AI 與 ML 實務應用情境

AI 應用場景（AI use cases）是 AIF-C01 考試的實戰核心。考試藍圖中，任務陳述 1.2 要求考生「辨識 AI 的實際應用場景」，任務陳述 1.3 則要求熟悉「ML 開發生命週期」的框架——這兩項都需要你把一個業務情境對應到正確的 AWS 受管 AI 服務。熟練掌握 AI 應用場景的全貌，因此是備考 AIF-C01 投資報酬率最高的一件事。

本指南逐一拆解 AWS 期望你認識的每一類 AI 應用場景——computer vision（電腦視覺）、natural language processing（自然語言處理，NLP）、語音、recommendation system（推薦系統）、預測、anomaly detection（異常偵測）、個人化、內容生成與程式碼生成——並將每一類對應到能直接解決問題的受管服務。對於每一個 AI 應用場景，你將學到何時選用受管 AI 服務、何時倚重 Amazon Bedrock 基礎模型、以及何時在 SageMaker 上建構自訂模型。讀完本文，你可以在幾秒鐘內看完任何 AIF-C01 情境題，並鎖定正確的 AWS 服務。

AWS 上的 AI 應用場景是什麼？

AI 應用場景指的是能透過 AWS 服務，將機器學習或生成式 AI 技術套用到資料上，進而解決的具體業務問題。AIF-C01 考試藍圖將 AI 應用場景歸納為約十個反覆出現的類別，每個類別都有一至多個受管服務，幫助客戶省去基礎設施維運與模型訓練的負擔。

AWS 對 AI 應用場景的設計哲學是三層堆疊架構：

1. AI 服務層 — 完全受管的 API（Rekognition、Textract、Comprehend、Polly、Transcribe、Translate、Forecast、Personalize），只需一次 API 呼叫即可解決單一 AI 應用場景，無需訓練模型。
2. ML 服務層 — Amazon SageMaker，用於在受管 AI 服務無法滿足 AI 應用場景需求時，自行建構、訓練、調優與部署自訂模型。
3. 生成式 AI 層 — Amazon Bedrock（基礎模型平台）、Amazon Q（企業與開發者助理）、以及 SageMaker JumpStart，專為需要文字生成、摘要、retrieval-augmented generation（RAG）或 copilot 式生產力工具的 AI 應用場景而設。

AIF-C01 考試幾乎不考抽象定義。它會呈現一個情境——例如「一家客服中心每天要分析一萬通錄音通話的顧客情緒」——並詢問哪個 AWS 服務最能解決這個 AI 應用場景。認清應用場景所屬類別，答案立刻縮小到一至兩個服務。

為什麼 AIF-C01 考試對 AI 應用場景如此執著？

AIF-C01 是 AWS AI 基礎認證。考試藍圖將約 20% 的題目分配給領域一「AI 與 ML 基礎」，另有約 28% 分配給領域二「生成式 AI 基礎」。橫跨兩個領域，最常見的題型是：「在描述某個 AI 應用場景的業務情境中，哪個 AWS 服務是最適合的選擇？」預計 65 道計分題中，有 15 到 25 題直接依賴 AI 應用場景辨識能力。

本主題如何與 AIF-C01 其他主題銜接？

AI 應用場景的討論是大多數 AIF-C01 主題的樞紐：

• 每個受管 AI 服務（Rekognition、Textract、Comprehend 等）都有獨立的深度主題，涵蓋輸入、輸出、定價與限制。
• Amazon Bedrock 是文字、圖像與多模態基礎模型的生成式 AI 應用場景中心。
• Amazon Q 是企業搜尋與開發者 copilot 的生產力助理中心。
• Amazon SageMaker 是當受管服務不足以滿足 AI 應用場景需求時的自訂模型逃生門。
• ML 開發生命週期主題說明自訂 AI 應用場景如何從資料準備走到部署。

白話文解釋 AI 應用場景

AI 應用場景的完整目錄初次接觸時可能令人眼花撩亂。以下三個類比能讓受管服務的對應關係變得直覺又好記。

便利商店備品的類比

台灣的 7-11 和全家店員每天面對各種不同的任務：結帳用收銀機、加熱便當用微波爐、列印發票用熱感應印表機、確認年齡用身分證讀卡機。每一台設備只做一件事，但做得極為精準，店員不需要自己組裝機器——插電就能用。

