跳到主要内容

C2-13-AI、ML、IoT-与业务应用

资料口径说明：本章延续当前 AWS CLF-C02 学习项目既有规则，主要依据用户提供的 719 题题库、chatGPT会话1.md、chatGPT会话2.md、cmd1.md 与前序 C2 章节的结构整理。题库中的答案与评论用于识别高频考点、业务场景和易混项，不自动视为当前 AWS 官方结论。涉及会随时间变化的产品状态、考试范围与 Support 体系时，本章只沿用项目资料中已经明确记录的状态；正式考试前仍应再对照 AWS 当前官方页面。

1-本章目标​

AWS 的 AI/ML 服务不能记成“都是人工智能”。不同服务对应完全不同的输入与输出：

Image / Video → Rekognition
Speech → Text → Transcribe
Text → Speech → Polly
Document → Structured Text → Textract
Language Understanding → Comprehend
Translation → Translate
Chatbot / Conversational Interface → Lex
Enterprise Search → Kendra
Build/Train/Deploy ML → SageMaker AI
IoT Devices → AWS IoT Core

本章先建立“输入是什么、要得到什么输出”的判断方式。

2-★★★-Amazon-Rekognition​

正式名称： Amazon Rekognition；；；中文： 图像与视频分析服务

2.1-为什么需要它​

应用希望识别图片或视频中的对象、人脸、文字、内容类别等，不想自己从零训练计算机视觉模型。

2.2-它是什么​

Rekognition 提供托管 Computer Vision 能力，用 API 分析 Image/Video。

2.3-GlobalShop-场景​

GlobalShop 审核商家上传商品图片是否包含不允许内容，或识别商品图中的对象标签。

2.4-常见组合​

S3 image/video → Rekognition → application workflow。

2.5-容易混淆​

Rekognition 处理图像/视频；Textract 主要从文档提取文本和结构。

2.6-题库通常怎么考​

image recognition、face analysis、video analysis、computer vision → Rekognition。

3-★★★-Amazon-Transcribe​

正式名称： Amazon Transcribe；；；中文： 语音转文字服务

3.1-为什么需要它​

客服录音、会议音频、视频字幕需要自动转成文本。

3.2-它是什么​

Transcribe 使用语音识别把 Speech/Audio 转换为 Text。

3.3-GlobalShop-场景​

GlobalShop 客服电话录音自动生成文字，之后交给 Comprehend 做情感分析。

3.4-常见组合​

Audio → Transcribe → Text → Comprehend/Search。

3.5-容易混淆​

Transcribe = Speech to Text；Polly = Text to Speech。

3.6-题库通常怎么考​

speech-to-text、audio transcription、subtitles → Transcribe。

4-★★★-Amazon-Polly​

正式名称： Amazon Polly；；；中文： 文字转语音服务

4.1-为什么需要它​

应用有文字内容，希望生成自然语音，例如读屏、语音播报。

4.2-它是什么​

Polly 将 Text 转换成 lifelike Speech。

4.3-GlobalShop-场景​

GlobalShop 无障碍功能把商品详情文字朗读给用户。

4.4-常见组合​

Text → Polly → Audio。

4.5-容易混淆​

Polly 与 Transcribe 方向完全相反。

4.6-题库通常怎么考​

text-to-speech、lifelike voices → Polly。

5-★★★-Amazon-Textract​

正式名称： Amazon Textract；；；中文： 文档文字与结构提取服务

5.1-为什么需要它​

扫描件、发票、表单、PDF 中的文字和表格如果人工录入成本很高，需要自动抽取。

5.2-它是什么​

Textract 用 ML 从扫描文档中提取文本、手写内容、表格、表单结构等。

5.3-GlobalShop-场景​

GlobalShop 商家上传发票或物流单，Textract 抽取编号、金额、日期字段。

5.4-常见组合​

S3 document → Textract → structured output → workflow/database。

5.5-容易混淆​

Textract 不是通用图片对象识别；Rekognition 更偏视觉内容分析。

5.6-题库通常怎么考​

extract text/forms/tables from scanned documents → Textract。

6-★★★-Amazon-Comprehend​

正式名称： Amazon Comprehend；；；中文： 自然语言处理 NLP 服务

6.1-为什么需要它​

企业有大量评论、客服文本和文章，希望识别情感、实体、关键词等语言信息。

6.2-它是什么​

Comprehend 提供托管 NLP（Natural Language Processing）能力。

6.3-GlobalShop-场景​

GlobalShop 对商品评价执行 sentiment analysis，识别用户负面反馈主题。

6.4-常见组合​

Text → Comprehend → sentiment/entities/key phrases。

6.5-容易混淆​

Comprehend 不是 Translation，也不是 Chatbot。

6.6-题库通常怎么考​

sentiment、entities、key phrases、NLP → Comprehend。

7-★★★-Amazon-Translate​

正式名称： Amazon Translate；；；中文： 机器翻译服务

7.1-为什么需要它​

全球电商需要把商品说明、评论或客服文本自动翻译成其他语言。

7.2-它是什么​

Translate 提供神经机器翻译能力，将一种语言文本翻译成另一种语言。

7.3-GlobalShop-场景​

GlobalShop 把日文商品描述翻译成英文供美国用户查看。

7.4-常见组合​

