测试错题要点（二）

01

五格作答罗盘

每题先回答这五个问题，再在选项中寻找服务名。

01 · TARGET

预测目标是什么

类别、连续数值、未来序列、异常分数，还是降维后的表示？输出类型先决定问题族。

02 · VERB

题目要求哪个动作

检测、比较、搜索、索引、转换、解密、轮换和监控不是同义词。

03 · STAGE

发生在哪个阶段

训练前偏差、训练后公平性、在线推理、部署验证和运行监控需要不同证据。

04 · LAYER

缺的是哪一层

数据访问、KMS 解密、网络路径、模型注册、端点流量和仪表盘展示要逐层判断。

05 · IMPACT

候选结果影响用户吗

返回用户的是在线 A/B；只复制请求的是 shadow；逐步替换 fleet 是发布 guardrail。

02

可靠、可迁移的规则

按决策边界归纳，不按题号背答案。

模型与评估：先定义输出，再诊断误差

题干信号	稳定判断	优先行动	不要混淆
预测“是/否”Q2	二分类	逻辑回归是可解释的基线；若数据复杂，再比较树模型等候选。	线性回归预测连续值；PCA 做降维；无标签罕见模式才优先异常检测。
训练表现好，验证或新数据差Q23 · Q55	高方差、过拟合	降低树深、加强 L1/L2、提高叶节点约束、行列采样、早停，并检查无关或泄漏特征。	高偏差是模型过于简单导致的欠拟合；“只改 `max_depth`”不是通用唯一答案。
少数类重要或错误成本不对称Q19 · Q55	先把代价翻译成 FP/FN	漏报贵看 recall，误报贵看 precision；两者都重要看 F1、PR-AUC 与生产阈值。	不要仅看 Accuracy，也不要因为出现“欺诈”就自动选择异常检测。
要求群体公平Q19	区分训练前数据偏差与训练后结果公平性	按群体同时检查性能与适合风险语义的公平指标；相似 TPR 对应 equal opportunity 思路。	比较特征分布只能发现数据层差异，不能单独证明模型结果公平。
同一提示的生成结果波动Q10	采样随机性过高	降低 temperature，并按模型支持情况降低 top-K 或 top-P；先核对该模型的参数范围。	缓存只会对命中的相同请求重放旧结果，不能普遍消除生成随机性，还可能带来陈旧回复。

官方依据：XGBoost hyperparameters、Clarify post-training bias metrics、Bedrock inference parameters。

数据与权限：规模、访问模式和授权层必须同时满足

题干信号	稳定判断	优先行动	不要混淆
超大规模、多源、复杂分布式转换Q22	Spark/EMR 类工作负载	长时间、复杂、海量作业看 EMR cluster；短时或间歇 Spark 看 EMR Serverless。	Data Wrangler 适合可视化表格准备；Studio SQL 适合 SQL 探索；Ground Truth 负责标注。
SageMaker 读取 SSE-KMS 的 S3 对象Q14	对象访问与密钥使用是两道授权门	执行角色需要对象上的 `s3:GetObject` 和 KMS key 上的 `kms:Decrypt`；同时核对 key policy、账号边界和显式拒绝。	`s3:GetBucketAcl` 不能读取对象；安全组解决网络路径，不授予 S3 或 KMS 权限。
训练时做标准化，线上要复用Q45	fit on train, transform everywhere	只在训练数据上拟合均值、标准差或编码器，持久化 fitted artifact，并在验证、测试和推理中复用。	不要在每个线上批次重新计算统计量；仅保存“步骤名称”不等于保存已拟合参数。
隐藏 PII 但保留文本或表结构Q48	需要识别后 masking/redaction/tokenization	文本 PII 可用 Comprehend 定位或异步 redact；表格转换再由受控 ETL/Data Wrangler 流程处理。	静态加密保护存储，不会让授权读取者看到去标识化内容；删除整列也不等于保留结构。
DynamoDB 数据进入分析或训练Q50	先判断 key access 还是 full-table snapshot	按键、小规模交互读取用 SDK；大规模全表分析或训练快照优先导出到 S3，再交给 Athena、Glue、EMR 或 SageMaker。	不要对“大型数据集”默认做 DynamoDB Scan；托管导出不消耗 RCU，也不影响表性能。