AWS AI 服務就是便利商店的各種備品設備。 Rekognition 是掃描商品條碼的設備（computer vision）；Textract 是讀取發票內容的設備（文件擷取）；Comprehend 是偵測顧客留言情緒的設備（NLP 分析）；Polly 是廣播促銷訊息的語音設備（text-to-speech）；Transcribe 是把客訴錄音轉成文字的設備（speech-to-text）。面對 AIF-C01 的情境題，你的第一步就是判斷需要哪一台「設備」——只有在貨架上完全沒有對應設備時，才需要請 SageMaker 工程師來特製一台。

夜市攤位的類比

逛台灣夜市時，每個攤位都只賣一樣東西：滷味攤賣滷味、珍奶攤賣飲料、章魚燒攤賣章魚燒、刨冰攤賣剉冰。你想喝珍珠奶茶，不需要自己去種茶、採茶、製作，直接到珍奶攤點一杯就好。若想吃台式辦桌菜，才需要去找總鋪師來量身設計菜單。

AWS 受管 AI 服務的邏輯完全相同。想要文件 OCR 不需要自己訓練捲積神經網路——直接呼叫 Textract API。想要情緒分析不需要標記百萬筆評論——直接呼叫 Comprehend。想要聊天機器人不需要從頭微調 transformer——直接用 Amazon Bedrock 或 Amazon Lex。「先找現成攤位，再考慮自己開攤」就是 AWS 受管服務優先的核心哲學；只有當夜市裡根本沒有你想要的料理時，才需要在 SageMaker 上自己搭攤。

物流倉儲的類比

台灣大型電商（例如 momo 購物網或 PChome）的倉儲系統由多個工作站串接：掃描條碼確認商品→影像辨識驗貨→揀貨→包裝→列印出貨單→追蹤物流。整條產線由不同專門設備組成，彼此傳遞資料，最終完成「一筆訂單出貨」這個複雜的業務目標。

AWS AI 應用場景的工作流程完全相同，且服務之間可以互相串接。例如客服中心分析流程：Amazon Connect 接通電話→Transcribe Call Analytics 轉錄通話→Comprehend 判斷情緒→Translate 多語系正規化→Bedrock 產生通話摘要。每一站解決一個 AI 應用場景，組合起來就完成了整條業務流水線。這種「串接模式」是 AIF-C01 高頻出現的考試線索。

三個類比怎麼用在考試現場？

三個類比描述同一份 AI 應用場景目錄，只是切入角度不同。根據題目措辭選用：

• 題目描述為單一應用場景選一個受管服務 → 便利商店備品類比
• 題目描述受管服務優先 vs 自訂模型的取捨 → 夜市攤位類比
• 題目描述將多個服務串接在一起 → 物流倉儲類比

Computer Vision AI 應用場景

Computer vision（電腦視覺）是 AWS 上最大的單一 AI 應用場景家族，涵蓋影像分類到影片審核。主力受管服務是 Amazon Rekognition，文件場景則專門由 Amazon Textract 負責。

影像分類

AI 應用場景：為一張圖片貼上標籤——「狗」、「海灘」、「發票」、「X 光片」。AWS 受管服務：Amazon Rekognition（DetectLabels API）開箱即用，提供數千個預訓練標籤。對於 Rekognition 不認識的自訂標籤（特定型號的零件、罕見物種），可使用 Rekognition Custom Labels，只需 10 張標記圖片即可微調。若兩者皆不符合需求——例如醫療等級的放射科影像分類——則在 Amazon SageMaker 上訓練自訂捲積神經網路模型。

物件偵測

AI 應用場景：定位並框出圖像或影片畫面中的特定物件（「計算停車場裡的每一輛車」）。Amazon Rekognition 在同一個 API 回應中同時回傳邊界框與標籤。當情境提到「計數」或「在圖中定位」，這個 AI 應用場景就是高頻考題。

臉部分析與人臉比對

AI 應用場景：判斷兩張照片是否為同一人、偵測年齡範圍、或在人臉資料庫中搜尋比對。Amazon Rekognition 提供 CompareFaces、SearchFacesByImage、IndexFaces API。常見業務情境包括員工門禁打卡驗證、相簿去重複，以及協尋失蹤人口。

內容審核

AI 應用場景：在圖片或影片到達終端使用者之前，自動標記含有暴力、裸露、武器或仇恨符號的內容。Amazon Rekognition 的 DetectModerationLabels 及其影片版本，依標準分類法回傳信心分數。社群媒體、交友 App 與電商平台是典型的使用方。

