Tout ce qu’il faut maîtriser pour réussir l’examen du premier coup.

La certification AWS Certified AI Practitioner (AIF-C01) valide votre compréhension fondamentale de l’intelligence artificielle, du machine learning et de l’IA générative sur AWS. Elle ne demande pas de savoir coder ni d’entraîner des modèles — elle teste si vous comprenez l’IA suffisamment bien pour prendre de bonnes décisions à son sujet dans un contexte professionnel. Ce guide couvre l’intégralité des cinq domaines de l’examen, les services AWS incontournables, les pièges classiques et un plan de révision semaine par semaine.

Fiche de l’examen en un coup d’œil

Paramètre	Détail
Code de l’examen	AIF-C01
Niveau	Fondamental — aucun prérequis technique obligatoire
Durée	85 minutes
Nombre de questions	65 questions (50 notées + 15 non notées)
Types de questions	Choix unique (QCM) et choix multiple (plusieurs réponses correctes)
Score de passage	700 / 1000
Langue	Anglais, Français
Prix	100 USD
Validité	3 ans
Expérience recommandée	6 mois d’exposition aux technologies IA/ML sur AWS
Prérequis formels	Aucun — mais l’AWS Cloud Practitioner est un bon point de départ

Pour qui est cette certification ?L’AIF-C01 est conçue pour tout professionnel qui interagit avec des solutions IA — pas seulement les ingénieurs. Analystes business, chefs de projet, product managers, commerciaux, responsables marketing, consultants, DSI — tous peuvent passer cet examen sans background en développement. C’est l’une de ses forces : elle ouvre la porte des certifications AWS à des profils qui n’auraient pas tenté le Cloud Practitioner.

Structure de l’examen : les 5 domaines

L’examen est organisé en cinq domaines avec des pondérations différentes. Le domaine 3 — Applications des Foundation Models — est le plus lourd à 28% : c’est là que vous devez concentrer votre effort de révision.

Domaine	Intitulé	Poids
1	Fundamentals of AI and ML	20%
2	Fundamentals of Generative AI	24%
3	Applications of Foundation Models	28%  ← priorité
4	Guidelines for Responsible AI	14%
5	Security, Compliance and Governance for AI Solutions	14%

Domaine 1   ·   20% de l’examenFundamentals of AI and ML

Ce domaine pose les bases conceptuelles. Vous n’avez pas besoin de savoir entraîner un modèle — vous devez comprendre ce qu’il se passe pendant l’entraînement et l’inférence, et quel service AWS correspond à quel problème.

Les concepts clés à maîtriser

•       IA vs Machine Learning vs Deep Learning : trois niveaux d’une même hiérarchie. L’IA est le domaine global, le ML en est un sous-ensemble (apprentissage à partir de données), et le Deep Learning utilise des réseaux de neurones profonds.

•       Types d’apprentissage : supervisé (données étiquetées, prédiction), non supervisé (clustering, anomalies), par renforcement (agent, récompenses).

•       Cycle de vie d’un modèle : collecte de données → préparation → entraînement → évaluation → déploiement → monitoring.

•       Métriques d’évaluation : précision (accuracy), rappel (recall), F1-score, AUC-ROC. L’examen teste si vous savez quelle métrique utiliser selon le contexte.

•       Overfitting et underfitting : un modèle trop ajusté aux données d’entraînement ne généralisera pas. Un modèle trop simple ne capturera pas les patterns.

•       Inférence : la phase d’utilisation du modèle pour faire des prédictions sur de nouvelles données — à distinguer de l’entraînement.

Les services AWS de ce domaine

Service	Cas d’usage principal	Ce que l’examen teste
Amazon SageMaker	Entraîner, déployer et surveiller des modèles ML	Quelle fonctionnalité SageMaker pour quel besoin (Clarify, Canvas, Pipelines, Model Monitor…)
Amazon Rekognition	Analyse d’images et vidéos (visages, objets, texte, contenu inapproprié)	Vision par ordinateur — ne pas confondre avec Textract (documents) ou Comprehend (texte)
Amazon Comprehend	NLP : analyse de sentiment, extraction d’entités, classification de texte	Sentiment analysis → Comprehend. Toujours.
Amazon Transcribe	Speech-to-text : transcription audio en texte	Audio vers texte — différent de Polly (texte vers audio)
Amazon Polly	Text-to-speech : convertir du texte en parole synthétisée	Texte vers audio
Amazon Translate	Traduction automatique de texte entre langues	Traduction multilingue managée
Amazon Textract	Extraction de texte et données structurées depuis des documents	Documents PDF, formulaires, tableaux — pas l’analyse NLP
Amazon Lex	Construction de chatbots conversationnels (interface voix et texte)	Chatbot avec NLP — pas un FM, pas Bedrock
Amazon Personalize	Recommandations personnalisées en temps réel	Moteur de recommandation — type Netflix/e-commerce
Amazon Forecast	Prévisions de séries temporelles (stocks, demande, etc.)	Time-series forecasting
Amazon Kendra	Moteur de recherche d’entreprise basé sur le ML	Recherche documentaire intelligente — différent de Q Business

