AWS MLA-C02 : questions d'entraînement et guide (bêta)
10 questions MLA-C02 originales pour AWS Certified Machine Learning Engineer Associate, infos de la bêta, quatre domaines et nouveautés depuis MLA-C01.
Dans cet article
- L'examen MLA-C02 en un coup d'œil
- Domaine 1 : Data Preparation for ML and AI
- Domaine 2 : ML Model and Foundation Model (FM) Development
- Domaine 3 : Deployment and Orchestration of ML and AI Workflows
- Domaine 4 : Operating, Monitoring, and Securing ML and AI Solutions
- Ce qui change entre MLA-C01 et MLA-C02
- Comment évaluer votre score
- Comment ces questions ont été rédigées
- S'entraîner sur plus de questions MLA-C02
MLA-C02 est la version mise à jour de l'examen AWS Certified Machine Learning Engineer - Associate, qu'AWS déploie actuellement en bêta. Vous trouverez ci-dessous 10 questions d'entraînement originales couvrant ses quatre domaines, avec réponses et explications, puis les informations sur la bêta et les changements depuis MLA-C01.
À retenir
- MLA-C02 teste l'ingénierie ML sur AWS : pipelines de données, entraînement, déploiement, supervision et sécurité, pour le ML traditionnel comme pour les foundation models.
- Trois des quatre domaines pèsent 24 % chacun ; la préparation des données pèse 28 %.
- C'est un examen associate. AWS recommande au moins 1 an d'expérience pratique avec SageMaker AI et Bedrock.
L'examen MLA-C02 en un coup d'œil
Les informations viennent de la page de certification AWS et du guide de l'examen MLA-C02, consultés le 2026-11-02. Vous trouverez plus de détails et un plan de révision sur notre page de préparation MLA-C02. Pour un calendrier semaine par semaine, consultez comment préparer MLA-C02.
| Information | Valeur officielle |
|---|---|
| Statut | Bêta ; date de disponibilité générale à annoncer |
| Format de la bêta | 85 questions, 170 minutes, choix unique et choix multiples |
| Prix de la bêta | 75 USD |
| Langue | Anglais uniquement pendant la bêta |
| Score de réussite (guide d'examen) | 720 sur une échelle de 100 à 1 000 |
| Validité | 3 ans |
| Domaine | Poids | Questions ci-dessous |
|---|---|---|
| 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 |
Domaine 1 : Data Preparation for ML and AI
Question 1
Une équipe entraîne un modèle sur un jeu de données dont 98 % des exemples appartiennent à une seule classe. Le modèle obtient 98 % de précision globale (accuracy) mais ne détecte jamais la classe rare. Que doit-elle faire en premier ?
- A. Présenter les 98 % d'accuracy comme résultat
- B. Traiter le déséquilibre des classes, par exemple par rééchantillonnage, et évaluer avec la précision (precision) et le rappel (recall)
- C. Supprimer la classe rare des données
- D. Réduire le nombre de variables à une seule
Réponse : B. L'accuracy masque l'échec sur des données déséquilibrées. Rééquilibrer (suréchantillonner la classe rare ou sous-échantillonner la classe fréquente) et juger avec precision, recall ou F1 donne une image fidèle.
- A est fausse, car un modèle qui prédit toujours la classe majoritaire obtient aussi 98 %.
- C est fausse, car la classe rare est souvent celle qui compte.
- D est fausse, car réduire les variables ne corrige pas le déséquilibre.
Question 2
Un data scientist veut réutiliser les mêmes variables construites (features) pour l'entraînement et pour des prédictions en ligne à faible latence, sans les réimplémenter deux fois. Quelle approche convient ?
- A. Stocker les features dans un feature store centralisé comme Amazon SageMaker Feature Store
- B. Envoyer les définitions des features par e-mail à l'équipe applicative
- C. Recalculer les features à la main dans chaque notebook
- D. Stocker les features uniquement dans des fichiers CSV locaux
Réponse : A. Un feature store conserve une définition unique et gouvernée de chaque feature et la fournit à la fois pour l'entraînement hors ligne et l'inférence en ligne, ce qui évite le décalage entre entraînement et production (training-serving skew).
- B, C et D sont fausses, car elles dupliquent la logique, et c'est ainsi que les features d'entraînement et de production divergent.
Question 3
Une équipe construit une application RAG et doit préparer des documents d'entreprise pour qu'un modèle puisse retrouver les passages pertinents. Quelle étape fait partie de cette préparation ?