Text → Translate → translated text。

7.5-容易混淆​

Translate 不做情感分析；Comprehend 做语言理解。

7.6-题库通常怎么考​

language translation、translate text → Amazon Translate。

8-★★★-Amazon-Lex​

正式名称： Amazon Lex；；；中文： 对话式 AI / Chatbot 构建服务

8.1-为什么需要它​

应用希望构建文字或语音 Chatbot，需要识别 Intent、Slot 并驱动后端流程。

8.2-它是什么​

Lex 提供对话式界面构建能力，支持语音和文本交互。

8.3-GlobalShop-场景​

GlobalShop 客服机器人识别“查询订单状态”Intent，然后调用订单 API。

8.4-常见组合​

User → Lex → Lambda/API → business service。

8.5-容易混淆​

Lex ≠ Polly/Transcribe：Lex 是对话理解与 Bot；Polly/Transcribe 是单向语音转换。

8.6-题库通常怎么考​

chatbot、conversational interface、intent、voice/text bot → Lex。

9-★★★-Amazon-Kendra​

正式名称： Amazon Kendra；；；中文： 企业智能搜索服务

9.1-为什么需要它​

企业内部知识库、FAQ、文档分散在多个数据源中，希望用自然语言进行统一搜索。

9.2-它是什么​

Kendra 是企业搜索服务，通过 ML 改善文档/知识内容检索。

9.3-GlobalShop-场景​

GlobalShop 客服员工搜索退货政策、内部手册和产品知识。

9.4-常见组合​

Enterprise documents → Kendra index → search application。

9.5-容易混淆​

Kendra 不是 OpenSearch 的同义词。Kendra 更偏智能企业知识搜索；OpenSearch 是通用搜索/分析引擎。

9.6-题库通常怎么考​

enterprise search、search internal documents、natural-language search → Kendra。

10-★★★★-Amazon-SageMaker-AI​

正式名称： Amazon SageMaker AI；；；中文： 托管机器学习平台

10.1-为什么需要它​

预构建 AI API 不够时，数据科学团队需要自己准备数据、训练模型、调优、部署推理 Endpoint 并管理 MLOps。

10.2-它是什么​

SageMaker AI 提供构建、训练、部署和管理 ML 模型的一整套托管能力。

10.3-GlobalShop-场景​

GlobalShop 数据团队训练个性化需求预测或风控模型，并部署为在线推理 Endpoint。

10.4-常见组合​

S3/Data → SageMaker training → model → endpoint/batch inference。

10.5-容易混淆​

SageMaker AI 是 ML Platform；Rekognition/Polly/Textract 等是开箱即用 AI 服务。

10.6-题库通常怎么考​

build/train/deploy custom ML models、managed machine learning platform → SageMaker AI。

11-Generative-AI-与-Amazon-Q​

项目资料当前把 Amazon Q 列入 AI/ML 范围。CLF 层级应把它理解为 AWS 的生成式 AI 助手/企业助手产品家族，而不是传统数据库、监控或 IAM 服务。由于生成式 AI 产品更新较快，本章不固定易过期的产品版本、套餐和具体功能清单，考试前应按当前官方范围复核。

12-★★★-AWS-IoT-Core​

IoT = Internet of Things = 物联网。IoT Core 让大量设备安全连接 AWS，并进行消息交换、规则处理和后端集成。GlobalShop 物流仓库可能有温度传感器：

Sensors
  │ MQTT / device messages
  ▼
AWS IoT Core
  │
  ├── Rules → Lambda
  ├── Storage → S3
  └── Analytics / Alerts

IoT Core 重点是“设备连接与消息”，不是传统 Web 用户身份，也不是普通服务器 VPN。

13-AI-服务快速判断法​

先看输入：

输入/需求服务
Image / VideoRekognition
Speech → TextTranscribe
Text → SpeechPolly
Document → text/forms/tablesTextract
Text sentiment/entitiesComprehend
Text language conversionTranslate
ChatbotLex
Enterprise knowledge searchKendra
Custom ML lifecycleSageMaker AI
IoT device connectivityIoT Core

14-GlobalShop-AI-链路​

Product Image ──→ Rekognition
Customer Call ──→ Transcribe ──→ Comprehend
Product Text  ──→ Translate / Polly
Invoices      ──→ Textract
Support Bot   ──→ Lex
Knowledge     ──→ Kendra
Custom Models ──→ SageMaker AI
Warehouse IoT ──→ IoT Core

15-本章最后要形成的判断方式​

不要把本章记成一串 AWS 产品名，而要形成下面的思考路径：

业务需求是什么？
        ↓
它属于哪一层问题？
        ↓
需要什么技术能力？
        ↓
哪些 AWS 服务提供这类能力？
        ↓
为什么某一个更贴合场景？
        ↓
其他相似服务为什么不合适？

真正稳定的考试能力不是“看到关键词就背答案”，而是能够从业务要求推导到技术能力，再从技术能力推导到 AWS 服务。

16-与后续章节的关系​

C2 负责建立技术体系本身；完整业务架构组合会在 C3 中继续展开；719 道题的逐题选项解析放在 C4；频率排名与强化学习放在 C5；考前压缩复习放在 C6。