Amazon Q（Business 與 Developer）與 AWS AI 服務

Amazon Q 與 AWS AI 服務是 AWS AI/ML 技術堆疊的兩個層次，讓客戶無需從頭訓練模型即可解決實際業務問題。Amazon Q 是專為特定用途打造的生成式 AI 助理家族——包含 Amazon Q Business、Amazon Q Developer、Amazon Q in QuickSight 與 Amazon Q in Connect——每個產品都與特定使用者角色和資料來源深度整合。AWS 人工智慧服務組合（Amazon Rekognition、Amazon Comprehend、Amazon Translate、Amazon Polly、Amazon Transcribe、Amazon Textract、Amazon Kendra、Amazon Personalize、Amazon Forecast、Amazon Fraud Detector，以及 Amazon Augmented AI 人工審核工作流程）則透過單一 API 呼叫處理單一任務的推論。在 AWS Certified AI Practitioner（AIF-C01）考試中，Task Statement 3.1 要求你說明使用基礎模型之應用程式的設計考量——其中包括在預建選項已能滿足需求時，選擇 Amazon Q 與 AWS AI 服務，而非搭配 Amazon Bedrock 自行建立自訂模型。這是整份考試中情境題最密集的領域之一，因為 AIF-C01 反覆考察「哪項 AWS AI 服務最符合此使用情境」。

本學習指南將逐一深入介紹每個 Amazon Q 產品、AIF-C01 考綱中的每項 AWS AI 服務、在「Amazon Q 與 AWS AI 服務」和「Amazon Bedrock 加自訂基礎模型」之間的決策框架，以及透過 Amazon Augmented AI 實現的人工審核模式。閱讀完畢後，你將獲得六則常見問答、五個 callout 提示，以及一張在考試壓力下也能快速回憶的服務對應速查表。

什麼是 Amazon Q 與 AWS AI 服務？

Amazon Q 與 AWS AI 服務是 AWS AI/ML 三層架構的頂層。

• 第一層 — AWS AI 服務是預建的、針對特定任務的 API。送入圖片，取得標籤（Amazon Rekognition）。送入文字，取得情感分析（Amazon Comprehend）。送入音訊，取得逐字稿（Amazon Transcribe）。無需模型訓練、無需調整超參數、無需 GPU 配額。
• 第二層 — Amazon Q 與生成式 AI包含 Amazon Q（助理家族）與 Amazon Bedrock（基礎模型 API 平台）。Amazon Q 是面向終端使用者的產品；Amazon Bedrock 是開發者平台。Amazon Q 與 AWS AI 服務在此層常有交集，因為 Amazon Q 本身就是建構在 Amazon Bedrock 與 AWS AI 服務之上。
• 第三層 — Amazon SageMaker是自訂 ML 平台，當第一層或第二層都無法滿足需求時，才在此訓練與部署自己的模型。

Amazon Q 與 AWS AI 服務讓團隊能在數小時內而非數季內交付 AI 功能。只要考題提到「最低 ML 專業要求」、「沒有資料科學團隊」、「最快上線路徑」或「預訓練模型」，它們就是正確答案。「當預建能力已存在時，Amazon Q 與 AWS AI 服務是最快的上線路徑」——這句話幾乎以某種形式出現在每一道情境題中。

為何 Amazon Q 與 AWS AI 服務對 AIF-C01 至關重要

AIF-C01 Domain 3（基礎模型的應用）佔考試比重的 28%，Task Statement 3.1 涵蓋基於 FM 之應用程式的設計考量，包括服務選擇。考試明確測驗你能否區分 Amazon Q Business 與 Amazon Q Developer、Amazon Q 與 Amazon Bedrock、Amazon Kendra 與向量資料庫，以及 Amazon Comprehend 與自訂 SageMaker 模型。Amazon Q 與 AWS AI 服務同時對應 Task Statement 1.2（實際使用情境），因為所有名詞對服務的對應關係都在這裡。建議在 Domain 3 的 2200 道題中，為本主題預留約 350 題的配額；實際考試預計出現三到五道情境題。

白話文解釋 Amazon Q 與 AWS AI 服務

Amazon Q 與 AWS AI 服務看起來像一批功能重疊的產品。三個類比可以把這批產品整理成一張簡單的地圖。

類比一 — 瑞士刀

把 Amazon Q 與 AWS AI 服務想成一把有標籤的瑞士刀。每一片刀刃解決一個問題，你依任務選刀刃，而不是反過來。

• Amazon Q Business 是大型助理刀刃——「回答關於公司文件的任何問題」。
• Amazon Q Developer 是程式碼刀刃——「在 IDE 中撰寫、審查並解釋程式碼」。
• Amazon Q in QuickSight 是 BI 解說刀刃——「用白話告訴我這個儀表板說了什麼」。
• Amazon Q in Connect 是客服中心刀刃——「為客服人員建議下一個最佳回應」。
• Amazon Rekognition 是相機刀刃——「這張圖片或影片裡有什麼？」
• Amazon Comprehend 是閱讀刀刃——「這段文字的意思是什麼？」
• Amazon Translate 是語言刀刃——「把這個翻成西班牙文」。
• Amazon Polly 是喇叭刀刃——「把這段文字朗讀出來」。
• Amazon Transcribe 是麥克風刀刃——「把說過的話記錄下來」。
• Amazon Textract 是掃描刀刃——「從這份 PDF 中擷取表單與表格」。
• Amazon Kendra 是搜尋刀刃——「在我的文件庫中找到答案」。
• Amazon Personalize 是推薦刀刃——「下一個應該給這位使用者看什麼？」
• Amazon Forecast 是水晶球刀刃——「六週後的需求量會是多少？」
• Amazon Fraud Detector 是警報刀刃——「這筆交易是假的嗎？」
• Amazon Augmented AI 是督導刀刃——「把低信心預測送給人工審核」。

