AWS Generative AI Developer
Generatywna AI od proof of concept do produkcji
Najnowszy i najbardziej zaawansowany certyfikat AI w ofercie AWS. Sprawdza, czy potrafisz wdrożyć rozwiązanie oparte o modele fundamentowe na produkcję: z RAG-iem, agentami, kontrolą kosztów, zabezpieczeniami i monitoringiem. Egzamin wyszedł z fazy beta 31 marca 2026.
Czym jest AWS Generative AI Developer?
AWS Certified Generative AI Developer - Professional (kod egzaminu AIP-C01) to odpowiedź AWS na sytuację, w której firmy mają już za sobą pierwsze eksperymenty z generatywną AI i potrzebują ludzi potrafiących doprowadzić rozwiązanie do produkcji. Certyfikat wystartował po zakończeniu fazy beta 31 marca 2026 i jest najwyżej postawionym egzaminem AI w ofercie AWS.
To poziom Professional, więc różnica wobec AI Practitionera jest zasadnicza. AIF-C01 sprawdza, czy rozumiesz pojęcia i potrafisz dobrać usługę. AIP-C01 sprawdza, czy potrafisz zbudować działający system: zaprojektować bazę wektorową i RAG, zintegrować model z procesem biznesowym, wdrożyć agentów, ograniczyć koszt inferencji i zabezpieczyć całość przed prompt injection oraz wyciekiem danych.
AWS wyraźnie zaznacza, czego egzamin nie sprawdza: trenowania i rozwijania modeli, zaawansowanych technik ML ani inżynierii danych. To certyfikat dla osoby, która integruje gotowe modele, a nie dla badacza ML.
Dla kogo jest ten certyfikat?
Developerzy wdrażający GenAI
Masz za sobą pierwsze wdrożenia na Bedrocku i chcesz potwierdzić, że umiesz przejść od prototypu do systemu, który wytrzyma produkcję.
Architekci rozwiązań AI
Projektujesz architektury z modelami fundamentowymi i odpowiadasz za decyzje o RAG, fine-tuningu, doborze modelu i budżecie na tokeny.
Inżynierowie platformowi
Budujesz wewnętrzną platformę, z której korzystają zespoły produktowe. Domena o bezpieczeństwie i nadzorze to Twój codzienny zakres obowiązków.
Konsultanci u partnerów AWS
Prowadzisz projekty GenAI u klientów. Certyfikat na poziomie Professional jest mocnym argumentem przy przetargach i liczy się do statusu partnerskiego firmy.
Dlaczego warto go zdać?
Certyfikat wystartował w 2026 roku, więc rynek dopiero go poznaje. To rzadki moment, w którym można być wcześnie.
- Zakres odpowiada realnym projektom - agenci, RAG, wektory, guardraile i koszty inferencji to dokładnie te tematy, wokół których toczą się dziś rozmowy z klientami.
- Poziom Professional waży więcej - w programie partnerskim AWS certyfikaty Professional liczą się inaczej niż foundational, więc pracodawcy chętniej je finansują.
- Mała konkurencja - egzamin działa od kilku miesięcy, więc osób z tym wpisem w profilu jest w Polsce niewiele.
- Wiedza nie starzeje się razem z modelem - egzamin sprawdza wzorce architektoniczne, a nie parametry konkretnego modelu, więc materiał zostaje aktualny dłużej niż kolejna wersja Nova czy GPT.
Zanim jednak zarezerwujesz termin: to nie jest certyfikat na dorobienie do CV bez praktyki. AWS zakłada dwa lata budowania produkcyjnych aplikacji i rok pracy z generatywną AI, a pytania są scenariuszowe i wymagają decyzji projektowych.
Zakres egzaminu - domeny i wagi
Egzamin jest podzielony na 5 domeny tematyczne. Procent obok każdej domeny pokazuje, jaką część pytań egzaminacyjnych z niej otrzymasz.
