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.
In diesem Artikel
- MLA-C02 im Überblick
- Domäne 1: Data Preparation for ML and AI
- Domäne 2: ML Model and Foundation Model (FM) Development
- Domäne 3: Deployment and Orchestration of ML and AI Workflows
- Domäne 4: Operating, Monitoring, and Securing ML and AI Solutions
- Was sich von MLA-C01 zu MLA-C02 geändert hat
- So bewertest du dich selbst
- Wie diese Fragen entstanden sind
- 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.
| Fakt | Offizieller Wert |
|---|---|
| Status | Beta; Datum der allgemeinen Verfügbarkeit folgt |
| Beta-Format | 85 Fragen, 170 Minuten, Multiple Choice und Multiple Response |
| Beta-Preis | 75 USD |
| Sprache | Während der Beta nur Englisch |
| Bestehensgrenze (Prüfungsguide) | 720 auf einer skalierten Punktzahl von 100-1.000 |
| Gültigkeit | 3 Jahre |
| Domäne | Gewichtung | Fragen unten |
|---|---|---|
| 1. Data Preparation for ML and AI | 28% | 1-3 |
| 2. ML Model and Foundation Model (FM) Development | 24% | 4-5 |
| 3. Deployment and Orchestration of ML and AI Workflows | 24% | 6-7 |
| 4. Operating, Monitoring, and Securing ML and AI Solutions | 24% | 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