เชชเซเชฐเซ‹เช—เซเชฐเชพเชฎเชฟเช‚เช— เช•เซเชถเชณเชคเชพ

Machine learning in Amazon Web Services test

See how candidates judge the practical work of building and running machine learning workloads on AWS.

  • 10 เชฎเชฟเชจเชฟเชŸ
  • 15 เชชเซเชฐเชถเซเชจเซ‹
  • เชฎเชงเซเชฏเชฎ
  • เชฌเชนเซเชตเชฟเช•เชฒเซเชชเซ€
  • เช…เช‚เช—เซเชฐเซ‡เชœเซ€เชฎเชพเช‚ เชชเซเชฐเชถเซเชจเซ‹
  • เชซเซ‹เชจ เช…เชจเซ‡ เชกเซ‡เชธเซเช•เชŸเซ‹เชช

เชŸเซ‚เช‚เช•เซ‹ เชœเชตเชพเชฌ

The Machine Learning in Amazon Web Services test is an intermediate hiring assessment for machine learning engineers, data scientists who deploy their own models, MLOps engineers, and cloud architects planning ML platforms. Short scenarios measure practical judgment in data and permissions, SageMaker training and serving, live-model care, and managed ML services.

เชคเซ‡ เชถเซเช‚ เชฎเชพเชชเซ‡ เช›เซ‡

Practical judgment in building, serving and running machine learning workloads on Amazon Web Services.

Data, compute and access setup for ML

Candidates judge how to prepare data, compute, and permissions for a machine learning workload on AWS.

Training, tuning and serving models

Scenarios cover decisions involved in training, tuning, and serving models with Amazon SageMaker.

Keeping live models healthy and affordable

Candidates consider how to keep deployed models accurate, fast, and affordable.

Prebuilt and visual ML services

Questions ask when a prebuilt or visual AI service is a better fit than a custom model.

เชชเซเชฐเชถเซเชจเซ‹เชจเชพ เชชเซเชฐเช•เชพเชฐเซ‹

เชฌเชนเซเชตเชฟเช•เชฒเซเชชเซ€

เช‰เชฎเซ‡เชฆเชตเชพเชฐ: เชŸเซ‚เช‚เช•เซ€ เชชเชฐเชฟเชธเซเชฅเชฟเชคเชฟ, เช•เซ‹เชทเซเชŸเช• เช…เชฅเชตเชพ เชตเชฟเชงเชพเชจ เชตเชพเช‚เชšเซ€เชจเซ‡ เชธเชพเชšเซ‹ เชœเชตเชพเชฌ เช…เชฅเชตเชพ เชฌเชงเชพ เชธเชพเชšเชพ เชœเชตเชพเชฌเซ‹ เชชเชธเช‚เชฆ เช•เชฐเซ‡ เช›เซ‡.

เชคเชฎเชจเซ‡ เชฆเซ‡เช–เชพเชฏ เช›เซ‡: เช‰เชฎเซ‡เชฆเชตเชพเชฐ เชธเชพเชฎเช—เซเชฐเซ€เชจเซ‡ เชฎเชพเชคเซเชฐ เช“เชณเช–เซ‡ เช›เซ‡ เช•เซ‡ เชคเซ‡เชจเซ‹ เช‰เชชเชฏเซ‹เช— เช•เชฐเซ€ เชถเช•เซ‡ เชเชŸเชฒเซ€ เชธเชพเชฐเซ€ เชฐเซ€เชคเซ‡ เชœเชพเชฃเซ‡ เช›เซ‡.

10 เชฎเชฟเชจเชฟเชŸเชฎเชพเช‚ 15 เชชเซเชฐเชถเซเชจเซ‹, เชเช• เชธเชฎเชฏเซ‡ เชเช• เชชเซเชฐเชถเซเชจ เช†เชชเชตเชพเชฎเชพเช‚ เช†เชตเซ‡ เช›เซ‡.

เช† test เชฎเชพเชŸเซ‡ เชฏเซ‹เช—เซเชฏ เชญเซ‚เชฎเชฟเช•เชพเช“

Machine learning engineers, data scientists who deploy their own models, MLOps engineers, and cloud architects who plan ML platforms.

