AWS Machine Learning Engineer Associate
Modele ML od danych po produkcję
Certyfikat dla osób, które budują i utrzymują rozwiązania ML w AWS. Obejmuje przygotowanie danych, trenowanie i strojenie modeli, wdrażanie ich na produkcję oraz monitorowanie i zabezpieczanie całości. Zastąpił wycofany egzamin Machine Learning - Specialty.
Czym jest AWS Machine Learning Engineer Associate?
AWS Certified Machine Learning Engineer - Associate (kod egzaminu MLA-C01) sprawdza umiejętność doprowadzenia modelu uczenia maszynowego do produkcji i utrzymania go tam. To rola inżynierska, nie badawcza: przygotowujesz dane, trenujesz i stroisz model, wdrażasz go na endpoint, budujesz wokół tego pipeline CI/CD i monitorujesz, czy nie zaczyna się psuć.
Egzamin przejął rolę wycofanego Machine Learning - Specialty, którego ostatni dzień minął 31 marca 2026. AWS zakłada minimum rok pracy z Amazon SageMaker oraz rok w pokrewnej roli: backend developera, devopsa, inżyniera danych albo data scientista.
Warto wiedzieć, czego egzamin nie sprawdza: projektowania kompletnych architektur ML od zera, wyznaczania strategii ML w organizacji ani głębokiej specjalizacji w dwóch obszarach naraz, na przykład NLP i wizji komputerowej.
Dla kogo jest ten certyfikat?
Inżynierowie ML i MLOps
Wdrażasz modele na produkcję i utrzymujesz je. Egzamin pokrywa dokładnie ten zakres obowiązków.
Data scientiści wchodzący w produkcję
Umiesz zbudować model w notebooku, ale chcesz odpowiadać także za to, co dzieje się z nim po wdrożeniu.
Devopsi obsługujący zespoły ML
Budujesz pipeline CI/CD dla modeli i infrastrukturę pod trenowanie. Domena o wdrażaniu i orkiestracji to Twój obszar.
Inżynierowie danych rozszerzający zakres
Masz już <a href="/certyfikaty/data-engineer">Data Engineera</a> i chcesz pójść krok dalej, w stronę wykorzystania danych do modelowania.
Dlaczego warto go zdać?
Certyfikat trafia w moment, w którym firmy przechodzą od eksperymentów z ML do utrzymywania modeli w produkcji, a to zupełnie inny zestaw problemów.
- Zastąpił Machine Learning Specialty - ta sama dziedzina, ale poziom Associate, niższy koszt i nacisk na wdrażanie zamiast na teorię algorytmów.
- MLOps jest deficytowy - osób umiejących wytrenować model jest sporo, osób umiejących utrzymać go na produkcji znacznie mniej.
- Uzupełnia ścieżkę AI - razem z AI Practitionerem i Generative AI Developerem tworzy komplet pokrywający zarówno modele klasyczne, jak i generatywne.
- Nowe typy pytań - ordering i matching wymagają rozumienia kolejności kroków, a nie rozpoznawania pojęć, więc certyfikat trudniej zdać samą pamięcią.
Zakres egzaminu - domeny i wagi
Egzamin jest podzielony na 4 domeny tematyczne. Procent obok każdej domeny pokazuje, jaką część pytań egzaminacyjnych z niej otrzymasz.
Data Preparation for Machine Learning
28%- Zbieranie, transformacja i walidacja danych pod modelowanie
- Inżynieria cech i obsługa braków w danych
- Formaty danych i przechowywanie zbiorów treningowych w <a href="/serwisy-aws/s3">S3</a>
- SageMaker Data Wrangler i Feature Store
- Wykrywanie biasu w danych treningowych
ML Model Development
26%- Dobór podejścia modelowego do problemu biznesowego
- Trenowanie modeli i strojenie hiperparametrów
- Metryki oceny modelu i analiza wyników
- Wersjonowanie modeli i śledzenie eksperymentów
- Wbudowane algorytmy <a href="/serwisy-aws/sagemaker">SageMaker</a> oraz modele z JumpStart
Deployment and Orchestration of ML Workflows
22%- Dobór infrastruktury i typu endpointu pod obciążenie
- Automatyczne skalowanie zasobów inferencyjnych
- Pipeline CI/CD dla modeli i infrastruktura jako kod
- Orkiestracja przepływów w SageMaker Pipelines i <a href="/serwisy-aws/step-functions">Step Functions</a>
ML Solution Monitoring, Maintenance and Security
24%- Monitorowanie modelu, danych i infrastruktury, SageMaker Model Monitor
- Wykrywanie dryfu danych i spadku jakości predykcji
- Kontrola dostępu przez <a href="/serwisy-aws/iam">IAM</a> i zabezpieczenie zasobów ML
- Logowanie i diagnostyka w <a href="/serwisy-aws/cloudwatch">CloudWatch</a>
- Optymalizacja kosztu trenowania i inferencji
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.
Dane pod modelowanie
Największa domena (28%). Bez dobrze przygotowanych danych reszta pipeline'u nie ma znaczenia i egzamin to odzwierciedla.
- Przygotuj zbiór danych w SageMaker Data Wrangler od surowych plików po gotowe cechy
- Zapisz cechy w Feature Store i użyj ich ponownie w drugim eksperymencie
- Przećwicz obsługę braków, wartości odstających i niezbalansowanych klas
- Sprawdź, jak SageMaker Clarify raportuje bias w danych
Trenowanie i ocena modeli
Druga domena (26%). Nacisk na dobór podejścia i interpretację metryk, nie na matematykę algorytmów.
