AWS 機器學習工程師認證 MLA-C02（Beta 期間代碼為 ME1-C02）全面替代舊版 MLA-C01。新版考試從過往「傳統特徵工程與單機訓練」為主的架構，正式演進為「傳統 MLOps + 生成式 AI 與大型語言模型維運（LLMOps）」的混合型考綱。
本指南彙整了 MLA-C02 的考試規格變動、四大領域權重核心考點、實戰實驗清單與避坑心法。
一、 考試規格與關鍵變遷速查
| 項目 | 舊制 MLA-C01（英文版已除役） | 新制 MLA-C02 |
| 題目數量 | 65 題 | 85 題（65 題計分 + 20 題不計分） |
| 考試時長 | 130 分鐘 | 170 分鐘（增加 40 分鐘） |
| 及格標準 | 720 / 1000 分 | 720 / 1000 分 |
| 考試形式 | Pearson VUE 實體考場或 OnVUE 線上遠距監考 | Pearson VUE 實體考場或 OnVUE 線上遠距監考 |
| 主要技術棧新增 | 傳統 ML 演算法、SageMaker 訓練與端點 | Amazon Bedrock、OpenSearch Serverless 向量引擎、RAG 管線、Bedrock Guardrails、LLM 評估指標 |
二、 四大核心領域拆解與高頻考點
┌────────────────────────────────────────────────────────────────────────┐
│ MLA-C02 四大核心領域架構與權重配比 │
└────────────────────────────────────────────────────────────────────────┘
│ 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)
Domain 1: Data Preparation for ML and AI (28%)
- 文字與多模態分塊（Chunking Strategies）：
- Fixed-size chunking：需理解 Token 大小與重疊比例（Overlap %）對語意完整性的影響。
- Hierarchical chunking（層級分塊）：用小區塊（Child）做向量精準檢索，傳回大區塊（Parent）作為 Prompt 上下文。
- Semantic chunking（語意分塊）：基於語意自然斷句切分。
- 向量資料庫選型與整合：
- Amazon OpenSearch Serverless (AOSS)：專用 Vector Search Collection 的網路策略（Network Policy）、加密（KMS）與資料存取策略（Data Access Policy）。
- Amazon Aurora PostgreSQL 搭配
pgvector：適用於既有關係型資料庫系統的向量混合查詢。
- 傳統資料清洗工具：
- AWS Glue DataBrew、SageMaker Data Wrangler 處理缺失值（Imputation）、異常值偵測與類別編碼（One-Hot vs. Ordinal）。
Domain 2: ML Model and Foundation Model (FM) Development (24%)
- 基礎模型選型與調用：
- 掌握 Amazon Titan、Anthropic Claude、Meta Llama 3 等模型的優勢場景與 Context Window 限制。
- 掌握 Prompt Engineering（Zero-shot, Few-shot, Chain-of-Thought）與 模型微調（PEFT / LoRA） 的決策邊界（成本、資料量與延遲權衡）。
- 模型評估矩陣（新增重點）：
- 傳統 ML：Confusion Matrix、Precision、Recall、F1-Score、AUC-ROC、RMSE。
- LLM 評估：ROUGE（摘要評估）、BLEU（翻譯評估）、BERTScore（語意相似度）、Perplexity（困惑度），以及結合 Amazon A2I 的人工審查（Human-in-the-loop）。
Domain 3: Deployment and Orchestration of ML and AI Workflows (24%)
- SageMaker 推論端點選型：
- Real-time Inference：低延遲、持續流量、支援自動擴展與多模型端點（MME）。
- Serverless Inference：間歇性或難以預測的流量、冷啟動容忍、成本最低。
- Asynchronous Inference：Payload 較大（最高 1 GB）、處理時間長（最多 1 小時）、支援排隊（S3 傳輸）與縮容至零。
- Batch Transform：離線大量資料批次推論。
- RAG 與 Agent 自動化管線：
- Bedrock Knowledge Bases 增量同步：S3 文件更新後，必須透過 EventBridge 觸發 Lambda 調用
StartIngestionJobAPI 才能更新向量庫。 - Bedrock Agents：透過 OpenAPI Schema 定義 Action Group，並綁定 AWS Lambda 執行後端業務邏輯。