官方依据：选择数据准备工具、EMR data preparation、SSE-KMS permissions、Data Wrangler inference artifact、DynamoDB export to S3。

部署与实验：先问响应方式，再问候选模型是否影响用户

题干信号	稳定判断	优先行动	不要混淆
较大 payload、处理较久、允许排队、流量波动Q39	Asynchronous Inference	请求指向 S3 输入，结果写回 S3；空闲时可扩到 0。当前官方上限为 1 GB payload、60 分钟处理。	Batch Transform 处理已知的离线批次；Real-time 强调同步低延迟。
S3 新对象到达后启动 Pipeline，最少运维Q41	事件驱动而非轮询	让 S3 事件进入 EventBridge，再以 SageMaker Pipeline 为 target 调用 `StartPipelineExecution`。	S3 Lifecycle 管理转换与过期；定时 Lambda 轮询增加延迟和运维。
让 20% 用户真正收到候选模型响应Q61	Production variants 做在线 A/B	按相对权重分流并按 variant 记录技术与业务指标。	Shadow 只复制请求且不返回候选结果；canary/linear guardrail 的主要目标是安全替换版本。
多 GPU 分布式训练，节点通信慢Q57	先确认瓶颈是输入 I/O 还是 collective communication	同 Region 放置数据与训练，选择高网络/EFA 支持实例和 SageMaker 分布式库，并配置同一 security group 成员间通信。	S3 general purpose bucket 是区域级资源，不能指定“与实例同 AZ”；同一 subnet 也不是性能保证。
外部框架模型要进入治理与协作流程Q60	工件访问与模型治理分开	确保角色能访问 S3 工件，并把模型版本纳入 Model Registry 的版本、元数据与审批流程。	Autopilot 用于自动化建模，不是模型共享通道；Canvas 的具体导入 UI 会变化，不背 Studio Classic 步骤。

官方依据：Asynchronous Inference、EventBridge 启动 Pipelines、Production variants、Shadow tests、Distributed model parallelism。

AWS 服务边界：根据动词和管理对象路由

需求	优先服务或能力	决定性边界	常见误选
识别授权人员Q9	Rekognition face collection + `SearchFacesByImage`	`DetectFaces` 找到脸；`CompareFaces` 做源图与目标图比较；collection search 才是对库检索身份。	Custom Labels 识别自定义对象/场景；Lookout for Vision 面向制造缺陷。
定期更新外部 API tokenQ5	Secrets Manager rotation	轮换必须同时更新 Secrets Manager 中的 secret value 与外部系统中的真实凭证。	KMS rotation 只更新 KMS key material，不会替你更新 API token。
S3 文档的自然语言语义检索Q62	题库口径是 Amazon Kendra	Kendra 建索引并检索；Comprehend 提取实体、关键短语、情感和 PII；Athena 查询结构化数据。	Kendra 已于 2026-06-30 进入 maintenance，2026-07-30 起不接受新客户；现实新方案应评估 Bedrock Knowledge Bases。
运营监控 vs 面向业务的交互分析Q28	CloudWatch vs Amazon Quick Sight	CloudWatch 看 AWS 运行指标、日志、告警；Quick Sight 面向可共享、筛选和下钻的 BI 分析。	不要因出现“dashboard”就固定选一个；先看受众、数据源、刷新要求和是否需要告警。
计算资源 rightsizingQ65	AWS Compute Optimizer	分析受支持资源的配置与利用率，并给出 rightsizing/idle 建议；ECS 需注意题目是否为 Fargate service。	Cost Explorer 看成本趋势；Budgets 设阈值；Trusted Advisor 做更广的最佳实践检查。
低代码与基础模型能力Q53	按产品角色拆分	JumpStart 提供可部署/可微调的受支持预训练模型；Canvas 提供无代码建模及选定 FM 流程；Autopilot 自动化受支持的 AutoML 问题。	Data Wrangler 是数据准备，不是微调引擎；不要把所有低代码产品统称为“LLM fine-tuning”。

