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.
В этой статье
- MLA-C02: основные факты об экзамене
- Домен 1: Data Preparation for ML and AI
- Домен 2: ML Model and Foundation Model (FM) Development
- Домен 3: Deployment and Orchestration of ML and AI Workflows
- Домен 4: Operating, Monitoring, and Securing ML and AI Solutions
- Что изменилось между MLA-C01 и MLA-C02
- Как оценить свой результат
- Как были написаны эти вопросы
- 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.
| Факт | Официальное значение |
|---|---|
| Статус | Бета; дата общего релиза будет объявлена позже |
| Формат беты | 85 вопросов, 170 минут, с одним и несколькими правильными ответами |
| Цена беты | 75 USD |
| Язык | Только английский на время беты |
| Проходной балл (по руководству) | 720 по шкале 100-1 000 |
| Срок действия | 3 года |
| Домен | Вес | Вопросы ниже |
|---|---|---|
| 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 |
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