AWS AI Practitioner (AIF-C01) : questions d'exemple
12 questions d'entraînement AIF-C01 originales couvrant les cinq domaines de l'examen, avec la bonne réponse et pourquoi les autres options sont fausses.
Dans cet article
- L'examen AIF-C01 en bref
- Domaine 1 : Fundamentals of AI and ML
- Domaine 2 : Fundamentals of GenAI
- Domaine 3 : Applications of Foundation Models
- Domaine 4 : Guidelines for Responsible AI
- Domaine 5 : Security, Compliance, and Governance for AI Solutions
- Comment évaluer votre score
- Comment ces questions ont été rédigées
- Entraînez-vous avec plus de questions AIF-C01
Voici 12 questions d'entraînement originales pour l'examen AWS Certified AI Practitioner (AIF-C01), avec la bonne réponse et une courte explication pour chacune, y compris pourquoi les autres options sont fausses. Elles couvrent les cinq domaines officiels à peu près dans les proportions du vrai examen, pour repérer vos points faibles avant le jour J.
Essayez chaque question avant de lire la réponse. Répondre d'abord, puis vérifier, c'est ce qui fait que la révision reste en mémoire ; lire la réponse tout de suite donne surtout l'impression d'apprendre.
L'essentiel
- AIF-C01 compte 65 questions (50 notées) en 90 minutes, et la réussite se joue à un score pondéré de 700 sur 1 000.
- Le domaine 3, Applications of Foundation Models, pèse 28 % du score, donc 4 des 12 questions ci-dessous en viennent.
- La plupart des questions AIF-C01 testent si vous savez associer un besoin métier au bon concept ou au bon service AWS, pas si vous savez construire un modèle.
- Quand deux réponses semblent bonnes, l'option la moins chère, managée et la moins sur mesure est généralement celle qu'AWS attend dans un scénario de niveau fondamental.
L'examen AIF-C01 en bref
Ces informations viennent du guide d'examen AIF-C01 officiel et de la page AWS Certified AI Practitioner, consultés le 2026-10-21. Pour la liste complète des infos, le contenu de chaque domaine et un plan de révision, consultez notre page de préparation à AIF-C01.
| Fait | Valeur officielle |
|---|---|
| Questions | 65 (50 notées, 15 non notées) |
| Durée | 90 minutes |
| Score de réussite | 700 (score pondéré 100–1 000) |
| Prix | 100 USD |
| Types de questions | Choix multiple, réponses multiples, classement, association |
| Domaine | Poids | Questions ci-dessous |
|---|---|---|
| 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 |
Le guide d'examen actuel est la version 1.1, publiée le 30 avril 2026. Il a ajouté à ses objectifs l'IA agentique, le context engineering, le Model Context Protocol (MCP) et Amazon Bedrock AgentCore : les anciennes séries d'entraînement peuvent donc passer à côté de ces sujets.
Domaine 1 : Fundamentals of AI and ML
Question 1
Une enseigne de distribution veut regrouper ses clients selon leur comportement d'achat. Elle ne dispose d'aucune étiquette pour ces groupes. Quel type de machine learning convient à cette tâche ?
- A. Apprentissage supervisé avec un modèle de classification
- B. Apprentissage non supervisé avec du clustering
- C. Apprentissage par renforcement avec une fonction de récompense
- D. Apprentissage supervisé avec un modèle de régression
Réponse : B. Le clustering est non supervisé : il trouve des groupes dans des données sans étiquettes, ce qui correspond exactement à la situation décrite.
- A et D sont faux, car l'apprentissage supervisé a besoin d'exemples étiquetés (groupes connus ou cibles numériques connues), et l'entreprise n'en a pas.
- C est faux, car l'apprentissage par renforcement entraîne un agent grâce à des récompenses pour ses actions dans un environnement ; il n'y a ici ni agent ni action.
Question 2
Un modèle obtient 98 % de précision (accuracy) sur ses données d'entraînement, mais seulement 71 % sur de nouvelles données qu'il n'a jamais vues. Quel est le problème le plus probable ?
