AWS Machine Learning Engineer - Associate (MLA-C01) — Übungsfragen und Probeprüfung

Der AWS Certified Machine Learning Engineer – Associate weist die Fähigkeit nach, Machine-Learning-Modelle auf AWS zu erstellen, zu trainieren, bereitzustellen und produktiv zu betreiben. Geprüft werden die Datenaufbereitung für ML, die Modellentwicklung und -abstimmung, das Deployment und die Orchestrierung von ML-Workflows sowie das Monitoring und die Absicherung von ML-Lösungen mit Diensten wie SageMaker.

Diese Zertifizierung richtet sich an ML Engineers, Data Scientists und MLOps-Fachleute mit mindestens einem Jahr Erfahrung im Umgang mit den ML-Diensten von AWS. Sie belegt, dass du ML-Modelle in den produktiven Betrieb überführen, automatisierte Trainingspipelines aufbauen und Responsible-AI-Praktiken in Produktionsumgebungen umsetzen kannst.

Data Preparation for Machine Learning wiegt mit 28 % am schwersten. Dazu gehören die Datenaufnahme und die Wahl des Speicherformats, das Entwickeln neuer Features und das Encoding von Rohwerten in etwas, das ein Modell verarbeiten kann, sowie die Arbeit an Bias-Erkennung und Compliance, die erledigt sein muss, bevor ein Modell überhaupt Trainingsdaten zu sehen bekommt. Danach folgt ML Model Development mit 26 %: Hier zeigt sich, ob du den richtigen Weg zum Modell wählst (ein AWS-KI-Service, ein integrierter SageMaker-Algorithmus oder ein Foundation Model) und es anschließend trainierst, per Tuning optimierst und bewertest.

ML Solution Monitoring, Maintenance, and Security kommt auf 24 % und liegt damit dicht hinter der Modellentwicklung selbst. Drift-Erkennung, Kostenoptimierung der Infrastruktur und Security auf IAM-Ebene für ML-Systeme gehören alle hierher. Deployment and Orchestration of ML Workflows schließt den Blueprint mit 22 % ab und deckt die Infrastruktur- und CI/CD-Entscheidungen ab, die ein trainiertes Modell in die Produktion bringen. Zusammen machen die beiden Domains knapp die Hälfte der Prüfung aus, und zwar genau den Teil, der nach dem Training beginnt.

Die Prüfung stellt 65 Fragen (50 gewertet, 15 ungewertet) in 130 Minuten, gemischt aus Multiple Choice, Multiple Response, Ordering und Matching. Im Mittelpunkt stehen SageMaker-Workflows: Konfiguration von Training Jobs, Hyperparameter-Tuning, Auswahl des Deployment-Ziels und Pipeline-Automatisierung, formuliert als Szenarien statt als Definitionsfragen. Rechnerisch bleiben dir rund 2 Minuten pro Frage, und die längeren Szenarien brauchen mehr davon, als eine gleichmäßige Aufteilung hergibt.

Jede Domain der MLA-C01-Prüfung ist im Pool tief genug abgedeckt, um sie gezielt zu üben. Eine Probeprüfung stellt dir 65 Fragen am Stück, mit derselben 130-Minuten-Uhr wie am Prüfungstag.

Wie lange du brauchst, hängt davon ab, wie viel Praxiserfahrung du mitbringst. Den Rest legt der Anbieter fest: wie die Prüfung abläuft, wie schnell du wiederholen darfst und wie lange das Zertifikat gültig bleibt.

Die Prüfung läuft über Pearson VUE, entweder im Testcenter oder online mit Remote-Proctor, und wird auf Englisch, Japanisch, Koreanisch und Vereinfachtem Chinesisch angeboten. Die Zertifizierung gilt 3 Jahre. Zum Verlängern legst du vor Ablauf eine Recertification-Prüfung ab oder erwirbst eine höherwertige AWS-Zertifizierung, die sie automatisch erneuert.

Geprüft wird ML Engineering, nicht Data-Science-Theorie: Training Jobs, Processing Jobs, Real-time Endpoints, Batch Transform und Serverless Inference in SageMaker passen jeweils zu einem anderen Szenario, und sie zu verwechseln ist einer der häufigsten Gründe fürs Scheitern. In den Fragen zur Datenaufbereitung tauchen der SageMaker Feature Store und der Entwurf von Data-Wrangling-Pipelines auf, im Monitoring-Teil die Drift- und Bias-Erkennung des SageMaker Model Monitor. Ein teurer Real-time Endpoint, obwohl Batch Transform oder Serverless Inference dieselbe Anforderung an Latenz und Durchsatz günstiger erfüllen würden: Das ist der Klassiker unter den Fehlern in Kostenoptimierungs-Szenarien.