Le piège classique du Domaine 1L’examen adore vous demander de choisir entre des services similaires. La règle d’or : Comprehend = analyse de texte NLP. Rekognition = analyse d’images/vidéos. Textract = extraction depuis des documents. Ce ne sont pas des synonymes. “Extraire le sentiment des avis clients” → Comprehend. “Détecter des visages dans une vidéo de surveillance” → Rekognition. “Extraire les données d’un formulaire scanné” → Textract.

Domaine 2   ·   24% de l’examenFundamentals of Generative AI

C’est le domaine qui couvre l’entrée des LLMs dans l’écosystème AWS. Vous devez comprendre ce qu’il s’est passé quand les modèles de fondation ont changé la donne — sans avoir besoin de savoir comment ils fonctionnent mathématiquement.

Les concepts clés à maîtriser

•       Foundation Models (FM) : modèles pré-entraînés sur de grandes quantités de données, réutilisables pour de nombreuses tâches via fine-tuning ou prompting.

•       Large Language Models (LLM) : catégorie de FM spécialisée dans le texte. GPT-4, Claude, Llama, Titan sont des LLMs.

•       Tokens : unités de base du texte traitées par un LLM. Un token ≈ 0,75 mot en anglais. La fenêtre de contexte (context window) est le nombre maximum de tokens qu’un modèle peut traiter à la fois.

•       Température : contrôle la créativité/aléatoire des réponses. Température basse = réponses plus déterministes et prévisibles. Température élevée = réponses plus créatives et variées.

•       Top-p (nucleus sampling) : paramètre complémentaire à la température pour contrôler la diversité des réponses.

•       Hallucinations : lorsqu’un modèle génère des informations plausibles mais factuellement incorrectes. Problème majeur de l’IA générative, à mitiger avec RAG ou Guardrails.

•       Embeddings : représentations vectorielles de textes permettant de mesurer la similarité sémantique. Base du RAG et de la recherche vectorielle.

•       Multimodal : modèle capable de traiter plusieurs types de données (texte + images, texte + audio). Claude 3, GPT-4V sont des exemples.

Les stratégies d’adaptation des Foundation Models

Technique	Principe	Quand l’utiliser
Prompt Engineering	Guider le modèle via la formulation du prompt, sans modifier ses poids	Adaptation rapide, sans données d’entraînement supplémentaires
RAG (Retrieval-Augmented Generation)	Enrichir le contexte du modèle avec des données externes récupérées dynamiquement	Quand le modèle doit répondre à partir de données propriétaires ou récentes
Fine-tuning	Ré-entraîner un FM sur un dataset spécifique pour l’adapter à un domaine	Quand le comportement ou le style doit être profondément personnalisé
RLHF (Reinforcement Learning from Human Feedback)	Affiner le modèle via des retours humains sur la qualité des réponses	Alignement comportemental — utilisé pour les grands modèles comme Claude

La règle RAGRAG est la réponse à presque toutes les questions du type “comment ancrer le modèle dans nos données ?” Si un scénario demande d’utiliser des données internes (documentation interne, base de connaissances, données récentes), la réponse est RAG. Si un scénario demande de changer le style ou comportement fondamental du modèle, la réponse est fine-tuning.

Domaine 3   ·   28% de l’examenApplications of Foundation Models

C’est le domaine le plus important. 28% de l’examen. Il couvre Amazon Bedrock, l’architecture RAG en détail, les agents IA, l’évaluation des FM et les métriques business. Si vous deviez surdimensionner votre révision quelque part, c’est ici.

Amazon Bedrock — le service central

Amazon Bedrock est un service entièrement managé qui donne accès à des Foundation Models de différents fournisseurs via une API unique. C’est le service principal pour construire des applications d’IA générative sur AWS.

