AWS Certified AI Practitioner（AIF-C01）試験の直前、「あれもこれも覚えきれない」と焦っていませんか？この記事では、試験に合格するために最低限押さえるべき暗記項目を、カンペ形式で徹底的にまとめました。5つのドメイン別攻略法、必須AWSサービス30選、機械学習・生成AIの頻出キーワード、責任あるAIの原則まで、試験直前に見返すだけで知識が整理できる構成になっています。残り時間に応じた学習プランも紹介しているので、今日から効率的に合格を目指せます。
AIF-C01試験の基本情報と合格ライン早見表
AWS Certified AI Practitioner（AIF-C01）は、AI・機械学習・生成AIの基礎知識を証明する認定資格です。
この試験は2024年に新設され、AWSのAI関連サービスを業務で活用する上で必要な知識を体系的に評価します。
合格ラインは1000点満点中700点以上です。試験終了直後に結果は表示されず、通常5営業日以内（多くは当日中）にスコアレポートとともに合否が通知されます。
試験は5つのドメインから出題され、それぞれに配点比率が設定されています。
出題形式は選択問題（単一選択・複数選択）で構成され、実技試験はありません。
参考：AWS Certified AI Practitioner公式ページ
試験時間・問題数・受験料の一覧
試験時間は120分（2時間）で、問題数は85問です。
受験料は150 USD（約22,000円）で、再受験の場合も同額が必要です。
試験はピアソンVUEテストセンターまたはオンライン試験で受験可能で、日本語を含む複数言語に対応しています。
合格後の認定有効期限は3年間で、更新には再認定試験または上位資格の取得が必要です。
- 試験時間：120分
- 問題数：85問
- 受験料：150 USD
- 合格ライン：700/1000点
- 有効期限：3年間
試験中は電卓機能が使用でき、問題にフラグを付けて後で見直すことも可能です。
参考：AWS Certified AI Practitioner試験ガイド
このカンペの効果的な使い方と活用タイミング
このカンペは試験1週間前から当日までの最終確認用として設計されています。
すでに公式ドキュメントやハンズオンで基礎学習を終えた方が、知識の抜け漏れをチェックする目的で使用してください。
各セクションは独立しているため、弱点分野だけを集中的に復習することも可能です。
効果的な活用方法は以下の通りです。
- 1週間前：全セクションを通読し、理解度を確認
- 3日前：苦手なドメインを重点的に復習
- 前日：暗記必須項目（数値・サービス名）を集中暗記
- 当日朝：カンペ全体をざっと見返して記憶を活性化
通勤時間やスキマ時間にスマートフォンで見返すだけでも効果的です。
印刷して試験会場近くで最終確認に使う受験者も多くいます。
【カンペ①】5ドメインの出題比率と攻略の優先順位
AIF-C01試験は5つのドメインで構成され、それぞれに明確な出題比率が設定されています。
配点比率を理解することで、限られた学習時間を効率的に配分できます。
5つのドメインと配点比率は以下の通りです。
-
最優先：ドメイン3 基盤モデルの応用 (28%) ← Bedrockが中心！
-
最優先：ドメイン2 生成AIの基礎 (24%) ← プロンプト技法が頻出！
-
重要：ドメイン1 AIとMLの基礎 (20%)
-
対策必須：ドメイン4・5 セキュリティと責任あるAI (計28%)
最も配点が高いのはドメイン3（28%）で、Amazon Bedrockや基盤モデルの活用方法が中心です。
次いでドメイン2（24%）が重要で、生成AIの基本概念やプロンプトエンジニアリングが頻出します。
ドメイン別配点マップと学習時間配分の目安
合格に必要な総学習時間は40〜60時間が目安です。
配点比率に応じて学習時間を配分すると、効率的に合格ラインに到達できます。
推奨学習時間配分は以下の通りです。
| ドメイン | 配点 | 学習時間 |
|---|---|---|
| ドメイン3：基盤モデルの応用 | 28% | 14〜17時間 |
| ドメイン2：生成AIの基礎 | 24% | 12〜14時間 |
| ドメイン1：AIとMLの基礎 | 20% | 10〜12時間 |
| ドメイン4：責任あるAI | 14% | 7〜8時間 |
| ドメイン5：セキュリティ | 14% | 7〜8時間 |