在 AIF-C01 考試中，題目會給你一個單一問題。當該任務已有專用刀刃時，不要去拿分子料理實驗室（Amazon SageMaker）或原始基礎模型（Amazon Bedrock）。整個 Amazon Q 與 AWS AI 服務的訣竅就是「名詞對刀刃」的對應。

類比二 — 辦桌廚房

想像一個辦桌場景，廚房裡每個工作站都透過出菜口送出一道完成的料理。

• Amazon Q Business 是記熟所有菜單、食材搭配與熟客喜好的大廚——問什麼，就附上出處給你答案。
• Amazon Q Developer 是偷看總鋪師筆記、撰寫備料步驟等總鋪師審閱的學徒。
• Amazon Q in QuickSight 是用白話解釋今晚菜色為何搭配這款飲品的老師傅。
• Amazon Q in Connect 是在客服人員耳邊低聲提示下一個回應的傳菜員。
• Amazon Rekognition 是擺盤區的品管人員——這道菜賣相對嗎？有沒有問題？
• Amazon Comprehend 是閱讀所有客人回饋並分類整理的服務生。
• Amazon Translate 是把菜單改寫成十五種語言的翻譯師傅。
• Amazon Polly 是在外帶窗口大聲報出今日特餐的廣播員。
• Amazon Transcribe 是逐字記錄每位客人點菜內容的速記員。
• Amazon Textract 是掃描紙本收據並整理成結構化資料的出納。
• Amazon Kendra 是廚房裡的食譜庫——問「我們有沒有無麩質的佛跳牆食譜？」
• Amazon Personalize 是記住每位熟客最愛菜色、一到門口就建議的領檯。
• Amazon Forecast 是預測下週要進多少斤麵粉的採購主任。
• Amazon Fraud Detector 是識破假鈔的收銀員。
• Amazon Augmented AI 是試吃機器人不確定菜色的值班主廚。

考題說「分類客戶評論」，你就叫回饋閱讀服務生（Amazon Comprehend）。你不需要開啟分子料理實驗室（Amazon SageMaker）從零發明一個情感分析器。

類比三 — 工具箱

Amazon Q 與 AWS AI 服務是一個有標籤的工具箱。伸手進去，任務是釘子就拿出鐵鎚，任務是木頭就拿出鋸子。

• Q 家族工具處理對話——Amazon Q Business 服務員工，Amazon Q Developer 服務工程師，Amazon Q in QuickSight 服務分析師，Amazon Q in Connect 服務客服人員。
• 視覺工具處理像素——Amazon Rekognition 處理圖片與影片。
• 語言工具處理文字——Amazon Comprehend、Amazon Translate、Amazon Kendra。
• 語音工具處理音訊——Amazon Polly 合成語音，Amazon Transcribe 辨識語音。
• 文件工具處理紙本——Amazon Textract。
• 預測工具處理數字與排名——Amazon Personalize、Amazon Forecast、Amazon Fraud Detector。
• 品質工具處理審核——Amazon Augmented AI。

當 AIF-C01 描述一個業務情境時，走一遍工具箱流程：像素 → Rekognition、紙本 → Textract、音訊 → Transcribe 或 Polly、文字意義 → Comprehend、文字搜尋 → Kendra、文字對話 → Amazon Q、推薦 → Personalize、時間序列 → Forecast、詐欺 → Fraud Detector、人工審核 → Augmented AI。十種場景，十個正確答案。

Amazon Q 家族總覽

Amazon Q 是 AWS 品牌的助理家族，並非單一產品。每個 Amazon Q 版本共享三個特點：它是生成式 AI 助理、建構在 Amazon Bedrock 基礎模型之上，並與特定資料來源深度整合。AIF-C01 考試測驗的四個版本為 Amazon Q Business、Amazon Q Developer、Amazon Q in QuickSight 與 Amazon Q in Connect。

Amazon Q Business — 企業知識助理

Amazon Q Business 是企業級生成式 AI 助理，能回答關於公司內部資料的問題。它內建超過四十個連接器——Amazon S3、Microsoft SharePoint、Microsoft OneDrive、Confluence、Google Drive、Salesforce、ServiceNow、Jira、Slack、Gmail、Microsoft Exchange、Zendesk、Dropbox、Box 等——管理員只需將 Amazon Q Business 與文件庫接通一次，員工便可用自然語言提問。答案附有引用來源文件的引文，且存取控制依文件執行，使用的身分識別與來源系統相同（AWS IAM Identity Center 或任何相容 SAML 的聯合身分提供者）。

Amazon Q Business 也支援 Amazon Q Apps，這是一種讓商業使用者只需用自然語言描述功能即可建立的小型無程式碼生成式應用程式。Amazon Q Business 預設保護客戶資料隱私——你的對話記錄與文件不會用於訓練底層基礎模型。

Amazon Q Developer — 程式碼與 AWS 主控台助理

Amazon Q Developer（前身為 Amazon CodeWhisperer）是生成式 AI 程式碼助理，運行於 Visual Studio Code、JetBrains IDE、AWS Cloud9、AWS Management Console、AWS Command Line Interface 以及 Amazon EC2 Linux 命令列中。Amazon Q Developer 能生成函式、解釋程式碼、撰寫單元測試、建議效能優化方向、識別安全漏洞、升級 Java 應用程式，並直接在 AWS Management Console 中排除 AWS 問題。

Amazon Q Developer 與 Amazon Q Business 的區別在於目標使用者：Amazon Q Developer 面向撰寫程式碼或操作 AWS 的工程師，Amazon Q Business 面向查詢文件的辦公室員工。

Amazon Q in QuickSight — BI 敘事與儀表板

Amazon Q in QuickSight 為 Amazon QuickSight 儀表板增加自然語言問答與敘事生成功能。分析師不必拖拉欄位建立圖表，只需輸入「顯示上季各地區營收」，Amazon Q in QuickSight 便會生成圖表。Amazon Q in QuickSight 也能為不想看圖表的主管自動撰寫一段儀表板摘要。

