AWS AI Practitioner (AIF-C01): domande d'esame di esempio
12 domande di esempio originali per AIF-C01 sui cinque domini dell'esame, con la risposta corretta e il motivo per cui le altre opzioni sono sbagliate.
In questo articolo
- AIF-C01 in sintesi: i dati dell'esame
- Dominio 1: Fundamentals of AI and ML
- Dominio 2: Fundamentals of GenAI
- Dominio 3: Applications of Foundation Models
- Dominio 4: Guidelines for Responsible AI
- Dominio 5: Security, Compliance, and Governance for AI Solutions
- Come valutarti
- Come sono state scritte queste domande
- Esercitati con altre domande AIF-C01
Qui sotto trovi 12 domande di esempio originali per l'esame AWS Certified AI Practitioner (AIF-C01), con la risposta corretta e una breve spiegazione per ciascuna, compreso il motivo per cui le altre opzioni sono sbagliate. Coprono tutti e cinque i domini ufficiali all'incirca nella stessa proporzione dell'esame reale, così puoi individuare i tuoi punti deboli prima del giorno dell'esame.
Prova a rispondere a ogni domanda prima di leggere la soluzione. Tentare prima e controllare dopo è ciò che fa restare in testa gli esercizi; leggere subito la risposta dà soprattutto l'impressione di imparare.
In breve
- AIF-C01 ha 65 domande (50 valutate) in 90 minuti e si supera con un punteggio scalato di 700 su 1.000.
- Il dominio 3, Applications of Foundation Models, vale il 28% del punteggio, quindi 4 delle 12 domande qui sotto vengono da lì.
- La maggior parte delle domande AIF-C01 verifica se sai abbinare un'esigenza di business al concetto o al servizio AWS giusto, non se sai costruire un modello.
- Quando due risposte sembrano entrambe giuste, di solito AWS vuole l'opzione più economica, gestita e meno personalizzata, in uno scenario di livello foundational.
AIF-C01 in sintesi: i dati dell'esame
Questi dati vengono dalla guida ufficiale all'esame AIF-C01 e dalla pagina AWS Certified AI Practitioner, verificate il 2026-10-21. Per l'elenco completo dei dati, cosa copre ogni dominio e un piano di studio, vedi la nostra pagina di preparazione a AIF-C01.
| Dato | Valore ufficiale |
|---|---|
| Domande | 65 (50 valutate, 15 non valutate) |
| Durata | 90 minuti |
| Punteggio minimo | 700 (punteggio scalato 100–1.000) |
| Prezzo | 100 USD |
| Tipi di domande | Scelta multipla, risposta multipla, ordinamento, abbinamento |
| Dominio | Peso | Domande qui sotto |
|---|---|---|
| 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 |
La guida all'esame attuale è la versione 1.1, pubblicata il 30 aprile 2026. Ha aggiunto agli obiettivi agentic AI, context engineering, Model Context Protocol (MCP) e Amazon Bedrock AgentCore, quindi i set di esercizi più vecchi possono non coprire questi argomenti.
Dominio 1: Fundamentals of AI and ML
Domanda 1
Un'azienda di vendita al dettaglio vuole raggruppare i clienti in base al comportamento d'acquisto. Non ha etichette esistenti per i gruppi. Quale tipo di machine learning è adatto a questo compito?
- A. Apprendimento supervisionato con un modello di classificazione
- B. Apprendimento non supervisionato con clustering
- C. Reinforcement learning con una funzione di ricompensa
- D. Apprendimento supervisionato con un modello di regressione
Risposta: B. Il clustering è non supervisionato: trova gruppi in dati senza etichette, che è esattamente la situazione descritta.
- A e D sono sbagliate perché l'apprendimento supervisionato richiede esempi etichettati (gruppi noti o obiettivi numerici noti), e l'azienda non ne ha.
- C è sbagliata perché il reinforcement learning addestra un agente tramite ricompense per le azioni in un ambiente; qui non ci sono né agente né azioni.
