AWS AIF-C01 試験対策
セクション別 問題一覧
各セクションの重要ポイントを、本番形式に近い選択問題を解いて確認できます。 順番・ランダムで解き進められ、必要に応じて正答率別の絞り込みもできます。
AI と ML の基礎 #1
AI・ML・深層学習の関係、教師あり/なし/強化学習、データの種類、推論モード、ML ライフサイクル、主要な AWS AI サービスを確認します。
生成 AI の基礎 #1
トークン・埋め込み・基盤モデル・拡散モデルなどの基本概念、生成 AI のユースケースとメリット/限界、Bedrock などの生成 AI インフラを確認します。
基盤モデルの応用 #1
モデル選択基準、推論パラメータ、RAG、プロンプトエンジニアリング、ファインチューニング、エージェント、モデル評価を確認します。
責任ある AI #1
公平性・説明可能性・透明性・堅牢性などの特徴、バイアス検出・ガードレール・解釈可能性、生成 AI の法的リスクなど責任ある AI を確認します。
セキュリティ・コンプライアンス・ガバナンス #1
責任共有モデル、IAM・暗号化・PrivateLink による保護、監査・コンプライアンスのサービス、データガバナンスと規格を確認します。
AI と ML の基礎 #2
AI・ML・深層学習の関係、教師あり/なし/強化学習、データの種類、推論モード、ML ライフサイクル、主要な AWS AI サービスを確認します。
生成 AI の基礎 #2
トークン・埋め込み・基盤モデル・拡散モデルなどの基本概念、生成 AI のユースケースとメリット/限界、Bedrock などの生成 AI インフラを確認します。
基盤モデルの応用 #2
モデル選択基準、推論パラメータ、RAG、プロンプトエンジニアリング、ファインチューニング、エージェント、モデル評価を確認します。
責任ある AI #2
公平性・説明可能性・透明性・堅牢性などの特徴、バイアス検出・ガードレール・解釈可能性、生成 AI の法的リスクなど責任ある AI を確認します。
セキュリティ・コンプライアンス・ガバナンス #2
責任共有モデル、IAM・暗号化・PrivateLink による保護、監査・コンプライアンスのサービス、データガバナンスと規格を確認します。
AI と ML の基礎 #3
AI・ML・深層学習の関係、教師あり/なし/強化学習、データの種類、推論モード、ML ライフサイクル、主要な AWS AI サービスを確認します。
生成 AI の基礎 #3
トークン・埋め込み・基盤モデル・拡散モデルなどの基本概念、生成 AI のユースケースとメリット/限界、Bedrock などの生成 AI インフラを確認します。
基盤モデルの応用 #3
モデル選択基準、推論パラメータ、RAG、プロンプトエンジニアリング、ファインチューニング、エージェント、モデル評価を確認します。
責任ある AI #3
公平性・説明可能性・透明性・堅牢性などの特徴、バイアス検出・ガードレール・解釈可能性、生成 AI の法的リスクなど責任ある AI を確認します。
セキュリティ・コンプライアンス・ガバナンス #3
責任共有モデル、IAM・暗号化・PrivateLink による保護、監査・コンプライアンスのサービス、データガバナンスと規格を確認します。
AI と ML の基礎 #4
AI・ML・深層学習の関係、教師あり/なし/強化学習、データの種類、推論モード、ML ライフサイクル、主要な AWS AI サービスを確認します。
生成 AI の基礎 #4
トークン・埋め込み・基盤モデル・拡散モデルなどの基本概念、生成 AI のユースケースとメリット/限界、Bedrock などの生成 AI インフラを確認します。
基盤モデルの応用 #4
モデル選択基準、推論パラメータ、RAG、プロンプトエンジニアリング、ファインチューニング、エージェント、モデル評価を確認します。
責任ある AI #4
公平性・説明可能性・透明性・堅牢性などの特徴、バイアス検出・ガードレール・解釈可能性、生成 AI の法的リスクなど責任ある AI を確認します。
セキュリティ・コンプライアンス・ガバナンス #4
責任共有モデル、IAM・暗号化・PrivateLink による保護、監査・コンプライアンスのサービス、データガバナンスと規格を確認します。
AI と ML の基礎 #5
AI・ML・深層学習の関係、教師あり/なし/強化学習、データの種類、推論モード、ML ライフサイクル、主要な AWS AI サービスを確認します。
生成 AI の基礎 #5
トークン・埋め込み・基盤モデル・拡散モデルなどの基本概念、生成 AI のユースケースとメリット/限界、Bedrock などの生成 AI インフラを確認します。
基盤モデルの応用 #5
モデル選択基準、推論パラメータ、RAG、プロンプトエンジニアリング、ファインチューニング、エージェント、モデル評価を確認します。
責任ある AI #5