光學字元辨識（OCR）與文件資料擷取

AI 應用場景：從掃描文件、PDF 與照片中取出結構化資料——姓名、日期、明細項目。這裡的受管服務是 Amazon Textract，它不只做原始 OCR，更能理解表單、表格與鍵值配對。配合 Amazon Comprehend 做下游文字理解，Textract 幾乎涵蓋考試中所有發票、報稅表格與抵押貸款申請的 AI 應用場景。

影片分析

AI 應用場景：偵測場景切換、辨識名人、審核內容，或在長影片中擷取文字。Amazon Rekognition Video 以非同步方式處理存放於 S3 的影片，並透過 Amazon SNS 發布結果。運動精華片段擷取與媒體資料庫搜尋是典型範例。

Natural Language Processing AI 應用場景

NLP（自然語言處理）AI 應用場景是 AIF-C01 的第二大家族，涵蓋情緒分析、實體擷取、翻譯、摘要與聊天機器人。受管服務分布在 Amazon Comprehend（分析）、Amazon Translate（翻譯）、Amazon Lex（對話機器人），以及日益重要的 Amazon Bedrock（生成式文字）。

情緒分析

AI 應用場景：判斷一段文字是正面、負面、中性或混合情緒。Amazon Comprehend 的 DetectSentiment API 回傳主要標籤與信心分數。典型情境：顧客評論分類、客服通話結束後的摘要、社群媒體品牌監測。對於高度領域專屬的情緒分析（醫療、金融），可在 SageMaker 上微調自訂模型，或透過 Bedrock 基礎模型搭配少樣本提示詞（few-shot prompts）。

實體辨識與關鍵詞擷取

AI 應用場景：從非結構化文字中取出人名、組織、地點、日期與數量——回答「誰」和「什麼」的問題。Amazon Comprehend 預設支援標準實體；Amazon Comprehend Custom Entity Recognition 可處理領域專屬實體，例如藥品名稱或合約條款。

主題建模

AI 應用場景：在大量文件語料庫中發現主題——「顧客寫信給客服時都在談哪些話題？」Amazon Comprehend 的 StartTopicsDetectionJob 對 S3 中的文件執行無監督主題建模。

語言偵測

AI 應用場景：辨識一段文字是用哪種語言寫的。Amazon Comprehend 的 DetectDominantLanguage 支援 100 種以上語言，通常是多語系流水線的第一步，後接 Translate 進行路由。

機器翻譯

AI 應用場景：大規模翻譯不同語言的文字。Amazon Translate 支援 75 種以上語言，一次 API 呼叫即可完成，支援即時與批次兩種模式。自訂術語清單可讓品牌統一翻譯產品名稱。需要保留格式的文件翻譯時，Translate 可與 Textract 和 S3 整合。

文字摘要

AI 應用場景：將長篇文章、報告或會議逐字稿壓縮成短摘要。過去這需要自訂 SageMaker 模型；如今 AWS 首選服務是 Amazon Bedrock 配合 Anthropic Claude、Amazon Nova 或 Mistral 等基礎模型。一個提示詞即可產生萃取式或抽象式摘要，支援任何受支援的語言。文字摘要是 AIF-C01 中最常出現的生成式 AI 應用場景之一。

聊天機器人與對話代理人

AI 應用場景：透過訊息介面以自然語言回答使用者問題。傳統 AWS 服務是 Amazon Lex——以意圖（intent）為基礎、填充槽位（slot）、與 AWS Lambda 及 Amazon Connect 緊密整合，適合客服中心自動化。生成式替代方案是 Amazon Bedrock 搭配 Agents for Amazon Bedrock，或用於企業知識問答的 Amazon Q Business。考試同時測驗兩者：規則式意圖機器人（Lex）與支援 RAG 的自由形式對話代理人（Bedrock／Amazon Q）。

問答與文件搜尋

AI 應用場景：在企業文件語料庫上回答自由形式問題。Amazon Kendra 是受管智慧搜尋服務，對已索引文件回傳排序段落。Amazon Q Business 在 Kendra 式連接器上疊加生成式 AI 助理，提供附有引用來源的對話式答覆。選 Kendra 用於搜尋框體驗，選 Amazon Q 用於聊天式生產力工具。

語音 AI 應用場景

語音 AI 應用場景清楚地分成兩個方向：speech-to-text（Amazon Transcribe）與 text-to-speech（Amazon Polly）。考試也測驗通話分析延伸功能。