Domanda 2
Un modello ottiene il 98% di accuratezza sui dati di addestramento ma solo il 71% su dati nuovi che non ha mai visto. Qual è il problema più probabile?
- A. Underfitting
- B. Overfitting
- C. Data drift nel set di addestramento
- D. L'endpoint di inferenza è troppo piccolo
Risposta: B. L'overfitting significa che il modello ha imparato troppo da vicino i dati di addestramento, rumore compreso, e quindi non generalizza. Un grande divario tra le prestazioni in addestramento e in validazione è il segnale classico.
- A è sbagliata perché un modello in underfitting va male anche sui dati di addestramento.
- C è sbagliata perché il drift descrive i dati di produzione che cambiano nel tempo, dopo l'addestramento.
- D è sbagliata perché la dimensione dell'istanza influisce su velocità e costo, non sull'accuratezza.
Dominio 2: Fundamentals of GenAI
Domanda 3
Un team vuole costruire un chatbot che chiami foundation model di più fornitori tramite un'unica API, senza predisporre né gestire alcun server. Quale servizio AWS è più adatto?
- A. Amazon SageMaker AI con un job di addestramento personalizzato
- B. Amazon Bedrock
- C. Amazon EC2 con istanze GPU
- D. Amazon Comprehend
Risposta: B. Amazon Bedrock è un servizio completamente gestito che dà accesso via API a foundation model di Amazon e di altri fornitori, quindi non c'è infrastruttura da gestire.
- A è sbagliata perché un job di addestramento serve a costruire o adattare un proprio modello, cosa di cui il team non ha bisogno.
- C è sbagliata perché ospitare i modelli su EC2 significa gestire server, l'opposto del requisito.
- D è sbagliata perché Amazon Comprehend è un servizio di elaborazione del linguaggio naturale (entità, sentiment, classificazione), non un modo per chiamare foundation model generici.
Domanda 4
Un'azienda nota che i costi della sua AI generativa salgono bruscamente quando gli utenti incollano documenti lunghi nel prompt. Che cosa lo spiega?
- A. Il prezzo on-demand dei modelli di solito si basa sul numero di token di input e di output.
- B. I prompt lunghi costringono il modello a essere riaddestrato.
- C. Il prezzo si basa sul numero di utenti dell'API.
- D. I prompt lunghi usano sempre un modello più grande.
Risposta: A. I modelli di testo di solito si pagano per token, e un token è un pezzo di testo (spesso parte di una parola). Un documento lungo incollato aggiunge molti token di input a ogni richiesta, quindi il costo cresce con la lunghezza del prompt.
- B è sbagliata perché l'inferenza non riaddestra il modello.
- C è sbagliata perché il numero di utenti non determina il costo per richiesta.
- D è sbagliata perché il modello lo sceglie l'applicazione, non la lunghezza del prompt.
Dominio 3: Applications of Foundation Models
Domanda 5
Una banca usa un foundation model per compilare un modello di report fisso. Le risposte variano troppo tra richieste identiche. Quale modifica a un parametro di inferenza aiuta di più?
- A. Aumentare la temperature
- B. Diminuire la temperature
- C. Aumentare la lunghezza massima dell'output
- D. Rimuovere le stop sequence
Risposta: B. La temperature controlla la casualità con cui il modello sceglie il token successivo. Una temperature più bassa rende l'output più mirato e coerente, adatto alla compilazione di modelli.
- A è sbagliata perché una temperature più alta rende l'output più vario e creativo, l'opposto di ciò che vuole la banca.
- C è sbagliata perché la lunghezza dell'output limita quanto può essere lunga una risposta, non quanto è coerente.
- D è sbagliata perché le stop sequence fanno solo terminare la generazione in un punto scelto.
Domanda 6
Un'azienda vuole un assistente interno che risponda a domande sulle sue policy HR. Le policy cambiano ogni mese e le risposte devono riflettere la versione attuale. Quale approccio è più conveniente?