Evidence of practical AWS ML judgment

  1. Reading policies and code

    Some questions show a short JSON policy or Python snippet to read and judge, so you see whether a candidate can tell what a permission or call will actually allow on AWS.

  2. Amazon SageMaker delivery choices

    Scenarios about training, tuning and serving in Amazon SageMaker show how a candidate weighs the options for getting a model into use.

  3. Prebuilt service or custom model

    Questions ask when a prebuilt AI service beats a custom model, a build-or-use call that also shapes what a live model costs to run.

เชฆเชฐเซ‡เช• เช‰เชฎเซ‡เชฆเชตเชพเชฐ เชฎเชพเชŸเซ‡ เชคเชฎเชจเซ‡ เชถเซเช‚ เชฎเชณเซ‡ เช›เซ‡

เชจเชฎเซ‚เชจเชพเชจเซ‹ เชฐเชฟเชชเซ‹เชฐเซเชŸ (เช•เชพเชฒเซเชชเชจเชฟเช• เชกเซ‡เชŸเชพ)Amazon Web Services (AWS)เชฎเชพเช‚ เชฎเชถเซ€เชจ เชฒเชฐเซเชจเชฟเช‚เช—
78%เชชเชฐเซเชธเซ‡เชจเซเชŸเชพเช‡เชฒ 62. เชฌเซ‡เชจเซเชšเชฎเชพเชฐเซเช•: HireValid เช‰เชฎเซ‡เชฆเชตเชพเชฐเซ‹, n = 1,640
Data, compute and access setup for ML76%
Training, tuning and serving models79%
Keeping live models healthy and affordable86%
Prebuilt and visual ML services69%
Integrity Scoreเช‰เชšเซเชš เชตเชฟเชถเซเชตเชพเชธ
  • เชธเชฎเช—เซเชฐ เชธเชฎเชฏ เชฆเชฐเชฎเชฟเชฏเชพเชจ เชŸเซ‡เชธเซเชŸ เชŸเซ…เชฌ เชชเชฐ เชœ เชฐเชนเซเชฏเชพ
  • เชชเซ‡เชธเซเชŸ เช•เชฐเซ‡เชฒเชพ เชœเชตเชพเชฌเซ‹ เชจเชฅเซ€
  • เชธเซเชฅเชฟเชฐ เช—เชคเชฟเช เชœเชตเชพเชฌ เช†เชชเซเชฏเชพ

เชธเซเช•เซ‹เชฐ, เชชเซเชฐเซ‹เชซเชพเช‡เชฒ เช…เชจเซ‡ เช…เช–เช‚เชกเชฟเชคเชคเชพเชจเชพ เชธเช‚เช•เซ‡เชคเซ‹ เช‡เชจเซเชŸเชฐเชตเซเชฏเซ‚ เชธเชพเชฅเซ‡ เชธเชฎเซ€เช•เซเชทเชพ เช•เชฐเชตเชพ เชฎเชพเชŸเซ‡เชจเชพ เชชเซเชฐเชพเชตเชพ เช›เซ‡, เช•เซเชฏเชพเชฐเซ‡เชฏ เชธเซเชตเชšเชพเชฒเชฟเชค เชจเชฟเชฐเซเชฃเชฏ เชจเชฅเซ€.

เช† เชŸเซ‡เชธเซเชŸ เชฎเชซเชคเชฎเชพเช‚ เช…เชœเชฎเชพเชตเซ‹

Assessment integrity signals

Each candidate receives a different set of questions from large question pools, with question order and answer options shuffled. The browser receives one question at a time, and answer keys stay on HireValidโ€™s servers. The 10-minute timer runs on the server; reloading restores the same question with only the time left. Candidates cannot copy or select question text, and a blocked copy attempt is recorded. A personal invitation link expires, and a completed test cannot be taken again. HireValid records signals such as time away from the test tab and summarizes them in an Integrity Score with an evidence timeline for employer review. It does not decide on its own. With candidate consent, employers can add webcam photos at random moments.

