اختبار AWS التجريبي AIF-C01: ممارس الذكاء الاصطناعي المعتمد من AWS

يعد الاختبار التجريبي AWS Certified AI Practitioner (AIF-C01) أداة تدريبية متقدمة وشاملة تم تصميمها لمساعدة محترفي تكنولوجيا المعلومات والمهتمين بمجال الحوسبة السحابية على فهم وتطبيق مفاهيم الذكاء الاصطناعي وتعلم الآلة على منصة AWS. يوفر هذا المورد التحضيري المتميز فرصة استثنائية للمرشحين لإثبات كفاءتهم والتحقق من مهاراتهم في تقنيات الذكاء الاصطناعي التوليدي، وتطوير نماذج التعلّم، وضمان أمان وحوكمة حلول الذكاء الاصطناعي، مما يعزز مصداقيتهم المهنية ويفتح آفاقاً واسعة للنمو الوظيفي في هذا المجال المتطور بسرعة.

Note: This is merely a practice test to prepare for the professional certification exam, and no certificate is issued by the center for passing it.

جرب النسخة التجريبية مجاناً

Why should I use the AIF-C01 Practice Test to prepare for the official exam?

يتطلب اجتياز امتحان AWS AIF-C01 بنجاح فهماً عميقاً وشاملاً للمفاهيم التشغيلية والتقنية لتطبيقات الذكاء الاصطناعي، وهو ما يتجاوز مجرد الحفظ السطحي. يمنحك هذا الاختبار التدريبي ميزة جوهرية من خلال تزويدك بنمطين ذكيين ومكملين للدراسة؛ حيث يتيح لك “نمط الاعتماد” محاكاة ظروف وقيود الاختبار الفعلي بدقة تامة لتقييم جاهزيتك وتحديد الفجوات المعرفية الحرجة تحت ضغط الوقت، بينما يمنحك “نمط التدريب” الفرصة للتركيز والتعمق في مواضيع فنية مخصصة مثل هندسة الأوامر وهياكل الذكاء الاصطناعي المسؤول وحلول الأمان، مما يضمن لك بناء فهم راسخ يحقق لك النجاح من المحاولة الأولى.

يحتوي الاختبار التجريبي AWS AIF-C01 على 150 سؤالاً تغطي الأهداف التالية:

أساسيات الذكاء الاصطناعي وتعلم الآلة – 30 سؤالاً

شرح مفاهيم ومصطلحات الذكاء الاصطناعي الأساسية

• تعريف مصطلحات الذكاء الاصطناعي الأساسية (على سبيل المثال، الذكاء الاصطناعي، تعلم الآلة، التعلم العميق، الشبكات العصبية، الرؤية الحاسوبية، معالجة اللغة الطبيعية [NLP]، النموذج، الخوارزمية، التدريب والاستدلال، التحيز، العدالة، الملاءمة، نماذج اللغات الكبيرة [LLM])
• وصف أوجه التشابه والاختلاف بين الذكاء الاصطناعي وتعلم الآلة والتعلم العميق
• وصف الأنواع المختلفة للاستدلال (على سبيل المثال، الاستدلال الدفعي، والاستدلال في الوقت الفعلي)
• وصف الأنواع المختلفة للبيانات في نماذج الذكاء الاصطناعي (على سبيل المثال، البيانات المُصنّفة وغير المُصنّفة، البيانات الجدولية، السلاسل الزمنية، الصور، النصوص، البيانات المهيكلة وغير المهيكلة)
• وصف التعلم الخاضع للإشراف، والتعلم غير الخاضع للإشراف، والتعلم المعزز

