AWS Machine Learning Engineer Associate（MLA-C02）備考路徑：107 條技能裡有 45 條是新加的

🌏 English version

本文是從官方資料建出來的備考路徑，不是應考實錄，作者沒有報考這張考試。所有「考什麼」都指回 AWS 官方 exam guide，不含考古題。查證日期：2026-10-08。

AWS 的 ML Engineer Associate 換版了。依官方的新舊對照頁，英文版的 MLA-C01 用到 2026 年 9 月 28 日，MLA-C02 從 9 月 29 日開始。四章的權重幾乎沒動，但每一章的名稱都多了「AI」或「FM」兩個字，這次改版的方向就在那兩個字裡：它不再只是 SageMaker 上的傳統 ML 考試。

這張與另外兩張 AWS AI 證照的取捨，見站內的 AWS 三張 AI 證照怎麼選。

這張適合誰

官方 exam guide 的目標考生描述：

The target candidate should have at least 1 year of experience using Amazon SageMaker AI, Amazon Bedrock, and other AWS services for ML engineering… The candidate should have experience with both traditional ML and generative AI (GenAI).

另外要有一年後端、DevOps、資料工程或資料科學這類相關職務的經驗。

適合：在 AWS 上負責把模型送上線並維運的工程師，而且手上同時有傳統 ML 模型與生成式 AI 應用。

不適合：只做生成式 AI 應用、不碰模型訓練的人，那比較接近 AIP-C01。官方也列了四項不在目標考生範圍內的工作：設計完整的端到端 AI 與 ML 方案、訂定最佳實務與 ML 策略、整合大量服務或新工具、深入兩個以上的 ML 領域。也就是說它考執行，不考架構決策。

其他雲的對應考試是微軟的 AI-300 與 Google PMLE。

官方規格速覽

beta 與正式版的規格不同，分開列：

項目	beta（現在能報名的）	正式版（依 exam guide）
考試代碼	ME1-C02	MLA-C02
時間	170 分鐘	官方尚未公布（MLA-C01 是 130 分鐘）
題數	85 題	65 題（50 題計分 + 15 題不計分）
費用	$75 USD（beta 價）	$150 USD（官方價目表的 Associate 級定價）
及格	官方未公布 beta 的及格分數	720（量尺 100–1,000）
語言	僅英文	英文，另加日文、韓文、簡體中文
題型	單選、複選	單選、複選
效期	3 年	3 年

beta 欄取自官方認證頁。正式版欄的題數、及格分數與題型取自 exam guide，語言與效期取自認證頁。沒有繁體中文，本系列的 AWS 證照裡只有 AIF-C01 有。

計分方式是補償計分，exam guide 寫「you do not need to achieve a passing score in each section」，單章不設門檻，只看總分。複選題要全對才得分，答錯不倒扣。

四章權重

章	MLA-C02	MLA-C01
1. Data Preparation for ML and AI	28%	28%
2. ML Model and Foundation Model (FM) Development	24%	26%
3. Deployment and Orchestration of ML and AI Workflows	24%	22%
4. Operating, Monitoring, and Securing ML and AI Solutions	24%	24%

第二章降 2%、第三章升 2%，其餘不變。真正的變化在章節底下的技能條目。

C01 到 C02：加了什麼、刪了什麼

官方對照頁逐條列出。四章現在共 107 條技能，其中 45 條是 C02 新增的：

章	現有技能數	其中新增
第一章	25	10
第二章	27	11
第三章	30	15
第四章	25	9

新增最多的是第三章（部署與編排）。

刪掉的 7 條：把資料載入訓練資源的設定（EFS、FSx）；用自訂資料集微調預訓練模型（Bedrock、SageMaker JumpStart）；縮小模型（剪枝、壓縮）；用 SageMaker Neo 做邊緣裝置最佳化；自帶容器（BYOC）；用 EventBridge 監控基礎架構；容量問題的除錯。

判斷舊教材還能用多少：107 條裡有 62 條不在官方的新增清單上，所以 C01 的教材最多蓋得住約六成。實際會更少，因為這 62 條裡有些也改寫過、加進了生成式 AI 的內容（例如監控那條現在寫的是 CloudWatch 的生成式 AI 可觀測性）。缺的部分集中在生成式 AI，而且舊教材會教已刪除的 SageMaker Neo 與 BYOC。