- A. Sous-apprentissage (underfitting)
- B. Surapprentissage (overfitting)
- C. Dérive des données (data drift) dans le jeu d'entraînement
- D. Le point de terminaison d'inférence est trop petit
Réponse : B. Le surapprentissage signifie que le modèle a appris les données d'entraînement de trop près, bruit compris, et ne généralise donc pas. Un grand écart entre les performances à l'entraînement et à la validation en est le signe classique.
- A est faux, car un modèle en sous-apprentissage donne aussi de mauvais résultats sur les données d'entraînement.
- C est faux, car la dérive désigne l'évolution des données de production au fil du temps, après l'entraînement.
- D est faux, car la taille de l'instance joue sur la vitesse et le coût, pas sur la précision.
Domaine 2 : Fundamentals of GenAI
Question 3
Une équipe veut créer un chatbot qui appelle des modèles de fondation de plusieurs fournisseurs via une seule API, sans provisionner ni gérer de serveurs. Quel service AWS convient le mieux ?
- A. Amazon SageMaker AI avec un job d'entraînement personnalisé
- B. Amazon Bedrock
- C. Amazon EC2 avec des instances GPU
- D. Amazon Comprehend
Réponse : B. Amazon Bedrock est un service entièrement managé qui donne accès par API à des modèles de fondation d'Amazon et d'autres fournisseurs, sans infrastructure à exploiter.
- A est faux, car un job d'entraînement sert à construire ou à ajuster son propre modèle, ce dont l'équipe n'a pas besoin.
- C est faux, car héberger soi-même des modèles sur EC2 oblige à gérer des serveurs, l'inverse de ce qui est demandé.
- D est faux, car Amazon Comprehend est un service de traitement du langage naturel (entités, sentiments, classification), pas un moyen d'appeler des modèles de fondation généralistes.
Question 4
Une entreprise constate que ses coûts d'IA générative grimpent fortement quand les utilisateurs collent de longs documents dans le prompt. Qu'est-ce qui l'explique ?
- A. La tarification à la demande des modèles repose généralement sur le nombre de tokens en entrée et en sortie.
- B. Les longs prompts obligent à réentraîner le modèle.
- C. La tarification repose sur le nombre d'utilisateurs de l'API.
- D. Les longs prompts utilisent toujours un modèle plus grand.
Réponse : A. Les modèles de texte sont généralement facturés au token, et un token est un morceau de texte (souvent une partie de mot). Un long document collé ajoute de nombreux tokens en entrée à chaque requête, donc le coût augmente avec la longueur du prompt.
- B est faux, car l'inférence ne réentraîne pas le modèle.
- C est faux, car le nombre d'utilisateurs ne détermine pas le coût par requête.
- D est faux, car le modèle est choisi par l'application, pas par la longueur du prompt.
Domaine 3 : Applications of Foundation Models
Question 5
Une banque utilise un modèle de fondation pour remplir un modèle de rapport fixe. Les réponses varient trop entre des requêtes identiques. Quel changement de paramètre d'inférence aide le plus ?
- A. Augmenter la température
- B. Diminuer la température
- C. Augmenter la longueur maximale de sortie
- D. Supprimer les séquences d'arrêt
Réponse : B. La température contrôle le caractère aléatoire du choix du token suivant. Une température plus basse rend la sortie plus ciblée et plus constante, ce qui convient au remplissage d'un modèle.
- A est faux, car une température plus haute rend la sortie plus variée et plus créative, l'inverse de ce que veut la banque.
- C est faux, car la longueur de sortie limite la taille d'une réponse, pas sa régularité.
- D est faux, car les séquences d'arrêt ne font qu'interrompre la génération à un endroit choisi.
Question 6
Une entreprise veut un assistant interne qui répond aux questions à partir de ses politiques RH. Les politiques changent chaque mois et les réponses doivent refléter la version en vigueur. Quelle approche est la plus rentable ?