تحديد حالات الاستخدام العملي للذكاء الاصطناعي

• التعرف على التطبيقات التي يمكن أن يوفر فيها الذكاء الاصطناعي/تعلم الآلة قيمة مضافة (على سبيل المثال، المساعدة في اتخاذ القرار البشري، قابلية توسيع الحلول، الأمتة)
• تحديد الحالات التي لا تكون فيها حلول الذكاء الاصطناعي/تعلم الآلة مناسبة (على سبيل المثال، تحليلات التكلفة والعائد، الحالات التي تتطلب نتيجة محددة بدلاً من التنبؤ)
• تحديد تقنيات تعلم الآلة المناسبة لحالات استخدام معينة (على سبيل المثال، الانحدار، التصنيف، التجميع)
• تحديد أمثلة على تطبيقات الذكاء الاصطناعي في العالم الحقيقي (على سبيل المثال، الرؤية الحاسوبية، معالجة اللغة الطبيعية، التعرف على الكلام، أنظمة التوصية، اكتشاف الاحتيال، التنبؤ المستقبلي)
• شرح قدرات خدمات الذكاء الاصطناعي وتعلم الآلة المدارة من AWS (على سبيل المثال، SageMaker، وAmazon Transcribe، وAmazon Translate، وAmazon Comprehend، وAmazon Lex، وAmazon Polly)

وصف دورة حياة تطوير تعلم الآلة

• وصف مكونات مسار تعلم الآلة Pipeline (على سبيل المثال، جمع البيانات، تحليل البيانات الاستكشافي [EDA]، المعالجة المسبقة للبيانات، هندسة الميزات، تدريب النموذج، ضبط المعلمات الفائقة، التقييم، النشر، المراقبة)
• فهم مصادر نماذج تعلم الآلة (على سبيل المثال، النماذج مفتوحة المصدر المدربة مسبقاً، تدريب النماذج المخصصة)
• وصف طرق استخدام النموذج في بيئة الإنتاج (على سبيل المثال، خدمة واجهة برمجة التطبيقات المدارة، واجهة برمجة التطبيقات المستضافة ذاتياً)
• تحديد خدمات وميزات AWS ذات الصلة بكل مرحلة من مراحل مسار تعلم الآلة (على سبيل المثال، SageMaker، وAmazon SageMaker Data Wrangler، وAmazon SageMaker Feature Store، وAmazon SageMaker Model Monitor)
• فهم المفاهيم الأساسية لعمليات تعلم الآلة (MLOps) (على سبيل المثال، التجريب، العمليات القابلة للتكرار، الأنظمة القابلة للتوسيع، إدارة الديون التقنية، تحقيق الجاهزية للإنتاج، مراقبة النماذج، إعادة تدريب النماذج)
• فهم مقاييس أداء النموذج (على سبيل المثال، الدقة، المساحة تحت منحنى خصائص التشغيل للمستقبل [AUC]، مقياس F1) ومقاييس الأعمال (على سبيل المثال، التكلفة لكل مستخدم، تكاليف التطوير، ملاحظات العملاء، العائد على الاستثمار [ROI]) لتقييم نماذج تعلم الآلة

أساسيات الذكاء الاصطناعي التوليدي – 36 سؤالاً

شرح المفاهيم الأساسية للذكاء الاصطناعي التوليدي

• فهم المفاهيم الأساسية للذكاء الاصطناعي التوليدي (على سبيل المثال، الرموز التمييزية Tokens، التقسيم Chunking، التضمينات Embeddings، المتجهات Vectors، هندسة الأوامر Prompt Engineering، نماذج اللغات الكبيرة القائمة على المحولات Transformer-based LLMs، النماذج الأساسية Foundation Models، النماذج متعددة الوسائط Multi-modal Models، نماذج الانتشار Diffusion Models)
• تحديد حالات الاستخدام المحتملة لنماذج الذكاء الاصطناعي التوليدي (على سبيل المثال، إنشاء الصور والفيديو والصوت، التلخيص، روبوتات المحادثة، الترجمة، إنشاء الكود البرمجي، وكلاء خدمة العملاء، البحث، محركات التوصية)
• وصف دورة حياة النموذج الأساسي (على سبيل المثال، اختيار البيانات، اختيار النموذج، التدريب المسبق، الضبط الدقيق، التقييم، النشر، الملاحظات والتعليقات)