逐章準備

第一章：Data Preparation for ML and AI（28%，最重）

官方考什麼，三個 task，以下列的是各 task 的重點條目，不是全部：

• 蒐集與儲存資料：從 S3、RDS、DynamoDB、OpenSearch 等來源擷取；依成本、效能與合規選儲存；串流擷取（Kinesis、Flink、Kafka）；資料格式（Parquet、JSON、CSV、ORC）；設定可擴展的向量資料庫（OpenSearch Service、RDS 搭配 pgvector、S3）；擷取文字、圖片、音訊等多種資料；寫入 SageMaker Feature Store。
• 轉換與特徵工程：Glue、DataBrew、EMR 上的 Spark、Data Wrangler；特徵工程（標準化、分箱、對數轉換）；設定並使用 embedding 模型；為 RAG 準備文件（chunking 策略、metadata 擷取）；遮蔽與匿名化；為基礎模型的微調、持續預訓練與蒸餾準備資料。
• 資料品質與偏差：驗證資料品質；標註；辨識並緩解偏差；處理類別不平衡；驗證 AI 訓練資料的完整性（prompt 與回應的配對驗證、內容安全篩檢）；清理資料。

怎麼準備：這章一半是傳統資料工程，一半是 RAG 的前處理。練習：拿同一批文件，一邊走 Glue 到 Feature Store 的路，一邊走 chunking 到 embedding 再進向量資料庫的路，兩條都做一次。

第二章：ML Model and Foundation Model (FM) Development（24%）

官方考什麼：

• 選模型與做法：依任務需求從 Amazon Bedrock 挑基礎模型；辨識微調策略；在自建、受管服務、預訓練模型與基礎模型之間取捨；選 RAG 架構模式；模型效能、訓練時間、延遲與成本的取捨；用 AWS AI 服務（Textract、Rekognition、Comprehend、Transcribe）解決特定問題。
• 訓練與客製：SageMaker AI 內建演算法與 script mode；超參數最佳化（automatic model tuning）；縮短訓練時間（early stopping、分散式訓練）；防止過擬合、欠擬合與災難性遺忘；客製技巧（依任務的 prompt engineering、微調）；最佳化檢索元件與 embedding 模型。
• 評估：可重現的實驗（SageMaker AI 上的 MLflow、Bedrock evaluations、Bedrock Prompt Management）；基準與漂移偵測；shadow variant；解釋模型輸出；人工評估框架；NLP 評估指標（BLEU、ROUGE、BERTScore、語意相似度）；LLM-as-a-judge；RAG 系統監控，含檢索準確度評估。

怎麼準備：這章新增最多的是選模型那組（8 條裡 5 條是新的），評估那組則加了四條生成式 AI 的評估技能。四個 NLP 指標要能各說出「量的是什麼、什麼情況下會失準」。RAG 的評估方法在站內的 RAG 與檢索評估的考點交集整理過。

第三章：Deployment and Orchestration of ML and AI Workflows（24%）

官方考什麼：

• 部署基礎架構：選運算環境與部署目標；多模型或多容器部署；即時與批次推論；基礎模型的部署選項；把 AWS 以外建的模型部署進來（Bedrock Custom Model Import）；部署並設定 agent，含與其他服務的整合與 agent 通訊協定；RAG 的檢索策略與 reranking。
• 佈建與設定資源：隨需與佈建資源的取捨；容器；VPC 內的 SageMaker AI 端點；自動擴展的指標選擇；建立並管理 Bedrock knowledge base；檢索 pipeline；agent 的狀態管理；GPU 工作負載的擴展；部署 agentic workflow 的基礎架構。
• CI/CD 與編排：自動化部署與回復；CodeBuild、CodeCommit、CodeDeploy、CodePipeline、CodeConnections；重新訓練的機制；模型版本管理（SageMaker Model Registry）；管理 prompt（Bedrock Prompt Management）；agent 的自動化部署 pipeline 與版本管理；prompt 測試；RAG 系統更新與 knowledge base 重新整理的 pipeline 編排。

怎麼準備：這章新增了 15 條，agent 的條目主要在這裡。練習：做一個接 Bedrock knowledge base 的 agent，用 CodePipeline 部署它，然後改一次 prompt、發一個新版本、再回復。

第四章：Operating, Monitoring, and Securing ML and AI Solutions（24%）

官方考什麼：

• 監控：CloudWatch 的生成式 AI 可觀測性、Bedrock Model Evaluation、漂移偵測；資料分布變化；A/B 測試；agent 的效能與協調監控（協調失敗偵測、串流被截斷、工具失敗）。
• 成本與效能：推論執行個體家族的選擇；CloudWatch、Bedrock AgentCore Observability、X-Ray；儀表板；購買選項；基礎模型推論的成本；agent 的資源消耗；AI 特有的成本型態（token 用量、embedding 運算成本、向量資料庫儲存）。
• 資安：CI/CD 的程式碼與映像檔弱點掃描；最小權限；IAM 政策與角色；CloudTrail 與 Config；VPC 隔離；存取基礎模型的憑證類型（Bedrock API key、IAM 憑證）；Bedrock Guardrails。