- A. Pré-entraîner un nouveau modèle de fondation sur les politiques
- B. Affiner (fine-tuning) un modèle chaque mois sur les nouvelles politiques
- C. Utiliser la génération augmentée par récupération (Retrieval Augmented Generation, RAG) avec Amazon Bedrock Knowledge Bases
- D. Coller toutes les politiques dans un prompt few-shot comme exemples
Réponse : C. La RAG récupère les passages pertinents dans les documents à jour au moment de la question et les donne au modèle comme contexte. Quand les politiques changent, il suffit de mettre à jour la base de connaissances, sans réentraînement.
- A est faux, car le pré-entraînement est de loin l'option de personnalisation la plus coûteuse.
- B est faux, car un fine-tuning mensuel coûte du temps et de l'argent, et il sert mieux à enseigner un style ou une tâche qu'à tenir des faits à jour.
- D est faux, car coller toutes les politiques dans chaque prompt fait grimper le coût en tokens et peut dépasser la fenêtre de contexte ; les exemples enseignent un format, pas un corpus de documents.
Si la RAG est nouvelle pour vous, notre guide sur la génération augmentée par récupération explique le principe pas à pas.
Question 7
Un prompt demande à un modèle de classer des tickets de support dans l'une de cinq catégories, mais le modèle continue d'utiliser ses propres noms de catégories. Quelle est la correction de prompt engineering la plus simple ?
- A. Ajouter quelques exemples étiquetés qui utilisent les noms exacts des catégories (few-shot prompting)
- B. Affiner le modèle sur 10 000 tickets
- C. Augmenter la température
- D. Passer à un modèle plus grand
Réponse : A. Quelques exemples avec les étiquettes exactes montrent au modèle la sortie attendue, et lister les catégories autorisées dans l'instruction aide aussi. Cela ne coûte rien à essayer et c'est la première étape avant des options plus lourdes.
- B est faux, car le fine-tuning peut marcher mais coûte bien plus cher que de corriger d'abord le prompt.
- C est faux, car une température plus haute rend la sortie moins prévisible.
- D est faux, car un modèle plus grand peut encore inventer des étiquettes si le prompt ne montre jamais le format attendu.
Notre article sur le zero-shot vs few-shot prompting explique quand les exemples aident et quand ils se retournent contre vous.
Question 8
Une équipe veut une métrique automatique pour comparer des résumés générés par un modèle à des résumés de référence écrits par des humains. Quelle métrique est conçue pour cela ?
- A. ROUGE
- B. Erreur quadratique moyenne (mean squared error)
- C. Score F1 pour la classification d'images
- D. Latence
Réponse : A. ROUGE (Recall-Oriented Understudy for Gisting Evaluation) mesure le recouvrement entre le texte généré et le texte de référence, et sert couramment à évaluer les résumés. Le guide d'examen cite aussi BLEU (souvent utilisé pour la traduction), BERTScore et LLM-as-a-judge.
- B est faux, car l'erreur quadratique moyenne mesure l'erreur de prédiction numérique en régression.
- C est faux, car la tâche est le résumé de texte, pas la classification d'images.
- D est faux, car la latence mesure la vitesse, pas la qualité.
Domaine 4 : Guidelines for Responsible AI
Question 9
Un prêteur veut vérifier si son modèle d'octroi de prêts traite injustement les demandeurs de différentes tranches d'âge, à la fois dans les données d'entraînement et dans les prédictions du modèle. Quelle fonctionnalité AWS est conçue pour cela ?
- A. Amazon SageMaker Clarify
- B. AWS CloudTrail
- C. Amazon Textract
- D. Amazon Bedrock Knowledge Bases
Réponse : A. SageMaker Clarify détecte les biais potentiels dans les données et dans les prédictions du modèle, et fournit aussi des explications par attribution des variables (feature attribution) sur la façon dont les entrées influencent les prédictions.
- B est faux, car CloudTrail journalise l'activité des API ; il n'analyse pas l'équité d'un modèle.