Amazon Q in QuickSight 設有作者與讀者兩種角色。作者建立資料故事；讀者消費這些故事。

Amazon Q in Connect — 客服中心客服助理

Amazon Q in Connect（Amazon Connect Wisdom 的後繼產品）在 Amazon Connect 中即時監聽客戶對話，偵測客戶意圖，並即時推薦回應、文章與逐步操作指引。它從已連接的知識庫（Salesforce、ServiceNow 與內部知識庫）中提取資訊，讓客服人員隨時一鍵取得正確答案。

Amazon Q in Connect 是唯一僅限於 Amazon Connect 客服中心使用的 Amazon Q 版本；它無法在該範圍以外運行。

Amazon Q vs Amazon Bedrock 加自訂基礎模型

這道比較題是 Amazon Q 與 AWS AI 服務主題中考試命中率最高的陷阱。AIF-C01 Task 3.1 反覆測驗你是否理解 Amazon Q 是完成品，而 Amazon Bedrock 是你用來打造產品的平台。

選擇 Amazon Q 的時機：

• 使用情境符合標準助理模式（企業問答、程式碼協助、BI 敘事、客服中心助理）。
• 商業使用者第一天就想要一個聊天介面，不需要寫程式。
• 組織缺乏生成式 AI 工程能力。
• 資料來源連接器與身分識別感知權限需要開箱即用。

選擇 Amazon Bedrock 加自訂應用程式的時機：

• 產品需要 Amazon Q 無法提供的客製化 UX。
• 工作流程需要自訂編排、工具使用、多步驟代理，或特定模型選擇（Claude 3.5 Sonnet vs Llama 3 vs Amazon Nova）。
• 應用程式必須將生成式 AI 嵌入現有產品中（行動 App 中的聊天機器人、後端 LLM 工作器）。
• 需要超出 Amazon Q 預設設定的精細 prompt 工程、Retrieval-Augmented Generation（RAG）調校或 Bedrock Guardrails 設定。

Amazon Rekognition — 圖片與影片的電腦視覺

Amazon Rekognition 是 AWS AI 服務中的電腦視覺項目。它無需訓練模型即可分析圖片與影片串流。Amazon Rekognition 的功能分為標籤辨識、內容審核、圖片文字偵測、臉部分析與自訂標籤。

圖片與影片內容審核

Amazon Rekognition Content Moderation 能偵測圖片與影片中的不當內容——暴力、明確性內容、武器、酒精、菸草、賭博、仇恨符號、粗俗手勢等——以帶有信心分數的階層式分類標籤回傳。同一 API 適用於已儲存的圖片、已儲存的影片，以及來自 Amazon Kinesis Video Streams 的即時影片串流。

臉部分析與臉部搜尋

Amazon Rekognition DetectFaces 回傳臉部層級屬性，如年齡區間、性別、情緒（開心、悲傷、憤怒、困惑、厭惡、驚訝、平靜）、眼睛狀態、微笑以及臉部特徵點。CompareFaces 量測兩張圖片之間的臉部相似度。臉部集合可儲存數百萬個臉部向量，SearchFacesByImage 則將探測臉部與集合進行比對——這是用於臉部登入或身分驗證的標準模式。

標籤與文字偵測

DetectLabels 回傳數千個場景與物件標籤（「狗」、「海灘」、「汽車」）以及邊界框和階層式分類。DetectText 擷取出現在圖片與影片影格中的文字——路標、產品標籤、車牌。

Amazon Rekognition Custom Labels

Amazon Rekognition Custom Labels 讓你只需每個類別最少十張標記圖片，即可訓練自訂圖片分類器或物件偵測器。你無需撰寫模型程式碼；Amazon Rekognition 負責訓練、託管與推論。當你的標籤（特定公司商標、生產線上特定瑕疵品）不在 Amazon Rekognition 一般分類系統中時，請使用 Custom Labels。

Amazon Comprehend — 自然語言處理

Amazon Comprehend 是 AWS AI 服務組合中預建的 NLP 項目。它能從數十種語言的非結構化文字中擷取結構化資訊。

情感、實體與關鍵詞彙

Amazon Comprehend 為每份輸入文件回傳情感（正面、負面、中性、混合），以及目標情感（對文字中特定實體的情感——同一則評論中對某一產品正面、對另一產品負面）。實體偵測標記人物、地點、組織、日期、數量、商業項目與事件。關鍵詞彙擷取則提取重要的名詞短語。

PII 偵測與遮蔽

Amazon Comprehend PII 偵測能識別個人識別資訊——姓名、地址、信用卡號碼、社會安全號碼、銀行帳號、電話號碼、電子郵件地址、出生日期——並回傳其位置範圍，以便在記錄或訓練前進行遮蔽。

主題建模

Amazon Comprehend 主題建模將潛在狄利克雷分配（LDA）應用於文件庫，回傳一組主題，每個主題以其頂部詞彙描述。對產品評論、支援工單或研究論文使用主題建模，無需標籤即可發現主題。

自訂分類器與自訂實體識別

Amazon Comprehend 自訂分類器能在你定義的標籤上訓練文字分類器（例如「發票」、「採購單」、「合約」）。自訂實體識別則訓練針對你所在領域特有實體（保單號碼、零件號碼、藥品名稱）的命名實體識別器。兩種選項都需要標記的訓練資料集，但不需要撰寫模型程式碼。

Amazon Translate — 神經機器翻譯

Amazon Translate 是 AWS AI 服務目錄中的神經機器翻譯項目。它可以即時或以非同步批次工作的方式翻譯 75 種以上語言的文字。AIF-C01 考試測驗的重要功能：