Fonctionnalité	Description
Foundation Models disponibles	Anthropic Claude, Meta Llama, Mistral, Amazon Titan, Cohere, Stability AI — accessibles via une seule API
Bedrock Agents	Agents IA autonomes capables d’exécuter des actions, appeler des APIs et orchestrer des tâches multi-étapes
Knowledge Bases for Bedrock	Implémentation native de RAG — connecte des sources de données à un FM via une base vectorielle
Bedrock Guardrails	Filtres de contenu pour bloquer les réponses nuisibles, hors-sujet ou non conformes
Model Evaluation	Outils pour évaluer et comparer les performances de différents FMs
Fine-tuning sur Bedrock	Adapter un FM de Bedrock sur vos propres données sans gérer l’infrastructure
Bedrock Studio	Interface de prototypage pour construire et tester des applications IA générative

Architecture RAG — comment ça fonctionne

Le RAG (Retrieval-Augmented Generation) est un pattern d’architecture fondamental à maîtriser. Il permet à un LLM de répondre à partir de données que vous lui fournissez dynamiquement, sans avoir à entraîner un nouveau modèle.

•       Étape 1 — Ingestion : les documents (PDFs, textes, pages web) sont découpés en chunks, convertis en embeddings vectoriels et stockés dans une base vectorielle.

•       Étape 2 — Retrieval : quand une question arrive, elle est convertie en embedding. Les chunks les plus similaires sont récupérés depuis la base vectorielle.

•       Étape 3 — Augmentation : les chunks récupérés sont injectés dans le prompt envoyé au LLM, avec la question de l’utilisateur.

•       Étape 4 — Génération : le LLM génère une réponse ancrée dans les documents fournis.

Sur AWS : Knowledge Bases for Bedrock automatise cette architecture. En dessous, Amazon OpenSearch Serverless ou Aurora pgvector servent de bases vectorielles. Les embeddings sont générés via les modèles Titan Embeddings.

Bedrock Agents — les agents IA

Les agents Bedrock permettent à un LLM d’agir — pas seulement de répondre. Ils peuvent décomposer une tâche complexe en sous-tâches, appeler des APIs, interroger des bases de données et synthétiser les résultats. L’examen teste la différence entre un agent (qui agit) et une Knowledge Base (qui récupère de l’information).

Métriques d’évaluation des FM

Métrique	Ce qu’elle mesure	Contexte d’utilisation
ROUGE	Recouvrement de n-grammes entre la réponse générée et une référence	Résumé automatique de texte
BLEU	Qualité d’une traduction par rapport à une traduction de référence	Traduction automatique
BERTScore	Similarité sémantique via embeddings BERT	Évaluation plus nuancée que ROUGE/BLEU
Perplexity	Confiance du modèle dans ses prédictions — plus faible = meilleur	Évaluation de la qualité du langage
Métriques business	Task completion rate, satisfaction utilisateur, coût par interaction	Évaluation de l’impact réel en production

Amazon Q — la suite d’assistants IA AWS

Service	Pour qui	Cas d’usage principal
Amazon Q Business	Entreprises	Assistant IA connecté aux données internes de l’entreprise (SharePoint, S3, Confluence, 40+ connecteurs)
Amazon Q Developer	Développeurs	Assistance au code, génération, explication, debugging dans l’IDE
Amazon Q in QuickSight	Analystes data	Questions en langage naturel sur les dashboards BI
Amazon Q Apps	Utilisateurs métier	Créer des mini-applications IA sans code depuis Q Business

Bedrock vs SageMaker — comment choisir sur l’examenBedrock : vous voulez utiliser un FM existant. Pas de code d’entraînement, pas de gestion d’infrastructure. C’est l’option managée pour l’IA générative. SageMaker : vous voulez entraîner votre propre modèle ML, ou déployer un modèle custom avec un contrôle complet sur l’infrastructure. C’est la plateforme ML complète. Règle de l’examen : au niveau AIF-C01, AWS préfère toujours Bedrock pour les use cases IA générative. Quand deux réponses semblent correctes, choisissez l’option la plus managée.

Domaine 4   ·   14% de l’examenGuidelines for Responsible AI

14% de l’examen, mais des questions fréquentes et parfois piégeuses. Ce domaine teste votre compréhension des principes éthiques et des outils AWS pour les appliquer.