- Wytrenuj model wbudowanym algorytmem SageMaker i porównaj z modelem z JumpStart
- Uruchom strojenie hiperparametrów i prześledź, co zmienia wynik
- Naucz się dobierać metrykę do problemu: kiedy accuracy wprowadza w błąd
- Zapisz wersje modeli i porównaj eksperymenty
Wdrażanie i orkiestracja
Domena trzecia (22%). Tu decydują wybory infrastrukturalne i ich koszt.
- Wdróż model na endpoint czasu rzeczywistego, potem porównaj z inferencją wsadową i serverless
- Skonfiguruj automatyczne skalowanie i sprawdź zachowanie pod obciążeniem
- Zbuduj pipeline w SageMaker Pipelines od danych po wdrożenie
- Dodaj krok zatwierdzania modelu przed wypuszczeniem na produkcję
Monitoring, bezpieczeństwo i testy próbne
Domena czwarta to 24% punktów, więcej niż wdrażanie. Do tego trening pod presją czasu i nowych typów pytań.
- Włącz Model Monitor i wywołaj dryf danych, żeby zobaczyć alert
- Ogranicz dostęp do zasobów ML politykami IAM
- Przećwicz pytania typu ordering: kolejność kroków w pipeline musi być opanowana
- Rozwiąż testy próbne w limicie 130 minut do stabilnych 80%
Jak wygląda egzamin w praktyce?
Egzamin zdajesz przez Pearson VUE, online albo w centrum testowym:
- 65 pytań, z czego 50 liczy się do wyniku, a 15 to pytania testowane przez AWS
- 130 minut czasu
- Próg zdawalności: 720/1000 punktów
- Koszt: $150 USD
- Ważność: 3 lata
Poza klasycznym wyborem jednokrotnym i wielokrotnym egzamin zawiera pytania typu ordering i matching. W pierwszym układasz od trzech do pięciu kroków we właściwej kolejności, w drugim dopasowujesz odpowiedzi do trzech do siedmiu poleceń. W obu punkt dostajesz wyłącznie za komplet, więc częściowa wiedza nie wystarcza.
Punktacja jest kompensacyjna. Za brak odpowiedzi dostajesz zero, a za błędną nie ma punktów ujemnych, więc pole zaznaczasz zawsze.
Wskazówki egzaminacyjne
Pytania typu ordering premiują osoby, które faktycznie budowały pipeline. Ucząc się procesu trenowania i wdrażania, zapamiętuj sekwencję, a nie zbiór pojęć.
Domena o monitorowaniu, utrzymaniu i bezpieczeństwie to 24% punktów, o dwa więcej niż wdrażanie. Dryf danych i Model Monitor to tematy, które trzeba znać z praktyki.
Real-time, serverless, asynchroniczny i batch transform rozwiązują różne problemy. Scenariusze zdradzają właściwą odpowiedź wymaganiami o opóźnieniu, wolumenie i koszcie.
Klasyczna pułapka egzaminacyjna: zbiór niezbalansowany i pytanie o metrykę. Accuracy przy 99% klasy większościowej nic nie mówi - trzeba sięgnąć po precision, recall albo F1.
AWS wprost wyklucza projektowanie architektur end-to-end i głęboką specjalizację w domenach ML. Nie trać czasu na matematykę sieci neuronowych, ucz się warsztatu inżynierskiego.
Dostępne języki to angielski, japoński, koreański i chiński uproszczony. Wniosek o ESL +30 minut złóż przed rezerwacją terminu.
Najczęściej zadawane pytania
Czy MLA-C01 zastąpił Machine Learning Specialty?
Tak. Machine Learning - Specialty (MLS-C01) został wycofany, a ostatni dzień na podejście minął 31 marca 2026. Machine Learning Engineer - Associate przejął tę rolę, ale z innym rozłożeniem akcentów: mniej teorii algorytmów, więcej wdrażania, monitorowania i utrzymania modeli. Osoby, które zdały MLS-C01 przed wycofaniem, zachowują certyfikat przez pełne 3 lata.
Ile doświadczenia potrzeba do tego egzaminu?
AWS zakłada co najmniej rok pracy z Amazon SageMaker i innymi usługami AWS w kontekście ML oraz rok w pokrewnej roli: backend developera, devopsa, inżyniera danych albo data scientista. Bez praktycznego kontaktu z wdrażaniem modeli pytania scenariuszowe będą bardzo trudne.
Czy muszę znać matematykę uczenia maszynowego?
Na poziomie zrozumienia, do czego służy dany algorytm i jak interpretować metryki - tak. Na poziomie wyprowadzania wzorów - nie. AWS wyklucza z zakresu głęboką pracę w dwóch domenach ML oraz kwantyzację modeli i analizę jej wpływu na dokładność. To egzamin inżynierski.
Data Engineer czy Machine Learning Engineer najpierw?
Jeśli pracujesz bliżej danych niż modeli, zacznij od <a href="/certyfikaty/data-engineer">Data Engineera</a> - przygotowanie danych to 28% egzaminu ML, więc ta wiedza się przyda. Jeśli już trenujesz modele i chcesz je wdrażać, idź od razu w MLA-C01. Żaden nie jest formalnym warunkiem drugiego.
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.