Перейти к содержимому
TokIQ
Обучение

Вопросы к экзамену AWS MLA-C02 и разбор экзамена (бета)

10 авторских пробных вопросов MLA-C02 для AWS Certified Machine Learning Engineer Associate, данные о бета-версии, четыре домена и отличия от MLA-C01.

TokIQ Editorial7 мин чтения
В этой статье
  1. MLA-C02: основные факты об экзамене
  2. Домен 1: Data Preparation for ML and AI
  3. Домен 2: ML Model and Foundation Model (FM) Development
  4. Домен 3: Deployment and Orchestration of ML and AI Workflows
  5. Домен 4: Operating, Monitoring, and Securing ML and AI Solutions
  6. Что изменилось между MLA-C01 и MLA-C02
  7. Как оценить свой результат
  8. Как были написаны эти вопросы
  9. Больше пробных вопросов MLA-C02

MLA-C02 — обновлённый экзамен AWS Certified Machine Learning Engineer - Associate, и сейчас AWS проводит его в бета-режиме. Ниже 10 авторских пробных вопросов по всем четырём доменам с ответами и разбором, а затем данные о бета-версии и отличия от MLA-C01.

Главное

  • MLA-C02 проверяет ML-инженерию на AWS: конвейеры данных, обучение, развёртывание, мониторинг и безопасность, как для классического ML, так и для фундаментальных моделей.
  • Три из четырёх доменов весят по 24%, подготовка данных — 28%.
  • Это экзамен уровня associate. AWS рекомендует не менее 1 года практического опыта с SageMaker AI и Bedrock.

MLA-C02: основные факты об экзамене

Данные взяты со страницы сертификации AWS и из руководства к экзамену MLA-C02, проверены 2026-11-02. Подробности и план подготовки есть на нашей странице подготовки к MLA-C02. Расписание по неделям смотрите в статье как подготовиться к MLA-C02.

ФактОфициальное значение
СтатусБета; дата общего релиза будет объявлена позже
Формат беты85 вопросов, 170 минут, с одним и несколькими правильными ответами
Цена беты75 USD
ЯзыкТолько английский на время беты
Проходной балл (по руководству)720 по шкале 100-1 000
Срок действия3 года
ДоменВесВопросы ниже
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

Домен 1: Data Preparation for ML and AI

Вопрос 1

Команда обучает модель на наборе данных, где 98% примеров относятся к одному классу. Точность модели 98%, но редкий класс она не обнаруживает никогда. Что нужно сделать в первую очередь?

  • A. Указать 98% точности как итоговый результат
  • B. Устранить дисбаланс классов, например с помощью ресемплинга, и оценивать модель по precision и recall
  • C. Убрать редкий класс из данных
  • D. Сократить число признаков до одного

Ответ: B. На несбалансированных данных точность скрывает провал. Балансировка (передискретизация редкого класса или недодискретизация частого) и оценка по precision, recall или F1 дают честную картину.

  • A неверно, потому что модель, которая всегда предсказывает преобладающий класс, тоже получит 98%.
  • C неверно, потому что редкий класс обычно и есть самый важный.
  • D неверно, потому что меньшее число признаков дисбаланс не исправит.

Вопрос 2

Специалисту по данным нужно использовать одни и те же сконструированные признаки и для обучения, и для онлайн-предсказаний с малой задержкой, не реализуя их дважды. Какой подход подойдёт?

  • A. Хранить признаки в централизованном хранилище признаков, например Amazon SageMaker Feature Store
  • B. Отправлять описания признаков команде приложения по электронной почте
  • C. Пересчитывать признаки вручную в каждом ноутбуке
  • D. Хранить признаки только в локальных CSV-файлах

Ответ: A. Хранилище признаков содержит одно управляемое определение каждого признака и отдаёт его и для офлайн-обучения, и для онлайн-инференса, что предотвращает расхождение между обучением и работой модели (training-serving skew).

  • B, C и D неверны, потому что дублируют логику, а именно из-за этого признаки при обучении и в продакшене расходятся.

Вопрос 3

Команда создаёт RAG-приложение и должна подготовить корпоративные документы так, чтобы модель могла находить нужные фрагменты. Какой шаг входит в эту подготовку?

  • A. Разбить документы на фрагменты (чанки) и создать эмбеддинги, которые хранятся в векторном хранилище
  • B. Удалить все документы длиннее одной страницы
  • C. Преобразовать каждый документ в изображение
  • D. Обучать новую модель с нуля для каждого документа

Ответ: A. При подготовке к RAG документы режут на фрагменты, превращают их в эмбеддинги и сохраняют в векторном хранилище, чтобы при запросе находить похожие фрагменты. Подробнее в статье что такое RAG.