Les piliers de l’IA responsable

Pilier	Définition	Service AWS associé
Équité (Fairness)	Le modèle ne doit pas produire de résultats discriminatoires selon des attributs sensibles (race, genre, âge…)	Amazon SageMaker Clarify
Explicabilité (Explainability)	Capacité à comprendre et expliquer pourquoi un modèle a pris une décision donnée	SageMaker Clarify, SageMaker Model Cards
Robustesse	Le modèle doit maintenir ses performances face à des données bruitées ou des attaques adversariales	SageMaker Model Monitor
Confidentialité (Privacy)	Les données personnelles utilisées pour l’entraînement doivent être protégées	AWS PrivateLink, IAM, KMS
Sécurité	Les systèmes IA doivent être protégés contre les accès non autorisés et les manipulations	IAM, KMS, VPC, Bedrock Guardrails
Transparence	Les utilisateurs doivent savoir quand ils interagissent avec un système IA	Model Cards, documentation
Responsabilité (Accountability)	Des mécanismes de traçabilité et d’audit doivent exister	AWS CloudTrail, SageMaker Model Cards

Les risques à connaître

•       Hallucinations : informations factuellement incorrectes générées avec assurance. Mitigation : RAG, Guardrails, température basse.

•       Biais : le modèle reproduit des préjugés présents dans les données d’entraînement. Détection : SageMaker Clarify.

•       Prompt injection : manipulation du modèle via des instructions malveillantes cachées dans le prompt. Mitigation : Bedrock Guardrails.

•       Data poisoning : corruption des données d’entraînement pour influencer les sorties du modèle.

•       Toxicité : génération de contenus offensants, haineux ou inappropriés. Mitigation : Bedrock Guardrails, filtres de contenu.

Les deux services incontournables du Domaine 4SageMaker Clarify = réponse à presque toutes les questions sur la détection de biais et l’explicabilité des modèles. Bedrock Guardrails = réponse à presque toutes les questions sur le filtrage de contenu nuisible, la prévention des hallucinations et les protections comportementales des LLMs en production. Connaître ces deux services sur le bout des doigts vous rapportera des points facilement sur ce domaine.

Domaine 5   ·   14% de l’examenSecurity, Compliance and Governance for AI Solutions

Ce domaine applique les principes de sécurité AWS classiques au contexte IA. Si vous avez préparé d’autres certifications AWS, vous retrouverez des concepts familiers appliqués à de nouveaux contextes.

Le modèle de responsabilité partagée appliqué à l’IA

•       AWS est responsable de : la sécurité de l’infrastructure cloud, des data centers, du matériel. Pour Bedrock, AWS sécurise le modèle de base et l’infrastructure d’exécution.

•       Vous êtes responsable de : vos données d’entrée et de sortie, vos politiques IAM, votre configuration réseau (VPC, endpoints), vos clés de chiffrement KMS, la conformité de vos usages.

Services et contrôles de sécurité

Service / Contrôle	Rôle dans le contexte IA
AWS IAM	Contrôler qui peut appeler quels services IA (Bedrock, SageMaker) et accéder à quelles ressources
AWS KMS	Chiffrer les données d’entraînement, les modèles et les artefacts SageMaker avec des clés gérées
AWS CloudTrail	Audit de toutes les appels API vers les services IA — qui a fait quoi, quand
Amazon VPC + PrivateLink	Faire transiter les données vers les services IA sans passer par l’internet public
Bedrock Guardrails	Filtrer les inputs et outputs des LLMs pour respecter les politiques de l’entreprise
SageMaker Model Cards	Documenter les caractéristiques d’un modèle (données, performances, biais) pour la gouvernance
AWS Macie	Détecter les données sensibles (PII) dans les buckets S3 utilisés pour l’entraînement

Conformité et gouvernance

•       Data residency : s’assurer que les données d’entraînement et d’inférence restent dans des régions géographiques conformes aux réglementations locales (RGPD en Europe, lois sectorielles…).

•       Model governance : traçabilité de toutes les versions d’un modèle, de ses données d’entraînement et de ses performances via SageMaker Experiments et Model Registry.

•       Audit trail : CloudTrail enregistre chaque appel API. Pour les systèmes IA sensibles, activer CloudTrail avec S3 Data Events couvre les accès aux données d’entraînement.

Cheat Sheet : quel service pour quel problème ?

L’examen adore les questions de type “une entreprise veut faire X — quel service AWS est le plus adapté ?”. Voici la correspondance à mémoriser.