• Custom Terminology — 上傳一份包含品牌專屬翻譯（產品名稱、商標）的 CSV 檔，讓引擎永遠不會改寫這些詞彙。
• Active Custom Translation — 提供平行資料（特定領域的來源與目標語段），Amazon Translate 無需完整訓練工作即可為該領域調整輸出。
• 批次翻譯 — 以一個非同步工作翻譯儲存在 Amazon S3 中的大量文件集合。
• 自動來源語言偵測 — 傳入 auto，服務會從輸入中偵測語言。

典型的 AIF-C01 關鍵字：「將產品目錄本地化成多種語言」、「即時聊天翻譯」、「多語言客戶支援」。

Amazon Polly — 文字轉語音

Amazon Polly 將文字轉換為逼真的語音。AIF-C01 考試測驗三個 Amazon Polly 概念：神經 TTS 語音、語音合成標記語言（SSML）與詞彙表。

神經 TTS 語音與長篇語音

Amazon Polly 提供三種語音引擎類別：標準（傳統拼接式語音）、神經 TTS（NTTS，聽起來更像真人的深度學習語音）與長篇語音（針對有聲書、文章等長篇內容最佳化）。生成式語音（較新版本）進一步提升真實感，並在部分語言中提供。在 AIF-C01 考試中，神經與長篇語音是面向客戶音訊的正確選擇；標準語音屬於舊版。

SSML 控制

語音合成標記語言是一種 XML 風格語言，提供對合成語音的精細控制——插入停頓（<break>）、改變說話速度（<prosody rate="slow">）、強調詞彙（<emphasis>）、拼讀縮寫（<say-as interpret-as="characters">）、將數字以數字或基數值發音等。只要題目提到「對發音、音調或停頓的精細控制」，SSML 就是答案。

詞彙表（Lexicons）

Amazon Polly 詞彙表讓你覆蓋特定詞彙的預設發音——例如獨特的品牌名稱或領域專屬縮寫。上傳一份發音詞彙規格（PLS）檔案，Amazon Polly 便會將其套用於所有後續合成請求。當情境說「品牌名稱發音錯誤；我們要如何修正以後所有的請求？」時，詞彙表就是答案。

Amazon Transcribe — 語音轉文字

Amazon Transcribe 以批次與即時串流兩種模式將音訊轉換為文字。AIF-C01 考試測驗一般 Amazon Transcribe 功能以及兩個領域變體：Amazon Transcribe Medical 與 Amazon Transcribe Call Analytics。

即時與批次轉錄

即時（串流）轉錄接受 HTTP/2 或 WebSocket 串流，並以低於一秒的延遲回傳部分逐字稿。批次轉錄在 Amazon S3 中的音訊檔案上執行，數分鐘後回傳完成的逐字稿。兩種模式都支援自動語言識別、自訂詞彙（用於領域術語）、自訂語言模型（以領域文字訓練）、說話者分離（誰在何時說話）、頻道識別（左聲道 vs 右聲道）以及自動標點。

Amazon Transcribe Medical

Amazon Transcribe Medical 針對醫療對話調整——臨床醫師對患者的口述以及臨床醫師之間的對話。它能識別醫療術語（藥品名稱、解剖學、醫療程序），並支援符合 HIPAA 資格的工作負載。

Amazon Transcribe Call Analytics

Amazon Transcribe Call Analytics 將轉錄與情感分析、通話時間比例、問題偵測以及通話後摘要結合，適用於客服中心通話。即時 Call Analytics 在通話期間串流這些訊號；通話後 Call Analytics 則在通話錄音後處理。Call Analytics 與 Amazon Q in Connect 不同——Call Analytics 產生結構化分析資料，Amazon Q in Connect 則在通話中向客服人員耳語建議。

Amazon Textract — 文件 OCR、表單、表格、查詢

Amazon Textract 遠超過單純的 OCR。它能理解文件結構——表單、表格、核取方塊、鍵值對、版面配置元素——並回傳可直接用於後續邏輯的結構化 JSON。

表單、表格與版面配置

AnalyzeDocument 搭配 FORMS 功能會原樣回傳頁面上的鍵值對（「員工姓名：王小明」）。TABLES 回傳帶有列索引和欄索引的表格儲存格。LAYOUT 回傳文件結構元素——標題、標頭、段落、頁尾、頁碼——讓你能夠為 Amazon Bedrock Knowledge Bases 上的下游 RAG 管道智慧地分割文件。

查詢與自訂查詢

QUERIES 功能讓你對文件提出自然語言問題——「應付總金額是多少？」「保單號碼是什麼？」——Amazon Textract 直接擷取答案，省去「解析每個欄位再找到正確欄位」的步驟。Custom Queries 讓你針對一般模型難以處理的文件類型調整查詢；你只需提供少量標記範例，Amazon Textract 就會針對該範本優化擷取效果。

AnalyzeExpense、AnalyzeID 與 AnalyzeLending

Amazon Textract 也提供專為特定文件類型設計的 API：AnalyzeExpense 用於收據與發票（能識別明細項目、廠商、合計）；AnalyzeID 用於政府核發的身分證件（能識別名字、姓氏、出生日期、證件號碼）；AnalyzeLending 用於抵押貸款文件套件（能分類頁面並擷取欄位群組）。

Amazon Kendra — 智慧企業搜尋

Amazon Kendra 是 AWS 人工智慧服務中的企業搜尋項目。它對公司資料來源中的非結構化文件建立索引，並以精確片段和文件層級答案回應自然語言問題。

Amazon Kendra 與向量資料庫的差異

這是 AIF-C01 的經典陷阱。Amazon Kendra 結合語意擷取與關鍵字比對，搭配自有的專屬相關性模型。它不是在 embedding 上回傳近似最近鄰結果的原始向量資料庫——那是 Amazon OpenSearch Service k-NN、Amazon Aurora PostgreSQL with pgvector 或 Amazon Neptune Analytics 的工作。Amazon Kendra 是完成品的搜尋服務；向量資料庫是擷取管道的基礎建構元件。