自動語音辨識（語音轉文字）

AI 應用場景：將錄製或串流音訊轉換成文字。Amazon Transcribe 支援 100 種以上語言、即時串流、說話者分離（speaker diarization）、自訂詞彙，以及自動刪除個人識別資訊（PII）。典型情境：會議轉錄、Podcast 字幕、語音信箱索引、法規遵循存檔。

通話分析

AI 應用場景：從客戶與客服人員的對話中萃取完整的客服中心洞察——逐字稿、情緒、對話時間佔比、靜音時間、非對話時間、分類標籤。Amazon Transcribe Call Analytics 是專用延伸功能，每通通話產生一個 JSON 包。將 Transcribe Call Analytics → Comprehend → Bedrock 摘要串接是典型的客服中心 AI 應用場景流水線。

醫療轉錄

AI 應用場景：產生符合臨床標準的病患問診逐字稿，並正確辨識醫療詞彙。Amazon Transcribe Medical 符合 HIPAA 規範，開箱即用支援藥理與手術術語。

文字轉語音（TTS）

AI 應用場景：將書面文字轉換為自然語音，用於 IVR 語音提示、有聲書、無障礙閱讀器與虛擬助理。Amazon Polly 提供 40 種以上語言的數十種語音，包含 Neural TTS（NTTS）與新一代 Generative voices。Speech Synthesis Markup Language（SSML）讓開發者微調發音、停頓與語調。

語音複製與品牌聲音

AI 應用場景：製作符合品牌個性的專屬聲音。Amazon Polly Brand Voice 是與專業配音員合作，建立獨家 NTTS 聲音的受管服務。當考題強調「獨特品牌聲音」且「非通用語音」時，Brand Voice 是正確答案。

Recommendation 與個人化 AI 應用場景

個人化體驗是現代數位產品的旗艦 AI 應用場景。AWS 提供 Amazon Personalize，一個完全受管的服務，無需客戶理解協同過濾（collaborative filtering）即可建構 recommendation model。

商品推薦

AI 應用場景：根據瀏覽與購買紀錄，推薦顧客最可能購買的下一件商品。Amazon Personalize 接收使用者與商品的互動資料，使用 User-Personalization 等 recipe 訓練模型，並透過 campaign endpoint 提供即時推薦。台灣電商（如 momo 購物網、蝦皮購物）的「猜你喜歡」功能即屬此類應用。

個人化排名

AI 應用場景：重新排序任意清單——搜尋結果、商品類別頁面、電子報——讓最可能引起特定使用者共鳴的項目排在最前面。Personalize 的 Personalized-Ranking recipe 專為此場景設計。

相關商品（Similar Items）

AI 應用場景：顯示「瀏覽此商品的人也看了」。Personalize 的 Similar-Items recipe（前身為 SIMS）無需使用者瀏覽歷史即可處理。

媒體內容個人化

AI 應用場景：個人化串流影音首頁、文章推薦或隨選影片目錄。Personalize 同時處理隱式回饋（播放、跳過）與顯式回饋（評分）。許多媒體客戶搭配 Amazon Kinesis Data Streams 進行即時互動資料擷取。

預測 AI 應用場景

時間序列預測是一個獨立的 AI 應用場景家族，有專屬的受管服務和特定的考試線索。

需求預測

AI 應用場景：預測零售 SKU 的需求量、旅遊訂位量或能源消耗量。Amazon Forecast 接受歷史目標時間序列，加上可選的相關時間序列與商品後設資料，然後自動從 AutoML、DeepAR+、Prophet、ARIMA、ETS 等演算法中選出最佳組合。Forecast 回傳機率性預測（P10、P50、P90），讓規劃人員評估風險。台灣零售業者（如全聯、家樂福）的季節性備貨規劃就是此類應用。

財務預測

AI 應用場景：預測營收、支出或人力需求。輸入為結構化時間序列資料時，Amazon Forecast 是適當選擇；需要自由形式財務分析時，帶有工具使用（tool use）的 Bedrock 基礎模型才較為相關。

容量與資源預測

AI 應用場景：預測雲端基礎設施需求、客服中心人力配置或配送車隊量。Forecast 是首選受管服務；只有需要特殊演算法或罕見季節性模式時，才使用 SageMaker 自訂模型。

注意：AWS 已宣示部分 Forecast 功能將走向棄用，轉而支援 SageMaker Canvas 預測與 Bedrock 方案。就 AIF-C01 而言，Amazon Forecast 仍是時間序列 AI 應用場景的標準命名服務，除非考題明確範疇為 SageMaker Canvas。