Besoin	Service AWS à choisir	Ne pas confondre avec
Analyser le sentiment de textes (avis clients, emails)	Amazon Comprehend	Rekognition (images), Bedrock (IA générative)
Détecter des objets dans des images ou vidéos	Amazon Rekognition	Comprehend (texte), Textract (documents)
Extraire du texte depuis un PDF ou formulaire scanné	Amazon Textract	Rekognition, Comprehend
Transcrire de l’audio en texte	Amazon Transcribe	Polly (inverse : texte → audio)
Convertir du texte en parole	Amazon Polly	Transcribe (inverse : audio → texte)
Traduire du texte entre langues	Amazon Translate	Comprehend (analyse, pas traduction)
Construire un chatbot conversationnel	Amazon Lex	Bedrock Agents (plus complexe), Q Business
Recommandations personnalisées en temps réel	Amazon Personalize	Kendra (recherche), Q Business (assistant)
Prévisions de séries temporelles	Amazon Forecast	SageMaker (plus généraliste)
Recherche intelligente dans des documents d’entreprise	Amazon Kendra	Q Business (assistant conversationnel), OpenSearch
Assistant IA connecté aux données internes de l’entreprise	Amazon Q Business	Kendra (recherche sans conversation), Bedrock (custom)
Assistance au code pour les développeurs	Amazon Q Developer	Q Business (pour les utilisateurs métier)
Accéder à des Foundation Models via API	Amazon Bedrock	SageMaker (pour entraîner vos propres modèles)
Entraîner un modèle ML custom	Amazon SageMaker	Bedrock (pour utiliser des FMs existants)
Détecter le biais dans un modèle ML	SageMaker Clarify	Bedrock Guardrails (filtrage contenu, pas biais ML)
Filtrer les contenus nuisibles d’un LLM en production	Bedrock Guardrails	SageMaker Clarify (biais ML, pas filtrage LLM)
Surveiller la dérive d’un modèle en production	SageMaker Model Monitor	Clarify (biais statique, pas monitoring continu)
Implémenter RAG sans infrastructure custom	Knowledge Bases for Bedrock	SageMaker (plus de travail d’infrastructure)
Créer des agents IA autonomes sur AWS	Bedrock Agents	Lex (chatbot simple sans capacité d’action)

Questions d’entraînement commentées

Voici des questions représentatives de l’examen avec leur justification. L’objectif n’est pas de mémoriser les réponses mais de comprendre le raisonnement.

Q  Une entreprise veut analyser des milliers d’avis clients sur ses produits pour en extraire le sentiment général et les thèmes principaux. Quel service AWS est le plus adapté ?R  Amazon Comprehend. Il est spécialisé dans l’analyse de texte NLP — sentiment, entités, topics, classification. Rekognition traite des images, pas du texte. SageMaker pourrait être utilisé pour un modèle custom, mais Comprehend est l’option managée directe.

Q  Un développeur utilise Amazon Bedrock pour générer des descriptions marketing. Les sorties sont trop créatives et parfois factuellement incorrectes. Que doit-il ajuster ?R  Réduire la température. Une valeur de température basse rend le modèle plus déterministe et prévisible. Une valeur élevée augmente la créativité mais aussi les hallucinations. C’est le paramètre directement lié à ce symptôme.

Q  Une entreprise veut que son assistant IA générative réponde uniquement à partir de sa documentation interne, sans inventer d’informations. Quelle architecture recommandez-vous ?R  RAG — Retrieval-Augmented Generation. Via Knowledge Bases for Bedrock, la documentation est indexée dans une base vectorielle. Les questions des utilisateurs récupèrent les passages pertinents avant de les injecter dans le prompt. Le modèle répond à partir des documents, pas de ses paramètres.

Q  Une banque déploie un modèle de scoring de crédit. Elle constate que le modèle défavorise systématiquement certains groupes démographiques. Quel service AWS l’aide à détecter et corriger ce problème ?R  Amazon SageMaker Clarify. C’est le service dédié à la détection de biais dans les modèles ML et à l’explicabilité des prédictions. Bedrock Guardrails filtre les contenus, pas les biais statistiques d’un modèle ML.

Q  Une entreprise veut empêcher son chatbot basé sur Bedrock de répondre à des questions hors de son domaine métier et de générer des contenus inappropriés. Quelle solution utiliser ?R  Bedrock Guardrails. Il permet de définir des filtres de contenu, des sujets interdits, et des protections contre les données sensibles. C’est la réponse à presque toutes les questions sur la modération des sorties d’un LLM.

