Vai al contenuto
TokIQ
Apprendimento

AWS MLA-C02: domande d'esame di esempio e guida (beta)

10 domande di esempio originali MLA-C02 per AWS Certified Machine Learning Engineer Associate, più dati della beta, quattro domini e novità rispetto a MLA-C01.

TokIQ Editorial8 min di lettura
In questo articolo
  1. I dati dell'esame MLA-C02 in sintesi
  2. Dominio 1: Data Preparation for ML and AI
  3. Dominio 2: ML Model and Foundation Model (FM) Development
  4. Dominio 3: Deployment and Orchestration of ML and AI Workflows
  5. Dominio 4: Operating, Monitoring, and Securing ML and AI Solutions
  6. Cosa è cambiato da MLA-C01 a MLA-C02
  7. Come valutarti
  8. Come sono state scritte queste domande
  9. Esercitati con altre domande MLA-C02

MLA-C02 è l'esame aggiornato AWS Certified Machine Learning Engineer - Associate, e AWS lo sta proponendo in beta proprio ora. Qui sotto trovi 10 domande di esempio originali sui suoi quattro domini, con risposte e spiegazioni, seguite dai dati della beta e dalle novità rispetto a MLA-C01.

Punti chiave

  • MLA-C02 verifica l'ingegneria ML su AWS: pipeline di dati, addestramento, deployment, monitoraggio e sicurezza, sia per il ML tradizionale sia per i foundation model.
  • Tre dei quattro domini pesano il 24% ciascuno; la preparazione dei dati pesa il 28%.
  • È un esame associate. AWS consiglia almeno 1 anno di esperienza pratica con SageMaker AI e Bedrock.

I dati dell'esame MLA-C02 in sintesi

I dati vengono dalla pagina della certificazione AWS e dalla guida all'esame MLA-C02, controllate il 2026-11-02. Più dettagli e un piano di studio sono nella nostra pagina di preparazione MLA-C02. Per un calendario settimana per settimana, vedi come studiare per MLA-C02.

DatoValore ufficiale
StatoBeta; data di disponibilità generale da annunciare
Formato beta85 domande, 170 minuti, scelta multipla e risposta multipla
Prezzo beta75 USD
LinguaSolo inglese durante la beta
Punteggio minimo (guida all'esame)720 su una scala di 100-1.000
Validità3 anni
DominioPesoDomande qui sotto
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

Dominio 1: Data Preparation for ML and AI

Domanda 1

Un team addestra un modello su un dataset in cui il 98% degli esempi appartiene a una sola classe. Il modello ottiene il 98% di accuratezza ma non rileva mai la classe rara. Cosa dovrebbe fare per prima cosa?

  • A. Riportare il 98% di accuratezza come risultato
  • B. Affrontare lo squilibrio tra classi, per esempio con il resampling, e valutare con precision e recall
  • C. Rimuovere la classe rara dai dati
  • D. Ridurre il numero di feature a una

Risposta: B. L'accuratezza nasconde il fallimento sui dati sbilanciati. Ribilanciare (sovracampionando la classe rara o sottocampionando quella comune) e giudicare con precision, recall o F1 dà un quadro veritiero.

  • A è sbagliata perché anche un modello che prevede sempre la classe maggioritaria ottiene il 98%.
  • C è sbagliata perché la classe rara è di solito quella che conta.
  • D è sbagliata perché meno feature non risolvono lo squilibrio.

Domanda 2

Un data scientist vuole riutilizzare le stesse feature ingegnerizzate sia per l'addestramento sia per le previsioni online a bassa latenza, senza implementarle due volte. Quale approccio è adatto?

  • A. Conservare le feature in un feature store centrale come Amazon SageMaker Feature Store
  • B. Inviare per email le definizioni delle feature al team applicativo
  • C. Ricalcolare le feature a mano in ogni notebook
  • D. Conservare le feature solo in file CSV locali

Risposta: A. Un feature store mantiene una definizione governata di ogni feature e la serve sia per l'addestramento offline sia per l'inferenza online, evitando il training-serving skew.

  • B, C e D sono sbagliate perché duplicano la logica, ed è così che le feature di addestramento e di serving si allontanano.

Domanda 3

Un team costruisce un'applicazione RAG e deve preparare i documenti aziendali perché un modello possa recuperare i passaggi rilevanti. Quale passaggio fa parte di questa preparazione?

  • A. Dividere i documenti in chunk e creare embedding conservati in un vector store
  • B. Eliminare tutti i documenti più lunghi di una pagina
  • C. Convertire ogni documento in un'immagine
  • D. Addestrare un nuovo modello da zero per ogni documento

Risposta: A. La preparazione per RAG divide i documenti in chunk, trasforma i chunk in embedding e li conserva in un vector store, così i passaggi simili possono essere recuperati al momento della richiesta. Vedi cos'è RAG.