  • B, C и D неверны, потому что уничтожают содержимое, теряют текст или слишком дороги.

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

Вопрос 4

У команды небольшой размеченный набор данных, и классификатор изображений нужен быстро. Обучение с нуля даёт плохие результаты. Какой подход самый эффективный?

  • A. Использовать трансферное обучение: взять предобученную модель и дообучить её на размеченных данных
  • B. Не собирать больше данных и обучать дольше
  • C. Использовать модель линейной регрессии
  • D. Назначить метки случайным образом

Ответ: A. Трансферное обучение использует признаки, которые модель выучила на большом наборе данных, поэтому для адаптации хватает небольшого размеченного набора.

  • B неверно, потому что долгое обучение на малом объёме данных чаще всего ведёт к переобучению.
  • C неверно, потому что регрессия предсказывает числа, а не классы изображений.
  • D неверно, потому что случайные метки ничему не учат.

Вопрос 5

Компания хочет сравнить две фундаментальные модели для задачи суммаризации. Какой способ оценки самый подходящий?

  • A. Прогнать обе модели на одних и тех же репрезентативных тестовых запросах и сравнить результаты по заданным метрикам либо с помощью оценки людьми или другой моделью
  • B. Выбрать модель с более длинным названием
  • C. Оценивать только на обучающих запросах одной из моделей
  • D. Пропустить оценку, потому что обе модели фундаментальные

Ответ: A. Оценивать нужно на фиксированном репрезентативном наборе по чёткому критерию. Можно использовать автоматические метрики, оценщиков-людей или модель-судью, а лучше всего сочетать их.

  • B, C и D неверны, потому что это не настоящая оценка либо она смещена в пользу одной модели.

Домен 3: Deployment and Orchestration of ML and AI Workflows

Вопрос 6

Модель получает непредсказуемый трафик с длинными периодами простоя, а запросы допускают небольшой холодный старт. Какой вариант развёртывания минимизирует затраты?

  • A. Serverless-эндпоинт для инференса
  • B. Большой постоянно работающий real-time эндпоинт с множеством инстансов
  • C. Выделенный GPU-инстанс, работающий 24/7 при отсутствии трафика
  • D. Переобучение модели на каждый запрос

Ответ: A. Serverless-инференс масштабируется до нуля в простое, а оплата идёт только за использование. Это подходит для нерегулярного трафика, который допускает холодный старт.

  • B и C неверны, потому что платить приходится за простаивающие мощности.
  • D неверно, потому что инференс не требует переобучения.

Вопрос 7

Команда хочет, чтобы каждое изменение в коде обучения автоматически запускало тесты, конвейер обучения и шаг с реестром моделей. Что для этого нужно построить?

  • A. CI/CD-конвейер, интегрированный с ML-конвейером и реестром моделей
  • B. Еженедельный чек-лист, который заполняется вручную
  • C. Общую таблицу с версиями моделей
  • D. Один ноутбук, который правят все

Ответ: A. MLOps автоматизирует сборку, тестирование, обучение, регистрацию и развёртывание, чтобы релизы были повторяемыми и проверяемыми.

  • B, C и D неверны, потому что это ручные процессы, в которых легко ошибиться.

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

Вопрос 8

Точность развёрнутой модели постепенно падает, потому что поведение клиентов изменилось после обучения. Как это называется и что нужно настроить?

  • A. Дрейф данных; мониторить распределения входных данных и предсказаний и запускать переобучение
  • B. Переобучение; добавить больше слоёв
  • C. Недообучение; сократить данные
  • D. Задержка; добавить хранилища

Ответ: A. Когда рабочие данные уходят от обучающих, это дрейф. Мониторинг (например, SageMaker Model Monitor) его обнаруживает, и можно переобучить модель.

  • B и C неверны, потому что описывают проблемы подгонки модели на этапе обучения.
  • D неверно, потому что задержка связана со скоростью, а не с точностью.

Вопрос 9

Задание обучения в SageMaker AI должно читать данные из корзины S3. Какой подход соответствует принципу наименьших привилегий?

  • A. Прикрепить к заданию IAM-роль, которая даёт доступ только к этой корзине и префиксу
  • B. Встроить долгоживущие ключи доступа в код обучения
  • C. Сделать корзину публичной
  • D. Дать заданию права администратора

Ответ: A. Роль выполнения с узко очерченными правами выдаёт временные учётные данные и ограничивает ущерб от любой ошибки.

  • B неверно, потому что жёстко прописанные ключи легко утекают.
  • C и D неверны, потому что дают намного больше доступа, чем нужно.

Вопрос 10

Компании нужно, чтобы трафик между её VPC и эндпоинтами моделей не выходил в публичный интернет. Что поможет?