ドメイン3では、Amazon Bedrockの機能（Knowledge Bases、Agents、Guardrails）を実際に触って理解することが重要です。
ドメイン2では、プロンプトエンジニアリング技法（ゼロショット・フューショット・Chain-of-Thought）を具体例とともに暗記してください。
ドメイン1では、機械学習の基本用語（教師あり学習・教師なし学習・強化学習）とAWSサービス（SageMaker・Comprehend・Rekognition）の対応関係を整理しましょう。
合格者が語る頻出トピックTOP10
実際の合格者の体験談から、試験で特に頻出するトピックを10個厳選しました。
頻出トピックTOP10は以下の通りです。
- Amazon Bedrockの機能（Knowledge Bases、Agents、Guardrails）
- RAG（Retrieval-Augmented Generation）の仕組みと活用事例
- プロンプトエンジニアリング技法（ゼロショット・フューショット・CoT）
- 機械学習の評価指標（精度・適合率・再現率・F1スコア・AUC-ROC）
- SageMakerの主要機能（Ground Truth、Autopilot、Clarify）
- 責任あるAIの5原則（公平性・説明可能性・透明性・プライバシー・堅牢性）
- バイアスの種類と対策（SageMaker Clarifyの活用）
- 基盤モデル（Foundation Model）と大規模言語モデル（LLM）の違い
- AWSのAI系サービスの使い分け（Comprehend・Rekognition・Textract・Transcribeなど）
- セキュリティ対策（IAM・KMS・VPC・Guardrails）
特にAmazon Bedrockとプロンプトエンジニアリングは、ほぼ確実に複数問出題されます。
RAGの仕組み（エンベディング→ベクトルDB検索→コンテキスト付きプロンプト生成）は図解で理解しておくと回答しやすいです。
評価指標は、それぞれの定義だけでなく、どのような場面で使うべきかを具体例とともに覚えてください。
参考動画：AWS Certified AI Practitioner フルコース
【カンペ②】AWS Certified AI Practitioner試験で必須のAWSサービス30選
AIF-C01試験では、約30種類のAWSサービスが出題範囲に含まれています。
各サービスの主な用途と出題ポイントを正確に理解することが合格の鍵です。
サービスは大きく「機械学習系」「生成AI・基盤モデル系」「データ・インフラ系」の3カテゴリに分類できます。
試験では、各サービスの機能を問う問題だけでなく、「この課題にはどのサービスが最適か」を選ぶ問題も頻出します。
機械学習系サービス12選（SageMaker・Comprehend・Rekognitionなど）
Amazon SageMakerは、機械学習モデルの構築・トレーニング・デプロイを統合的に行うフルマネージドサービスです。
SageMaker内の主要機能として、Ground Truth（データラベリング）、Autopilot（AutoML）、Clarify（バイアス検出・説明可能性）があります。
Amazon Comprehendは、自然言語処理（NLP）サービスで、感情分析・エンティティ認識・トピック抽出が可能です。
Amazon Rekognitionは、画像・動画分析サービスで、物体検出・顔認識・テキスト抽出（OCR）・不適切コンテンツ検出ができます。
Amazon Textractは、文書から構造化データを抽出するOCRサービスで、表やフォームの自動認識が特徴です。
Amazon Transcribeは、音声をテキストに変換する自動音声認識（ASR）サービスで、複数話者の識別やカスタム語彙に対応しています。
Amazon Pollyは、テキストを自然な音声に変換するテキスト読み上げ（TTS）サービスです。
Amazon Translateは、ニューラル機械翻訳サービスで、75以上の言語に対応しています。
Amazon Forecastは、時系列データに基づく需要予測サービスで、小売・物流・金融分野で活用されます。
Amazon Personalizeは、リアルタイムのパーソナライゼーション・レコメンデーションサービスです。