Foundation Model Integration, Data Management and Compliance
31%- Bazy wektorowe, embeddingi i architektury RAG
- Knowledge bases i przygotowanie danych pod wyszukiwanie semantyczne
- Integracja modeli fundamentowych z aplikacjami i procesami biznesowymi
- Zgodność i klasyfikacja danych przekazywanych do modelu
- Wybór między promptowaniem, RAG-iem a fine-tuningiem pod konkretny przypadek
Implementation and Integration
26%- Prompt engineering i zarządzanie promptami w cyklu życia aplikacji
- Wdrażanie rozwiązań agentowych: narzędzia, pamięć, orkiestracja
- Integracja z <a href="/serwisy-aws/lambda">AWS Lambda</a>, <a href="/serwisy-aws/step-functions">Step Functions</a> i kolejkami
- Wzorce wywołań: synchroniczne, strumieniowe, wsadowe
AI Safety, Security and Governance
20%- Guardraile, filtrowanie wejścia i wyjścia, ochrona przed prompt injection
- Zapobieganie wyciekom danych i kontrola dostępu przez <a href="/serwisy-aws/iam">IAM</a>
- Odpowiedzialna AI: bias, przejrzystość, nadzór człowieka
- Audyt i logowanie interakcji z modelem
Operational Efficiency and Optimization
12%- Optymalizacja kosztu inferencji i dobór modelu pod budżet
- Caching, batching i ograniczanie liczby wywołań modelu
- Monitorowanie zużycia tokenów i wydajności aplikacji
- Kompromis między jakością odpowiedzi, latencją a kosztem
Testing, Validation and Troubleshooting
11%- Ocena jakości modelu i odpowiedzi, LLM-as-a-judge
- Wykrywanie halucynacji i walidacja wyjścia
- Diagnozowanie problemów z RAG-iem: jakość retrievalu, chunking, kontekst
- Testowanie regresji przy zmianie modelu lub prompta
Plan nauki krok po kroku
Przykładowy harmonogram 6-8 tygodni przy 5-10 godzinach nauki tygodniowo. Jeśli masz doświadczenie IT, możesz spokojnie skrócić go o 2-3 tygodnie.
RAG i praca z danymi
Największa domena egzaminu, więc zaczynasz od niej. Bez własnoręcznie zbudowanego RAG-a nie odpowiesz na pytania o chunking czy jakość retrievalu.
- Zbuduj RAG na własnych dokumentach w Amazon Bedrock Knowledge Bases
- Poeksperymentuj z rozmiarem chunków i sprawdź, jak wpływa na trafność odpowiedzi
- Porównaj bazy wektorowe dostępne w AWS i zrozum, kiedy która ma sens
- Przeanalizuj, kiedy RAG wystarczy, a kiedy potrzebny jest fine-tuning
Agenci, integracja i wzorce wdrożeniowe
Druga co do wielkości domena. Tu liczy się praktyka z orkiestracją, a nie teoria.
- Zbuduj agenta z dostępem do narzędzi i prześledź, ile wywołań modelu wykonuje
- Połącz model z Lambdą i przepływem w Step Functions
- Przetestuj wywołania strumieniowe i wsadowe, porównaj koszt oraz latencję
- Wprowadź wersjonowanie promptów zamiast trzymania ich w kodzie
Bezpieczeństwo, koszty i ocena jakości
Trzy pozostałe domeny dają razem 43% punktów. Domena o bezpieczeństwie jest większa niż obie pozostałe łącznie.
- Skonfiguruj guardraile i przetestuj je celowym prompt injection
- Zbuduj politykę IAM ograniczającą dostęp do modeli i danych
- Zmierz koszt inferencji przy dwóch różnych modelach na tym samym zadaniu
- Uruchom ewaluację odpowiedzi i sprawdź, jak działa LLM-as-a-judge
Testy próbne i domykanie luk
Na poziomie Professional pytania są długie i scenariuszowe. Trening pod presją czasu jest równie ważny jak sama wiedza.
- Rozwiązuj testy w pełnym limicie 180 minut, bez przerw
- Po każdym teście zapisuj, dlaczego pozostałe odpowiedzi są błędne
- Wróć do domen, w których wynik jest najniższy - punkty liczą się łącznie, ale luki bolą
- Cel: stabilne 80% przed rezerwacją terminu
Jak wygląda egzamin w praktyce?
Egzamin zdajesz przez Pearson VUE, online albo w centrum testowym:
- 75 pytań, z czego 65 liczy się do wyniku, a 10 to pytania testowane przez AWS
- 180 minut czasu, czyli około 2,4 minuty na pytanie
- Próg zdawalności: 750/1000 punktów w skali nieliniowej
- Koszt: $300 USD
- Ważność: 3 lata
Pytania są jednokrotnego lub wielokrotnego wyboru. Za brak odpowiedzi dostajesz zero, a za błędną nie ma punktów ujemnych, więc pole zaznaczasz zawsze. Model punktacji jest kompensacyjny: nie musisz zaliczyć każdej domeny osobno, liczy się wynik łączny.