- A. Découper les documents en morceaux (chunks) et créer des embeddings stockés dans une base vectorielle
- B. Supprimer tous les documents de plus d'une page
- C. Convertir chaque document en image
- D. Entraîner un nouveau modèle de zéro pour chaque document
Réponse : A. La préparation pour RAG découpe les documents en chunks, les transforme en embeddings et les stocke dans une base vectorielle afin de retrouver les passages proches au moment de la requête. Voir qu'est-ce que RAG.
- B, C et D sont fausses, car elles détruisent du contenu, perdent le texte ou coûtent inutilement cher.
Domaine 2 : ML Model and Foundation Model (FM) Development
Question 4
Une équipe dispose d'un petit jeu de données étiquetées et a besoin rapidement d'un classifieur d'images. L'entraînement de zéro donne de mauvais résultats. Quelle est l'approche la plus efficace ?
- A. Utiliser le transfer learning à partir d'un modèle pré-entraîné et l'affiner (fine-tuning) sur les données étiquetées
- B. Ne pas collecter plus de données et entraîner plus longtemps
- C. Utiliser un modèle de régression linéaire
- D. Attribuer les étiquettes au hasard
Réponse : A. Le transfer learning réutilise les caractéristiques apprises par un modèle sur un grand jeu de données : un petit jeu étiqueté suffit alors pour l'adapter.
- B est fausse, car entraîner plus longtemps sur trop peu de données conduit au surapprentissage.
- C est fausse, car la régression prédit des nombres, pas des classes d'images.
- D est fausse, car des étiquettes aléatoires n'apprennent rien.
Question 5
Une entreprise veut comparer deux foundation models pour une tâche de résumé. Quelle est l'approche d'évaluation la plus appropriée ?
- A. Exécuter les deux modèles sur les mêmes prompts de test représentatifs et comparer les résultats avec des métriques définies ou une évaluation humaine ou par un modèle juge
- B. Choisir le modèle dont le nom est le plus long
- C. Évaluer uniquement sur les prompts d'entraînement d'un seul modèle
- D. Passer l'évaluation, puisque les deux sont des foundation models
Réponse : A. Évaluez sur un jeu fixe et représentatif, avec des critères clairs. Métriques automatiques, relecteurs humains ou modèle juge peuvent tous servir, idéalement ensemble.
- B, C et D sont fausses, car ce ne sont pas des évaluations valables ou elles favorisent un seul modèle.
Domaine 3 : Deployment and Orchestration of ML and AI Workflows
Question 6
Un modèle reçoit un trafic imprévisible avec de longues périodes d'inactivité, et les requêtes peuvent tolérer un bref démarrage à froid. Quelle option de déploiement minimise le coût ?
- A. Un endpoint d'inférence serverless
- B. Un grand endpoint temps réel toujours actif, avec de nombreuses instances
- C. Une instance GPU dédiée qui tourne 24/7 sans trafic
- D. Réentraîner le modèle à chaque requête
Réponse : A. L'inférence serverless descend à zéro quand elle est inactive et facture à l'usage, ce qui convient à un trafic intermittent qui accepte les démarrages à froid.
- B et C sont fausses, car elles paient de la capacité inutilisée.
- D est fausse, car l'inférence ne nécessite pas de réentraînement.
Question 7
Une équipe veut que chaque modification de son code d'entraînement déclenche automatiquement des tests, un pipeline d'entraînement et une étape de model registry. Que doit-elle mettre en place ?
- A. Un pipeline CI/CD intégré à un pipeline ML et à un model registry
- B. Une liste de contrôle manuelle hebdomadaire
- C. Un tableur partagé des versions de modèles
- D. Un seul notebook que tout le monde modifie
Réponse : A. Le MLOps automatise les étapes de build, de test, d'entraînement, d'enregistrement et de déploiement, pour des livraisons reproductibles et traçables.
- B, C et D sont fausses, car elles sont manuelles et sujettes aux erreurs.
Domaine 4 : Operating, Monitoring, and Securing ML and AI Solutions
Question 8
La précision d'un modèle déployé baisse lentement parce que le comportement des clients a changé depuis l'entraînement. Comment appelle-t-on cela, et que faut-il mettre en place ?
- A. Data drift ; surveiller les distributions des entrées et des prédictions et déclencher un réentraînement
- B. Surapprentissage (overfitting) ; ajouter des couches
- C. Sous-apprentissage (underfitting) ; réduire les données
- D. Latence ; ajouter du stockage
Réponse : A. Quand les données de production s'éloignent des données d'entraînement, on parle de drift. La supervision (par exemple avec SageMaker Model Monitor) le détecte pour que vous puissiez réentraîner.
- B et C sont fausses, car elles décrivent des problèmes d'ajustement pendant l'entraînement.
- D est fausse, car la latence concerne la vitesse, pas la précision.