Amazon Fraud Detectorは、機械学習を使った不正検出サービスで、オンライン取引の不正を識別します。
Amazon Kendraは、機械学習を活用したインテリジェント検索サービスで、自然言語クエリに対応します。
これら12のサービスは、試験で最も頻繁に出題されるため、各サービスの主要機能と使い分けを正確に覚えてください。
生成AI・基盤モデル系サービス8選（Bedrock・Amazon Q・Titanなど）
Amazon Bedrockは、基盤モデル（FM）をAPIで利用できるフルマネージドサービスです。
Bedrock内の主要機能として、Knowledge Bases（RAG実装）、Agents（自律的なタスク実行）、Guardrails（有害コンテンツフィルタリング）があります。
Amazon Titanは、AWS独自の基盤モデルファミリーで、テキスト生成・埋め込み・画像生成モデルが含まれます。
Amazon Qは、ビジネス向けの生成AIアシスタントで、社内データを活用したQ&Aや分析が可能です。
Amazon Q Developer（旧CodeWhisperer）は、AIによるコード補完・生成サービスです。試験では旧名称で登場する場合もあるため、両方を紐付けておきましょう。
AWS PartyRockは、コードなしでAIアプリを構築できるプレイグラウンド環境です。
SageMaker JumpStartは、事前学習済みモデルやソリューションテンプレートを提供するサービスです。
Amazon Bedrock Model Evaluationは、複数の基盤モデルを比較評価する機能です。
Amazon Bedrock Fine-tuningは、基盤モデルをカスタムデータでファインチューニングする機能です。
特にAmazon Bedrockとその関連機能は、ドメイン3の中心トピックであり、試験での出題頻度が非常に高いです。
データ・インフラ系サービス10選（S3・Glue・IAMなど）
Amazon S3は、オブジェクトストレージサービスで、機械学習データセットの保存に使用されます。
AWS Glueは、ETL（抽出・変換・ロード）サービスで、データの準備と統合を自動化します。
AWS IAMは、アクセス管理サービスで、ユーザー・グループ・ロール・ポリシーを管理します。
AWS KMSは、暗号化キー管理サービスで、データの暗号化と復号化を制御します。
Amazon VPCは、仮想ネットワークサービスで、セキュアなネットワーク環境を構築します。
AWS CloudTrailは、API呼び出しを記録する監査サービスで、セキュリティ分析とコンプライアンスに使用されます。
Amazon CloudWatchは、モニタリング・ログ管理サービスで、システムの可観測性を提供します。
AWS Lambdaは、サーバーレスコンピューティングサービスで、イベント駆動型の処理に使用されます。
Amazon Athenaは、S3上のデータをSQLで分析できるインタラクティブクエリサービスです。
Amazon QuickSightは、ビジネスインテリジェンス（BI）サービスで、データの可視化とダッシュボード作成が可能です。
これらのサービスは、AI/MLワークロードの基盤となるため、各サービスの役割と連携方法を理解してください。
【早見表】サービス名×用途×出題ポイント一覧
以下の表で、主要サービスを横断的に比較できます。
| サービス名 | 主な用途 | 出題ポイント |
|---|---|---|
| SageMaker | ML統合環境 | Ground Truth・Autopilot・Clarify |
| Bedrock | 基盤モデル利用 | Knowledge Bases・Agents・Guardrails |
| Comprehend | 自然言語処理 | 感情分析・エンティティ認識 |
| Rekognition | 画像・動画分析 | 物体検出・顔認識・不適切コンテンツ検出 |
| Textract | 文書データ抽出 | 表・フォーム認識 |
| Transcribe | 音声→テキスト | 複数話者識別・カスタム語彙 |
| Polly | テキスト→音声 | 自然な音声合成 |
| Translate | 機械翻訳 | 75以上の言語対応 |
| Kendra | インテリジェント検索 | 自然言語クエリ |
| Amazon Q | ビジネスAIアシスタント | 社内データ活用 |