Anomaly Detection AI 應用場景

Anomaly detection（異常偵測）是一個專門用於在業務指標、日誌、基礎設施與工業設備中找出離群值的 AI 應用場景家族。

業務指標異常

AI 應用場景：在人工察覺之前，自動標記營收、轉換率或流量的異常下滑。Amazon Lookout for Metrics（目前處於維護狀態，請確認最新 AWS 公告）專為此設計；現代實作方案常使用 Amazon SageMaker Canvas 的預測區間，或用於營運指標的 Amazon CloudWatch Anomaly Detection。

工業設備異常

AI 應用場景：從感測器資料中偵測馬達、水泵或壓縮機的潛在故障。Amazon Lookout for Equipment 接收多感測器時間序列資料，學習正常運作模式，並在偵測到偏差時發出警報。工業 IoT 流水線通常搭配 AWS IoT SiteWise 使用。

詐欺偵測

AI 應用場景：即時標記可疑交易或帳號被盜行為。Amazon Fraud Detector 是受管服務，從歷史詐欺樣本訓練自訂模型，並提供專用事件類型（線上詐欺、新帳號詐欺、帳號盜用）。國泰金控、玉山銀行等金融機構面對高度自訂的詐欺邏輯時，SageMaker 搭配 XGBoost 或自訂深度學習模型仍是逃生門。

視覺型異常偵測

AI 應用場景：從生產線影像中偵測瑕疵零件。Amazon Lookout for Vision 只需 30 張正常品圖片即可學習外觀特徵，並在新照片中標記異常。若瑕疵類別已事先確定，可搭配 Rekognition Custom Labels 使用。

生成式 AI 應用場景

生成式 AI 應用場景——產生新的文字、圖像、程式碼或其他內容——是 AIF-C01 成長最快的考題領域。三個旗艦服務是 Amazon Bedrock（基礎模型平台）、Amazon Q（現成助理）與 SageMaker JumpStart（自訂部署的模型中心）。

文字生成

AI 應用場景：起草電子郵件、行銷文案、商品描述或敘述性報告。Amazon Bedrock 提供隨需訪問 Anthropic（Claude）、Amazon（Nova、Titan）、Meta（Llama）、Mistral、Cohere、AI21 等廠商基礎模型的能力。客戶透過統一的 InvokeModel API 呼叫模型，無需管理 GPU。

摘要與抽象壓縮

AI 應用場景：將長篇文件、會議逐字稿或研究論文壓縮成短摘要。Bedrock 基礎模型同時支援萃取式與抽象式摘要；提示詞模板加上 temperature 參數可調整文風與創意程度。

Retrieval-Augmented Generation（RAG）

AI 應用場景：在不微調模型的情況下，以企業文件為基礎回答問題。Knowledge Bases for Amazon Bedrock 自動化了 RAG 流程：連接 S3，讓 Bedrock 將文件切塊並嵌入向量資料庫（Amazon OpenSearch Serverless、Aurora、Pinecone、Redis），並公開一個檢索 API。模型生成附有來源段落引用的答案。RAG 是 AIF-C01 中最常測驗的生成式 AI 應用場景模式。

對話助理

AI 應用場景：部署一個能夠呼叫工具、查詢資料並完成任務的多輪聊天機器人。Agents for Amazon Bedrock 協調基礎模型加上動作群組（Lambda 函數）與知識庫。Amazon Q Business 是企業內部聊天的一站式選項——連接 SharePoint、Salesforce、Jira、Confluence 等數十種連接器。

圖像生成

AI 應用場景：根據文字提示詞產生圖像，用於行銷、產品設計或創意工具。Amazon Bedrock 提供圖像生成基礎模型，包括 Amazon Titan Image Generator、Stability AI Stable Diffusion 與 Amazon Nova Canvas。常見應用：電商商品視覺化、廣告素材製作、本地化行銷素材。台灣電商如 Uber Eats 台灣或 7-11 Open Point 可用此功能快速產生多語系活動圖像。

程式碼生成與開發者生產力

AI 應用場景：撰寫、解釋、除錯與重構程式碼；產生單元測試；回答文件問題；建議 infrastructure-as-code 範本。Amazon Q Developer（CodeWhisperer 的繼任者）是專用受管服務，整合進 IDE（VS Code、JetBrains、Visual Studio）、AWS Management Console 與 CLI。提供內嵌程式碼建議、安全掃描，以及多檔案功能實作的代理模式。考題提到「在 IDE 中使用開發者助理」時，對應到 Amazon Q Developer。