- C est faux, car Textract extrait du texte et des données de documents.
- D est faux, car Knowledge Bases fournit la récupération pour les applications RAG.
Question 10
Des régulateurs exigent qu'une entreprise explique à chaque client pourquoi le modèle a refusé sa demande. Quel choix répond le mieux à cette exigence ?
- A. Utiliser le réseau de neurones profond le plus précis disponible, quelle que soit son interprétabilité
- B. Utiliser un modèle plus interprétable, ou ajouter des outils d'explicabilité qui montrent quelles variables ont motivé chaque décision
- C. Masquer les entrées du modèle pour protéger la propriété intellectuelle
- D. Augmenter la taille du jeu de données d'entraînement
Réponse : B. L'IA responsable sur AWS inclut la transparence et l'explicabilité. Un modèle plus simple et interprétable, ou des explications par attribution des variables, permet à l'entreprise d'indiquer au client quels facteurs ont mené à la décision. Le compromis entre performance et interprétabilité est un thème récurrent de l'examen.
- A est faux, car un modèle que personne ne sait expliquer peut ne pas satisfaire l'exigence réglementaire, même s'il est précis.
- C est faux, car masquer les entrées réduit la transparence.
- D est faux, car davantage de données peut améliorer la précision mais n'explique pas les décisions individuelles.
Domaine 5 : Security, Compliance, and Governance for AI Solutions
Question 11 (choisir deux)
Le chatbot destiné aux clients d'une entreprise, construit sur Amazon Bedrock, doit bloquer les tentatives de contourner ses instructions et ne doit pas révéler de données personnelles de clients dans ses réponses. Quelles deux mesures répondent à ces exigences ? (Sélectionnez DEUX.)
- A. Configurer Amazon Bedrock Guardrails avec un filtre contre les attaques par prompt
- B. Configurer les filtres d'informations sensibles d'Amazon Bedrock Guardrails pour masquer ou bloquer les données personnelles
- C. Augmenter la température du modèle
- D. Stocker le system prompt dans un bucket Amazon S3 public
- E. Désactiver la journalisation pour que les attaquants ne puissent pas la lire
Réponse : A et B. Guardrails peut détecter les attaques par prompt comme le jailbreak et la prompt injection, et ses filtres d'informations sensibles peuvent bloquer ou masquer les informations personnelles identifiables dans les entrées et les sorties. Ensemble, ils couvrent les deux exigences.
- C est faux, car la température change le caractère aléatoire, pas la sécurité.
- D est faux, car un bucket public expose le system prompt à tout le monde.
- E est faux, car les journaux servent à l'audit et à la réponse aux incidents ; la solution est d'en restreindre l'accès, pas de les désactiver.
Pour en savoir plus sur l'attaque elle-même, lisez notre article la prompt injection expliquée.
Question 12
Un auditeur demande à l'entreprise de montrer qui a appelé les API Amazon Bedrock et quand, sur les 90 derniers jours. Quel service AWS fournit cet historique ?
- A. AWS CloudTrail
- B. Amazon Inspector
- C. AWS Trusted Advisor
- D. Amazon Macie
Réponse : A. CloudTrail enregistre les appels d'API effectués dans un compte AWS, y compris qui les a faits, quand et d'où, ce qui en fait la piste d'audit pour ce type de question.
- B est faux, car Amazon Inspector analyse les charges de travail à la recherche de vulnérabilités logicielles.
- C est faux, car Trusted Advisor donne des recommandations de bonnes pratiques sur les coûts, la sécurité et les limites.
- D est faux, car Amazon Macie détecte les données sensibles dans Amazon S3.
Comment évaluer votre score
Comptez vos bonnes réponses sur 12 et regardez les domaines où vous avez échoué plutôt que le total. Douze questions sont trop peu pour prédire un résultat à l'examen ; une erreur dans le domaine 3 pèse plus qu'une dans le domaine 4 uniquement parce que le domaine 3 compte deux fois plus dans le vrai examen.
