L’AWS Certified AI Practitioner est la certification qui intéresse soudainement tout le monde, et la plupart des conseils de révision qui circulent relèvent de la devinette. L’examen est encore relativement récent, alors Internet regorge de gens qui décrivent ce qu’ils croient y trouver.
Tu n’as pas à deviner. AWS publie un guide d’examen avec la pondération exacte de chaque domaine. Révise ces domaines, dans cet ordre, et tu t’épargnes l’étape où tu lis quarante fils Reddit pour reconstituer le programme à l’envers.
Le plan :
Ce que l’examen couvre vraiment
L’AIF-C01 est un examen de niveau fondamental. Il vérifie que tu comprends les concepts d’IA, d’apprentissage automatique et d’IA générative, et comment ils s’appliquent sur AWS. Il ne te demande pas d’écrire du code ni d’entraîner des modèles. Il comporte cinq domaines, et leur pondération est déséquilibrée d’une manière qui devrait dicter ton temps de révision.
- Applications of Foundation Models : 28 %. Le domaine le plus lourd à lui seul. Le prompt engineering, la génération augmentée par récupération (RAG), quand affiner un modèle plutôt que d’utiliser un modèle de base, l’évaluation des sorties d’un modèle et les briques d’Amazon Bedrock (bases de connaissances, agents). Si tu es faible ici, tu abandonnes plus d’un quart de l’examen.
- Fundamentals of Generative AI : 24 %. Les modèles de fondation, les tokens, les embeddings, ce à quoi l’IA générative excelle et là où elle échoue (hallucination, non-déterminisme), et les services AWS qui la fournissent : Amazon Bedrock et Amazon Q.
- Fundamentals of AI and ML : 20 %. La couche de base. Apprentissage supervisé, non supervisé et par renforcement ; la différence entre IA, ML et deep learning ; les cas d’usage courants ; et le catalogue de services d’IA d’AWS (SageMaker, ainsi que les services managés comme Comprehend, Rekognition, Textract, Transcribe et Polly).
- Guidelines for Responsible AI : 14 %. Biais, équité, transparence et explicabilité, plus les outils AWS qui les adressent : Guardrails for Amazon Bedrock et SageMaker Clarify.
- Security, Compliance, and Governance for AI Solutions : 14 %. IAM pour les services d’IA, gouvernance des données, chiffrement, et comment les obligations de conformité s’appliquent aux charges de travail d’IA.
Fais le total : à elles deux, les domaines dédiés à l’IA générative représentent 52 % de l’examen. C’est une certification AI Practitioner de l’ère de l’IA générative, pas une certification d’apprentissage automatique classique. Répartis ton temps en conséquence. Celui qui passe la moitié de sa révision sur les algorithmes de ML traditionnels prépare un autre examen que celui écrit par AWS.
Le format
65 questions. 90 minutes. Cela fait un peu moins de 90 secondes par question, ce qui est largement suffisant pour un examen fondamental où les questions sont conceptuelles plutôt que des casse-têtes d’architecture.
Sur ces 65 questions, seules 50 sont notées. Les 15 autres ne comptent pas : AWS s’en sert pour tester du contenu futur. Tu ne sauras pas lesquelles sont lesquelles, alors réponds à tout comme si cela comptait.
65 questions en 90 minutes, d’après la page d’examen AWS. Le choix unique et le choix multiple sont les formats les plus fréquents, mais le guide d’examen AWS en liste d’autres : lis-le plutôt que de supposer qu’il n’y a que ces deux-là. Pas de labs, pas de code.
Score de réussite : 700 sur 1000, sur un modèle de notation à échelle. AWS utilise une notation compensatoire, ce qui signifie que tu n’as pas besoin de réussir chaque domaine individuellement. Tu dois seulement franchir la barre globale. N’essaie pas de calculer « combien puis-je en rater » à partir du chiffre de 700 ; la mise à l’échelle rend ce calcul peu fiable. Vise à être confortablement au-dessus de la ligne.
Coût : 100 $ USD par tentative. Niveau fondamental. La certification est valable 3 ans.
Planning de révision
Prévois environ 20 à 30 heures. C’est un examen fondamental, et le sur-préparer est l’erreur la plus courante. La façon de répartir ces heures dépend de ton point de départ.
Si tu travailles déjà avec AWS (tu as utilisé la console, tu sais ce que sont IAM et S3) : 2 à 3 semaines. Ta lacune, c’est le vocabulaire de l’IA générative et la famille de services Bedrock, pas les bases du cloud.
Si tu connais l’IA/ML mais pas AWS : 2 à 3 semaines. Tu comprends déjà les embeddings et l’affinage. Ce qu’il te faut, c’est savoir quel service AWS fait quoi, et l’examen teste beaucoup la reconnaissance des services.
Si tu débutes dans les deux : 4 à 6 semaines. Construis d’abord la base conceptuelle (ce qu’est un modèle de fondation, ce que résout le RAG), puis relie chaque concept à son service AWS. N’essaie pas de mémoriser la liste des services à froid avant que les concepts n’aient du sens.
Si tu dépasses six semaines sur un examen fondamental, le problème n’est pas le temps. Regarde tes scores par domaine et trouve celui qui te tire vers le bas.
