • A. Transfer Learning von einem vortrainierten Modell nutzen und es mit den beschrifteten Daten feintunen
  • B. Keine weiteren Daten sammeln und länger trainieren
  • C. Ein lineares Regressionsmodell verwenden
  • D. Labels zufällig vergeben

Antwort: A. Transfer Learning nutzt Merkmale wieder, die ein Modell auf einem großen Datensatz gelernt hat, sodass ein kleiner beschrifteter Satz zur Anpassung genügt.

  • B ist falsch, weil längeres Training mit zu wenig Daten eher zu Overfitting führt.
  • C ist falsch, weil Regression Zahlen vorhersagt und keine Bildklassen.
  • D ist falsch, weil zufällige Labels nichts beibringen.

Frage 5

Ein Unternehmen will zwei Foundation Models für eine Zusammenfassungsaufgabe vergleichen. Welcher Bewertungsansatz ist am besten geeignet?

  • A. Beide Modelle mit denselben repräsentativen Test-Prompts laufen lassen und die Ergebnisse mit definierten Metriken oder durch menschliche oder modellbasierte Bewertung vergleichen
  • B. Das Modell mit dem längeren Namen wählen
  • C. Nur mit den Trainings-Prompts eines der Modelle bewerten
  • D. Auf eine Bewertung verzichten, weil beide Foundation Models sind

Antwort: A. Bewerte mit einem festen, repräsentativen Testsatz und klaren Kriterien. Automatische Metriken, menschliche Reviewer oder ein Judge-Modell sind alle möglich, am besten kombiniert.

  • B, C und D sind falsch, weil sie keine gültige Bewertung darstellen oder ein Modell bevorzugen.

Domäne 3: Deployment and Orchestration of ML and AI Workflows

Frage 6

Ein Modell erhält unvorhersehbaren Traffic mit langen Leerlaufphasen, und Anfragen können einen kurzen Cold Start verkraften. Welche Deployment-Option senkt die Kosten am stärksten?

  • A. Ein Serverless-Inference-Endpoint
  • B. Ein großer, dauerhaft laufender Echtzeit-Endpoint mit vielen Instanzen
  • C. Eine dedizierte GPU-Instanz, die 24/7 ohne Traffic läuft
  • D. Das Modell für jede Anfrage neu trainieren

Antwort: A. Serverless Inference skaliert im Leerlauf auf null und rechnet nach Nutzung ab. Das passt zu sporadischem Traffic, der Cold Starts akzeptiert.

  • B und C sind falsch, weil sie ungenutzte Kapazität bezahlen.
  • D ist falsch, weil Inferenz kein Neutraining braucht.

Frage 7

Ein Team möchte, dass jede Änderung am Trainingscode automatisch Tests, eine Trainingspipeline und einen Model-Registry-Schritt auslöst. Was sollte es aufbauen?

  • A. Eine CI/CD-Pipeline, die mit einer ML-Pipeline und einer Model Registry verbunden ist
  • B. Eine wöchentliche manuelle Checkliste
  • C. Eine gemeinsame Tabelle mit Modellversionen
  • D. Ein einziges Notebook, das alle bearbeiten

Antwort: A. MLOps automatisiert Build-, Test-, Trainings-, Registrierungs- und Deployment-Schritte, damit Releases wiederholbar und nachvollziehbar sind.

  • B, C und D sind falsch, weil sie manuell und fehleranfällig sind.

Domäne 4: Operating, Monitoring, and Securing ML and AI Solutions

Frage 8

Die Accuracy eines produktiven Modells sinkt langsam, weil sich das Kundenverhalten seit dem Training verändert hat. Wie heißt das, und was sollte eingerichtet werden?

  • A. Data Drift; Eingabe- und Vorhersageverteilungen überwachen und ein Neutraining auslösen
  • B. Overfitting; mehr Layer hinzufügen
  • C. Underfitting; die Datenmenge verringern
  • D. Latenz; mehr Speicher hinzufügen

Antwort: A. Wenn sich die Produktionsdaten von den Trainingsdaten entfernen, spricht man von Drift. Monitoring (zum Beispiel mit SageMaker Model Monitor) erkennt sie, damit du neu trainieren kannst.

  • B und C sind falsch, weil sie Passungsprobleme aus der Trainingsphase beschreiben.
  • D ist falsch, weil Latenz die Geschwindigkeit betrifft und nicht die Genauigkeit.

Frage 9

Ein Trainingsjob in SageMaker AI muss Daten aus einem S3-Bucket lesen. Welcher Ansatz folgt dem Least-Privilege-Prinzip?

  • A. Dem Job eine IAM-Rolle zuweisen, die nur Zugriff auf diesen Bucket und dieses Präfix gewährt
  • B. Langlebige Zugriffsschlüssel im Trainingscode einbetten
  • C. Den Bucket öffentlich machen
  • D. Dem Job Administratorzugriff geben

Antwort: A. Eine Execution Role mit eng gefassten Berechtigungen liefert temporäre Zugangsdaten und begrenzt den Schaden bei jedem Fehler.

  • B ist falsch, weil fest eingebaute Schlüssel leicht abfließen.
  • C und D sind falsch, weil sie weit mehr Zugriff gewähren als nötig.