公平性・説明可能性・透明性・堅牢性などの特徴、バイアス検出・ガードレール・解釈可能性、生成 AI の法的リスクなど責任ある AI を確認します。
セキュリティ・コンプライアンス・ガバナンス #5
責任共有モデル、IAM・暗号化・PrivateLink による保護、監査・コンプライアンスのサービス、データガバナンスと規格を確認します。
AI と ML の基礎 #6
AI・ML・深層学習の関係、教師あり/なし/強化学習、データの種類、推論モード、ML ライフサイクル、主要な AWS AI サービスを確認します。
生成 AI の基礎 #6
トークン・埋め込み・基盤モデル・拡散モデルなどの基本概念、生成 AI のユースケースとメリット/限界、Bedrock などの生成 AI インフラを確認します。
基盤モデルの応用 #6
モデル選択基準、推論パラメータ、RAG、プロンプトエンジニアリング、ファインチューニング、エージェント、モデル評価を確認します。
責任ある AI #6
公平性・説明可能性・透明性・堅牢性などの特徴、バイアス検出・ガードレール・解釈可能性、生成 AI の法的リスクなど責任ある AI を確認します。
セキュリティ・コンプライアンス・ガバナンス #6
責任共有モデル、IAM・暗号化・PrivateLink による保護、監査・コンプライアンスのサービス、データガバナンスと規格を確認します。
AI と ML の基礎 #7
AI・ML・深層学習の関係、教師あり/なし/強化学習、データの種類、推論モード、ML ライフサイクル、主要な AWS AI サービスを確認します。
生成 AI の基礎 #7
トークン・埋め込み・基盤モデル・拡散モデルなどの基本概念、生成 AI のユースケースとメリット/限界、Bedrock などの生成 AI インフラを確認します。
基盤モデルの応用 #7
モデル選択基準、推論パラメータ、RAG、プロンプトエンジニアリング、ファインチューニング、エージェント、モデル評価を確認します。
責任ある AI #7
公平性・説明可能性・透明性・堅牢性などの特徴、バイアス検出・ガードレール・解釈可能性、生成 AI の法的リスクなど責任ある AI を確認します。
セキュリティ・コンプライアンス・ガバナンス #7
責任共有モデル、IAM・暗号化・PrivateLink による保護、監査・コンプライアンスのサービス、データガバナンスと規格を確認します。
AI と ML の基礎 #8
AI・ML・深層学習の関係、教師あり/なし/強化学習、データの種類、推論モード、ML ライフサイクル、主要な AWS AI サービスを確認します。
生成 AI の基礎 #8
トークン・埋め込み・基盤モデル・拡散モデルなどの基本概念、生成 AI のユースケースとメリット/限界、Bedrock などの生成 AI インフラを確認します。
基盤モデルの応用 #8
モデル選択基準、推論パラメータ、RAG、プロンプトエンジニアリング、ファインチューニング、エージェント、モデル評価を確認します。
AI と ML の基礎 #9
AI・ML・深層学習の関係、教師あり/なし/強化学習、データの種類、推論モード、ML ライフサイクル、主要な AWS AI サービスを確認します。
生成 AI の基礎 #9
トークン・埋め込み・基盤モデル・拡散モデルなどの基本概念、生成 AI のユースケースとメリット/限界、Bedrock などの生成 AI インフラを確認します。
基盤モデルの応用 #9
モデル選択基準、推論パラメータ、RAG、プロンプトエンジニアリング、ファインチューニング、エージェント、モデル評価を確認します。
AI と ML の基礎 #10
AI・ML・深層学習の関係、教師あり/なし/強化学習、データの種類、推論モード、ML ライフサイクル、主要な AWS AI サービスを確認します。
生成 AI の基礎 #10
トークン・埋め込み・基盤モデル・拡散モデルなどの基本概念、生成 AI のユースケースとメリット/限界、Bedrock などの生成 AI インフラを確認します。
基盤モデルの応用 #10
モデル選択基準、推論パラメータ、RAG、プロンプトエンジニアリング、ファインチューニング、エージェント、モデル評価を確認します。
生成 AI の基礎 #11
トークン・埋め込み・基盤モデル・拡散モデルなどの基本概念、生成 AI のユースケースとメリット/限界、Bedrock などの生成 AI インフラを確認します。
基盤モデルの応用 #11
モデル選択基準、推論パラメータ、RAG、プロンプトエンジニアリング、ファインチューニング、エージェント、モデル評価を確認します。
基盤モデルの応用 #12
モデル選択基準、推論パラメータ、RAG、プロンプトエンジニアリング、ファインチューニング、エージェント、モデル評価を確認します。
基盤モデルの応用 #13
モデル選択基準、推論パラメータ、RAG、プロンプトエンジニアリング、ファインチューニング、エージェント、モデル評価を確認します。