- 10–12 bonnes réponses : passez à des séries chronométrées de longueur réelle et continuez à revoir les questions ratées.
- 7–9 bonnes réponses : retournez aux objectifs des domaines manqués dans le guide d'examen.
- 6 ou moins : commencez par les concepts. Notre parcours d'apprentissage du prompt engineering couvre les notions de GenAI derrière les domaines 2 et 3.
Les questions ratées valent plus que celles réussies. Notez pourquoi vous avez choisi la mauvaise réponse, puis essayez une question similaire quelques jours plus tard.
Comment ces questions ont été rédigées
TokIQ Editorial a rédigé ces questions à partir des énoncés de tâches du guide d'examen AIF-C01 (version 1.1). Ce ne sont pas de vraies questions d'examen et elles ne proviennent d'aucun « dump » de questions ; AWS garde le contenu de ses examens confidentiel. Les infos de l'examen ont été vérifiées sur les pages AWS citées ci-dessus le 2026-10-21. TokIQ n'est ni affilié à Amazon Web Services, ni approuvé par lui.
Vous préparez aussi l'examen Microsoft sur les fondamentaux de l'IA ? Consultez nos questions d'entraînement AI-901, qui expliquent aussi ce qui a remplacé AI-900.
Entraînez-vous avec plus de questions AIF-C01
Si vous voulez une courte série comme celle-ci chaque jour, TokIQ (sur Google Play, bientôt sur iPhone) propose un mode de préparation AIF-C01 : une session quotidienne qui ramène les questions ratées grâce à la répétition espacée, cible votre domaine le plus faible et inclut des examens blancs. Chaque question cite la source officielle AWS sur laquelle elle repose, et une explication suit chaque réponse, dans votre langue.
Prêt pour le niveau associate ? Consultez les questions d'exemple MLA-C02, ou comparez les options dans quelle certification IA passer en premier.
Questions fréquentes
Ce sont de vraies questions de l'examen AIF-C01 ?
Non. Les 12 questions ont été rédigées par TokIQ Editorial pour l'entraînement, à partir des objectifs du guide d'examen officiel d'AWS. Les vraies questions d'examen sont confidentielles : les candidats acceptent un accord de non-divulgation, donc les séries vendues comme « dumps » sont un risque, pas un raccourci. Servez-vous-en pour vérifier votre compréhension, pas pour mémoriser des réponses.
Combien de questions comporte l'examen AWS Certified AI Practitioner ?
L'examen AIF-C01 compte 65 questions en 90 minutes. Cinquante questions comptent dans votre score et 15 sont des questions non notées qu'AWS est en train de tester ; vous ne pouvez pas savoir lesquelles. Une question sans réponse compte comme fausse et il n'y a aucune pénalité en cas d'erreur (guide d'examen AWS, consulté le 2026-10-21).
Quel score faut-il pour réussir AIF-C01 ?
Il faut un score pondéré de 700 sur une échelle de 100 à 1 000. La notation est compensatoire : vous réussissez ou échouez sur l'ensemble de l'examen et n'avez pas besoin de réussir chaque domaine séparément (guide d'examen AWS, consulté le 2026-10-21).
Quel domaine AIF-C01 dois-je travailler en priorité ?
Applications of Foundation Models est le plus gros domaine, avec 28 % du contenu noté, suivi de Fundamentals of GenAI à 24 % et de Fundamentals of AI and ML à 20 %. Responsible AI et Security, Compliance and Governance pèsent 14 % chacun. Répartissez votre temps d'entraînement à peu près dans ces proportions.
Quels types de questions trouve-t-on à l'examen AIF-C01 ?
Le guide d'examen en liste quatre : choix multiple (une bonne réponse sur quatre), réponses multiples (deux bonnes réponses ou plus sur cinq ou plus, toutes nécessaires pour obtenir le point), classement et association. La question 11 ci-dessus est un exemple à réponses multiples.
- #AIF-C01
- #AWS Certified AI Practitioner
- #questions d'entraînement
- #préparation à la certification