Q  Une équipe data veut donner accès à ses analystes à une interface de questions-réponses sur les données de l’entreprise stockées dans SharePoint, S3 et Confluence, sans développement custom. Quel service AWS recommander ?R  Amazon Q Business. Il propose plus de 40 connecteurs natifs vers des sources de données d’entreprise, avec gestion des permissions via IAM Identity Center. Bedrock nécessiterait du développement custom. Kendra fait de la recherche mais sans interface conversationnelle native aussi poussée.

Les pièges classiques à éviter

1. Confondre Bedrock et SageMakerBedrock = utiliser des FMs existants via API (IA générative, managé). SageMaker = plateforme ML complète pour entraîner des modèles custom. Sur cet examen, si le scénario parle d’IA générative, c’est Bedrock. Si le scénario parle d’entraînement ML custom, c’est SageMaker.

2. Confondre Q Business et KendraAmazon Kendra est un moteur de recherche documentaire intelligent. Amazon Q Business est un assistant conversationnel qui utilise la recherche comme fondation. Si la question parle d’une interface de type chatbot qui répond à partir des données internes → Q Business. Si la question parle de recherche documentaire pure → Kendra.

3. Confondre RAG et Fine-tuningRAG = données externes injectées dynamiquement dans le prompt. Fine-tuning = modifier les poids du modèle avec de nouvelles données. RAG est plus rapide, moins coûteux, et ne modifie pas le modèle. Fine-tuning change durablement le comportement du modèle mais coûte plus cher et prend plus de temps.

4. Oublier que l’AIF-C01 n’est pas un examen techniqueVous ne serez pas interrogé sur du code Python, des architectures de réseaux de neurones ou des formules mathématiques. L’examen teste si vous comprenez quand et pourquoi utiliser un service ou une approche IA dans un contexte business. Les questions sont de type scénario : “une entreprise veut X — quelle solution choisir et pourquoi ?”

Plan de révision — 4 semaines

Ce plan est calibré pour une personne qui part de zéro sur l’IA et AWS. Si vous avez déjà des bases, vous pouvez compresser les deux premières semaines.

Semaine	Focus	Activités recommandées
Semaine 1	Fondations IA/ML + Services AWS classiques	Domaine 1 complet. Tester chaque service mentionné dans la console AWS (version gratuite). Créer des flashcards Comprehend / Rekognition / Textract / Transcribe.
Semaine 2	IA générative + Amazon Bedrock	Domaines 2 et 3. Essayer le playground Bedrock (disponible en free tier limité). Comprendre RAG en détail. Faire la distinction Bedrock vs SageMaker.
Semaine 3	IA responsable + Sécurité + Gouvernance	Domaines 4 et 5. Lire la page AWS Responsible AI. Mémoriser les rôles de Clarify et Guardrails. Revoir le modèle de responsabilité partagée appliqué à l’IA.
Semaine 4	Révision + Examens blancs	2 examens blancs complets minimum. Identifier les domaines faibles. Revoir la cheat sheet services. Refaire les questions sur les sujets où le score est < 70%.

Temps d’étude estiméLa plupart des candidats sans expérience AWS passent en 30 à 40 heures de révision. Ceux qui ont déjà une expérience cloud (AWS Cloud Practitioner ou équivalent) passent en 15 à 20 heures. L’examen est noté “plus facile que le Cloud Practitioner” par la majorité des candidats, malgré un contenu plus récent.

Ressources recommandées

Ressources officielles AWS

•       AWS Certified AI Practitioner — Page officielle

•       Exam Guide AIF-C01 officiel (PDF)

•       AWS Skill Builder — cours gratuits de préparation

•       AWS Bedrock — page officielle et documentation

•       AWS Responsible AI — principes officiels

Formation LCF

•       Cours AWS Certified AI Practitioner (AIF-C01) — LeCloudFacile — cours complet en français avec exercices pratiques

Sources

AWS Certified AI Practitioner — Exam Guide officiel AIF-C01

KodeKloud — The Complete AWS Certified AI Practitioner (AIF-C01) Study Guide 2026

CertificationPractice — AWS Certified AI Practitioner Quick Facts 2026

ClassesPlace — AWS AI Practitioner Exam: Complete 2026 Study Guide

Collin Smith / Medium — Passing the AWS AI Practitioner AIF-C01 in 2026

Simon Reed / Medium — Ace the AWS Certified AI Practitioner (AIF-C01)