Use the score as evidence

Review the score alongside a work sample that reflects the role, such as asking a candidate to reason through a model-serving decision. Use a structured interview to explore their choices in data and permissions, Amazon SageMaker, and live-model care. The score is one signal for a person to review, not a hiring decision. For adjacent skill areas, see Computer Vision and Natural Language Processing (NLP).

Structured interview questions

  1. How would you prepare data and permissions for a model workload on AWS?

    Listen for a clear explanation of setup decisions and how they relate to the planned workload.

  2. Tell me about a model you served with Amazon SageMaker. What tradeoffs shaped your approach?

    Look for reasoning about training, tuning, and serving, with choices tied to the situation.

  3. How would you investigate a live model that became slower or less accurate?

    Listen for a practical way to consider model health, performance, and affordability.

เชจเซเชฏเชพเชฏเชธเช‚เช—เชคเชคเชพ เช…เชจเซ‡ เชœเชฐเซ‚เชฐเซ€ เชธเซเชตเชฟเชงเชพเช“

Questions test working judgment in realistic scenarios rather than memory of prices, quotas, regional availability or recent product launches, which change often. Scenarios come from many industries, use names from many backgrounds, avoid money symbols and local knowledge, and keep the English plain so the test measures cloud ML skill rather than reading speed. Code is short, commented only where needed, and uses common library calls.

เชธเซเชตเชฟเชงเชพ เชคเชฐเซ€เช•เซ‡ เชคเชฎเซ‡ เช•เซ‹เชˆเชชเชฃ เช‰เชฎเซ‡เชฆเชตเชพเชฐเชจเซ‡ เชตเชงเชพเชฐเชพเชจเซ‹ เชธเชฎเชฏ เช†เชชเซ€ เชถเช•เซ‹ เช›เซ‹. เชชเชฐเชฟเชฃเชพเชฎเซ‹ เชตเซเชฏเช•เซเชคเชฟ เชฆเซเชตเชพเชฐเชพ เชธเชฎเซ€เช•เซเชทเชพ เช•เชฐเชตเชพ เชฎเชพเชŸเซ‡เชจเชพ เชชเซเชฐเชพเชตเชพ เช›เซ‡, เช•เซเชฏเชพเชฐเซ‡เชฏ เช†เชชเชฎเซ‡เชณเซ‡ เชฒเซ‡เชตเชพเชคเซ‹ เชจเชฟเชฐเซเชฃเชฏ เชจเชนเซ€เช‚.

Provisional: reliability is reported once 200 candidates have completed it.

เชจเชฟเชทเซเชชเช•เซเชทเชคเชพ เช…เช‚เช—เซ‡เชจเซ‹ เช…เชฎเชพเชฐเซ‹ เช…เชญเชฟเช—เชฎ เชตเชพเช‚เชšเซ‹

เชŸเซ‡เชธเซเชŸเชจเซ€ เชตเชฟเช—เชคเซ‹

A timed set of short scenarios about running machine learning on Amazon Web Services: preparing data and permissions, training and serving models in Amazon SageMaker, keeping live models accurate, fast and affordable, and knowing when a prebuilt AI service beats a custom model. Some questions show a short Python snippet or a JSON policy to read and judge.

  • เชชเซเชฐเชถเซเชจเซ‹ เช…เช‚เช—เซเชฐเซ‡เชœเซ€เชฎเชพเช‚ เช›เซ‡.
  • เช•เซ‹เชˆ เชธเชนเชพเชฏเชจเซ€ เชœเชฐเซ‚เชฐ เชจเชฅเซ€.
  • เชฆเชฐเซ‡เช• เชชเซเชฐเชถเซเชจเชจเซ‹ เชœเชตเชพเชฌ เช•เซเชฐเชฎ เชชเซเชฐเชฎเชพเชฃเซ‡ เชเช• เชœ เชตเชพเชฐ เช†เชชเซ€ เชถเช•เชพเชฏ เช›เซ‡; เชชเชพเช›เชพ เชœเชˆ เชถเช•เชพเชคเซเช‚ เชจเชฅเซ€.
  • เชธเชฎเชฏเชฎเชฐเซเชฏเชพเชฆเชพเชตเชพเชณเชพ test เชชเชนเซ‡เชฒเชพเช‚ 4 เชชเซเชฐเซ‡เช•เซเชŸเชฟเชธ เชชเซเชฐเชถเซเชจเซ‹, 4 เชฎเชฟเชจเชฟเชŸ.