連接器與常見問題清單

Amazon Kendra 提供 Amazon S3、Microsoft SharePoint、Salesforce、ServiceNow、Confluence、Google Drive、Box、Dropbox、Jira、GitHub 等連接器。管理員也可以上傳常見問題（FAQ）清單，讓 Amazon Kendra 針對常見查詢一字不差地回傳標準答案。

Amazon Kendra 作為 RAG 擷取器

Amazon Kendra 能與 Amazon Bedrock Knowledge Bases 整合作為擷取器，這意味著你可以建立 Retrieval-Augmented Generation 管道——由 Amazon Kendra 找出相關段落，再由 Amazon Bedrock 基礎模型生成最終答案。在 AIF-C01 中，請記住 Amazon Kendra 既是獨立搜尋服務，也是一級 RAG 擷取器。

Amazon Personalize — 即時推薦

Amazon Personalize 建構了與 Amazon.com 相同的推薦技術。提供使用者與項目的互動事件、項目目錄及可選的使用者中繼資料，它就會為你訓練並託管推薦模型。你接著呼叫即時或批次推論端點，取得推薦項目、相關項目或個人化排名。

食譜與領域資料集

Amazon Personalize 提供演算法「食譜」——User-Personalization、Similar-Items、Personalized-Ranking、Trending-Now、Next-Best-Action 等——每種食譜針對特定推薦模式調整。領域資料集為電商和影音隨選點播提供預先設定的結構描述，讓你無需從頭建立。

Amazon Personalize 勝出 vs 自訂的時機

只要企業需要在數週內完成推薦功能、資料科學團隊規模小甚至不存在，且排名問題屬於經典推薦模式，Amazon Personalize 就是贏家。只有當排名問題不尋常（跨競爭業務 KPI 的多目標最佳化）或極大規模的推論成本優化至關重要時，才應改用自訂 SageMaker 模型。對 AIF-C01 而言，推薦使用情境的預設正確答案是 Amazon Personalize。

Amazon Forecast — 時間序列預測

Amazon Forecast 使用多種演算法（ARIMA、Prophet、ETS、DeepAR+、CNN-QR、NPTS）的 AutoML 生成時間序列預測。你提供歷史時間序列資料及可選的相關時間序列與項目中繼資料；Amazon Forecast 選出最佳演算法，並輸出帶有信賴區間的預測結果。

使用情境：零售庫存預測、人力規劃、財務指標預測、IoT 容量規劃。只要情境提到「時間序列」、「需求」、「容量規劃」或「每週/每月/每日預測」，且團隊不想撰寫預測程式碼，Amazon Forecast 就是 AIF-C01 的答案。

注意：Amazon Forecast 自 2024 年起進入維護模式（新客戶被引導至 Amazon SageMaker Canvas 及專屬預測食譜），但該服務仍在 AIF-C01 考綱範圍內，AWS 也持續支援現有客戶。考試中看到 Amazon Forecast 選項時，請視之為有效的正確答案。

Amazon Fraud Detector — 線上詐欺偵測

Amazon Fraud Detector 是用於偵測詐欺性線上交易、假帳號與促銷濫用的 AWS 管理型人工智慧服務。你上傳歷史事件（標記為「詐欺」vs「正常」），選擇一個模型範本——Online Fraud Insights、Transaction Fraud Insights 或 Account Takeover Insights——Amazon Fraud Detector 便會為你訓練並託管模型。你接著透過你撰寫的規則加上訓練好的模型來評估新事件，服務會回傳詐欺分數與處理結果。

只要情境描述「偵測詐欺」且團隊不想建立端到端 ML 系統，Amazon Fraud Detector 就是考試答案。只有當詐欺模式特殊到超出 Amazon Fraud Detector 範本所能支援的範圍，或團隊已有成熟的反詐欺 ML 實踐，才有理由改用 Amazon SageMaker 上的自訂模型。

Amazon Augmented AI（A2I）— 人工參與迴路

Amazon Augmented AI（Amazon A2I）是人工參與迴路工作流程服務，將低信心的 ML 預測轉交給人工審核者。A2I 不是一個模型；它是工作流程協調者。

A2I 的運作方式

你定義一個「流程定義」，其中指定：

1. 觸發條件——例如 Amazon Rekognition 審核結果的信心低於閾值。
2. 人工工作團隊——你的私人勞動力、廠商勞動力或 Amazon Mechanical Turk。
3. UI 範本——人工審核者看到的任務頁面。
4. 下游行動——將審核者的決定寫回 Amazon S3。

內建整合與自訂迴路

A2I 提供適用於 Amazon Rekognition（圖片審核審核）與 Amazon Textract（表單鍵值對審核）的內建任務類型。對於任何其他推論——SageMaker 端點、Bedrock 基礎模型輸出——當信心低於閾值時，你可透過呼叫 StartHumanLoop API 建立自訂 A2I 迴路。

A2I 是正確考試答案的時機

只要情境需要以下任一條件，A2I 就是 AIF-C01 的正確答案：

• 在低信心 ML 預測正式上線前進行人工驗證。
• 為邊緣案例標記 ground truth 以進行週期性模型重訓。
• 要求「人工參與迴路」處理高影響決策的法規遵循模式。

預建 AWS AI 服務何時勝過自訂模型

AIF-C01 Task 3.1 要求你在 AWS AI 服務與建構於 Amazon SageMaker 或 Amazon Bedrock 之上的自訂模型之間做出選擇。以下決策框架適用於考試中的大多數情境。