企業知識助理

AI 應用場景：讓員工對企業內部文件、政策與資料自由提問。Amazon Q Business 彙整來自各連接器的資料，套用使用者層級權限（ACL-aware retrieval），並透過附引用來源的對話介面回答。當考題強調「企業內部員工」、「遵守文件層級權限」與「引用來源文件」時，Amazon Q Business 是正確答案。

自訂微調與持續預訓練

AI 應用場景：當提示詞工程（prompt engineering）不足以滿足需求時，將基礎模型調適為特定領域的風格、詞彙或任務。Amazon Bedrock 對部分基礎模型支援自訂模型微調；SageMaker JumpStart 為擁有自有訓練資料的團隊提供更深層控制。決策標準通常是低延遲需求、專有詞彙，或成本優化工作負載。

受管 AI 服務 vs 自訂模型：何時選哪個？

最關鍵的 AI 應用場景決策之一，是選用受管 AI 服務、Bedrock 基礎模型，還是 SageMaker 自訂模型。AIF-C01 反覆測驗這個決策。

優先選擇受管 AI 服務的情境

• AI 應用場景符合主流類別（computer vision、NLP、語音、翻譯、recommendation、預測）。
• 沒有標記資料集，或有但不想自行整理。
• 上市時程是幾天或幾週，而非幾個月。
• 團隊缺乏專職 ML 工程師。
• 受管服務的準確度已「夠好」，能滿足業務需求。

優先選擇 Amazon Bedrock 的情境

• AI 應用場景需要文字生成、摘要、聊天或圖像生成。
• 想在不管理 GPU 的情況下試驗多個基礎模型。
• 需要對企業文件執行 RAG。
• 提示詞工程加上可選的微調能達到品質目標。

優先選擇 Amazon Q 的情境

• AI 應用場景是終端使用者生產力助理（企業聊天、IDE 程式碼輔助）。
• 重視一站式 UI 與連接器，勝過深度客製化。

優先選擇 Amazon SageMaker 的情境

• 沒有受管 AI 服務涵蓋該 AI 應用場景（醫療影像分級、超出 Lookout 範圍的工業品質管控、專有研究）。
• 擁有標記訓練資料且團隊具備 ML 專業能力。
• 需要對模型架構、超參數與部署環境進行精細控制。
• 延遲、成本或法規限制要求自行托管與擁有模型。

決策摘要表

必背數字與限制

AIF-C01 獎勵熟記少數幾個與 AI 應用場景相關的標準數字的考生。

常見考試陷阱：AI 應用場景服務選擇

誤判正確服務是 AIF-C01 考生在 AI 應用場景題目上最常犯的錯誤。以下陷阱在社群考試報告中反覆出現。

陷阱一：文件情境下 Rekognition vs Textract

考生看到「從圖片中擷取文字」就直覺選 Rekognition。但在文件情境——發票、表單、合約、身分證——正確答案幾乎都是 Amazon Textract。Rekognition 的 DetectText 只適合自然場景中的短文字（路標、照片中的產品標籤）。

陷阱二：文字任務中 Comprehend vs Bedrock

兩個服務都處理文字，但服務不同的 AI 應用場景。Comprehend 是結構化分析（情緒標籤、實體清單、主題群集）；Bedrock 是生成式輸出（自由形式段落、摘要、聊天回應）。情境關鍵字：「分類／偵測／擷取」→ Comprehend；「生成／摘要／改寫」→ Bedrock。

陷阱三：聊天機器人情境中 Lex vs Bedrock Agents

Amazon Lex 以意圖為基礎、填充槽位、確定性高——適合有明確意圖的客服 IVR 流程。Agents for Amazon Bedrock 由 LLM 驅動、多輪對話、支援工具呼叫——適合開放式助理。情境關鍵字：「按 1 查詢帳單 / 固定通話流程」→ Lex；「回答任何關於我們政策文件的問題」→ 搭配 Knowledge Bases 的 Bedrock。

陷阱四：Personalize vs 自訂協同過濾

具有 ML 背景的考生有時會預設「在 SageMaker 上訓練協同過濾模型」。對於主流 recommendation AI 應用場景，AIF-C01 的正確答案是 Amazon Personalize——受管服務抽象化了整個訓練與服務流水線。只有當情境明確要求 Personalize 的 recipe 不涵蓋的新穎演算法時，才選 SageMaker。