この表を印刷して試験直前に確認すると、サービスの使い分けを瞬時に思い出せます。
特に「この課題にはどのサービスが最適か」を問う問題では、各サービスの特徴的な機能を覚えていることが重要です。
【カンペ③】機械学習の基礎用語20選
AIF-C01試験では、機械学習の基本的な用語と概念が頻出します。
ここでは、試験で必ず押さえるべき20の重要用語を、カテゴリ別に整理して解説します。
各用語は定義だけでなく、具体的な使用場面や他の用語との関連性も理解してください。
学習タイプ（教師あり・教師なし・強化学習・転移学習）
教師あり学習（Supervised Learning）は、ラベル付きデータを使ってモデルを訓練する手法です。
代表例として、分類問題（スパムメール判定）や回帰問題（住宅価格予測）があります。
教師なし学習（Unsupervised Learning）は、ラベルなしデータからパターンを発見する手法です。
代表例として、クラスタリング（顧客セグメンテーション）や次元削減（PCA）があります。
強化学習（Reinforcement Learning）は、試行錯誤を通じて最適な行動を学習する手法です。
代表例として、ゲームAI・ロボット制御・自動運転などがあります。
転移学習（Transfer Learning）は、既存の学習済みモデルを新しいタスクに適用する手法です。
少量のデータで高精度なモデルを構築できるため、実務で頻繁に使用されます。
試験では、「この課題にはどの学習タイプが適切か」を選ぶ問題が出題されます。
モデル評価指標（精度・適合率・再現率・F1・AUC-ROC）
精度（Accuracy）は、全予測のうち正しく分類された割合です。
クラスの偏りがない場合に有効ですが、不均衡データでは誤解を招くことがあります。
適合率（Precision）は、陽性と予測したもののうち実際に陽性だった割合です。
計算式：TP / （TP + FP）
偽陽性（False Positive）を減らしたい場合に重視します。
再現率（Recall）は、実際の陽性のうち正しく検出できた割合です。
計算式：TP / （TP + FN）
偽陰性（False Negative）を減らしたい場合（医療診断など）に重視します。
F1スコアは、適合率と再現率の調和平均です。
計算式：2 × （Precision × Recall）/ （Precision + Recall）
適合率と再現率のバランスを取りたい場合に使用します。
AUC-ROCは、ROC曲線の下の面積で、分類モデルの性能を総合評価する指標です。
値が1に近いほど優れたモデルで、0.5はランダム予測と同等です。
試験では、各指標の計算式よりも「どの場面でどの指標を使うべきか」が問われます。
データ処理・モデル改善（過学習・正則化・特徴量エンジニアリング）
過学習（Overfitting）は、訓練データに過度に適合し、未知データでの性能が低下する現象です。
対策として、データ量の増加・正則化・ドロップアウト・早期停止などがあります。
正則化（Regularization）は、モデルの複雑さにペナルティを課して過学習を防ぐ手法です。
L1正則化（Lasso）とL2正則化（Ridge）が代表的です。
特徴量エンジニアリング（Feature Engineering）は、生データから有用な特徴量を作成するプロセスです。
例として、日時データから曜日・時間帯を抽出する、カテゴリ変数をワンホットエンコーディングするなどがあります。
データ正規化（Normalization）は、特徴量のスケールを揃える処理です。
Min-Max正規化や標準化（Z-score）が代表的な手法です。
交差検証（Cross-Validation）は、データを分割して複数回訓練・評価を行い、モデルの汎化性能を評価する手法です。
k分割交差検証（k-fold CV）が一般的で、通常k=5または10を使用します。
これらの用語は、SageMakerの各機能（Autopilot・Clarify）と関連付けて覚えると理解が深まります。
【カンペ④】生成AI・基盤モデルの必須キーワード15選
生成AI分野は、AIF-C01試験で最も重要な領域の一つです。
ドメイン2（24%）とドメイン3（28%）の合計52%が生成AI・基盤モデル関連の出題です。
ここでは、試験で頻出する15のキーワードを、基礎概念・プロンプトエンジニアリング・RAGの3カテゴリに分けて解説します。