Amazon Web Services, Amazon SageMaker, Amazon S3, Amazon CloudWatch, AWS Lambda, AWS Identity and Access Management, AWS Glue, Amazon Bedrock, Amazon Comprehend, Amazon Rekognition เชคเซ‡เชฎเชจเชพ เชฎเชพเชฒเชฟเช•เซ‹เชจเชพ เชŸเซเชฐเซ‡เชกเชฎเชพเชฐเซเช• เช›เซ‡. HireValid เชคเซ‡เชฎเชจเซ€ เชธเชพเชฅเซ‡ เชธเช‚เช•เชณเชพเชฏเซ‡เชฒเซเช‚ เชจเชฅเซ€ เช•เซ‡ เชคเซ‡เชฎเชจเชพ เชฆเซเชตเชพเชฐเชพ เชธเชฎเชฐเซเชฅเชฟเชค เชจเชฅเซ€.

เชตเชพเชฐเช‚เชตเชพเชฐ เชชเซ‚เช›เชพเชคเชพ เชชเซเชฐเชถเซเชจเซ‹

Does the test depend on knowing current AWS prices or recent launches?+

No. Questions test working judgment in realistic scenarios rather than memory of prices, quotas, regional availability or recent product launches, which change often. Scenarios come from many industries, use names from many backgrounds and plain English, and code is short and uses common library calls.

Which roles and level fit the Machine Learning in Amazon Web Services test?+

It is an intermediate test for machine learning engineers, data scientists who deploy their own models, MLOps engineers, and cloud architects who plan ML platforms. Choose it when the role makes practical ML decisions on AWS.

What format and aids does the Machine Learning in Amazon Web Services test use?+

The test has 15 multiple-choice questions in English and takes 10 minutes. Some questions include a short Python snippet or JSON policy to read and judge. No aids are allowed, and candidates cannot go back to an earlier question.

What practice is available for the Machine Learning in Amazon Web Services test?+

Candidates can try a practice set of 4 questions in 4 minutes before the 15 timed questions. It lets them get used to the single-answer and select-all formats, and to reading a scenario closely, before the scored questions start.

เชธเช‚เชฌเช‚เชงเชฟเชค เช•เชธเซ‹เชŸเซ€เช“

เชชเซเชฐเซ‹เช—เซเชฐเชพเชฎเชฟเช‚เช— เช•เซเชถเชณเชคเชพ

Azureเชฎเชพเช‚ เชฎเชถเซ€เชจ เชฒเชฐเซเชจเชฟเช‚เช—

10 เชฎเชฟเชจเชฟเชŸ, เชชเซเชฐเซ‹เช—เซเชฐเชพเชฎเชฟเช‚เช— เช•เซเชถเชณเชคเชพ

เชœเซเช“
เชชเซเชฐเซ‹เช—เซเชฐเชพเชฎเชฟเช‚เช— เช•เซเชถเชณเชคเชพ

Google Cloud Platform (GCP)เชฎเชพเช‚ เชฎเชถเซ€เชจ เชฒเชฐเซเชจเชฟเช‚เช—

10 เชฎเชฟเชจเชฟเชŸ, เชชเซเชฐเซ‹เช—เซเชฐเชพเชฎเชฟเช‚เช— เช•เซเชถเชณเชคเชพ

เชœเซเช“
เชชเซเชฐเซ‹เช—เซเชฐเชพเชฎเชฟเช‚เช— เช•เซเชถเชณเชคเชพ

เชฎเชฒเซเชŸเซ€-เชŸเชพเชธเซเช• เชฒเชฐเซเชจเชฟเช‚เช— (MTL)