Pièges courants
Réviser trop le ML classique
Le nom dit « AI Practitioner », et les gens supposent que cela signifie une couverture approfondie des algorithmes, de l’entraînement de modèles et des statistiques. Ce n’est pas le cas. Les fondamentaux du ML traditionnel forment un seul domaine à 20 %. Le contenu sur l’IA générative représente plus de la moitié de l’examen. Si tu passes trois semaines sur la descente de gradient et l’architecture des réseaux de neurones, tu as optimisé pour le mauvais programme.
Confondre les briques de Bedrock
L’examen mise beaucoup sur le fait de savoir quelle fonctionnalité d’Amazon Bedrock résout quel problème, et elles sont faciles à mélanger :
- Prompt engineering : modifier l’entrée pour modifier la sortie. Aucune infrastructure.
- RAG (génération augmentée par récupération) : fournir tes propres données au modèle au moment de la requête, sans réentraînement. C’est une base de connaissances Bedrock.
- Affinage (fine-tuning) : poursuivre l’entraînement d’un modèle sur tes données étiquetées pour changer son comportement. Plus d’effort, plus de coût.
- Agents : permettre au modèle d’appeler des outils et d’exécuter des actions en plusieurs étapes.
Quand un scénario dit « le modèle doit accéder à nos documents internes mais nous ne pouvons pas le réentraîner », la réponse est RAG, pas l’affinage. Maîtrise parfaitement ces quatre distinctions et tu verrouilles une large part du domaine à 28 %.
Bâcler l’IA responsable en la jugeant « molle »
L’IA responsable et la Sécurité pèsent 14 % chacune, 28 % ensemble, et les candidats les traitent comme du remplissage. Elles ne le sont pas. Sache ce que signifient concrètement le biais et l’explicabilité, ce que fait Guardrails for Amazon Bedrock (bloquer le contenu nuisible, filtrer des sujets), et ce que mesure SageMaker Clarify. Ce sont des points faciles que les gens laissent filer parce que les sujets paraissent moins techniques que le RAG.
Approche de révision
Révise par domaine, dans l’ordre de pondération, du plus lourd au plus léger. Ne lis pas la documentation Bedrock de bout en bout.
Commence par un examen blanc AIF-C01 diagnostique pour voir où tu en es vraiment. La plupart des gens sont surpris : ils croient être faibles sur l’IA responsable et obtiennent leur score le plus bas sur les applications des modèles de fondation, ou l’inverse.
Répartis ensuite ton temps proportionnellement. Si Applications of Foundation Models est à la fois ton point le plus faible et 28 % de l’examen, c’est là que passe ta première semaine. Ne rabâche pas un domaine où tu es déjà à 85 %. Pour chaque domaine, suis la même boucle : lis le concept concerné, fais des questions dans ce domaine, relis chaque explication (y compris celles que tu as réussies), recommence. La pratique adaptative, où la difficulté suit ton niveau, rend cette boucle plus rapide qu’une banque de questions figée.
Quand passer l’examen
Réserve quand tes scores par domaine restent au-dessus de 80 % de façon constante, sur les cinq domaines, trois sessions d’affilée. Pas une seule bonne journée.
Si tu es au-dessus de 80 % au global mais qu’un domaine retombe sans cesse à 70 %, tu n’es pas encore prêt. Sur un examen à notation compensatoire, un domaine faible ne te fera pas échouer à lui seul, mais un mauvais tirage de questions dans ton point faible, ajouté à la variance ordinaire, peut te faire passer sous la ligne.
Améliorer ton domaine le plus faible à forte pondération offre le meilleur rendement. Passer de 75 % à 85 % en Applications of Foundation Models (28 %) rapporte plus que peaufiner la Sécurité de 85 % à 95 % (14 %).
Réserve avant de te sentir « prêt à 100 % ». Ce sentiment n’arrive jamais. Si les chiffres disent que tu es prêt, fais confiance aux chiffres.
Après l’examen
Si tu réussis : tu as trois ans avant le renouvellement, et une certification fondamentale réellement à jour avec l’état actuel du secteur. À partir de là, la Machine Learning Associate ou la feuille de route cloud plus large est la suite naturelle si tu veux de la profondeur.
Si tu échoues : attends le délai requis, lis ton rapport de score (il détaille la performance par domaine), corrige le domaine faible et repasse l’examen. La plupart des gens qui ajustent leur plan à partir du rapport de score réussissent au deuxième essai.
FAQ
L’AWS AI Practitioner en vaut-il la peine en 2026 ? Pour une certification fondamentale, oui. C’est le seul titre qui montre que tu comprends l’IA générative dans un contexte AWS, et la demande pour cela est bien réelle en ce moment. Il ne fera pas de toi un ingénieur ML, mais ce n’a jamais été son but.
Ai-je besoin de coder ou de faire des maths ? Non. L’AIF-C01 est conceptuel. Tu dois comprendre ce que font les services et quand les utiliser, pas les implémenter.
Dois-je passer le Cloud Practitioner (CLF-C02) d’abord ? Ce n’est pas obligatoire. Il y a un recouvrement sur les bases du cloud, mais l’AIF-C01 se suffit à lui-même. Si tu débutes complètement sur AWS, passer le CLF-C02 d’abord te donne le vocabulaire du cloud, mais c’est facultatif.
Comment savoir quand je suis vraiment prêt ? Des scores par domaine au-dessus de 80 %, maintenus sur plusieurs sessions. Arrête d’attendre un sentiment. Regarde les données.
