Services d'IA/ML et d'analytique
Découvrez les principaux services d'IA/ML et d'analytique d'AWS : la pile d'IA à trois couches, les services pré-entraînés comme Rekognition et Comprehend, Amazon SageMaker, l'IA générative avec Bedrock et Q, et des outils d'analytique comme Athena, Redshift et Kinesis.
Les services d'IA/ML et d'analytique transforment des données en information utile et ajoutent de l'intelligence aux applications. À l'examen CLF-C02, le but n'est pas d'entraîner un modèle ni d'écrire une requête. Il s'agit de reconnaître chaque service par son nom et d'associer un problème décrit au bon service.
Le thème compte deux leçons. La première parcourt la pile d'IA et de ML d'AWS, des services prêts à l'emploi que vous appelez via une API jusqu'à la plateforme Amazon SageMaker et l'IA générative. La seconde suit les données le long d'un pipeline d'analytique et compare les services que les apprenants confondent le plus.
Ce que couvre ce thème
- les trois couches de la pile d'IA et de ML d'AWS, des services pré-entraînés aux modèles sur mesure
- les services d'IA pré-entraînés comme Rekognition, Comprehend, Polly, Transcribe et Lex, et la tâche que chacun traite
- Amazon SageMaker comme plateforme pour construire, entraîner et déployer vos propres modèles
- l'IA générative avec Amazon Bedrock et Amazon Q
- les étapes d'un pipeline d'analytique : ingérer, stocker, traiter, interroger et visualiser
- les principaux services d'analytique : Amazon Athena, Redshift, EMR, AWS Glue, Kinesis et QuickSight
- comment distinguer Amazon Athena, Redshift et EMR
Pourquoi c'est important
Ces services reviennent souvent sous forme de questions de scénario : une phrase décrit un besoin et vous choisissez le service. Savoir que Transcribe convertit la parole en texte, que SageMaker sert aux modèles sur mesure, ou qu'Athena exécute du SQL sur S3 vous permet de répondre vite, sans hésiter.
Le thème récompense aussi la reconnaissance de schémas plutôt que la mémorisation de détails. Une fois que vous savez placer un service dans la bonne couche de la pile d'IA ou à la bonne étape du pipeline d'analytique, la longue liste de noms devient un petit ensemble de rôles clairs, ce qui est exactement ce que l'examen évalue.