  • B, C e D sono sbagliate perché distruggono contenuto, perdono testo o sono inutilmente costose.

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

Domanda 4

Un team ha un piccolo dataset etichettato e ha bisogno in fretta di un classificatore di immagini. Addestrare da zero dà risultati scadenti. Qual è l'approccio più efficace?

  • A. Usare il transfer learning da un modello preaddestrato e fare il fine-tuning sui dati etichettati
  • B. Non raccogliere altri dati e addestrare più a lungo
  • C. Usare un modello di regressione lineare
  • D. Assegnare le etichette a caso

Risposta: A. Il transfer learning riutilizza le caratteristiche che un modello ha imparato su un grande dataset, quindi un piccolo insieme etichettato basta ad adattarlo.

  • B è sbagliata perché addestrare più a lungo su troppo pochi dati tende a causare overfitting.
  • C è sbagliata perché la regressione prevede numeri, non classi di immagini.
  • D è sbagliata perché etichette casuali non insegnano nulla.

Domanda 5

Un'azienda vuole confrontare due foundation model per un compito di riassunto. Qual è l'approccio di valutazione più appropriato?

  • A. Eseguire entrambi i modelli sugli stessi prompt di test rappresentativi e confrontare i risultati con metriche definite o con giudizio umano o basato su modello
  • B. Scegliere il modello con il nome più lungo
  • C. Valutare solo sui prompt di addestramento di un modello
  • D. Saltare la valutazione perché entrambi sono foundation model

Risposta: A. Valuta su un insieme fisso e rappresentativo con criteri chiari. Si possono usare metriche automatiche, revisori umani o un modello giudice, idealmente insieme.

  • B, C e D sono sbagliate perché non sono una valutazione valida o favoriscono un modello.

Dominio 3: Deployment and Orchestration of ML and AI Workflows

Domanda 6

Un modello riceve traffico imprevedibile con lunghi periodi di inattività, e le richieste possono tollerare un breve cold start. Quale opzione di deployment minimizza il costo?

  • A. Un endpoint di inferenza serverless
  • B. Un grande endpoint real-time sempre attivo con molte istanze
  • C. Un'istanza GPU dedicata attiva 24/7 anche senza traffico
  • D. Riaddestrare il modello a ogni richiesta

Risposta: A. L'inferenza serverless scala a zero quando è inattiva e si paga in base all'uso, il che si adatta a un traffico intermittente che può accettare i cold start.

  • B e C sono sbagliate perché pagano capacità inattiva.
  • D è sbagliata perché l'inferenza non richiede riaddestramento.

Domanda 7

Un team vuole che ogni modifica al codice di addestramento avvii automaticamente test, una pipeline di addestramento e un passaggio nel model registry. Cosa dovrebbe costruire?

  • A. Una pipeline CI/CD integrata con una pipeline ML e un model registry
  • B. Una checklist manuale settimanale
  • C. Un foglio di calcolo condiviso con le versioni dei modelli
  • D. Un unico notebook che tutti modificano

Risposta: A. L'MLOps automatizza i passaggi di build, test, addestramento, registrazione e deployment, così i rilasci sono ripetibili e verificabili.

  • B, C e D sono sbagliate perché sono manuali e soggette a errori.

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

Domanda 8

L'accuratezza di un modello in produzione cala lentamente perché il comportamento dei clienti è cambiato dopo l'addestramento. Come si chiama questo fenomeno e cosa va configurato?

  • A. Data drift; monitorare le distribuzioni di input e previsioni e avviare il riaddestramento
  • B. Overfitting; aggiungere più livelli
  • C. Underfitting; ridurre i dati
  • D. Latenza; aggiungere più storage

Risposta: A. I dati di produzione che si allontanano da quelli di addestramento sono un drift. Il monitoraggio (per esempio con SageMaker Model Monitor) lo rileva, così puoi riaddestrare.

  • B e C sono sbagliate perché descrivono problemi di adattamento in fase di addestramento.
  • D è sbagliata perché la latenza riguarda la velocità, non l'accuratezza.

Domanda 9

Un job di addestramento in SageMaker AI deve leggere dati da un bucket S3. Quale approccio rispetta la sicurezza a privilegi minimi?

  • A. Associare al job un ruolo IAM che conceda accesso solo a quel bucket e a quel prefisso
  • B. Inserire chiavi di accesso di lunga durata nel codice di addestramento
  • C. Rendere pubblico il bucket
  • D. Dare al job accesso da amministratore

Risposta: A. Un ruolo di esecuzione con permessi ristretti fornisce credenziali temporanee e limita i danni di qualsiasi errore.

  • B è sbagliata perché le chiavi scritte nel codice trapelano facilmente.
  • C e D sono sbagliate perché concedono molto più accesso del necessario.