陷阱五：預測情境中 Forecast vs SageMaker Canvas vs Bedrock

使用歷史數值資料的時間序列預測 → Amazon Forecast 或 SageMaker Canvas。自由形式的「預測下一季的營收概況」→ Bedrock 基礎模型。基於影像的品質預測 → Lookout for Vision 或 SageMaker。在結構化時間序列 AI 應用場景中選 Bedrock 是反方向的陷阱。

陷阱六：Amazon Q Business vs Amazon Q Developer

兩者都叫「Amazon Q」，但針對截然不同的 AI 應用場景。Q Business 是企業生產力助理，服務全體員工，對公司文件提問，透過 SharePoint、Jira、Salesforce 等數十種 SaaS 系統連接器存取資料。Q Developer 是 IDE 裡的程式碼 copilot，提供程式碼建議、解釋函數、撰寫測試，並協助 AWS Console 導覽。考試常在同一題中同時提供兩者作為干擾選項；請仔細閱讀情境，分辨「所有員工」vs「開發者」。

將 AI 應用場景組合成端對端流水線

真實的 AWS 工作負載常常將多個 AI 應用場景串接在一起。AIF-C01 透過描述完整業務流程的情境題，測驗流水線組合能力。

客服中心分析流水線

客服中心情境通常組合：Amazon Connect（語音接聽）→ Amazon Transcribe Call Analytics（語音轉文字加通話洞察）→ Amazon Comprehend（情緒、實體、PII 刪除）→ Amazon Translate（多語系正規化）→ Amazon Bedrock（通話摘要與下一步最佳行動建議）→ Amazon Polly（可選的語音回應）。每一跳增加一項 AI 應用場景能力。

文件處理流水線

貸款申請情境通常串接：Amazon S3（文件接收）→ Amazon Textract（OCR 與表單擷取）→ Amazon Comprehend（姓名、地址、收入的實體辨識）→ Amazon Bedrock（摘要、缺漏欄位偵測）→ SageMaker（自訂信用評分模型，如需要）→ Amazon Q Business（分析師對已處理案件的聊天查詢）。

內容審核流水線

使用者生成內容平台通常串接：Amazon S3（上傳）→ Amazon Rekognition（影像審核）／Amazon Transcribe（音訊轉錄）→ Amazon Comprehend（文字毒性偵測）→ Amazon Bedrock（情境感知審查）→ 邊緣案例由 Amazon Augmented AI（A2I） 引入人工審核循環。

電商個人化流水線

零售商通常串接：Amazon Kinesis Data Streams（點擊串流擷取）→ Amazon Personalize（即時 recommendation）→ Amazon Bedrock（個人化商品描述生成）→ Amazon Translate（在地化輸出）→ Amazon Polly（語音商品目錄）。中華電信 MOD、Uber Eats 台灣等平台的推薦流水線即是此類架構的實際應用。

為什麼組合能力在考試中如此重要？

AIF-C01 問題常常描述多步驟業務流程，並詢問哪兩到三個 AWS 服務合在一起能完成 AI 應用場景。認識組合模式——每個受管服務在整條鏈中貢獻什麼——是找到正確答案的最快路徑。

AI 應用場景常見問題（FAQ）

AIF-C01 考試主要涵蓋哪些 AI 應用場景？

AIF-C01 聚焦於十個反覆出現的 AI 應用場景類別：影像分類與偵測、文件 OCR 與表單擷取、情緒與實體分析、翻譯、語音轉文字與文字轉語音、recommendation 與個人化、預測、anomaly detection 與詐欺偵測、生成式文字與聊天、以及程式碼生成。每個類別對應一至兩個受管 AWS AI 服務，加上 Bedrock 和 SageMaker 作為備用出口。

什麼時候應該選受管 AI 服務而非 Amazon SageMaker？

只要你的 AI 應用場景符合主流類別，且受管 API 的準確度能滿足業務需求，就優先選受管 AI 服務。你可以獲得零基礎設施設置、無需整理訓練資料，以及按請求計費的優勢。只有當沒有受管服務涵蓋該應用場景、需要自訂演算法，或因法規／延遲／成本限制必須完全掌控模型時，才選 SageMaker。

什麼時候應該用 Amazon Bedrock 而非 Amazon SageMaker？

當 AI 應用場景是生成式的——文字創作、摘要、聊天、文件 RAG、圖像生成——且你想在不管理 GPU 的情況下隨需訪問基礎模型時，選 Amazon Bedrock。當你需要深度客製化、專有訓練資料，或完全掌控模型托管時，選 SageMaker。Bedrock 微調涵蓋許多中間地帶的案例，無需 SageMaker 專業知識。