Scenariusze na poziomie Professional bywają długie na kilkanaście linijek i opisują pełny kontekst biznesowy razem z ograniczeniami budżetowymi. Zwykle dwie odpowiedzi są technicznie poprawne, a różnią się kosztem albo nakładem pracy operacyjnej - i to jest kryterium wyboru.
Wskazówki egzaminacyjne
To egzamin dla praktyków. Pytania o chunking, jakość retrievalu czy liczbę wywołań agenta są trudne do ogarnięcia z teorii, a oczywiste dla kogoś, kto raz debugował własny RAG.
Foundation Model Integration i praca z danymi ważą 31%. Jeśli masz ograniczony czas, zainwestuj go tutaj, a nie w testowanie i troubleshooting (11%).
Optymalizacja kosztu inferencji wraca w pytaniach z całego egzaminu, nie tylko w domenie czwartej. Uruchom to samo zadanie na dużym i małym modelu i zobacz różnicę w rachunku.
Guardraile najlepiej zrozumieć, próbując je złamać. Godzina prób daje więcej niż rozdział w dokumentacji.
Przy 180 minutach i długich scenariuszach łatwo utknąć. Flaguj wątpliwe pytania i wracaj na końcu, zamiast tracić pięć minut na jedno.
Dostępne języki to angielski, japoński, koreański i chiński uproszczony - mniej niż przy certyfikatach foundational. Wniosek o ESL +30 minut złóż przed rezerwacją terminu.
Najczęściej zadawane pytania
Czym różni się AI Practitioner od Generative AI Developer?
Poziomem i zakresem obowiązków. <a href="/certyfikaty/ai-practitioner">AI Practitioner (AIF-C01)</a> jest foundational, kosztuje 100 USD i sprawdza rozumienie pojęć oraz dobór usług, bez kodu. Generative AI Developer (AIP-C01) jest na poziomie Professional, kosztuje 300 USD i sprawdza umiejętność zbudowania oraz utrzymania produkcyjnego rozwiązania: RAG, agenci, koszty, bezpieczeństwo, ewaluacja. AWS zakłada tu 2 lata doświadczenia z AWS i rok praktyki z generatywną AI.
Czy muszę mieć AI Practitionera, żeby podejść do AIP-C01?
Nie, żaden certyfikat AWS nie jest formalnym warunkiem innego. W praktyce jednak AIF-C01 porządkuje słownictwo i podstawy, więc bywa wygodnym rozbiegiem, zwłaszcza jeśli dopiero wchodzisz w tematykę AI. Osoba z realnym doświadczeniem produkcyjnym może pominąć ten krok.
Czy ten egzamin sprawdza trenowanie modeli?
Nie. AWS wprost wymienia rozwój i trenowanie modeli, zaawansowane techniki ML oraz inżynierię danych jako zadania poza zakresem. Egzamin dotyczy integrowania gotowych modeli fundamentowych z aplikacjami. Jeśli szukasz certyfikatu o budowie modeli, właściwą ścieżką jest Machine Learning Engineer - Associate.
Ile trwa przygotowanie do AIP-C01?
Przy spełnionych założeniach doświadczenia realnie 6-8 tygodni po kilka godzin tygodniowo, z czego połowa czasu powinna iść na praktykę, a nie na czytanie. Bez wcześniejszych wdrożeń generatywnej AI ten okres wydłuża się dwukrotnie i lepiej zacząć od zbudowania kilku własnych rozwiązań, zanim w ogóle spojrzysz na przewodnik egzaminacyjny.
Czy warto zdawać certyfikat, skoro modele zmieniają się co miesiąc?
Zakres egzaminu dotyczy wzorców architektonicznych, a nie parametrów konkretnego modelu: jak zbudować RAG, kiedy sięgnąć po agenta, jak ograniczyć koszt inferencji, jak zabezpieczyć wejście i wyjście. Ta wiedza zostaje aktualna niezależnie od tego, czy w Bedrocku stoi dziś Claude, GPT czy Nova. Zmieniają się identyfikatory modeli, nie zasady projektowania.
Gotowy zacząć naukę?
Zacznij od darmowego kursu AWS od podstaw na CloudManiak, a potem sprawdź swoją wiedzę na testach praktycznych z wyjaśnieniami każdej odpowiedzi w Akademii CloudManiak.