10 เชฎเชฟเชจเชฟเชŸ, เชชเซเชฐเซ‹เช—เซเชฐเชพเชฎเชฟเช‚เช— เช•เซเชถเชณเชคเชพ

เชœเซเช“
เชชเซเชฐเซ‹เช—เซเชฐเชพเชฎเชฟเช‚เช— เช•เซเชถเชณเชคเชพ

เชจเซเชฏเซเชฐเชฒ เชจเซ‡เชŸเชตเชฐเซเช•เซเชธ

10 เชฎเชฟเชจเชฟเชŸ, เชชเซเชฐเซ‹เช—เซเชฐเชพเชฎเชฟเช‚เช— เช•เซเชถเชณเชคเชพ

เชœเซเช“
เชชเซเชฐเซ‹เช—เซเชฐเชพเชฎเชฟเช‚เช— เช•เซเชถเชณเชคเชพ

TensorFlow

10 เชฎเชฟเชจเชฟเชŸ, เชชเซเชฐเซ‹เช—เซเชฐเชพเชฎเชฟเช‚เช— เช•เซเชถเชณเชคเชพ

เชœเซเช“
เชชเซเชฐเซ‹เช—เซเชฐเชพเชฎเชฟเช‚เช— เช•เซเชถเชณเชคเชพ

เช•เชฎเซเชชเซเชฏเซเชŸเชฐ เชตเชฟเชเชจ

10 เชฎเชฟเชจเชฟเชŸ, เชชเซเชฐเซ‹เช—เซเชฐเชพเชฎเชฟเช‚เช— เช•เซเชถเชณเชคเชพ

เชœเซเช“

เชคเชฎเชพเชฐเซ€ เช†เช—เชพเชฎเซ€ เชญเชฐเชคเซ€เชฎเชพเช‚ Amazon Web Services (AWS)เชฎเชพเช‚ เชฎเชถเซ€เชจ เชฒเชฐเซเชจเชฟเช‚เช— เชŸเซ‡เชธเซเชŸเชจเซ‹ เช‰เชชเชฏเซ‹เช— เช•เชฐเซ‹

เชฆเชฐเซ‡เช• เชชเซเชฒเชพเชจเชฎเชพเช‚, Free เชธเชนเชฟเชค, เชŸเซ‡เชธเซเชŸเชจเซ€ เชธเช‚เชชเซ‚เชฐเซเชฃ เชฒเชพเช‡เชฌเซเชฐเซ‡เชฐเซ€ เชธเชพเชฎเซ‡เชฒ เช›เซ‡.

เช† เชŸเซ‡เชธเซเชŸ เชฎเชซเชคเชฎเชพเช‚ เช…เชœเชฎเชพเชตเซ‹Free เชชเซเชฒเชพเชจ. เช•เซเชฐเซ‡เชกเชฟเชŸ เช•เชพเชฐเซเชกเชจเซ€ เชœเชฐเซ‚เชฐ เชจเชฅเซ€.
Free เชชเซเชฒเชพเชจ. เช•เซเชฐเซ‡เชกเชฟเชŸ เช•เชพเชฐเซเชกเชจเซ€ เชœเชฐเซ‚เชฐ เชจเชฅเซ€.เช† เชŸเซ‡เชธเซเชŸ เชฎเชซเชคเชฎเชพเช‚ เช…เชœเชฎเชพเชตเซ‹

เชธเช‚เชชเชพเชฆเช•เซ€เชฏ เชŸเซ€เชฎ เชตเชฟเชถเซ‡

HireValidเชจเซ€ เชธเช‚เชชเชพเชฆเช•เซ€เชฏ เชŸเซ€เชฎ เชฆเซเชตเชพเชฐเชพ เชฒเช–เชพเชฏเซ‡เชฒเซเช‚ เช…เชจเซ‡ เชคเชฅเซเชฏเซ‹เชจเซ€ เชšเช•เชพเชธเชฃเซ€ เช•เชฐเซ‡เชฒเซเช‚. เชคเชชเชพเชธเซ‡เชฒเชพ เชธเซเชฐเซ‹เชคเซ‹ . เชธเช‚เชชเชพเชฆเช•เซ€เชฏ เชจเซ€เชคเชฟ เชตเชพเช‚เชšเซ‹.