AWS AI Practitioner (AIF-C01): вопросы к экзамену
12 авторских вопросов к экзамену AIF-C01 по всем пяти разделам: правильный ответ и объяснение, почему остальные варианты не подходят.
В этой статье
- Экзамен AIF-C01: основные факты
- Раздел 1: Fundamentals of AI and ML
- Раздел 2: Fundamentals of GenAI
- Раздел 3: Applications of Foundation Models
- Раздел 4: Guidelines for Responsible AI
- Раздел 5: Security, Compliance, and Governance for AI Solutions
- Как оценить себя
- Как писались эти вопросы
- Больше вопросов к AIF-C01
Ниже 12 авторских вопросов к экзамену AWS Certified AI Practitioner (AIF-C01) с правильным ответом и коротким объяснением к каждому, в том числе о том, почему остальные варианты неверны. Они охватывают все пять официальных разделов примерно в тех же пропорциях, что и настоящий экзамен, так что слабые места можно найти до дня экзамена.
Прежде чем смотреть ответ, попробуйте решить вопрос сами. Закрепляется то, что сначала угадываешь, а потом проверяешь; если сразу читать ответ, кажется, что учишься, но по большей части это иллюзия.
Главное
- В AIF-C01 65 вопросов (50 оцениваемых) на 90 минут, а проходной шкалируемый балл - 700 из 1 000.
- Раздел 3, Applications of Foundation Models, даёт 28% оценки, поэтому 4 из 12 вопросов ниже взяты из него.
- Большинство вопросов AIF-C01 проверяет, умеете ли вы сопоставить потребность бизнеса с нужным понятием или сервисом AWS, а не умеете ли вы строить модель.
- Когда два ответа кажутся верными, в сценарии базового уровня AWS обычно ждёт более дешёвый, управляемый и менее кастомный вариант.
Экзамен AIF-C01: основные факты
Эти факты взяты из официального руководства к экзамену AIF-C01 и со страницы AWS Certified AI Practitioner, проверено 2026-10-21. Полный список фактов, описание каждого раздела и план подготовки смотрите на нашей странице подготовки к AIF-C01.
| Факт | Официальное значение |
|---|---|
| Вопросы | 65 (50 оцениваемых, 15 неоцениваемых) |
| Время | 90 минут |
| Проходной балл | 700 (шкалируемый балл 100–1 000) |
| Стоимость | 100 USD |
| Типы вопросов | Один ответ, несколько ответов, упорядочивание, сопоставление |
| Раздел | Вес | Вопросы ниже |
|---|---|---|
| 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 |
Действующая версия руководства - 1.1, опубликована 30 апреля 2026 года. В цели добавились агентный ИИ, контекстная инженерия (context engineering), Model Context Protocol (MCP) и Amazon Bedrock AgentCore, поэтому в старых наборах вопросов этих тем может не быть.
Раздел 1: Fundamentals of AI and ML
Вопрос 1
Розничная компания хочет сгруппировать клиентов по покупательскому поведению. Готовых меток для этих групп у неё нет. Какой тип машинного обучения подходит для этой задачи?
- A. Обучение с учителем с моделью классификации
- B. Обучение без учителя с кластеризацией
- C. Обучение с подкреплением с функцией награды
- D. Обучение с учителем с моделью регрессии
Ответ: B. Кластеризация относится к обучению без учителя: она находит группы в данных без меток, а именно такая ситуация и описана.
- A и D неверны: обучению с учителем нужны размеченные примеры (известные группы или известные числовые значения), а у компании их нет.
- C неверно: обучение с подкреплением обучает агента с помощью наград за действия в среде; здесь нет ни агента, ни действий.
Вопрос 2
Модель показывает точность 98% на обучающих данных, но только 71% на новых данных, которых она раньше не видела. В чём наиболее вероятная проблема?
- A. Недообучение (underfitting)
- B. Переобучение (overfitting)
- C. Дрейф данных в обучающей выборке
- D. Конечная точка вывода слишком мала
Ответ: B. Переобучение означает, что модель слишком близко подстроилась под обучающие данные, включая шум, и поэтому плохо обобщает. Большой разрыв между качеством на обучении и на валидации - классический признак.
- A неверно: недообученная модель плохо работает и на обучающих данных.
- C неверно: дрейф описывает изменение реальных данных со временем, уже после обучения.
- D неверно: размер экземпляра влияет на скорость и стоимость, а не на точность.
Раздел 2: Fundamentals of GenAI
Вопрос 3
Команда хочет создать чат-бота, который обращается к базовым моделям нескольких поставщиков через один API, не разворачивая и не обслуживая серверы. Какой сервис AWS подходит лучше всего?