預建 AWS AI 服務勝出的時機：

• 任務可清楚對應到現有服務（圖片標籤、情感分析、翻譯、OCR、轉錄、推薦、預測、詐欺偵測、企業搜尋、客服中心助理）。
• 團隊沒有資料科學或 ML 工程資源。
• 價值實現時間以天或週衡量，而非以月計算。
• 服務回傳的標籤與輸出結構描述已足夠。
• 資料量適中到龐大，但無特殊需求（不需要十億規模的訓練需求）。
• 按用量付費的每次推論成本可接受。

自訂模型勝出的時機：

• 輸出標籤不在預建分類系統中，且 Amazon Rekognition Custom Labels 或 Amazon Comprehend 自訂分類器無法以少量標記資料彌補差距。
• 業務 KPI 獨特（跨競爭業務指標的多目標推薦排名、新型詐欺模式、專有訊號）。
• 極大規模使得每次推論成本低於管理型服務所能提供的水準。
• 嚴格的資料落地或地端部署要求超出 AWS AI 服務所能提供的範圍。
• 團隊具備成熟的 MLOps 實踐與明確的模型所有權。

考試預設是「優先選擇預建服務」。當題目說「團隊沒有機器學習經驗」，答案幾乎總是 AWS AI 服務或 Amazon Q，而不是 Amazon SageMaker。當題目說「在專有資料上建立自訂模型」，答案是 Amazon SageMaker 或 Amazon Bedrock 加微調——但即便如此，仍應先確認 AWS AI 服務上的 Custom Labels 或自訂分類器是否已能解決問題。

服務對使用情境決策樹

記住這張名詞對服務的速查表。在 AIF-C01 上，它涵蓋超過八成的 Amazon Q 與 AWS AI 服務情境題。

• 「附引文查詢公司文件的聊天功能」→ Amazon Q Business。
• 「VS Code 內的程式碼協助」→ Amazon Q Developer。
• 「用白話提問 BI 儀表板」→ Amazon Q in QuickSight。
• 「為客服人員即時推薦下一個最佳回應」→ Amazon Q in Connect。
• 「偵測使用者上傳的圖片與影片中的不當內容」→ Amazon Rekognition 內容審核。
• 「臉部登入」→ Amazon Rekognition 臉部集合與 SearchFacesByImage。
• 「照片的物件與場景標籤」→ Amazon Rekognition DetectLabels。
• 「針對我們的瑕疵類別建立自訂圖片分類器」→ Amazon Rekognition Custom Labels。
• 「客戶評論情感分析」→ Amazon Comprehend 情感分析。
• 「歸檔前偵測聊天紀錄中的 PII」→ Amazon Comprehend PII 偵測。
• 「找出一萬筆支援工單中的主題」→ Amazon Comprehend 主題建模。
• 「將收到的電子郵件分類為發票、採購單或合約」→ Amazon Comprehend 自訂分類器。
• 「即時聊天翻譯」→ Amazon Translate。
• 「將產品目錄本地化成十五種語言並保留品牌名稱」→ Amazon Translate 搭配 Custom Terminology。
• 「生成逼真的有聲書朗讀」→ Amazon Polly 長篇語音。
• 「精細控制停頓、音調與發音」→ Amazon Polly 搭配 SSML。
• 「覆蓋品牌名稱的發音」→ Amazon Polly 詞彙表。
• 「以低於一秒的延遲轉錄即時客戶通話」→ Amazon Transcribe 串流。
• 「醫師口述」→ Amazon Transcribe Medical。
• 「含情感分析與問題偵測的通話後分析」→ Amazon Transcribe Call Analytics。
• 「從掃描發票中擷取表格與鍵值對」→ Amazon Textract AnalyzeDocument 搭配 FORMS + TABLES。
• 「直接以自然語言提問文件」→ Amazon Textract Queries。
• 「解析駕照」→ Amazon Textract AnalyzeID。
• 「跨 SharePoint、Confluence 與 S3 的智慧內部搜尋」→ Amazon Kendra。
• 「電商產品推薦」→ Amazon Personalize User-Personalization 食譜。
• 「預測每個 SKU 的每週需求」→ Amazon Forecast。
• 「在結帳過程中偵測假交易」→ Amazon Fraud Detector Transaction Fraud Insights。
• 「將低信心的 Rekognition 審核結果轉交給人工審核者」→ Amazon Augmented AI（A2I）內建 Rekognition 任務類型。

常見考試陷阱 — Amazon Q 與 AWS AI 服務

以下每個陷阱都曾出現在 AIF-C01 的社群考後報告中。

陷阱一 — Amazon Q Business vs Amazon Bedrock

Amazon Q Business 是附有聊天介面與內建連接器的完成品。Amazon Bedrock 是開發者 API。如果題目說「非技術員工透過聊天介面查詢人資文件，不需要寫程式」，答案是 Amazon Q Business。如果題目說「開發者使用 Claude 3 基礎模型建立自訂生成式 AI 功能」，答案是 Amazon Bedrock。

陷阱二 — Amazon Q Developer vs Amazon CodeGuru

Amazon Q Developer 是能在 IDE 中撰寫、解釋、審查和升級程式碼的生成式 AI 程式碼助理。Amazon CodeGuru Reviewer 與 CodeGuru Profiler 分析程式碼品質與執行期效能，但不生成程式碼。如果題目說「建議程式碼補全並撰寫單元測試」，答案是 Amazon Q Developer。如果題目說「找出生產環境 Java 應用程式的 CPU 瓶頸」，答案是 Amazon CodeGuru Profiler。

陷阱三 — Amazon Kendra vs 向量資料庫

Amazon Kendra 是完成品的搜尋服務。向量資料庫（Amazon OpenSearch k-NN、Amazon Aurora pgvector、Amazon Neptune Analytics）是用於儲存 embedding 的基礎建設元件。如果題目說「附連接器的托管智慧文件搜尋」，答案是 Amazon Kendra。如果題目說「為自訂 RAG 應用程式儲存與查詢 embedding」，答案是向量資料庫服務。