基盤モデルの基礎概念（FM・LLM・トークン・コンテキストウィンドウ）
基盤モデル（Foundation Model, FM）は、大規模データで事前学習された汎用的なAIモデルです。
様々なタスク（文章生成・要約・翻訳・Q&A）に適用可能で、ファインチューニングやプロンプトで特化できます。
大規模言語モデル（Large Language Model, LLM）は、テキスト生成に特化した基盤モデルです。
GPT・Claude・Titanなどが代表例で、数十億〜数千億のパラメータを持ちます。
トークン（Token）は、LLMが処理するテキストの最小単位です。
英語では1単語が約1トークン、日本語では1文字が約2〜3トークンに相当します。
API料金はトークン数に基づいて課金されるため、コスト管理で重要です。
コンテキストウィンドウ（Context Window）は、モデルが一度に処理できるトークン数の上限です。
例えば、Claude 3は200,000トークン、GPT-4 Turboは128,000トークンのコンテキストウィンドウを持ちます。
長文処理やRAGで重要な制約となるため、試験でも頻出します。
エンベディング（Embedding）は、テキストを数値ベクトルに変換する技術です。
意味的に類似したテキストは近いベクトルになり、検索・分類・RAGで活用されます。
プロンプトエンジニアリング（ゼロショット・フューショット・CoT）
プロンプトエンジニアリング（Prompt Engineering）は、AIから望ましい出力を得るための入力文設計技術です。
明確な指示・役割設定・出力形式の指定・例示などがテクニックとして挙げられます。
ゼロショット学習（Zero-shot Learning）は、例を与えずに指示だけでタスクを実行させる手法です。
例：『次の文章を日本語に翻訳してください：Hello, how are you?』
フューショット学習（Few-shot Learning）は、少数の例を示してタスクを実行させる手法です。
例：『次のように分類してください。【例1】文章→ポジティブ、【例2】文章→ネガティブ、【新規】文章→？』
1つの例を示す場合はワンショット学習（One-shot Learning）と呼びます。
Chain-of-Thought（CoT）は、推論過程を段階的に出力させることで精度を向上させる手法です。
プロンプトに『ステップバイステップで考えてください』と追加するだけで効果があります。
試験では、各手法の使い分けと、どの場面でどの手法が効果的かが問われます。
RAGと応用技術（エンベディング・ベクトルDB・ハルシネーション対策）
RAG（Retrieval-Augmented Generation）は、外部知識を検索してLLMに与えることで回答精度を向上させる技術です。
RAGの基本フロー：①ユーザー質問→②関連文書検索→③文書をコンテキストとしてLLMに入力→④回答生成
ベクトルデータベース（Vector Database）は、エンベディングを効率的に保存・検索するためのデータベースです。
Amazon Bedrock Knowledge Basesでは、OpenSearch ServerlessやAurora PostgreSQLをベクトルDBとして使用できます。
ハルシネーション（Hallucination）は、LLMが事実に基づかない情報を生成する現象です。
対策として、RAGによる事実根拠の提供・プロンプトでの制約指定・出力検証機能の利用があります。
グラウンディング（Grounding）は、LLMの回答を外部知識や事実に基づかせる技術です。
RAGはグラウンディングの代表的な実装方法です。
セマンティック検索（Semantic Search）は、キーワードではなく意味に基づいて検索する技術です。
エンベディングとベクトル検索を使用し、RAGの検索フェーズで活用されます。
Amazon BedrockのKnowledge Bases機能は、RAGを簡単に実装できるため、試験で頻出します。
参考：Amazon Bedrock Knowledge Bases
【カンペ⑤】責任あるAI・セキュリティの頻出ポイント
責任あるAIとセキュリティは、ドメイン4（14%）とドメイン5（14%）で合計28%を占める重要領域です。
倫理的なAI開発と運用に関する原則・具体的な対策・AWSサービスの活用方法が試験で問われます。