  • A. Использовать интерфейсные эндпоинты VPC (AWS PrivateLink) для сервиса
  • B. Разместить URL эндпоинта на публичном сайте
  • C. Отключить шифрование
  • D. Открыть все порты в группе безопасности

Ответ: A. Интерфейсные эндпоинты VPC оставляют трафик внутри сети AWS, а вместе с группами безопасности и шифрованием обеспечивают защиту.

  • B, C и D неверны, потому что увеличивают уязвимость.

Что изменилось между MLA-C01 и MLA-C02

AWS публикует сравнение MLA-C01 и MLA-C02. Если коротко, в обновлённом экзамене рядом с классическим ML появились фундаментальные модели и генеративный ИИ, включая агентные процессы. Англоязычный MLA-C01 перестал быть доступен после 28 сентября 2026 года (по данным AWS). Уже полученные сертификаты действуют весь свой срок.

Как оценить свой результат

  • 9-10 правильных: переходите к полноценной тренировке на время и просмотрите домены из руководства к экзамену.
  • 6-8 правильных: перечитайте описания задач по тем доменам, где были ошибки.
  • 5 и меньше: экзамен предполагает практический опыт работы с SageMaker AI и Bedrock. Если вы только в начале пути, сначала сдайте AWS AI Practitioner (AIF-C01). Смотрите какую сертификацию по ИИ сдавать первой.

Как были написаны эти вопросы

TokIQ Editorial написала эти вопросы по доменам и задачам из руководства к экзамену MLA-C02. Это не настоящие экзаменационные вопросы. Факты об экзамене проверены 2026-11-02, а детали беты могут измениться. TokIQ — независимое приложение для тренировки, не связанное с Amazon Web Services и не одобренное ею.

Больше пробных вопросов MLA-C02

В TokIQ (в Google Play, скоро на iPhone) есть режим подготовки к MLA-C02 (бета): короткая ежедневная сессия, интервальное повторение, оценка готовности по каждому домену, пробные экзамены и объяснения на вашем языке.

Частые вопросы

Что такое MLA-C02?

MLA-C02 — обновлённый экзамен AWS Certified Machine Learning Engineer - Associate. Он охватывает классическое машинное обучение и фундаментальные модели: подготовку данных, разработку моделей, развёртывание и оркестрацию, а также эксплуатацию и защиту решений на базе ML и ИИ (руководство к экзамену AWS, проверено 2026-11-02).

MLA-C02 всё ещё в бета-версии?

На 2026-11-02 на странице сертификации AWS сказано, что открыта регистрация на бета-версию MLA-C02: 85 вопросов, 170 минут, бета-цена 75 USD, только на английском. Дата общего релиза не объявлена.

Какой проходной балл у MLA-C02?

В руководстве к экзамену указана шкала 100-1 000 с минимальным проходным баллом 720. Там же отмечено, что для бета-версии статус «сдал или не сдал» не присваивается, а оценка компенсаторная: результат считается по экзамену в целом, а не по каждому домену отдельно.

MLA-C02 сложнее экзамена AI Practitioner?

Он рассчитан на другой уровень. AIF-C01 — базовый экзамен, он о выборе подходящего ИИ-сервиса. MLA-C02 — экзамен уровня associate для тех, у кого есть не менее 1 года опыта работы с Amazon SageMaker AI, Amazon Bedrock и другими ML-сервисами AWS, поэтому ждите больше практических инженерных сценариев.

Это настоящие вопросы с экзамена MLA-C02?

Нет. Все 10 вопросов TokIQ Editorial написала по открытому руководству к экзамену. AWS не раскрывает содержание экзамена, поэтому наборы, которые продают как «настоящие вопросы», — это риск, а не короткий путь.

  • #MLA-C02
  • #AWS Machine Learning Engineer Associate
  • #пробные вопросы
  • #подготовка к сертификации

Теперь потренируйтесь

TokIQ превращает промпт-инжиниринг в короткие тесты с объяснением каждого ответа.

Скоро вApp StoreДоступно вGoogle Play
Обучение4 мин чтения

Как подготовиться к AWS MLA-C02: план для ML Engineer

План подготовки к MLA-C02: часы в неделю, четыре домена и их веса, темы GenAI, новые со времён MLA-C01, бесплатные материалы AWS и что делать с бета-версией.

Обучение7 мин чтения

Вопросы к экзамену Google Generative AI Leader с ответами

10 авторских пробных вопросов Generative AI Leader с ответами и разбором, а также официальный формат экзамена, разделы и бесплатные примеры вопросов от Google.

Пишите промпты лучше, по нескольку вопросов в день.

Короткие тесты о реальных решениях при составлении промптов, с объяснением к каждому ответу. Начать можно бесплатно на iPhone и Android.

Скоро вApp StoreДоступно вGoogle Play