陷阱四 — Amazon Lex vs Amazon Q vs Amazon Bedrock

Amazon Lex 建立意圖與槽位聊天機器人（Alexa 引擎——非 LLM）。Amazon Q 是生成式 AI 助理。Amazon Bedrock 是基礎模型 API。如果題目說「使用確定性意圖與槽位流程預約的聊天機器人」，答案是 Amazon Lex。如果題目說「跨公司文件的自由形式對話助理」，答案是 Amazon Q Business。如果題目說「將 Claude 驅動的聊天機器人嵌入行動 App」，答案是 Amazon Bedrock。

陷阱五 — Amazon Comprehend PII vs Amazon Macie PII

Amazon Comprehend PII 偵測你傳入 API 的文字中的個人識別資訊（串流管道）。Amazon Macie 探索靜態存放在 Amazon S3 物件中的 PII（資料治理掃描）。相同的詞彙，不同的使用場景。串流 → Comprehend。儲存貯體 → Macie。

陷阱六 — Amazon Textract Queries vs Amazon Bedrock + RAG

Amazon Textract Queries 使用內建擷取功能回答文件的事實性問題。Amazon Bedrock 加 RAG 使用擷取加生成的方式回答跨文件庫的自由形式問題。如果題目說「以一次 API 呼叫從這份文件中擷取發票總金額」，答案是 Amazon Textract Queries。如果題目說「以白話回答跨一萬份文件的任意問題」，答案是 Amazon Bedrock Knowledge Bases（RAG）或 Amazon Q Business。

陷阱七 — Amazon Transcribe Call Analytics vs Amazon Q in Connect

Amazon Transcribe Call Analytics 生成通話的結構化分析資料（情感、問題偵測、通話時間）——批次或即時皆可。Amazon Q in Connect 在即時通話中向客服人員耳語下一個最佳回應建議。相同領域（客服中心），不同任務。分析 → Call Analytics。客服助理 → Q in Connect。

陷阱八 — Amazon Augmented AI（A2I）是工作流程，不是模型

A2I 不做任何預測。它將低信心預測轉交給人工審核者。如果題目將 A2I 定位為推論引擎，那就是干擾選項。

Amazon Q 與 AWS AI 服務的定價模式概覽

AIF-C01 要求你識別定價類別，而非記住費率表。

• Amazon Q Business — 按使用者每月訂閱（Business Lite 與 Business Pro 方案）。
• Amazon Q Developer — 免費方案加上 Pro 按使用者每月計費。
• Amazon Q in QuickSight — Amazon QuickSight 作者與讀者定價加上 Amazon Q 附加元件。
• Amazon Q in Connect — 在 Amazon Connect 中按使用者每月計費。
• Amazon Rekognition — 按圖片張數與影片分鐘數計費；Custom Labels 另計訓練與推論小時數。
• Amazon Comprehend — 標準 API 按單位（100 個字元）計費；自訂模型訓練工作按小時計費。
• Amazon Translate — 按翻譯字元數計費。
• Amazon Polly — 按合成字元數計費；神經與長篇語音比標準語音費用更高。
• Amazon Transcribe — 按音訊秒數計費；Medical 與 Call Analytics 另行定價。
• Amazon Textract — 按頁面數計費；AnalyzeDocument 搭配 FORMS/TABLES 比純文字偵測費用更高；Queries 按每頁每次查詢計費。
• Amazon Kendra — 按每個索引每小時計費（Developer 與 Enterprise 版本）。
• Amazon Personalize — 訓練小時數加上推論 TPS 小時數。
• Amazon Forecast — 按生成的預測點數加上訓練小時數計費。
• Amazon Fraud Detector — 按每次預測加上訓練與儲存費用計費。
• Amazon Augmented AI（A2I） — 按每個審核物件計費，加上底層人工勞動力費用（Mechanical Turk 或私人勞動力）。

AIF-C01 考試不會問確切費率，但會問「Amazon Q Business 適用哪種定價模式？」（按使用者每月計費）或「Amazon Rekognition Custom Labels 的費用由什麼驅動？」（訓練小時數加上託管小時數加上推論量）。

安全性與資料隱私態勢

Amazon Q 與 AWS AI 服務共享一個你應該認識的安全態勢：

• 你傳送的資料在傳輸中加密（TLS），靜態也加密（預設使用 AWS 管理的 KMS 金鑰，支援的情況下可使用客戶管理的 KMS 金鑰）。
• 傳送至 Amazon Q Business、Amazon Q Developer 與 AWS AI 服務的資料，除非你明確選擇加入，否則不會用於訓練底層基礎模型或 AWS 管理的模型。
• IAM 政策控制哪些身分可以對哪些資源呼叫哪些動作；Amazon Q Business 進一步支援 AWS IAM Identity Center 的人員身分，從來源系統保留每份文件的存取控制。
• 許多 AWS AI 服務支援 VPC 端點（AWS PrivateLink），使流量永遠不會跨越公共網際網路。
• HIPAA 資格依服務逐一記錄——Amazon Transcribe Medical、Amazon Comprehend Medical 以及許多一般 AWS AI 服務在簽署商業夥伴協議（BAA）的情況下符合 HIPAA 資格。

在 AIF-C01 中，如果題目問「使用 Amazon Q Business 時如何保護客戶資料隱私？」正確框架結合「資料不用於訓練模型」、「傳輸中與靜態加密」、「IAM Identity Center 強制執行每份文件的存取控制」以及「可使用 VPC 端點」。