怎麼準備：成本那組與站內的成本、延遲與可用性的考點交集重疊。練習：把第三章做的 agent 接上 CloudWatch 與 AgentCore Observability，找出一次完整呼叫的 token 用量與最慢的步驟。

八週時程與換算依據

換算方式：107 條技能，四章各 25 到 30 條，分布平均，所以每章給差不多的時間。它要求同時有傳統 ML 與生成式 AI 的實作經驗，兩邊都得動手，以每週 6–8 小時估算是八週。

週次	內容	依據
第 1 週	通讀 exam guide 與新舊對照頁，標出自己不熟的新增條目	45 條新增是舊經驗補不到的
第 2–3 週	第一章（28%）	最重，傳統資料工程與 RAG 前處理各一半
第 4–5 週	第二章（24%）	選模型與評估兩組都有大量新增
第 6 週	第三章（24%）	做一個 agent 並用 pipeline 部署
第 7 週	第四章（24%）	監控、成本、資安接在同一個專案上
第 8 週	官方練習題與補弱	認證頁列了官方的練習題組、前測與練習考試

只做過傳統 ML 的人，把時間往第三、四章的 agent 與基礎模型條目挪；只做過生成式 AI 的人，把時間往第一、二章的特徵工程與訓練挪。

官方的備考入口是 AWS Skill Builder 的 MLA-C02 考試準備頁。

失敗成本：依 AWS 的重考政策，沒過要等 14 個日曆天，每次重新付費。beta 的規則不同：依 AWS 的考前政策，beta 版只能考一次，沒過要等正式版上線才能再考。所以 beta 省下的 $75 是用「只有一次機會」換的，還沒準備好的人等正式版比較划算。

這張的已知陷阱

1. beta 與正式版的規格不一樣。 beta 是 85 題、170 分鐘，exam guide 寫的正式版是 65 題。多出來的題目算不算分，官方兩頁說法不同：認證頁寫 beta 多的題目是統計評估用、不影響分數；AWS 的通用考前政策則寫 beta 的總題數與計分題數都比正式版多。考綱兩者相同，以 exam guide 為準。
2. 兩個代碼是同一張。 MLA-C02 是新版認證的名稱，ME1-C02 是目前 beta 的考試代碼，認證頁兩個並列。
3. beta 的及格分數沒有公布。 exam guide 在「考試結果為及格或不及格」那句加了註腳，說明不適用 beta 版；720 是正式版的及格線。成績則和正式版一樣，考完 5 個工作天內提供。
4. 非英文考生現在沒有新版可考。 日文、韓文、簡體中文的 MLA-C01 會留到 C02 正式上線為止，C02 的這三種語言也要到正式上線才有。
5. 舊教材會教已刪除的內容。 SageMaker Neo、BYOC、模型壓縮這三條已從考綱移除，但容器本身還在考（3.2.3 建置與維護容器）；向量資料庫、Bedrock、agent 則是舊教材沒有的。

考完之後：三年效期

效期三年。依 AWS 的續期頁，續期有三條路：重考最新版的 MLA、考過 AIP-C01（兩者各延長三年），或在 AWS Skill Builder 上維持認證（需付費訂閱，延長一年）。考過最新版 MLA 也能把 AIF-C01 一起續掉。完整的續期關係圖在 AWS 三張 AI 證照怎麼選。

會過期的東西（下次複查看這裡）

項目	現況（2026-10-08 查證）	什麼時候要重查
考試狀態	英文 beta，代碼 ME1-C02	每月，直到正式上線
正式版的價格	$150（Associate 級定價）	每半年
正式版的考試時間	官方尚未公布	正式上線時
四章權重	28 / 24 / 24 / 24	每次改版
技能條目數	107 條，其中 45 條新增	每次改版
其他語言	日、韓、簡中待正式上線；無繁中	正式上線時

參考資料

• AWS Certified Machine Learning Engineer – Associate 認證頁
• MLA-C02 官方 exam guide
• MLA-C01 與 MLA-C02 對照頁（新增、刪除與重新分類）
• AWS Skill Builder：MLA-C02 考試準備
• AWS Certification：考前政策（價目表與 beta 考試規則）
• AWS Certification：考後政策（重考）
• AWS Certification：續期選項

站內相關

• AWS 三張 AI 證照怎麼選
• AWS GenAI Developer Professional（AIP-C01）備考指南
• AWS AI Practitioner（AIF-C01）備考路徑
• 微軟 AI-300 備考路徑
• RAG 與檢索評估的考點交集