- A. Amazon SageMaker AI с собственным заданием обучения
- B. Amazon Bedrock
- C. Amazon EC2 с GPU-экземплярами
- D. Amazon Comprehend
Ответ: B. Amazon Bedrock - полностью управляемый сервис, который даёт доступ по API к базовым моделям Amazon и других поставщиков, так что запускать инфраструктуру не нужно.
- A неверно: задание обучения нужно, чтобы создать или дообучить собственную модель, а команде это не требуется.
- C неверно: самостоятельный хостинг моделей на EC2 означает обслуживание серверов, то есть противоположность требованию.
- D неверно: Amazon Comprehend - сервис обработки естественного языка (сущности, тональность, классификация), а не способ вызывать универсальные базовые модели.
Вопрос 4
Компания замечает, что расходы на генеративный ИИ резко растут, когда пользователи вставляют в промпт длинные документы. Чем это объясняется?
- A. Цена модели по запросу обычно считается по числу входных и выходных токенов.
- B. Длинные промпты заставляют модель переобучаться.
- C. Цена зависит от числа пользователей API.
- D. Длинные промпты всегда используют более крупную модель.
Ответ: A. Текстовые модели обычно тарифицируются за токен, а токен - это фрагмент текста (часто часть слова). Длинный вставленный документ добавляет в каждый запрос много входных токенов, поэтому стоимость растёт вместе с длиной промпта.
- B неверно: вывод не переобучает модель.
- C неверно: число пользователей не определяет стоимость запроса.
- D неверно: модель выбирает приложение, а не длина промпта.
Раздел 3: Applications of Foundation Models
Вопрос 5
Банк использует базовую модель, чтобы заполнять фиксированный шаблон отчёта. Ответы на одинаковые запросы слишком сильно различаются. Какое изменение параметра вывода поможет больше всего?
- A. Повысить temperature
- B. Понизить temperature
- C. Увеличить максимальную длину ответа
- D. Убрать стоп-последовательности
Ответ: B. Temperature управляет случайностью, с которой модель выбирает следующий токен. Более низкая температура делает ответ более сфокусированным и стабильным, что подходит для заполнения шаблонов.
- A неверно: более высокая температура делает ответы разнообразнее и креативнее, то есть противоположно тому, что нужно банку.
- C неверно: длина ответа ограничивает, насколько он может быть длинным, а не насколько стабильным.
- D неверно: стоп-последовательности лишь останавливают генерацию в выбранном месте.
Вопрос 6
Компания хочет внутреннего ассистента, который отвечает на вопросы по кадровым политикам. Политики меняются каждый месяц, и ответы должны отражать актуальную версию. Какой подход самый экономичный?
- A. Предобучить новую базовую модель на политиках
- B. Каждый месяц дообучать модель на новых политиках
- C. Использовать Retrieval Augmented Generation (RAG) с Amazon Bedrock Knowledge Bases
- D. Вставить все политики в промпт с несколькими примерами (few-shot) в качестве образцов
Ответ: C. RAG на момент вопроса извлекает нужные фрагменты из актуальных документов и передаёт их модели как контекст. Когда политики меняются, достаточно обновить базу знаний, переобучать ничего не нужно.
- A неверно: предобучение - самый дорогой из вариантов настройки, причём с большим отрывом.
- B неверно: ежемесячное дообучение стоит времени и денег, а дообучение лучше подходит, чтобы научить стилю или задаче, чем чтобы поддерживать факты актуальными.
- D неверно: вставка всех политик в каждый промпт увеличивает расход токенов и может не уместиться в контекстное окно; примеры учат формату, а не набору документов.
Если RAG для вас в новинку, в нашем руководстве про генерацию с дополнением выборкой этот подход разбирается по шагам.
Вопрос 7
Промпт просит модель отнести обращения в поддержку к одной из пяти категорий, но модель продолжает придумывать собственные названия категорий. Какое самое простое решение на уровне промпта?
- A. Добавить несколько размеченных примеров с точными названиями категорий (few-shot prompting)
- B. Дообучить модель на 10 000 обращениях
- C. Повысить temperature
- D. Перейти на более крупную модель
Ответ: A. Несколько разобранных примеров с точными метками показывают модели ожидаемый результат, и перечень допустимых категорий в инструкции тоже помогает. Попробовать это ничего не стоит, и это первый шаг перед более тяжёлыми вариантами.
- B неверно: дообучение может сработать, но обходится гораздо дороже, чем сначала поправить промпт.
- C неверно: более высокая температура делает результат менее предсказуемым.