- Bedrock Knowledge Bases 增量同步：S3 文件更新後，必須透過 EventBridge 觸發 Lambda 調用
Domain 4: Operating, Monitoring, and Securing ML and AI Solutions (24%)
- Amazon Bedrock Guardrails（必考大熱門）：
- Sensitive Information Filters：PII 處置模式中，Mask（替換為標籤，模型仍可理解語境）與 Block（直接攔截）的適用場景。
- Contextual Grounding Checks：
- Grounding Score：模型回答是否有知識庫事實依據（防止模型腦補/幻覺）。
- Relevance Score：模型回答是否符合使用者的提問意圖。
- 模型漂移監控：
- SageMaker Model Monitor：Data Quality Drift、Model Quality Drift、Bias Drift 與 Feature Attribution Drift。
- 網路邊界與私有化：
- 透過 AWS PrivateLink（VPC Endpoints）安全存取 Bedrock 與 SageMaker 端點，停用公網存取。
三、 必做動手實驗清單（Hands-on Lab Checklist）
純背題庫極易在長題幹情境題中失分，建議在 AWS 控制台親自完成以下三組實驗：
- 端到端 RAG 知識庫搭建：
- 建立一個 OpenSearch Serverless 的 Vector Collection。
- 配置 Data Access Policy，將 Bedrock 專屬 IAM Role 加入授權。
- 在 S3 上傳幾份 PDF 文件，於 Bedrock 建立 Knowledge Base，設定 Fixed Chunking 並完成一次 Sync。
- 在控制台測試檢索問答（RetrieveAndGenerate）。
- Bedrock Guardrails 攔截測試：
- 建立一組 Guardrail，配置 PII 去識別化（Masking SSN/Email）與自訂 Denied Topics。
- 設定 Contextual Grounding 門檻為 0.8，在測試視窗輸入誘導性問題，觀察攔截與過濾效果。
- SageMaker Pipeline 與非同步端點：
- 透過 Python SDK 體驗建立一個包含 Preprocessing、Training 與 RegisterModel 的三階段 Pipeline。
- 觀察 Asynchronous Inference 端點在無請求時自動縮容至 0 節點的配置機制。
四、 考試常見題型避坑指南
- 「S3 文件更新了，為什麼 RAG 回答還是舊的？」
- ❌ 錯誤選項：等待 15 分鐘讓 S3 自動同步。
- ✅ 正確選項：透過調用
bedrock-agent:StartIngestionJob發起 Knowledge Base 同步作業。
- 「如何防止內部員工在提問時將客戶身分證號碼送入模型，同時讓模型順利處理客服信件？」
- ❌ 錯誤選項：在 Guardrail 中將 SSN 設為 Block（這會直接中斷服務）。
- ✅ 正確選項：在 Guardrail 的 Sensitive Information Filters 中將 SSN 處理動作設為 Mask。
- 「推論請求量極低，偶爾有突發流量，且能容忍幾秒的冷啟動延遲，如何達到最高成本效益？」
- ❌ 錯誤選項：配置單台
ml.t3.medium的 Real-time Endpoint。 - ✅ 正確選項：選用 SageMaker Serverless Inference。
- ❌ 錯誤選項：配置單台
- 「評估摘要任務（Text Summarization）的生成品質，應優先採用哪項自動化指標？」
- ❌ 錯誤選項：BLEU（偏重機器翻譯精確匹配）或 RMSE（回歸問題）。
- ✅ 正確選項：ROUGE（尤其是 ROUGE-1 / ROUGE-L）。
五、 衝刺學習資源推薦
- 官方文件：
- AWS Certified Machine Learning Engineer – Associate Exam Guide（對照官方各領域 Task Statements）
- Amazon Bedrock Developer Guide（重點精讀 Knowledge Bases 與 Guardrails 章節）
- 備考建議進度：
- 第 1 週：傳統 ML 基礎複習（特徵工程、常用演算法、SageMaker 四大推論端點）。
- 第 2 週：GenAI / LLMOps 專項攻克（Bedrock、RAG、OpenSearch Serverless、Guardrails、評估指標）。
- 第 3 週：安全與維運合規（IAM Policy、KMS、VPC Endpoints、Model Monitor）。
- 第 4 週：模擬題衝刺（注重分析 85 題長題幹的時間分配，平均每題控制在 1.8 分鐘以內）。