Frage 10

Ein Unternehmen will, dass der Datenverkehr zwischen seiner VPC und seinen Modell-Endpoints nicht über das öffentliche Internet läuft. Welche Option hilft?

  • A. VPC-Interface-Endpoints (AWS PrivateLink) für den Service verwenden
  • B. Die URL des Endpoints auf einer öffentlichen Website veröffentlichen
  • C. Die Verschlüsselung deaktivieren
  • D. Alle Ports der Security Group öffnen

Antwort: A. Interface-VPC-Endpoints halten den Datenverkehr im AWS-Netzwerk, zusammen mit Security Groups und Verschlüsselung.

  • B, C und D sind falsch, weil sie die Angriffsfläche vergrößern.

Was sich von MLA-C01 zu MLA-C02 geändert hat

AWS veröffentlicht einen Vergleich von MLA-C01 und MLA-C02. Kurz gesagt: Die aktualisierte Prüfung nimmt neben klassischem ML auch Foundation Models und Generative AI auf, einschließlich agentischer Workflows. Die englische MLA-C01 war nach dem 28. September 2026 nicht mehr verfügbar (laut AWS). Bereits erworbene Zertifizierungen bleiben für ihre volle Laufzeit gültig.

So bewertest du dich selbst

  • 9-10 richtig: Wechsle zu vollständigen Übungsprüfungen unter Zeitdruck und geh die Domänen im Prüfungsguide durch.
  • 6-8 richtig: Lies die Task Statements der Domänen nach, in denen du Fehler hattest.
  • 5 oder weniger: Diese Prüfung setzt praktische Erfahrung mit SageMaker AI und Bedrock voraus. Wenn du noch am Anfang stehst, mach zuerst AWS AI Practitioner (AIF-C01). Siehe welche KI-Zertifizierung du zuerst machen solltest.

Wie diese Fragen entstanden sind

TokIQ Editorial hat diese Fragen anhand der Domänen und Aufgabenbereiche im MLA-C02-Prüfungsguide geschrieben. Es sind keine echten Prüfungsfragen. Die Prüfungsfakten wurden am 2026-11-02 geprüft, Beta-Details können sich ändern. TokIQ ist eine unabhängige Übungs-App und weder mit Amazon Web Services verbunden noch von Amazon Web Services empfohlen.

Mehr MLA-C02-Fragen üben

TokIQ (bei Google Play, bald auch für das iPhone) hat einen MLA-C02-Vorbereitungsmodus (Beta) mit kurzer täglicher Session, Spaced Repetition, einem Readiness-Score pro Domäne, Probeprüfungen und Erklärungen in deiner Sprache.

Häufige Fragen

Was ist MLA-C02?

MLA-C02 ist die aktualisierte Prüfung AWS Certified Machine Learning Engineer - Associate. Sie deckt klassisches ML und Foundation Models ab: Datenaufbereitung, Modellentwicklung, Deployment und Orchestrierung sowie Betrieb und Absicherung von ML- und KI-Lösungen (AWS-Prüfungsguide, geprüft am 2026-11-02).

Ist MLA-C02 noch eine Beta-Prüfung?

Stand 2026-11-02 steht auf der AWS-Zertifizierungsseite, dass die Anmeldung für die MLA-C02-Beta offen ist: 85 Fragen, 170 Minuten, 75 USD Beta-Preis, nur auf Englisch. Das Datum der allgemeinen Verfügbarkeit ist nicht bekannt.

Wie hoch ist die Bestehensgrenze bei MLA-C02?

Der Prüfungsguide nennt eine skalierte Punktzahl von 100-1.000 mit einer Mindestpunktzahl von 720 zum Bestehen. Laut Guide gilt die Einstufung als bestanden oder nicht bestanden nicht für die Beta-Version, und die Bewertung ist kompensatorisch: Du bestehst die Prüfung insgesamt, nicht jede Domäne einzeln.

Ist MLA-C02 schwerer als die AI-Practitioner-Prüfung?

Sie richtet sich an ein anderes Niveau. AIF-C01 ist eine Grundlagenprüfung, bei der es darum geht, den passenden KI-Service zu wählen. MLA-C02 ist eine Associate-Prüfung für Leute mit mindestens 1 Jahr Erfahrung mit Amazon SageMaker AI, Amazon Bedrock und anderen AWS-ML-Services, also erwarte mehr praktische Engineering-Szenarien.

Sind das echte MLA-C02-Prüfungsfragen?

Nein. TokIQ Editorial hat alle 10 auf Basis des öffentlichen Prüfungsguides geschrieben. AWS hält Prüfungsinhalte vertraulich, deshalb sind Sets, die als echte Fragen verkauft werden, ein Risiko und keine Abkürzung.

  • #MLA-C02
  • #AWS Machine Learning Engineer Associate
  • #Übungsfragen
  • #Zertifizierungsvorbereitung

Jetzt üben

TokIQ macht aus Prompt Engineering kurze Quizze, mit einer Erklärung zu jeder Antwort.

Bald beiApp StoreJetzt beiGoogle Play

Schreibe bessere Prompts, mit ein paar Fragen am Tag.

Kurze Quizze zu echten Prompting-Entscheidungen, mit einer Erklärung zu jeder Antwort. Kostenlos starten auf iPhone und Android.

Bald beiApp StoreJetzt beiGoogle Play