- D неверно: более крупная модель всё равно может придумывать метки, если в промпте нигде не показан ожидаемый формат.
В нашей статье о zero-shot и few-shot промптинге разобрано, когда примеры помогают, а когда вредят.
Вопрос 8
Команде нужна автоматическая метрика, чтобы сравнивать суммаризации, созданные моделью, с эталонными, которые написали люди. Какая метрика для этого предназначена?
- A. ROUGE
- B. Среднеквадратичная ошибка
- C. F1-мера для классификации изображений
- D. Задержка (latency)
Ответ: A. ROUGE (Recall-Oriented Understudy for Gisting Evaluation) измеряет пересечение сгенерированного и эталонного текста и обычно применяется для суммаризации. В руководстве к экзамену также перечислены BLEU (часто используется для перевода), BERTScore и LLM-as-a-judge.
- B неверно: среднеквадратичная ошибка измеряет ошибку числового прогноза в регрессии.
- C неверно: задача - суммаризация текста, а не классификация изображений.
- D неверно: задержка измеряет скорость, а не качество.
Раздел 4: Guidelines for Responsible AI
Вопрос 9
Кредитор хочет проверить, не относится ли его модель одобрения займов несправедливо к заявителям разных возрастных групп, как в обучающих данных, так и в прогнозах модели. Какая возможность AWS создана для этого?
- A. Amazon SageMaker Clarify
- B. AWS CloudTrail
- C. Amazon Textract
- D. Amazon Bedrock Knowledge Bases
Ответ: A. SageMaker Clarify находит потенциальную предвзятость в данных и в прогнозах модели, а также объясняет, как входные признаки влияют на прогноз (feature attribution).
- B неверно: CloudTrail журналирует вызовы API и не анализирует справедливость модели.
- C неверно: Textract извлекает текст и данные из документов.
- D неверно: Knowledge Bases обеспечивают извлечение данных для RAG-приложений.
Вопрос 10
Регуляторы требуют от компании объяснять каждому клиенту, почему модель отклонила его заявку. Какой вариант лучше всего поддерживает это требование?
- A. Использовать самую точную глубокую нейросеть, независимо от интерпретируемости
- B. Использовать более интерпретируемую модель или добавить инструменты объяснимости, показывающие, какие признаки повлияли на каждое решение
- C. Скрыть входные данные модели, чтобы защитить интеллектуальную собственность
- D. Увеличить размер обучающего набора данных
Ответ: B. Ответственный ИИ в AWS включает прозрачность и объяснимость. Более простая интерпретируемая модель или объяснения на основе признаков позволяют компании сказать клиенту, какие факторы привели к решению. Компромисс между качеством и интерпретируемостью - постоянная тема экзамена.
- A неверно: модель, которую никто не может объяснить, может не выполнить требование регулятора, даже если она точна.
- C неверно: сокрытие входных данных снижает прозрачность.
- D неверно: больше данных может повысить точность, но не объясняет отдельные решения.
Раздел 5: Security, Compliance, and Governance for AI Solutions
Вопрос 11 (выберите два)
Клиентский чат-бот компании, созданный на Amazon Bedrock, должен блокировать попытки обойти его инструкции и не должен раскрывать в ответах персональные данные клиентов. Какие две меры отвечают этим требованиям? (Выберите ДВА.)
- A. Настроить Amazon Bedrock Guardrails с фильтром атак через промпт
- B. Настроить фильтры конфиденциальной информации в Amazon Bedrock Guardrails, чтобы маскировать или блокировать персональные данные
- C. Повысить temperature модели
- D. Хранить системный промпт в публичном бакете Amazon S3
- E. Отключить журналирование, чтобы атакующие не могли его прочитать
Ответ: A и B. Guardrails умеют обнаруживать атаки через промпт, такие как jailbreak и prompt injection, а фильтры конфиденциальной информации могут блокировать или маскировать персональные данные (PII) во входных и выходных текстах. Вместе они закрывают оба требования.
- C неверно: temperature меняет случайность, а не безопасность.
- D неверно: публичный бакет открывает системный промпт всем желающим.
- E неверно: журналы нужны для аудита и расследования инцидентов; правильное решение - ограничить к ним доступ, а не отключать их.
Подробнее о самой атаке - в нашей статье prompt injection: что это.
Вопрос 12
Аудитор просит компанию показать, кто и когда вызывал API Amazon Bedrock за последние 90 дней. Какой сервис AWS даёт такую запись?
- A. AWS CloudTrail
- B. Amazon Inspector
- C. AWS Trusted Advisor
- D. Amazon Macie
Ответ: A. CloudTrail записывает вызовы API в аккаунте AWS, в том числе кто сделал каждый вызов, когда и откуда, поэтому именно он служит журналом аудита для такого вопроса.