官方依据：Rekognition face search、Secrets Manager rotation、Kendra availability change、Amazon Quick Sight、Compute Optimizer。

03

题库噪音过滤器

下面九类说法不进入记忆。右侧才是可以带到下一题的版本。

不要背的说法	问题在哪里	应该保留的结论
“AWS KMS 不支持密钥轮换；外部 secret 一律要 Lambda。”	KMS 当前支持符合条件的自动和按需 key material rotation；Secrets Manager 也已支持部分合作方的 Lambda-free managed external rotation。	先问要轮换的是凭证值还是加密 key material，再问目标系统是否支持 managed rotation；其他 secret 才写 Lambda rotation logic。
“导出一个 recipe 就必然复用训练集的标准化统计量。”	变换定义与 fitted parameters 不是同一件事，具体工具还可能在新数据上 refit。	在训练集 fit，持久化 fitted transformer 或 inference artifact，线上只 transform。
“大型 DynamoDB 数据集直接用 Boto3 读取最高效。”	按 key 的服务型读取与整表分析是不同访问模式；大规模 Scan 会消耗容量并影响业务。	key query 用 SDK；训练快照和整表分析优先 export to S3。
“XGBoost 过拟合只能减 `max_depth`；复制少数类必然造成泄漏。”	过拟合有多个正则化和数据原因；重复采样本身不等于泄漏。	组合检查深度、叶节点约束、正则、采样、早停和特征；必须先切分，再只在训练集内重采样。
“把 S3 数据放在和训练实例相同 AZ，并放同一 subnet，就能解决通信延迟。”	普通 S3 bucket 是区域资源；同 subnet 也不能替代带宽、collective、EFA 与数据输入诊断。	先测 input I/O 与 inter-node communication，再针对瓶颈选择 FSx for Lustre、EFA、实例和分布式库。
“Production variant 的权重必须写成 0.2，写 20 就错误。”	权重是相对值。官方示例既使用 1:1，也使用 25:75。	检查所有 variant 的相对比例；`20:80` 与 `0.2:0.8` 都表示 20%:80%。
“Canvas、Autopilot、JumpStart 都是通用 LLM 微调服务。”	三者的范围、支持模型与工作流不同，Data Wrangler 更只是数据准备入口。	题目问低代码界面看 Canvas，问受支持预训练 FM 看 JumpStart，问传统 AutoML 自动化看 Autopilot。
“模型 dashboard 一律选 Quick Sight，或一律选 CloudWatch。”	技术运营监控和多受众 BI 分析不是同一个目标。	告警、日志、AWS 指标看 CloudWatch；历史、多源、可分享业务分析看 Quick Sight。
“记住 Studio Classic 的 Canvas 导入步骤即可。”	旧的 BYOM 页面已重定向，产品界面和支持路径会变化；具体 UI 步骤不是稳定考点。	保留 S3 artifact permissions、model package/registry、版本和审批这些治理概念，临考再核对当前文档。

04

考场速记句

做题前用 90 秒闭卷写出这十二句。

先看输出，不看业务名。是/否是分类，连续值是回归，未来窗口是预测，无标签罕见模式才是异常检测。
训练好、验证差是高方差。正则、复杂度、采样、早停、数据质量和泄漏都要检查。
公平性必须看阶段。特征/标签分布属于训练前；按群体比较预测结果和错误率属于训练后。
读取 SSE-KMS 对象要过两道门。s3:GetObject 取对象，kms:Decrypt 用密钥。
fit 只发生在 train。验证、测试和线上必须复用同一 fitted preprocessing artifact。
事件驱动优先于轮询。S3 事件进入 EventBridge，再触发受支持的 Pipelines target。
较大、较慢、可排队选异步。已有完整离线数据集才优先 Batch Transform。
Production variant 影响用户，shadow 不影响。Canary/linear 主要保护版本替换。
Rekognition 动词要精确。detect 找脸，compare 比两侧，search 查 collection。
轮换凭证不是轮换 KMS key material。Secrets Manager 的 rotation logic 必须更新来源系统。
点查和整表分析要分开。DynamoDB key access 用 SDK，大规模训练快照导出 S3。
先核对当前能力和生命周期。题库服务名可能仍在考纲中，但现实新架构可能已有推荐替代。