特に公平性（Fairness）と説明可能性（Explainability）は最頻出トピックです。
責任あるAIの5原則（公平性・説明可能性・透明性・プライバシー・堅牢性）
公平性（Fairness）は、AIが特定のグループに不利益を与えないことを保証する原則です。
性別・人種・年齢などの属性によって不公平な予測をしないよう、バイアスを検出・軽減します。
説明可能性（Explainability）は、AIの判断根拠を人間が理解できる形で示す原則です。
SageMaker ClarifyのSHAP値分析などを使って、どの特徴量が予測に影響したかを可視化します。
透明性（Transparency）は、AIシステムの動作・制限・データソースを明確にする原則です。
モデルカード・データシート・利用規約で、ユーザーに情報を提供します。
プライバシー（Privacy）は、個人情報を適切に保護する原則です。
データの匿名化・暗号化・アクセス制御を実施し、GDPR・個人情報保護法に準拠します。
堅牢性（Robustness）は、AIが予期しない入力や攻撃に対して安定して動作する原則です。
敵対的サンプル攻撃・データドリフトへの対策を実施します。
試験では、各原則の定義だけでなく、具体的な実装方法やAWSサービスとの対応関係が問われます。
バイアスの種類と対策（SageMaker Clarifyの活用）
AIシステムには、様々な段階でバイアスが混入する可能性があります。
データバイアスは、訓練データが現実を正確に反映していない場合に発生します。
例：採用データに男性が多い→モデルが男性を優遇する傾向
アルゴリズムバイアスは、モデルのアルゴリズム自体が特定のグループに不利に働く場合に発生します。
ラベリングバイアスは、人間がデータにラベルを付ける際の主観や偏見が反映される現象です。
SageMaker Clarifyは、バイアス検出と説明可能性を提供するAWSサービスです。
主な機能として、事前バイアス検出（訓練前のデータ分析）と事後バイアス検出（モデル予測の分析）があります。
バイアス指標として、DI（Disparate Impact）やDPL（Difference in Positive Proportions in Labels）が使用されます。
対策として、データのリサンプリング・特徴量の見直し・公平性制約の追加などがあります。
試験では、「この状況にはどのバイアス対策が適切か」を選ぶ問題が出題されます。
セキュリティ対策（IAM・KMS・VPC・Guardrails）
AWS IAMは、アクセス制御の基盤となるサービスです。
最小権限の原則に基づき、必要最低限の権限のみを付与します。
ロールベースのアクセス制御（RBAC）を使用し、一時的な認証情報を発行します。
AWS KMSは、暗号化キーを管理するサービスです。
S3・SageMaker・Bedrockなどで保存データを暗号化する際に使用します。
カスタマーマネージドキーを使用することで、キーのライフサイクルを完全に制御できます。
Amazon VPCは、ネットワークレベルでのセキュリティを提供します。
プライベートサブネットにAI/MLリソースを配置し、外部からの直接アクセスを防ぎます。
VPCエンドポイントを使用して、インターネットを経由せずにAWSサービスにアクセスできます。
Amazon Bedrock Guardrailsは、生成AIの出力を制御するセキュリティ機能です。
有害コンテンツのフィルタリング・個人情報の検出とマスキング・禁止トピックの設定が可能です。
プロンプトインジェクション攻撃やジェイルブレイクを防ぐ機能も含まれます。
AWS CloudTrailは、API呼び出しを記録し、監査証跡を提供します。
誰がいつどのリソースにアクセスしたかを追跡でき、セキュリティインシデントの調査に活用できます。
試験では、各セキュリティ対策がどの脅威に対して有効かを問う問題が出題されます。
【カンペ⑥】暗記必須の数値・閾値まとめ
試験では、具体的な数値を問う問題が複数出題されます。
試験関連の数値（時間・問題数・合格ライン）とサービス関連の数値（コンテキストウィンドウ・対応言語数）を正確に暗記してください。
以下の数値は、試験当日の朝に必ず確認しましょう。
試験関連の数値（時間・問題数・合格ライン・有効期限）
- 試験時間：120分
- 問題数：85問