- B неверно: Amazon Inspector сканирует рабочие нагрузки на уязвимости в ПО.
- C неверно: Trusted Advisor даёт рекомендации по лучшим практикам в части стоимости, безопасности и лимитов.
- D неверно: Amazon Macie находит конфиденциальные данные в Amazon S3.
Как оценить себя
Посчитайте правильные ответы из 12 и смотрите на то, в каких разделах вы ошиблись, а не на общую сумму. Двенадцати вопросов мало, чтобы предсказать результат экзамена; одна ошибка в разделе 3 важнее одной ошибки в разделе 4 только потому, что на настоящем экзамене у раздела 3 вдвое больший вес.
- 10–12 верных: переходите к полноразмерным тренировкам с таймером и продолжайте разбирать вопросы, в которых ошиблись.
- 7–9 верных: вернитесь к целям тех разделов, где ошиблись, в руководстве к экзамену.
- 6 и меньше: начните с основ. Наш путь изучения промпт-инжиниринга охватывает идеи GenAI, на которых строятся разделы 2 и 3.
Вопросы, в которых вы ошиблись, полезнее тех, на которые ответили верно. Запишите, почему выбрали неправильный ответ, а через несколько дней попробуйте похожий вопрос.
Как писались эти вопросы
Редакция TokIQ Editorial написала эти вопросы по формулировкам задач в руководстве к экзамену AIF-C01 (версия 1.1). Это не настоящие вопросы с экзамена, и они не взяты ни из какой утечки; AWS держит содержание экзаменов в тайне. Факты об экзамене проверены по страницам AWS, ссылки на которые приведены выше, 2026-10-21. TokIQ не связан с Amazon Web Services и не одобрен этой компанией.
Готовитесь и к экзамену Microsoft по основам ИИ? Загляните в наши вопросы к AI-901, где также объясняется, что заменило AI-900.
Больше вопросов к AIF-C01
Если хотите каждый день небольшой набор вроде этого, в TokIQ (в Google Play, для iPhone скоро) есть режим подготовки к AIF-C01: ежедневная сессия, которая возвращает пропущенные вопросы по методу интервальных повторений, смещается в сторону вашего самого слабого раздела и включает пробные экзамены. Каждый вопрос ссылается на официальный источник AWS, на котором основан, а после каждого ответа есть пояснение на вашем языке.
Готовы к уровню associate? Загляните в вопросы к MLA-C02 или сравните варианты в статье какую ИИ-сертификацию сдавать первой.
Частые вопросы
Это настоящие вопросы с экзамена AIF-C01?
Нет. Все 12 вопросов написала для тренировки редакция TokIQ Editorial на основе целей из официального руководства к экзамену AWS. Настоящие вопросы конфиденциальны: кандидаты подписывают соглашение о неразглашении, поэтому наборы, которые продают как «дампы» экзамена, - это риск, а не короткий путь. Используйте эти вопросы, чтобы проверить понимание, а не чтобы заучивать ответы.
Сколько вопросов на экзамене AWS Certified AI Practitioner?
На экзамене AIF-C01 65 вопросов на 90 минут. Пятьдесят вопросов идут в зачёт, а 15 - неоцениваемые вопросы, которые AWS проверяет на будущее; определить, какие именно, нельзя. Вопросы без ответа считаются неверными, штрафа за угадывание нет (руководство к экзамену AWS, проверено 2026-10-21).
Какой балл нужен для сдачи AIF-C01?
Нужен шкалируемый балл 700 по шкале от 100 до 1 000. Оценка компенсаторная: экзамен сдан или не сдан целиком, и каждый раздел отдельно сдавать не нужно (руководство к экзамену AWS, проверено 2026-10-21).
Какой раздел AIF-C01 стоит тренировать больше всего?
Самый большой раздел - Applications of Foundation Models, 28% оцениваемого содержания, дальше идут Fundamentals of GenAI с 24% и Fundamentals of AI and ML с 20%. На Responsible AI и Security, Compliance and Governance приходится по 14%. Распределяйте время на тренировку примерно в тех же пропорциях.
Какие типы вопросов бывают на экзамене AIF-C01?
В руководстве перечислены четыре типа: выбор одного ответа (один верный из четырёх), выбор нескольких ответов (два и более верных из пяти или больше, для зачёта нужны все), упорядочивание и сопоставление. Вопрос 11 выше - пример выбора нескольких ответов.
- #AIF-C01
- #AWS Certified AI Practitioner
- #вопросы к экзамену
- #подготовка к сертификации