AWS MLA-C01 英文版退場倒數 6 天：末班車應考策略與新制 MLA-C02（GenAI 擴充版）全方位接軌指南

2026-09-22

AWS 機器學習工程師助理級認證 AWS Certified Machine Learning Engineer - Associate（MLA-C01） 英文版考試即將於 2026 年 9 月 28 日正式截止服務並退場。

這項更新標誌著 AWS 在 AI/ML 證照藍圖上的關鍵轉向：自 9 月 29 日起，原先以傳統 ML 流程與 MLOps 為主的架構將全面讓位給納入生成式 AI 與基礎模型（Foundation Models）管線的新一代考科 MLA-C02。

距離舊版英文考試關閉僅剩最後 6 天，本文整理了最後關頭的應試決策、新舊考綱核心差異，以及不同備考階段工程師的行動方針。

MLA-C01 當初設立的核心理念是從過往偏重演算法數學理論的 Specialty 考試中脫離，專注於「機器學習工程實踐（MLOps）」。然而，隨著企業應用大規模導入大語言模型（LLM），新版 MLA-C02 在保留端到端工程週期的同時，大幅增加了生成式 AI 架構的比重：

評測構面	現行 MLA-C01（即將除役）	新制 MLA-C02（接棒新架構）
考核核心重點	傳統 ML 資料前處理、特徵工程、SageMaker 訓練與批次/即時推論管線、模型監控	傳統 MLOps + 生成式 AI 工程整合（LLMOps）
主要服務棧	Amazon SageMaker（Pipelines, Clarify, Feature Store, Model Registry）、AWS Glue	Amazon Bedrock、SageMaker JumpStart、向量資料庫整合（OpenSearch Serverless）、LangChain/LlamaIndex AWS 串接
資料處理領域	結構化/非結構化資料清洗、缺失值處理、特徵縮放、SMOTE 取樣	增加文本分塊（Chunking）、向量嵌入（Embedding Generation）、多模態資料預處理
模型適應技術	超參數最佳化（HPO）、自訂容器（BYOC）、內建演算法（XGBoost, Linear Learner 等）	增加提示工程（Prompt Engineering）、RAG 檢索管線建置、參數高效微調（PEFT / LoRA）
監控與評估	概念漂移（Concept Drift）、資料偏誤（Data Drift）、SageMaker Model Monitor	增加 LLM 幻覺評估、Token 吞吐量延遲調校、安全護欄（Bedrock Guardrails）監控

最佳行動方案：立即預約，在 9 月 28 日前搭上末班車。
策略分析：MLA-C01 目前市面上的學習指引、官方練習題（AWS Skill Builder Practice Exam）與社群經驗庫極為完備。只要掌握標準的 SageMaker 完整生命週期即可穩妥過關。只要在期限前通過，證照在未來 3 年內同樣具備完整的官方效力與徽章認可。
實務建議：優先預約 9 月 25 日至 27 日的考位，避開 28 日最後一天的系統高峰與突發狀況。

最佳行動方案：直接轉向新版 MLA-C02 考綱。
策略分析：在不到一週的時間內強記傳統 ML 的工程細節風險過高。新制 MLA-C02 加入的 Bedrock、RAG 與向量資料庫整合技術，反而與目前業界日常工作流高度契合。將心力直接投注在涵蓋 GenAI 的新考綱，對實際職場專案與技術面試的幫助更直接。

若你已排定於 9 月 28 日前應考 MLA-C01，請聚焦以下容易拉開分數差距的實務情境題：

SageMaker 部署模式精準選型：
- 即時推論（Real-time Inference）：持續且低延遲的 HTTP 請求。
- 無伺服器推論（Serverless Inference）：間歇性流量、具冷啟動容忍度、要求成本最低。
- 非同步推論（Asynchronous Inference）：大型有效負載（Payload 達 1GB）、排隊佇列處理、支援長達 1 小時的推論任務。
- 批次轉換（Batch Transform）：針對儲存在 S3 的整批靜態資料集進行推論預測，不需維護常駐端點。
SageMaker Clarify 偏差檢測時機：
- 訓練前偏差（Pre-training Bias）：針對訓練資料集分析，檢查特定特權組別是否過度代表（如 CI、DPL 指標）。
- 訓練後偏差（Post-training Bias）：針對模型預測結果評估，分析不同群體的假陽性率（FPR）差異。
ML 流程自動化與管線（SageMaker Pipelines）：
- 掌握各個 Pipeline Step 的角色：ProcessingStep（資料前處理與評估）、TrainingStep（模型訓練）、CreateModelStep、RegisterModel（登記至 Model Registry）與 ConditionStep（依據指標評估是否進入部署審批流程）。
模型漂移監控（SageMaker Model Monitor）：
- 理解如何設定基準線（Baseline Constraints），以及如何配置定時排程比對即時推論日誌與基準線，從而觸發 CloudWatch 警報重新訓練模型。

AWS Skill Builder：Exam Prep Plan: AWS Certified Machine Learning Engineer - Associate (MLA-C01 - English)（官方練習題庫於 9 月 28 日同步下架，建議把握最後幾天測試）
SageMaker 官方範例庫：GitHub 搜尋 aws-samples/amazon-sagemaker-examples，重點複習 Pipelines 與 Model Monitor 的端到端 Jupyter Notebook 實作。
白皮書必讀精華：Machine Learning Lens - AWS Well-Architected Framework。

時程提醒：有意爭取 MLA-C01 英文版認證的考生，請務必於 2026 年 9 月 28 日 23:59（UTC）前 完成應試。及早檢核考位、做好準備，把握舊版考綱的最後通關機會！