- A. Fare il pre-training di un nuovo foundation model sulle policy
- B. Fare ogni mese il fine-tuning di un modello sulle nuove policy
- C. Usare la Retrieval Augmented Generation (RAG) con Amazon Bedrock Knowledge Bases
- D. Incollare tutte le policy in un prompt few-shot come esempi
Risposta: C. La RAG recupera i passaggi rilevanti dai documenti attuali al momento della domanda e li dà al modello come contesto. Quando le policy cambiano basta aggiornare la knowledge base, senza riaddestramento.
- A è sbagliata perché il pre-training è di gran lunga l'opzione di personalizzazione più costosa.
- B è sbagliata perché il fine-tuning mensile costa tempo e denaro, e il fine-tuning è più adatto a insegnare uno stile o un compito che a mantenere aggiornati i fatti.
- D è sbagliata perché incollare ogni policy in ogni prompt aumenta il costo in token e può superare la finestra di contesto; gli esempi insegnano un formato, non un insieme di documenti.
Se la RAG per te è nuova, la nostra guida alla retrieval-augmented generation spiega lo schema passo per passo.
Domanda 7
Un prompt chiede a un modello di classificare i ticket di assistenza in una di cinque categorie, ma il modello continua a usare nomi di categoria suoi. Qual è la correzione di prompt engineering più semplice?
- A. Aggiungere alcuni esempi etichettati che usano i nomi esatti delle categorie (few-shot prompting)
- B. Fare il fine-tuning del modello su 10.000 ticket
- C. Alzare la temperature
- D. Passare a un modello più grande
Risposta: A. Pochi esempi svolti con le etichette esatte mostrano al modello l'output atteso, e aiuta anche elencare nelle istruzioni le categorie ammesse. Provarci non costa nulla ed è il primo passo prima di opzioni più pesanti.
- B è sbagliata perché il fine-tuning può funzionare ma costa molto più che correggere prima il prompt.
- C è sbagliata perché una temperature più alta rende l'output meno prevedibile.
- D è sbagliata perché un modello più grande può comunque inventare etichette se il prompt non mostra mai il formato atteso.
Il nostro articolo su zero-shot e few-shot prompting spiega quando gli esempi aiutano e quando si ritorcono contro.
Domanda 8
Un team vuole una metrica automatica per confrontare i riassunti generati dal modello con riassunti di riferimento scritti da persone. Quale metrica è pensata per questo?
- A. ROUGE
- B. Errore quadratico medio
- C. F1 score per la classificazione di immagini
- D. Latenza
Risposta: A. ROUGE (Recall-Oriented Understudy for Gisting Evaluation) misura la sovrapposizione tra testo generato e testo di riferimento ed è comunemente usata per il riassunto automatico. La guida all'esame elenca anche BLEU (spesso usata per la traduzione), BERTScore e LLM-as-a-judge.
- B è sbagliata perché l'errore quadratico medio misura l'errore di previsione numerica nella regressione.
- C è sbagliata perché il compito è il riassunto di testi, non la classificazione di immagini.
- D è sbagliata perché la latenza misura la velocità, non la qualità.
Dominio 4: Guidelines for Responsible AI
Domanda 9
Un istituto di credito vuole verificare se il suo modello di approvazione dei prestiti tratta in modo iniquo i richiedenti di fasce d'età diverse, sia nei dati di addestramento sia nelle previsioni del modello. Quale funzionalità AWS è fatta per questo?
- A. Amazon SageMaker Clarify
- B. AWS CloudTrail
- C. Amazon Textract
- D. Amazon Bedrock Knowledge Bases
Risposta: A. SageMaker Clarify rileva potenziali bias nei dati e nelle previsioni del modello, e fornisce anche spiegazioni basate sull'attribuzione delle feature su come gli input influenzano le previsioni.
- B è sbagliata perché CloudTrail registra l'attività delle API; non analizza l'equità del modello.
