AWS 機器學習工程師助理級認證 AWS Certified Machine Learning Engineer - Associate（MLA-C01） 英文版考試已於日前正式終止服務。自即日起，英文版全面由新一代考科 MLA-C02（Beta 階段代碼 ME1-C02）接棒交付。

這場考綱升級標誌著 AWS 原廠工程師認證從「傳統 MLOps 生命週期」正式轉型為「傳統 MLOps + 生成式 AI 與大型語言模型維運（LLMOps）」的混合型架構。新版考科不再單純考核特徵工程、數學統計演算法與 SageMaker 單機訓練，而是將 Amazon Bedrock、OpenSearch Serverless 向量資料庫、RAG 檢索增強生成管線及負責任 AI（Guardrails） 列為核心評測支柱。

本文針對 MLA-C02 的考試規格變更、四大領域權重配比、核心新增技術棧與高頻情境考點進行系統化剖析。

一、 MLA-C01 vs. MLA-C02 考試規格變遷

二、 MLA-C02 四大核心領域與考綱權重

MLA-C02 的四大領域名稱全面將「AI」納入標題，並對任務陳述（Task Statements）進行重構：

+-----------------------------------------------------------------------------------+
|                           MLA-C02 四大核心評測領域架構                            |
+-----------------------------------------------------------------------------------+
  │ Domain 1 (28%): Data Preparation for ML and AI (資料準備與向量化)                │
  │ Domain 2 (24%): ML Model and Foundation Model (FM) Development (模型與基礎模型開發) │
  │ Domain 3 (24%): Deployment and Orchestration of ML and AI Workflows (部署與編排)  │
  │ Domain 4 (24%): Operating, Monitoring, and Securing ML and AI Solutions (維運與安全)│
+-----------------------------------------------------------------------------------+

1. Domain 1: Data Preparation for ML and AI（佔比 28%）

• 傳統資料前處理：AWS Glue DataBrew、SageMaker Data Wrangler 清洗結構化與非結構化數據，處理缺失值與類別特徵編碼。

• 新增 AI 考點（重點）：

  • 向量資料庫配置（Task 1.1.7）：依據應用規格配置可擴展向量儲存（Amazon OpenSearch Serverless、Amazon Aurora PostgreSQL 搭配 pgvector 外掛、Amazon S3 向量索引）。

  • 多模態資料截取（Task 1.1.8）：為文字、圖像、音訊等多模態資料建立擷取、清洗與切割（Chunking）管線。

2. Domain 2: ML Model and Foundation Model (FM) Development（佔比 24%）

• 建模方案選型：傳統 ML 內建演算法（XGBoost, Random Cut Forest 等）與預訓練基礎模型（Amazon Titan, Claude, Llama 3）的適用邊界判斷。

• Prompt Engineering vs. 模型微調：掌握何時採用上下文注入（Context Injection）與少樣本提示（Few-shot Prompting），何時採用 PEFT / LoRA（低秩適應） 或全參數微調。

• 模型評估指標：除了傳統 RMSE、AUC-ROC、F1-Score 外，新增針對生成式文本的自動化評估指標（ROUGE, BLEU, BERTScore, 困惑度 Perplexity）以及結合 Amazon A2I 的人工在環評估流程。

3. Domain 3: Deployment and Orchestration of ML and AI Workflows（佔比 24%）

• 推論端點選型：SageMaker Real-time、Serverless、Asynchronous Inference 與 Batch Transform 的延遲/成本權衡。

• 知識庫自動化管線（Knowledge Base Refresh Pipelines）：為 RAG 系統配置定期同步與增量資料更新排程，確保 S3 原始文件與向量資料庫之間的 Embeddings 即時更新。

• Bedrock Agents 自動化編排：整合 AWS Lambda 動作群組（Action Groups），讓基礎模型具備呼叫後端 API 與自主完成多步驟任務的能力。

4. Domain 4: Operating, Monitoring, and Securing ML and AI Solutions（佔比 24%）

• 負責任 AI 與安全防護：

  • Amazon Bedrock Guardrails：設定內容過濾器、阻絕特定業務主題（Denied Topics）、過濾機敏個資（PII Redaction），並啟用上下文歸因檢查（Contextual Grounding）以抑制模型幻覺（Hallucination）。

• 監控與模型漂移：傳統 SageMaker Model Monitor（Data/Concept Drift）結合 LLM Token 吞吐量、P99 延遲與 API 調用配額（Quotas）告警。

