AWS Certified AI Practitioner (AIF-C01) è la porta d’ingresso di AWS al mondo dell’intelligenza artificiale. È una certificazione di livello foundational, e la sua caratteristica più importante è chi ha in mente: non gli sviluppatori, ma le persone che con l’AI ci lavorano intorno — decidono, comunicano, valutano — senza costruirla.
Cosa valida AIF-C01
Il profilo di candidato pubblicato da AWS è esplicito: la certificazione è per individui che hanno familiarità con le tecnologie AI/ML su AWS ma non necessariamente le costruiscono. Fra i ruoli tipici AWS elenca business analyst, personale di supporto IT, professionisti del marketing, product e project manager, responsabili di linea di business e IT, profili di vendita.
Questo definisce il registro dell’esame: descrittivo e orientato ai casi d’uso, non implementativo. Ti viene chiesto di capire cosa può fare l’AI, quale servizio AWS la abilita e come usarla responsabilmente — non di scrivere codice o configurare risorse.
I numeri d’esame sono pubblicati: 90 minuti, 65 domande, 100 USD. È disponibile anche in italiano ed è, come tutte le certificazioni AWS, valida 3 anni.
I cinque domini dell’esame
Il blueprint di AIF-C01 è organizzato in cinque aree. Le riportiamo con il peso relativo qualitativo — per le percentuali aggiornate fai riferimento alla exam guide ufficiale AWS.
Fondamenti di AI e ML. La base concettuale: la differenza fra AI, machine learning e deep learning, i tipi di ML (supervised, unsupervised, reinforcement), il ciclo di vita di un progetto ML, e soprattutto quando l’AI è la soluzione giusta e quando non lo è. Qui rientra anche la panoramica dei servizi AI pre-addestrati di AWS — Rekognition per le immagini, Comprehend per il testo, Textract per i documenti, Transcribe e Polly per l’audio.
Fondamenti di generative AI. Foundation model e large language model, token ed embeddings, prompt e completion, i casi d’uso della generative AI e i suoi limiti (allucinazioni, non determinismo). Sul versante AWS, Amazon Bedrock come servizio per accedere a foundation model gestiti e Amazon Q come assistente generativo.
Applicazioni dei foundation model. Come si costruiscono soluzioni con i foundation model: retrieval-augmented generation (RAG) e vector database, agenti, tecniche di prompt engineering (zero-shot, few-shot), e la scelta fra prompt engineering, RAG e fine-tuning per personalizzare un modello. È l’area più corposa e quella che distingue AIF-C01 da una fundamentals AI più datata.
Linee guida per l’AI responsabile. Le dimensioni dell’AI responsabile — fairness, bias, robustezza, trasparenza, explainability, privacy — i rischi di bias nei dati e nelle risposte, e gli strumenti AWS per gestirli, come Amazon Bedrock Guardrails per filtrare i contenuti e le model card per la trasparenza.
Sicurezza, compliance e governance per soluzioni AI. IAM e least privilege applicati ai servizi AI, protezione dei dati (encryption a riposo e in transito), data governance, e monitoraggio con CloudTrail e CloudWatch, il tutto nel quadro del modello di responsabilità condivisa di AWS.
Perché è più “generativa” di quanto ci si aspetti
Chi si avvicina ad AIF-C01 pensando a una generica introduzione all’AI resta spesso sorpreso dal peso della generative AI: due domini su cinque la riguardano direttamente. Non è un caso. AIF-C01 nasce nell’era di Amazon Bedrock e dei large language model, ed è tarata su ciò che le aziende oggi chiedono davvero di capire: cosa sono i foundation model, come si personalizzano, come si tengono sotto controllo.
La conseguenza pratica è che conviene dedicare tempo reale ai concetti di generative AI — la differenza fra prompt engineering, RAG e fine-tuning è un tema ricorrente, e lo è anche il criterio per scegliere l’uno o l’altro dati costo, latenza e accuratezza.
Come prepararsi
Impara ad abbinare esigenza e servizio. L’esame chiede spesso “quale servizio AWS è più appropriato” per uno scenario. Costruisci una mappa mentale: Bedrock per i foundation model gestiti, SageMaker per il ciclo di vita ML completo, Amazon Q come assistente, e i servizi AI pre-addestrati per compiti specifici (visione, testo, documenti, audio).
Interiorizza i tre modi di personalizzare un modello. Prompt engineering (istruzioni migliori), RAG (dare al modello i tuoi dati come contesto), fine-tuning (riaddestrare su dati propri). Sapere quando usare ciascuno, e a quale costo, è centrale.
Non trattare l’AI responsabile come un riempitivo. È un dominio a sé, con domande concrete su bias, trasparenza e strumenti come Bedrock Guardrails. In un esame per chi decide sull’AI, sapere come tenerla sotto controllo conta quanto sapere cosa può fare.
Cosa c’è intorno
Se stai valutando AIF-C01 rispetto alla fundamentals AI di Microsoft, il confronto diretto è in AIF-C01 o AI-901. Se invece parti da zero sul cloud AWS, la porta d’ingresso è CLF-C02 Cloud Practitioner, messa a confronto con la sua omologa Microsoft in AZ-900 o CLF-C02.
Per la panoramica dell’esame, i requisiti e la simulazione, vedi la scheda della certificazione AIF-C01.