- C è sbagliata perché Textract estrae testo e dati dai documenti.
- D è sbagliata perché Knowledge Bases offrono il recupero per le applicazioni RAG.
Domanda 10
Le autorità di regolamentazione impongono a un'azienda di spiegare a ogni cliente perché il modello ha respinto la sua richiesta. Quale scelta sostiene meglio questo requisito?
- A. Usare la rete neurale profonda più accurata disponibile, a prescindere dall'interpretabilità
- B. Usare un modello più interpretabile, oppure aggiungere strumenti di explainability che mostrino quali feature hanno guidato ogni decisione
- C. Nascondere gli input del modello per proteggere la proprietà intellettuale
- D. Aumentare la dimensione del dataset di addestramento
Risposta: B. L'AI responsabile su AWS include trasparenza ed explainability. Un modello più semplice e interpretabile, o spiegazioni basate sull'attribuzione delle feature, permette all'azienda di dire a un cliente quali fattori hanno portato alla decisione. Il compromesso tra prestazioni e interpretabilità è un tema ricorrente nell'esame.
- A è sbagliata perché un modello che nessuno sa spiegare può non soddisfare il requisito normativo anche se è accurato.
- C è sbagliata perché nascondere gli input riduce la trasparenza.
- D è sbagliata perché più dati possono migliorare l'accuratezza ma non spiegano le singole decisioni.
Dominio 5: Security, Compliance, and Governance for AI Solutions
Domanda 11 (scegli due)
Il chatbot rivolto ai clienti di un'azienda, costruito su Amazon Bedrock, deve bloccare i tentativi di scavalcare le sue istruzioni e non deve rivelare dati personali dei clienti nelle risposte. Quali due misure rispondono a questi requisiti? (Seleziona DUE.)
- A. Configurare Amazon Bedrock Guardrails con un filtro per gli attacchi tramite prompt
- B. Configurare i filtri per le informazioni sensibili di Amazon Bedrock Guardrails per mascherare o bloccare i dati personali
- C. Aumentare la temperature del modello
- D. Salvare il system prompt in un bucket Amazon S3 pubblico
- E. Disattivare i log così gli attaccanti non possono leggerli
Risposta: A e B. Guardrails può rilevare attacchi tramite prompt come jailbreak e prompt injection, e i suoi filtri per le informazioni sensibili possono bloccare o mascherare le informazioni personali identificabili in input e output. Insieme coprono entrambi i requisiti.
- C è sbagliata perché la temperature cambia la casualità, non la sicurezza.
- D è sbagliata perché un bucket pubblico espone il system prompt a chiunque.
- E è sbagliata perché i log servono per l'audit e la risposta agli incidenti; la soluzione è limitarne l'accesso, non disattivarli.
Per approfondire l'attacco stesso c'è il nostro articolo prompt injection spiegata.
Domanda 12
Un auditor chiede all'azienda di mostrare chi ha chiamato le API di Amazon Bedrock e quando, negli ultimi 90 giorni. Quale servizio AWS fornisce questa registrazione?
- A. AWS CloudTrail
- B. Amazon Inspector
- C. AWS Trusted Advisor
- D. Amazon Macie
Risposta: A. CloudTrail registra le chiamate API effettuate in un account AWS, compreso chi ha fatto ciascuna chiamata, quando e da dove, quindi è la traccia di audit per questo tipo di domanda.
- B è sbagliata perché Amazon Inspector analizza i carichi di lavoro alla ricerca di vulnerabilità software.
- C è sbagliata perché Trusted Advisor dà raccomandazioni di best practice su costi, sicurezza e limiti.
- D è sbagliata perché Amazon Macie individua dati sensibili in Amazon S3.
Come valutarti
Conta le risposte corrette su 12 e guarda in quali domini hai sbagliato, più che il totale. Dodici domande sono troppo poche per prevedere il risultato dell'esame; un errore nel dominio 3 pesa più di uno nel dominio 4 solo perché il dominio 3 ha un peso doppio nell'esame reale.