- 合格ライン：700点/1000点（70%）
- 受験料：150 USD
- 認定有効期限：3年間
1問あたりの平均回答時間は約1.4分なので、時間配分に注意してください。
わからない問題にフラグを付けて後回しにし、確実に解ける問題を優先しましょう。
サービス関連の頻出数値（コンテキストウィンドウ・対応言語数など）
コンテキストウィンドウ（主要な基盤モデル）：
- Claude 3 Opus/Sonnet：200,000トークン
- Claude 3 Haiku：200,000トークン
- GPT-4 Turbo：128,000トークン
- Amazon Titan Text：32,000トークン
Amazon Translate対応言語数：75以上
Amazon Transcribe対応言語数：100以上
Amazon Pollyの音声数：60以上の言語で数百の音声
SageMaker Autopilotの最大データサイズ：100 GB
Rekognitionの頻出ポイント：画像・動画内の物体検知だけでなく、不適切コンテンツ（Moderation）の検出や、顔比較（Face Comparison）による認証シナリオでの活用が問われます
これらの数値は、「どのサービスが適切か」を判断する際の根拠となるため、正確に覚えてください。
特にコンテキストウィンドウの数値は、RAGや長文処理に関する問題で頻出します。
残り日数別カンペ活用ガイド｜1週間前から当日まで
試験までの残り日数に応じて、カンペの活用方法と学習の優先順位を調整しましょう。
ここでは、1週間前・3日前・前日・当日の4つのフェーズに分けて、具体的な学習プランを提示します。
既に基礎学習を終えた前提で、最終確認と弱点補強に焦点を当てた内容です。
1週間前からの学習プラン
1週間前の目標：全ドメインを一通り復習し、自分の弱点を特定する
- このカンペ全体を通読し、理解度を自己評価（各セクション5段階）
- AWS公式模擬試験を受験し、スコアとドメイン別正答率を確認
- 正答率が低いドメインを重点的に復習
- 主要AWSサービス30選を一覧表で確認し、各サービスの用途を説明できるか確認
- ハンズオン：SageMaker・Bedrock・Comprehendを実際に触る（各1時間）
1週間前の段階では、新しい知識の習得よりも、既存知識の整理と弱点発見に時間を使ってください。
特にドメイン3（基盤モデルの応用）とドメイン2（生成AIの基礎）は配点が高いため、この段階で確実に理解しておきましょう。
参考動画：合格者の学習体験談
3日前・前日の最終仕上げ
3日前の目標：弱点ドメインを集中的に補強し、暗記項目を固める
- 弱点ドメインの関連セクションを精読（各2時間）
- 【カンペ⑥】暗記必須の数値を完全に覚える
- 【カンペ②】AWSサービス早見表を印刷し、繰り返し見返す
- プロンプトエンジニアリング技法を実際に試す（Bedrock Playgroundなど）
- 責任あるAIの5原則を具体例とともに説明できるか確認
前日の目標：最終確認と心身のコンディション調整
- このカンペ全体をざっと見返す（2時間）
- 特に自信がない部分を重点的に復習（1時間）
- 試験会場・オンライン試験の準備確認
- 早めに就寝し、十分な睡眠を取る
- 新しい知識の詰め込みは避ける
前日は、新しい知識を詰め込むよりも、既存知識の確認と心身のリフレッシュに時間を使いましょう。
特に睡眠不足は判断力を著しく低下させるため、最低6時間以上の睡眠を確保してください。
試験当日の最終チェックリスト
試験開始2時間前：
- このカンペの【カンペ①】〜【カンペ⑥】をざっと見返す（30分）
- AWSサービス早見表を最終確認（10分）
- 暗記必須の数値を再確認（10分）
- 軽い食事と水分補給
試験開始30分前：
- 試験会場に到着（オンライン試験の場合は機材確認）
- トイレを済ませる
- 深呼吸してリラックス
- カンペは試験開始直前まで見てOK
試験中の心構え：
- わからない問題はフラグを付けて後回し
- 選択肢を消去法で絞り込む
- 時間配分：60分で40問程度を目安に
- 最後の20分で見直し
- 自信がない問題でも必ず回答（減点なし）
試験中は焦らず、確実に解ける問題を優先して回答してください。
85問中60問（約70%）正解すれば合格できるので、完璧を目指す必要はありません。
カンペと併用したい無料・公式リソース