فهم قدرات وقيود الذكاء الاصطناعي التوليدي لححل مشكلات الأعمال

• وصف مزايا الذكاء الاصطناعي التوليدي (على سبيل المثال، القدرة على التكيف، الاستجابة، البساطة)
• تحديد عيوب حلول الذكاء الاصطناعي التوليدي (على سبيل المثال، الهلوسة Hallucinations، القابلية للتفسير، عدم الدقة، عدم الحتمية Nondeterminism)
• فهم العوامل المختلفة لاختيار نماذج الذكاء الاصطناعي التوليدي المناسبة (على سبيل المثال، أنواع النماذج، متطلبات الأداء، القدرات، القيود، الامتثال)
• تحديد قيمة الأعمال والمقاييس لتطبيقات الذكاء الاصطناعي التوليدي (على سبيل المثال، الأداء عبر النطاقات المختلفة، الكفاءة، معدل التحويل، متوسط الإيرادات لكل مستخدم، الدقة، القيمة الدائمة للعميل)

وصف البنية التحتية والتقنيات الخاصة بـ AWS لبناء تطبيقات الذكاء الاصطناعي التوليدي

• تحديد خدمات وميزات AWS لتطوير تطبيقات الذكاء الاصطناعي التوليدي (على سبيل المثال، Amazon SageMaker JumpStart، وAmazon Bedrock، وPartyRock وهي بيئة تجريبية لـ Amazon Bedrock، وAmazon Q)
• وصف مزايا استخدام خدمات الذكاء الاصطناعي التوليدي من AWS لبناء التطبيقات (على سبيل المثال، إمكانية الوصول، تقليل حواجز الدخول، الكفاءة، فعالية التكلفة، سرعة الوصول إلى السوق، القدرة على تحقيق أهداف العمل)
• فهم فوائد بنية AWS التحتية لتطبيقات الذكاء الاصطناعي التوليدي (على سبيل المثال، الأمان، الامتثال، المسؤولية، السلامة)
• فهم مقايضات التكلفة لخدمات الذكاء الاصطناعي التوليدي من AWS (على سبيل المثال، سرعة الاستجابة، التوفر، التكرار والوفرة، الأداء، التغطية الإقليمية، التسعير القائم على الرموز التمييزية، الإنتاجية المخصصة، النماذج المخصصة)

تطبيقات النماذج الأساسية (Foundation Models) – 42 سؤالاً

وصف اعتبارات التصميم للتطبيقات التي تستخدم النماذج الأساسية

• تحديد معايير الاختيار لانتقاء النماذج المدربة مسبقاً (على سبيل المثال، التكلفة، الوسائط، زمن الانتقال Latency، تعدد اللغات، حجم النموذج، تعقيد النموذج، التخصيص، طول المدخلات والمخرجات)
• فهم تأثير معلمات الاستدلال Inference Parameters على استجابات النموذج (على سبيل المثال، درجة الحرارة Temperature، طول المدخلات والمخرجات)
• تعريف التوليد المعزز بالاسترجاع (RAG) ووصف تطبيقاته في مجال الأعمال (على سبيل المثال، Amazon Bedrock، وقاعدة المعرفة Knowledge Base)
• تحديد خدمات AWS التي تساعد في تخزين التضمينات داخل قواعد بيانات المتجهات Vector Databases (على سبيل المثال، Amazon OpenSearch Service، وAmazon Aurora، وAmazon Neptune، وAmazon DocumentDB [المتوافق مع MongoDB]، وAmazon RDS لـ PostgreSQL)
• شرح مقايضات التكلفة للنهج المختلفة لتخصيص النماذج الأساسية (على سبيل المثال، التدريب المسبق، الضبط الدقيق، التعلم في السياق In-context Learning، وRAG)
• فهم دور الوكلاء (Agents) في المهام متعددة الخطوات (على سبيل المثال، الوكلاء لمنصة Amazon Bedrock)