- 10–12 corrette: passa a esercizi a tempo di lunghezza intera e continua a ripassare le domande che sbagli.
- 7–9 corrette: torna agli obiettivi dei domini in cui hai sbagliato nella guida all'esame.
- 6 o meno: parti dai concetti. Il nostro percorso di apprendimento del prompt engineering copre le idee di GenAI dietro i domini 2 e 3.
Le domande che sbagli valgono più di quelle che azzecchi. Scrivi perché hai scelto la risposta sbagliata, poi prova una domanda simile qualche giorno dopo.
Come sono state scritte queste domande
TokIQ Editorial ha scritto queste domande a partire dai task statement della guida all'esame AIF-C01 (versione 1.1). Non sono domande reali dell'esame e non provengono da nessun "question dump"; AWS tiene riservato il contenuto dei suoi esami. I dati dell'esame sono stati verificati sulle pagine AWS collegate qui sopra il 2026-10-21. TokIQ non è affiliata né approvata da Amazon Web Services.
Studi anche per l'esame sui fondamenti dell'AI di Microsoft? Vedi le nostre domande di esempio AI-901, che spiegano anche cosa ha sostituito AI-900.
Esercitati con altre domande AIF-C01
Se vuoi un breve set come questo ogni giorno, TokIQ (su Google Play, in arrivo su iPhone) ha una modalità di preparazione AIF-C01: una sessione giornaliera che ripropone con ripetizione dilazionata le domande sbagliate, punta al dominio più debole e include simulazioni d'esame. Ogni domanda cita la fonte AWS ufficiale su cui si basa e dopo ogni risposta c'è una spiegazione, nella tua lingua.
Pronto per il livello associate? Vedi le domande di esempio MLA-C02, oppure confronta le opzioni in quale certificazione AI fare prima.
Domande frequenti
Sono domande reali dell'esame AIF-C01?
No. Tutte le 12 domande sono state scritte da TokIQ Editorial per esercitarsi, in base agli obiettivi della guida ufficiale all'esame AWS. Le domande reali dell'esame sono riservate: i candidati accettano un accordo di riservatezza, quindi i set venduti come "exam dump" sono un rischio, non una scorciatoia. Usale per verificare la tua comprensione, non per memorizzare le risposte.
Quante domande ci sono nell'esame AWS Certified AI Practitioner?
L'esame AIF-C01 ha 65 domande in 90 minuti. Cinquanta contano per il punteggio e 15 sono domande non valutate che AWS sta testando; non puoi sapere quali siano. Le domande senza risposta contano come errate e non c'è penalità per le risposte sbagliate (guida all'esame AWS, verificata il 2026-10-21).
Che punteggio serve per superare AIF-C01?
Serve un punteggio scalato di 700 su una scala da 100 a 1.000. Il punteggio è compensatorio, quindi superi o fallisci l'esame nel suo complesso e non devi superare ogni dominio separatamente (guida all'esame AWS, verificata il 2026-10-21).
Quale dominio di AIF-C01 devo esercitare di più?
Applications of Foundation Models è il dominio più grande, con il 28% dei contenuti valutati, seguito da Fundamentals of GenAI con il 24% e Fundamentals of AI and ML con il 20%. Responsible AI e Security, Compliance and Governance valgono il 14% ciascuno. Dedica il tempo di pratica più o meno in quella proporzione.
Che tipi di domande ci sono nell'esame AIF-C01?
La guida all'esame ne elenca quattro: scelta multipla (una risposta corretta su quattro), risposta multipla (due o più corrette su cinque o più, tutte necessarie per ottenere il punto), ordinamento e abbinamento. La domanda 11 qui sopra è un esempio di risposta multipla.
- #AIF-C01
- #AWS Certified AI Practitioner
- #domande di esempio
- #preparazione alla certificazione