• 網路隔離與安全：Bedrock 與 SageMaker 端點透過 AWS PrivateLink（VPC Endpoints）進行私網通訊，強制落實 IAM 最小權限原則。

三、 三大核心備考技術棧深度拆解

+-----------------------------------------------------------------------------------+
|                        現代化 RAG 與 LLMOps 端到端架構流水線                       |
+-----------------------------------------------------------------------------------+
                                                                                   
   [ S3 企業內部知識文件 ] ──(增量同步)──> [ Bedrock Knowledge Bases (自動 Chunking) ]
                                                        │
                                                        ▼ (調用 Titan Embeddings)
                                           [ OpenSearch Serverless (向量集合) ]
                                                        │
   [ 使用者查詢輸入 ] ──> [ Bedrock Guardrails ] ─────────┼──(近似最近鄰 k-NN 檢索)
                                (安全防護/PII過濾)        ▼
                                           [ 增強 Prompt (Context + Query) ]
                                                        │
                                                        ▼
                                           [ 基礎模型 FM (Anthropic Claude) ]
                                                        │
                                                        ▼
                                           [ 返回驗證後答案 / 觸發 Lambda 行動 ]

1. Amazon Bedrock Knowledge Bases（知識庫）

• 自動化資料處理流程：Knowledge Bases 支援直接連接 S3 儲存貯體，自動將原始文本（PDF, DOCX, TXT）進行文本分塊（支援固定大小分塊、層級分塊或自訂策略），並自動呼叫嵌入模型（如 Amazon Titan Text Embeddings）將文字轉換為高維向量。

• 檢索策略優化：支援混合檢索（Hybrid Search）——結合向量語意搜尋（Semantic Search）與傳統 BM25 關鍵字搜尋，以提高檢索精準度。

2. Amazon OpenSearch Serverless 向量引擎

• 架構定位：考生必須掌握 OpenSearch Serverless 的 Vector Search Collection 概念。它是無需管理執行個體叢集的無伺服器架構，專門為儲存高維度嵌入向量與執行近似最近鄰（k-NN）演算法而設計。

• 網路與安全策略：實務考題常考如何配置 Encryption Policy（KMS 加密）、Network Policy（透過 VPC Endpoint 連接）與 Data Access Policy（指派 IAM Role 供 Bedrock 寫入與讀取索引）。

3. RAG 管線實戰情境陷阱

• 考點：模型產生幻覺或答案與內部事實不符？

  • 排查重點：檢查檢索傳回的 Top-K 數量是否不足、文本分塊重疊率（Chunk Overlap）是否太小導致語境斷裂，或是否啟用了 Bedrock Guardrails 的「Contextual Grounding Check」（若比對不到檢索上下文，模型將拒絕回答而非自行編造）。

• 考點：更新 S3 文件後，使用者查詢依然獲得舊資料？

  • 正確流程：檔案上傳 S3 不會即時觸發向量庫同步，必須呼叫 StartIngestionJob API 或在 EventBridge 排程中執行 Knowledge Base 增量同步作業（Sync Job），重新建立索引。

四、 考生備考與轉換行動指南

1. 更新學習資源，嚴防舊版盲區：

   切勿只依賴 2025 年之前的 MLA-C01 題庫或單純聚焦傳統回歸/分類演算法的教材。新版考試中，Bedrock、向量檢索與 RAG 架構的題目比重顯著。

2. 親手建立一次端到端 RAG 實驗：

   • 前往 AWS 主控台，建立一個 OpenSearch Serverless 向量集合。

   • 進入 Amazon Bedrock，建立 Knowledge Base，選擇 S3 作為資料來源，並將 OpenSearch Serverless 設為向量儲存庫。

   • 建立一個 Guardrail，設定阻絕詞與 PII 過濾規則，並在測試控制台中驗證問答流程。

3. 區分 Bedrock 各元件職責：

   • 存取各原廠模型 ? Bedrock Model Invocation

   • 建立私有資料檢索管線 ? Bedrock Knowledge Bases

   • 執行多步驟自動化決策與 API 呼叫 ? Bedrock Agents

   • 內容審查、防護與抗幻覺 ? Bedrock Guardrails

掌握從資料向量化、混合檢索、模型推論到安全防護的完整工程鏈路，是在全新 MLA-C02 考試中取得高分通關的核心關鍵。