اختيار تقنيات هندسة الأوامر (Prompt Engineering) الفعالة

• وصف مفاهيم ومكونات هندسة الأوامر (على سبيل المثال، السياق، التعليمات، الأوامر السلبية Negative Prompts، الفضاء الكامن للموصف Model Latent Space)
• فهم تقنيات هندسة الأوامر (على سبيل المثال، تسلسل الأفكار Chain-of-thought، والتعلم الفوري بدون أمثلة Zero-shot، والمثال الواحد Single-shot، والأمثلة القليلة Few-shot، وقوالب الأوامر)
• فهم الفوائد وأفضل الممارسات لهندسة الأوامر (على سبيل المثال، تحسين جودة الاستجابة، التجريب، وضع الحواجز الوقائية Guardrails، الاكتشاف، الخصوصية والإيجاز، استخدام تعليقات متعددة)
• تحديد المخاطر والقيود المحتملة لهندسة الأوامر (على سبيل المثال، التعرض للاختراق، التسميم Poisoning، الاختطاف Hijacking، كسر الحماية Jailbreaking)

وصف عملية التدريب والضبط الدقيق (Fine-tuning) للنماذج الأساسية

• وصف العناصر الأساسية لتدريب نموذج أساسي (على سبيل المثال، التدريب المسبق، الضبط الدقيق، التدريب المسبق المستمر)
• تحديد طرق الضبط الدقيق للنموذج الأساسي (على سبيل المثال، ضبط التعليمات Instruction Tuning، تكييف النماذج لنطاقات محددة، نقل التعلم Transfer Learning، التدريب المسبق المستمر)
• وصف كيفية إعداد البيانات للضبط الدقيق للنموذج الأساسي (على سبيل المثال، تنظيم البيانات Curation، الحوكمة، الحجم، وضع التسميات، التمثيل، التعلم المعزز من ردود الفعل البشرية [RLHF])

وصف طرق تقييم أداء النماذج الأساسية

• فهم الأساليب المتبعة لتقييم أداء النماذج الأساسية (على سبيل المثال، التقييم البشري، مجموعات بيانات القياس القياسية Benchmark)
• تحديد المقاييس ذات الصلة لتقييم أداء النموذج الأساسي (على سبيل المثال، ROUGE، وBLEU، وBERTScore)
• تحديد ما إذا كان النموذج الأساسي يلبي أهداف العمل بفعالية (على سبيل المثال، الإنتاجية، تفاعل المستخدم، هندسة المهام)

إرشادات الذكاء الاصطناعي المسؤول – 21 سؤالاً

شرح تطوير أنظمة الذكاء الاصطناعي المسؤولة

• تحديد سمات الذكاء الاصطناعي المسؤول (على سبيل المثال، التحيز، العدالة، الشمولية، القوة والمتانة Robustness، السلامة، الموثوقية والحقيقة Veracity).
• فهم كيفية استخدام الأدوات لتحديد سمات الذكاء الاصطناعي المسؤول (على سبيل المثال، الحواجز الوقائية لمنصة Amazon Bedrock).
• فهم الممارسات المسؤولة لاختيار النموذج (على سبيل المثال، الاعتبارات البيئية، الاستدامة).
• تحديد المخاطر القانونية للعمل مع الذكاء الاصطناعي التوليدي (على سبيل المثال، مطالبات انتهاك الملكية الفكرية، مخرجات النماذج المتحيزة، فقدان ثقة العملاء، مخاطر المستخدم النهائي، الهلوسة).
• تحديد خصائص مجموعات البيانات (على سبيل المثال، الشمولية، التنوع، مصادر البيانات المنظمة والمعدّة، مجموعات البيانات المتوازنة).
• فهم تأثيرات التحيز والتباين Bias and Variance (على سبيل المثال، التأثيرات على المجموعات الديموغرافية، عدم الدقة، الإفراط في الملاءمة Overfitting، نقص الملاءمة Underfitting).
• وصف أدوات اكتشاف ومراقبة التحيز والجدارة بالثقة والصدق (على سبيل المثال، تحليل جودة التسميات، التدقيق البشري، تحليل المجموعات الفرعية، Amazon SageMaker Clarify، وSageMaker Model Monitor، وAmazon Augmented AI [Amazon A2I]).

