AWS Certified Generative AI Developer – Professional参考書

GenAI ソリューションの設計と、用途に合う 基盤モデル（FM） の選定・構成を学びます。Amazon Bedrock でのモデル評価、Cross-Region Inference による回復性、プロビジョンドスループット、ファインチューニング／LoRA、Well-Architected Framework（生成 AI レンズ） を押さえます。

FM に渡すデータの品質を担保するパイプラインを学びます。AWS Glue Data Quality、SageMaker Data Wrangler／Processing、マルチモーダル処理（Transcribe・Textract）、Bedrock API 向けの 入力フォーマット整形、Comprehend によるエンティティ抽出を扱います。

FM 拡張のためのベクトルデータベース設計を学びます。Amazon Bedrock Knowledge Bases、OpenSearch Service（ベクトル検索/Neural plugin）、Aurora pgvector、DynamoDB、メタデータフレームワーク、増分更新による鮮度維持を扱います。

RAG の検索品質を高める機構を学びます。チャンキング戦略、Titan 埋め込み、ハイブリッド検索、Bedrock reranker、クエリ拡張/分解/変換、function calling／MCP によるアクセスを扱います。

FM の振る舞いを制御するプロンプト戦略と、その運用ガバナンスを学びます。Bedrock Prompt Management（テンプレ/バージョン/バリアント比較）、Bedrock Guardrails、chain-of-thought、Bedrock Prompt Flows、CloudTrail／CloudWatch Logs による監査を扱います。

自律的に推論・ツール実行するエージェントの実装を学びます。Strands Agents／Agent Squad によるマルチエージェント、MCP（Model Context Protocol）でのツール連携、Bedrock AgentCore、Step Functions による ReAct／停止条件、Lambda／ECS の MCP サーバを扱います。

アプリ要件に合わせた FM デプロイを学びます。Lambda のオンデマンド呼び出し、Bedrock プロビジョンドスループット、SageMaker エンドポイント、コンテナ（GPU/メモリ/トークン処理）、モデルカスケード を扱います。

FM 機能を既存の企業環境に組み込む設計を学びます。イベント駆動（EventBridge）、GenAI ゲートウェイ、ID 連携／RBAC／最小権限、Outposts／Wavelength、CodePipeline／CodeBuild による CI/CD を扱います。

FM API を堅牢に統合する技法を学びます。同期/非同期（SQS）、Bedrock ストリーミング（WebSocket/SSE）、指数バックオフ／レート制限／フォールバック、X-Ray による可観測性、モデルルーティング を扱います。

GenAI アプリの実装を加速する統合と開発ツールを学びます。Amplify による UI、OpenAPI、Bedrock Prompt Flows のノーコード、Bedrock Data Automation、Amazon Q Developer、CloudWatch Logs Insights／X-Ray でのトラブルシュートを扱います。

有害な入力・出力から守る多層防御を学びます。Bedrock Guardrails による入出力フィルタ、毒性/モデレーション、ハルシネーション低減（Knowledge Base 根拠付け・JSON Schema）、プロンプトインジェクション／ジェイルブレイク検出を扱います。

FM デプロイのデータ保護を学びます。VPC エンドポイント／IAM／Lake Formation による隔離・アクセス制御、Comprehend／Macie による PII 検出、データマスキング/匿名化、S3 ライフサイクル による保持を扱います。

規制順守と説明可能性を支えるガバナンスを学びます。SageMaker モデルカード、Glue によるデータリネージ/データカタログ、CloudTrail 監査、継続監視（誤用・ドリフト・ポリシー違反・バイアスドリフト）を扱います。

透明性・公平性・説明責任を実装で担保する方法を学びます。推論の表示と出典提示、Bedrock agent tracing、公平性評価（CloudWatch メトリクス・A/B テスト・LLM-as-a-judge）、モデルカードによる制限の明示を扱います。

FM コストを抑える戦略を学びます。トークン効率（コンテキスト最適化・圧縮・プルーニング）、モデル階層化、プロンプトキャッシュ／セマンティックキャッシュ、バッチ推論、プロビジョンドスループット最適化を扱います。

GenAI アプリの応答性を高める手法を学びます。レイテンシ最適化モデル、並列リクエスト、ストリーミング、temperature／top-k／top-p の調整、検索の最適化、Auto Scaling を扱います。

FM アプリの可観測性を学びます。CloudWatch でのトークン使用/ハルシ率/応答品質、Bedrock Model Invocation Logs、異常検知、ツール呼び出しのオブザーバビリティ、golden dataset による幻覚検出を扱います。

FM 出力の品質を体系的に評価する方法を学びます。Bedrock Model Evaluations、RAG 評価、LLM-as-a-Judge、Bedrock Agent evaluations、A/B・カナリア、関連性/事実性/一貫性/流暢性メトリクス、回帰テストを扱います。

GenAI 固有の不具合の切り分けを学びます。コンテキストウィンドウ超過、FM API 統合の問題、プロンプトの不具合、検索（埋め込み品質/ドリフト）の問題、スキーマ検証・CloudWatch Logs／X-Ray でのプロンプト保守を扱います。