Question 9
Un job d'entraînement SageMaker AI doit lire des données dans un bucket S3. Quelle approche respecte le principe du moindre privilège ?
- A. Attacher au job un rôle IAM qui donne accès uniquement à ce bucket et à ce préfixe
- B. Intégrer des clés d'accès de longue durée dans le code d'entraînement
- C. Rendre le bucket public
- D. Donner au job un accès administrateur
Réponse : A. Un rôle d'exécution aux permissions étroitement limitées fournit des identifiants temporaires et limite les dégâts en cas d'erreur.
- B est fausse, car des clés écrites en dur fuient facilement.
- C et D sont fausses, car elles donnent bien plus d'accès que nécessaire.
Question 10
Une entreprise veut que le trafic entre son VPC et ses endpoints de modèles ne passe pas par l'internet public. Quelle option aide ?
- A. Utiliser des VPC interface endpoints (AWS PrivateLink) pour le service
- B. Publier l'URL de l'endpoint sur un site web public
- C. Désactiver le chiffrement
- D. Ouvrir tous les ports du security group
Réponse : A. Les interface VPC endpoints gardent le trafic sur le réseau AWS, en complément des security groups et du chiffrement.
- B, C et D sont fausses, car elles augmentent l'exposition.
Ce qui change entre MLA-C01 et MLA-C02
AWS publie une comparaison entre MLA-C01 et MLA-C02. En résumé, l'examen mis à jour ajoute les foundation models et l'IA générative au ML traditionnel, y compris les workflows agentiques. MLA-C01 en anglais n'est plus disponible après le 28 septembre 2026 (selon AWS). Les certifications déjà obtenues restent valables pendant toute leur durée.
Comment évaluer votre score
- 9-10 bonnes réponses : passez à des entraînements complets et chronométrés, et relisez les domaines du guide d'examen.
- 6-8 bonnes réponses : relisez les énoncés de tâches des domaines où vous avez perdu des points.
- 5 ou moins : cet examen suppose une expérience pratique de SageMaker AI et de Bedrock. Si vous débutez, passez d'abord AWS AI Practitioner (AIF-C01). Voir quelle certification IA passer en premier.
Comment ces questions ont été rédigées
TokIQ Editorial a rédigé ces questions à partir des domaines et des tâches du guide d'examen MLA-C02. Ce ne sont pas de vraies questions d'examen. Les informations sur l'examen ont été vérifiées le 2026-11-02, et les détails de la bêta peuvent changer. TokIQ est une application d'entraînement indépendante, non affiliée à Amazon Web Services ni approuvée par cette société.
S'entraîner sur plus de questions MLA-C02
TokIQ (sur Google Play, bientôt sur iPhone) propose un mode de préparation MLA-C02 (bêta) avec une courte session quotidienne, la répétition espacée, un score de préparation par domaine, des examens blancs et des explications dans votre langue.
Questions fréquentes
Qu'est-ce que MLA-C02 ?
MLA-C02 est la version mise à jour de l'examen AWS Certified Machine Learning Engineer - Associate. Il couvre le ML traditionnel et les foundation models : préparation des données, développement de modèles, déploiement et orchestration, exploitation et sécurisation des solutions de ML et d'IA (guide d'examen AWS, consulté le 2026-11-02).
MLA-C02 est-il toujours en bêta ?
Au 2026-11-02, la page de certification AWS indique que l'inscription à la bêta de MLA-C02 est ouverte : 85 questions, 170 minutes, tarif bêta de 75 USD, en anglais uniquement. La date de disponibilité générale n'est pas annoncée.
Quel est le score de réussite de MLA-C02 ?
Le guide de l'examen indique un score à l'échelle de 100 à 1 000 avec un minimum de 720 pour réussir. Le guide précise que la mention réussite ou échec ne s'applique pas à la version bêta, et que la notation est compensatoire : vous réussissez l'examen dans son ensemble, pas domaine par domaine.
MLA-C02 est-il plus difficile que l'examen AI Practitioner ?
Il vise un autre niveau. AIF-C01 est un examen fondamental, centré sur le choix du bon service d'IA. MLA-C02 est un examen associate pour des personnes ayant au moins 1 an d'expérience avec Amazon SageMaker AI, Amazon Bedrock et d'autres services ML d'AWS : attendez-vous à des scénarios d'ingénierie plus concrets.
Ces questions sont-elles de vraies questions de l'examen MLA-C02 ?
Non. TokIQ Editorial a rédigé les 10 questions à partir du guide d'examen public. AWS garde le contenu de l'examen confidentiel : les séries vendues comme de vraies questions sont un risque, pas un raccourci.
- #MLA-C02
- #AWS Machine Learning Engineer Associate
- #questions d'entraînement
- #préparation certification