このカンペと合わせて、AWS公式の無料リソースを活用することで合格確率が大幅に向上します。
特にAWS Skill Builderの無料コースと公式模擬試験は、必ず活用してください。
ここでは、効率的な学習のために押さえるべき公式リソースと活用法を紹介します。
AWS Skill Builderの無料コース活用法
AWS Skill Builderは、AWS公式の無料学習プラットフォームです。
AIF-C01試験対策として、以下のコースが特に有用です。
- AWS Certified AI Practitioner (AIF-C01) Exam Prep：試験対策の公式コース（約10時間）
- Generative AI Learning Plan：生成AIの基礎を学ぶコース群
- Machine Learning Learning Plan：機械学習の基礎を学ぶコース群
- Foundations of Prompt Engineering：プロンプトエンジニアリングの基礎コース
これらのコースは、動画・ハンズオン・知識確認クイズで構成されており、体系的に学習できます。
効果的な活用方法：
- 試験2〜3週間前に一通り受講
- 各セクションの知識確認クイズで理解度を測定
- 間違えた問題は該当セクションを再視聴
- ハンズオンラボは必ず実施（特にSageMaker・Bedrock）
Skill Builderは無料アカウントでも十分な内容にアクセスできますが、有料のSubscription（月額29 USD）に加入すると、より多くのコースとハンズオンラボが利用できます。
公式模擬試験と追加学習の判断基準
AWS公式模擬試験は、本番と同形式の20問を体験できる有料サービスです（40 USD）。
受験後、ドメイン別の正答率と弱点分野が表示されるため、最終確認に最適です。
模擬試験の活用タイミング：試験1週間前
模擬試験の結果から、追加学習が必要かを以下の基準で判断してください。
- 総合スコア70%以上：現状の学習継続でOK、弱点ドメインを重点復習
- 総合スコア60〜69%：弱点ドメインを集中的に学習、ハンズオンを追加
- 総合スコア60%未満：学習期間の延長を検討、基礎から再学習
ドメイン別の追加学習判断：
- 正答率80%以上：追加学習不要、最終確認のみ
- 正答率60〜79%：該当ドメインのカンペセクションを精読
- 正答率60%未満：該当ドメインのSkill Builderコースを再受講
模擬試験は何度でも受験できますが、同じ問題が出る可能性があるため、1回目の結果を最も重視してください。
公式模擬試験以外にも、サードパーティの練習問題（Udemy・Whizlabs・Tutorials Dojoなど）を活用することで、より多くの問題パターンに触れることができます。
参考動画：試験合格のための学習戦略
まとめ：AWS Certified AI Practitionerカンペで合格をつかむ3ステップ
この記事では、AWS Certified AI Practitioner（AIF-C01）試験に合格するための暗記項目を、カンペ形式で網羅的にまとめました。
合格をつかむ3ステップは以下の通りです。
- ドメイン別の配点を理解し、学習時間を効率配分する：ドメイン3（28%）とドメイン2（24%）に重点を置き、Amazon BedrockとRAGを確実に理解する
- AWSサービス30選と機械学習・生成AIの基礎用語を完璧に暗記する：各サービスの用途と出題ポイントを整理し、早見表で繰り返し確認する
- 責任あるAI・セキュリティの原則を具体例とともに理解する：公平性・説明可能性を中心に、SageMaker ClarifyやBedrock Guardrailsの活用方法を押さえる
このカンペは、試験1週間前から当日までの最終確認用として最適化されています。
通勤時間やスキマ時間に繰り返し見返すことで、知識が定着し、試験本番での迅速な回答が可能になります。
AWS Skill Builderの無料コースと公式模擬試験を併用することで、合格確率がさらに向上します。
試験当日は、このカンペを直前まで見返し、自信を持って試験に臨んでください。
85問中60問（約70%）正解すれば合格できるので、完璧を目指さず、確実に解ける問題を優先して回答しましょう。
あなたのAWS Certified AI Practitioner合格を心から応援しています！
コメント