與 Amazon Bedrock 及 Amazon SageMaker 的整合模式

Amazon Q 與 AWS AI 服務並非獨立存在——它們可以相互組合。

• Amazon Q Business + Amazon Bedrock Knowledge Bases — Amazon Q Business 本身就是一種托管的 RAG 模式，但當團隊需要在 Amazon Q Business 聊天介面旁邊提供開發者可控的 RAG 介面時，有時會以 Amazon Bedrock Knowledge Bases 作為補充。
• Amazon Textract + Amazon Bedrock — Amazon Textract 擷取結構化內容（版面、表格、鍵值對），再輸入 Amazon Bedrock 基礎模型進行摘要、分類或問答。這是標準「文件 AI」模式。
• Amazon Transcribe + Amazon Comprehend + Amazon Bedrock — 轉錄通話、擷取實體與情感，再使用基礎模型生成通話摘要。這是標準「客戶聲音」模式。
• Amazon Rekognition + Amazon Augmented AI — Amazon Rekognition 審核標記不當內容；A2I 將低信心偵測轉交給人工審核者。
• Amazon Kendra + Amazon Bedrock — Amazon Kendra 擷取段落；Amazon Bedrock 生成最終答案。這是 Amazon Bedrock Knowledge Bases 支援的一級 RAG 模式。
• Amazon Personalize + Amazon SageMaker — 先用 Amazon Personalize 快速上線；只有當排名問題超出 Personalize 食譜所能處理時，才遷移至自訂 SageMaker 模型。

AIF-C01 偶爾會描述組合模式。看到「從合約中擷取結構化資料，然後回答任意問題」，想到 Amazon Textract + Amazon Bedrock。看到「搜尋企業文件並生成附引文的答案」，想到 Amazon Kendra + Amazon Bedrock，或 Amazon Q Business（已將兩者封裝在一起）。

常見問答 — Amazon Q 與 AWS AI 服務熱門問題

AIF-C01 上 Amazon Q Business 與 Amazon Q Developer 有何差異？

Amazon Q Business 是面向非技術員工的企業知識助理；它連接文件庫並附引文回答問題。Amazon Q Developer 是面向軟體工程師的程式碼助理；它運行於 IDE、AWS Management Console 與 AWS CLI 中，能撰寫、解釋、審查和升級程式碼。兩者都是 Amazon Q 版本；兩者都建構在 Amazon Bedrock 之上；差異在於使用者角色與使用介面。

我何時應選擇 Amazon Q 而非 Amazon Bedrock 加自訂基礎模型？

當使用情境符合標準助理模式（企業問答、程式碼協助、BI 敘事、客服中心助理），且你希望第一天就有附介面的完成品時，選擇 Amazon Q。當你需要客製化 UX、自訂編排、精細模型選擇，或將生成式 AI 嵌入自己應用程式時，選擇 Amazon Bedrock。Amazon Q 是產品；Amazon Bedrock 是 Amazon Q 建構其上的平台。

Amazon Kendra 是向量資料庫嗎？

不是。Amazon Kendra 是企業搜尋產品，結合語意擷取、關鍵字比對與 AWS 專屬相關性模型。向量資料庫（Amazon OpenSearch k-NN、Amazon Aurora pgvector、Amazon Neptune Analytics）儲存原始 embedding 向量並回傳近似最近鄰。Amazon Kendra 是完成品服務；向量資料庫是你組裝到自訂 RAG 管道中的元件。在 AIF-C01 中，當題目詢問向量儲存時，請勿回答「Amazon Kendra」。

Amazon Comprehend PII 偵測與 Amazon Macie PII 偵測有何差異？

Amazon Comprehend PII 偵測在你傳入 API 的文字上執行——它是處理串流文字的 NLP 管道服務。Amazon Macie 在 Amazon S3 物件上執行——它是掃描靜態儲存貯體以探索和分類敏感資料的資料治理服務。相同名詞，不同使用場景。考試陷阱取決於情境描述的是傳輸中的文字還是靜態存放的資料。

Amazon Rekognition Custom Labels 何時優於一般 Amazon Rekognition API？

當你的標籤是常見的（狗、車、海灘、人）時，使用一般 Amazon Rekognition DetectLabels。當你的標籤特定於你的領域（生產線上某種特定瑕疵模式、特定公司商標）且不在一般分類系統中時，使用 Amazon Rekognition Custom Labels。Custom Labels 每個類別最少只需十張標記圖片，仍無需撰寫模型程式碼。只有在 Custom Labels 無法達到可接受準確度時，才有必要使用完全自訂的 Amazon SageMaker 視覺模型。

什麼是 Amazon Augmented AI（A2I）？它何時是 AIF-C01 的正確答案？

Amazon Augmented AI（A2I）是人工參與迴路工作流程服務，將低信心的 ML 預測轉交給人工審核者。它不是一個模型；它是一個協調器。當情境需要人工驗證低信心預測、為邊緣案例標記 ground truth，或遵循要求對高影響決策進行人工審核的法規遵循模式時，A2I 是 AIF-C01 的正確答案。A2I 提供適用於 Amazon Rekognition 與 Amazon Textract 的內建任務類型，並支援任何推論（SageMaker、Bedrock 或外部）的自訂迴路。

Amazon Forecast 進入維護模式後，在考試中仍是有效答案嗎？

在 AIF-C01 上是的。Amazon Forecast 仍在考試考綱中，AWS 也持續支援現有 Amazon Forecast 客戶。當考試在時間序列預測情境中將 Amazon Forecast 列為選項時，它是有效的正確答案。新 AWS 客戶被引導至 Amazon SageMaker Canvas 進行預測，但你在考試中仍應能識別 Amazon Forecast。

Amazon Q Business 會使用我的資料訓練其基礎模型嗎？

不會。Amazon Q Business 不會使用客戶資料（文件、對話，或你透過連接器接入的任何資料）來訓練底層基礎模型。你的資料保留在你的 AWS 帳戶中，僅用於回答你的問題。「你的資料不用於訓練」這項保證延伸至大多數 AWS AI 服務和 Amazon Bedrock，也是 AIF-C01 的常考事實。