你的新固定动作

每道题先说一句：“它最终要求我选择的是哪一层？”如果答案仍是“一个 AWS 服务”，说明还没有定位到足够具体的资源或动作。

05

10 道闭卷检索题

先用一句话作答，再展开核对。必须同时说出首选和一个排除理由。

1. 标签是“未来是否需要长期支持”，应先归入什么问题族？

二分类，先用逻辑回归建立可解释基线。线性回归对应连续目标，PCA 对应降维，异常检测通常对应没有该二元标签的罕见模式发现。

2. XGBoost 训练 AUC 很高，但新数据表现明显下降，先诊断什么？说出三个修复抓手。

先诊断高方差/过拟合。可降低 max_depth、增强 L1/L2 或叶节点约束、使用行列采样与 early stopping，并检查无关或泄漏特征。

3. 两个人口群体的整体特征分布相似，是否足以证明贷款模型公平？

不足。它只能提供训练前数据层证据；仍需按群体检查预测结果和错误率，例如 TPR/recall difference，并结合具体伤害定义公平目标。

4. SageMaker 角色要读取 SSE-KMS 的 S3 对象，最少要跨过哪两道授权门？

对象门需要 s3:GetObject，密钥门需要 kms:Decrypt。还要检查 bucket/key policy、账号边界和显式拒绝；security group 不能代替授权。

5. 40 MB 图像到达 S3 后要尽快推理，但允许排队且流量波动，首选哪种推理？

SageMaker Asynchronous Inference。它面向较大 payload、较长处理与可排队请求，并可在空闲时扩到 0；Batch Transform 更适合既有离线批次。

6. 新模型必须真实服务 20% 用户来比较业务效果，应选 production、shadow 还是 canary？

选 production variants 做在线 A/B，因为候选响应需要返回用户。Shadow 只复制流量且丢弃候选响应；canary 的主要目标是安全完成版本替换。

7. S3 新文件到达后立即启动 SageMaker Pipeline，最低运维路径是什么？

S3 事件进入 EventBridge，由规则直接把 SageMaker Pipeline 作为 target，调用 StartPipelineExecution。不要用定时 Lambda 轮询，也不要误选 S3 Lifecycle。

8. 要把入口照片与授权人员库匹配，Rekognition 的关键数据结构和 API 是什么？

把授权人脸索引到 face collection，再用 SearchFacesByImage 搜索集合。DetectFaces 只定位/分析人脸，Custom Labels 不是标准身份检索路径。

9. 训练要读取 DynamoDB 全表快照，与在线按 customer_id 查询分别选什么路径？

训练快照优先使用 DynamoDB export to S3，再交给分析/训练服务；在线按 key 查询使用 SDK 的 GetItem/Query。不要把两种访问模式混成一次 Scan。

10. 为什么 KMS key rotation 不能满足“每 90 天更换 API token”？

KMS rotation 更新的是加密 key material，旧密文仍可解密；它不会调用外部 API 更换凭证。API token 必须由 Secrets Manager 的 managed 或 Lambda rotation 更新来源系统和 secret value。

通过标准：24 小时后闭卷作答，10 题至少 8 题能在 20 秒内说出“首选 + 决定性条件 + 一个排除理由”。目前只记录为待验证，不视为已掌握。

06

官方来源

错题文本只用于定位误区，技术结论以 AWS 当前官方文档为准。

模型与数据

部署与编排

安全与服务边界

核对日期为 2026-09-14。产品支持范围、控制台名称和生命周期可能继续变化；临近考试时仍应从官方考纲与服务文档复核。