Amazon Q Business 和 Amazon Q Developer 有什麼差別？

Amazon Q Business 是企業生產力助理，透過連接 SharePoint、Jira、Salesforce 等數十種 SaaS 系統的連接器，回答員工對公司文件的問題，並遵守使用者層級權限。Amazon Q Developer 是 IDE 內的程式碼 copilot，提供程式碼建議、解釋函數、撰寫測試，並協助 AWS Console 導覽。兩者都叫「Amazon Q」，但針對截然不同的 AI 應用場景。

哪個 AWS 服務解決 Recommendation AI 應用場景？

Amazon Personalize 是 recommendation AI 應用場景的專用受管服務，提供使用者個人化、個人化排名、Similar Items 與即時 campaign 等 recipe。只有當 Personalize 的 recipe 不符合業務邏輯時，才選 SageMaker 搭配自訂協同過濾或深度學習模型。

OCR AI 應用場景應選 Rekognition 還是 Textract？

涉及文件的 OCR AI 應用場景——發票、表單、報稅申報、身分證、合約——正確答案是 Amazon Textract。Textract 理解表單、表格與鍵值配對，不只是原始文字。Rekognition 的 DetectText 只適合自然場景中的短文字（標誌、照片中的產品標籤），不適合多頁文件。

我可以在一個應用程式中組合多個 AWS AI 服務嗎？

可以——而且組合是常見的考試模式。典型串接包括 Transcribe → Comprehend → Bedrock（客服中心分析），以及 Textract → Comprehend → Bedrock（文件處理）。每個服務貢獻一個步驟；組合流水線解決了單一服務無法單獨完成的複雜 AI 應用場景。

受管 AI 服務需要訓練資料嗎？

大多數預設用途不需要——Rekognition、Textract、Comprehend、Translate、Transcribe 和 Polly 都已完全預訓練。客製化變體（Rekognition Custom Labels、Comprehend Custom Classification、Transcribe Custom Vocabulary）讓你用小型標記資料集加入領域專屬標籤或詞彙。Personalize 和 Forecast 需要你的歷史互動或時間序列資料，因為這些 AI 應用場景本質上是客戶特定的。

什麼是 retrieval-augmented generation（RAG），它解決哪個 AI 應用場景？

RAG 是一種將生成模型回應建立在特定文件基礎上（而非模型通用訓練資料）的模式。對應的 AI 應用場景是附有引用來源的企業問答——員工自由提問，系統用最新公司文件回答。Knowledge Bases for Amazon Bedrock 自動化了 RAG 流程；Amazon Q Business 提供一站式的終端使用者體驗。RAG 在 AIF-C01 中被大量測驗，因為它是企業生成式 AI 的預設模式。

AWS 如何讓我在聊天應用場景中於 Bedrock 和 Amazon Q 之間做選擇？

當 AI 應用場景符合預建助理（員工聊天、開發者 copilot、QuickSight 分析聊天）時，Amazon Q 是一站式選項。當你需要自訂 UI、自訂工具整合、超出 Amazon Q 連接器範圍的自訂資料來源，或需要訪問特定基礎模型時，Amazon Bedrock 是自行建構的選項。「內部知識聊天用 Amazon Q，面向客戶的自訂助理用 Bedrock」是可靠的考試啟發原則。

延伸閱讀

• AWS AIF-C01 Exam Guide: https://d1.awsstatic.com/training-and-certification/docs-ai-practitioner/AWS-Certified-AI-Practitioner_Exam-Guide.pdf
• AWS AI Services Overview: https://aws.amazon.com/machine-learning/ai-services/
• Amazon Bedrock: https://aws.amazon.com/bedrock/
• Amazon Q: https://aws.amazon.com/q/
• Amazon SageMaker: https://aws.amazon.com/sagemaker/
• Amazon Rekognition: https://aws.amazon.com/rekognition/
• Amazon Textract: https://aws.amazon.com/textract/
• Amazon Comprehend: https://aws.amazon.com/comprehend/
• Amazon Translate: https://aws.amazon.com/translate/
• Amazon Transcribe: https://aws.amazon.com/transcribe/
• Amazon Polly: https://aws.amazon.com/polly/
• Amazon Personalize: https://aws.amazon.com/personalize/
• Amazon Forecast: https://aws.amazon.com/forecast/

相關 ExamLab 主題：What is AI and ML、Amazon Bedrock、Amazon SageMaker、Amazon Q Business、Amazon Q Developer、Foundation Models、Generative AI Basics、ML Development Lifecycle。