Domanda 10

Un'azienda ha bisogno che il traffico tra la sua VPC e i suoi endpoint dei modelli resti fuori da internet pubblico. Quale opzione aiuta?

  • A. Usare gli endpoint VPC di tipo interface (AWS PrivateLink) per il servizio
  • B. Mettere l'URL dell'endpoint su un sito web pubblico
  • C. Disattivare la crittografia
  • D. Aprire tutte le porte dei security group

Risposta: A. Gli endpoint VPC di tipo interface mantengono il traffico sulla rete AWS, in combinazione con security group e crittografia.

  • B, C e D sono sbagliate perché aumentano l'esposizione.

Cosa è cambiato da MLA-C01 a MLA-C02

AWS pubblica un confronto tra MLA-C01 e MLA-C02. In breve, l'esame aggiornato aggiunge foundation model e AI generativa accanto al ML tradizionale, compresi i flussi agentici. MLA-C01 in inglese ha smesso di essere disponibile dopo il 28 settembre 2026 (secondo AWS). Le certificazioni già ottenute restano valide per tutta la loro durata.

Come valutarti

  • 9-10 corrette: passa alla pratica completa a tempo e ripassa i domini della guida all'esame.
  • 6-8 corrette: rileggi le descrizioni dei compiti per i domini che hai sbagliato.
  • 5 o meno: questo esame presuppone esperienza pratica con SageMaker AI e Bedrock. Se sei più indietro nel percorso, fai prima AWS AI Practitioner (AIF-C01). Vedi quale certificazione AI fare per prima.

Come sono state scritte queste domande

TokIQ Editorial ha scritto queste domande a partire dai domini e dalle aree di compito della guida all'esame MLA-C02. Non sono domande vere dell'esame. I dati dell'esame sono stati controllati il 2026-11-02 e i dettagli della beta possono cambiare. TokIQ è un'app di pratica indipendente, non affiliata né approvata da Amazon Web Services.

Esercitati con altre domande MLA-C02

TokIQ (su Google Play, in arrivo su iPhone) ha una modalità di preparazione MLA-C02 (beta) con una breve sessione quotidiana, ripetizione distanziata, un punteggio di preparazione per dominio, simulazioni d'esame e spiegazioni nella tua lingua.

Domande frequenti

Cos'è MLA-C02?

MLA-C02 è l'esame aggiornato AWS Certified Machine Learning Engineer - Associate. Copre il ML tradizionale e i foundation model: preparazione dei dati, sviluppo dei modelli, deployment e orchestrazione, gestione e messa in sicurezza di soluzioni ML e AI (guida all'esame AWS, controllata il 2026-11-02).

MLA-C02 è ancora un esame beta?

Al 2026-11-02 la pagina della certificazione AWS dice che la registrazione è aperta per la beta di MLA-C02: 85 domande, 170 minuti, prezzo beta di 75 USD, solo in inglese. La data di disponibilità generale non è stata annunciata.

Qual è il punteggio per superare MLA-C02?

La guida all'esame riporta un punteggio scalato di 100-1.000 con un minimo di 720 per superarlo. La guida precisa che l'esito di superato o non superato non si applica alla versione beta, e che il punteggio è compensatorio, quindi superi l'esame nel suo insieme, non dominio per dominio.

MLA-C02 è più difficile dell'esame AI Practitioner?

Punta a un livello diverso. AIF-C01 è di base e riguarda la scelta del servizio AI giusto. MLA-C02 è un esame associate per chi ha almeno 1 anno di esperienza con Amazon SageMaker AI, Amazon Bedrock e altri servizi ML di AWS, quindi aspettati più scenari di ingegneria pratica.

Queste sono vere domande dell'esame MLA-C02?

No. TokIQ Editorial le ha scritte tutte e 10 a partire dalla guida pubblica all'esame. AWS mantiene riservati i contenuti dell'esame, quindi i set venduti come domande vere sono un rischio, non una scorciatoia.

  • #MLA-C02
  • #AWS Machine Learning Engineer Associate
  • #domande di esempio
  • #preparazione certificazione

Ora mettiti alla prova

TokIQ trasforma il prompt engineering in brevi quiz, con una spiegazione per ogni risposta.

Presto suApp StoreDisponibile suGoogle Play
Apprendimento12 min di lettura

AI-901 (AI901): domande d'esame di esempio e dati

10 domande di esempio originali per AI-901 (AI901) con risposte, i dati ufficiali dell'esame, le competenze valutate e cosa ha sostituito AI-900 nel 2026.

Scrivi prompt migliori, poche domande al giorno.

Brevi quiz su vere decisioni di prompting, con una spiegazione per ogni risposta. Gratis per iniziare su iPhone e Android.

Presto suApp StoreDisponibile suGoogle Play