إدراك أهمية النماذج الشفافة والقابلة للتفسير

• فهم الفروق بين النماذج الشفافة والقابلة للتفسير والنماذج غير الشفافة وغير القابلة للتفسير.
• فهم الأدوات اللازمة لتحديد النماذج الشفافة والقابلة للتفسير (على سبيل المثال، بطاقات نماذج Amazon SageMaker Model Cards، النماذج مفتوحة المصدر، البيانات، الترخيص).
• تحديد المقايضات بين سلامة النموذج والشفافية (على سبيل المثال، قياس القدرة على التفسير والأداء).
• فهم مبادئ التصميم المتمحور حول الإنسان للذكاء الاصطناعي القابل للتفسير.

الأمان والامتثال والحوكمة لحلول الذكاء الاصطناعي – 21 سؤالاً

شرح طرق تأمين أنظمة الذكاء الاصطناعي

• تحديد خدمات وميزات AWS لتأمين أنظمة الذكاء الاصطناعي (على سبيل المثال، أدوار وسياسات وأذونات IAM، التشفير، Amazon Macie، وAWS PrivateLink، ونموذج المسؤولية المشتركة لـ AWS).
• فهم مفهوم الاستشهاد بالمصادر وتوثيق أصول البيانات (على سبيل المثال، تتبع سلالة البيانات Data Lineage، وفهرسة البيانات، وبطاقات نماذج SageMaker).
• وصف أفضل الممارسات لهندسة البيانات الآمنة (على سبيل المثال، تقييم جودة البيانات، تطبيق التقنيات المعززة للخصوصية، التحكم في الوصول إلى البيانات، سلامة البيانات).
• فهم اعتبارات الأمن والخصوصية لأنظمة الذكاء الاصطناعي (على سبيل المثال، أمن التطبيقات، اكتشاف التهديدات، إدارة الثغرات الأمنية، حماية البنية التحتية، حقن الأوامر Prompt Injection، التشفير أثناء السكون وأثناء النقل).

التعرف على لوائح الحوكمة والامتثال لأنظمة الذكاء الاصطناعي

• تحديد معايير الامتثال التنظيمي لأنظمة الذكاء الاصطناعي (على سبيل المثال، المنظمة الدولية للمعايير [ISO]، ضوابط النظام والمؤسسة [SOC]، قوانين محاسبة الخوارزميات).
• تحديد خدمات وميزات AWS للمساعدة في الامتثال للحوكمة والتنظيم (على سبيل المثال، AWS Config، وAmazon Inspector، وAWS Audit Manager، وAWS Artifact، وAWS CloudTrail، وAWS Trusted Advisor).
• وصف استراتيجيات حوكمة البيانات (على سبيل المثال، دورات حياة البيانات، تسجيل السجلات Logging، الإقامة الإقليمية للبيانات Residency، المراقبة، الملاحظة، الاستبقاء).
• وصف العمليات المتبعة لامتثال بروتوكولات الحوكمة (على سبيل المثال، السياسات، وتيرة المراجعة، استراتيجيات المراجعة، أطر الحوكمة مثل مصفوفة تحديد نطاق أمن الذكاء الاصطناعي التوليدي، معايير الشفافية، متطلبات تدريب الفريق).

لا تساوم على تقدمك المهني في مجال الذكاء الاصطناعي الذي ينمو بسرعة فائقة. جهز نفسك اليوم بأفضل منصة تحضيرية متكاملة واكتسب المهارات الهندسية اللازمة للتميز كممارس سحابي معتمد. سارع بشراء الاختبار التجريبي AIF-C01 لترسيخ تمكنك التقني، وتحسين روتينك الدراسي، واجتياز امتحان الاعتماد الرسمي بكل ثقة واقتدار!