前言

從基礎的Bedrock到進階的SageMaker，從簡單的應用到複雜的系統架構。
今天，讓我們一起展望未來，規劃接下來的學習路徑。今天已經是最後一天了
基本上和 ai 相關的基本上都講得差不多了，基本上剩下的篇幅主要是講學習資源等

脫離 AWS 來看，未來進階學習目標

根據網上的 Road map 簡單有幾個路徑可以前進
AWS 處理 ai 只是開始，基本上要在這領域深耕
有許多深入的知識需要補齊，個人也只是業餘來小水一下 ai 相關內容，
結果不知不覺也研究了不少

以下有幾些路徑可以參考(或是我說配方可以參考)

學習路徑一：AI應用開發專家

• 階段1：深化基礎（1-3個月）

強化Prompt Engineering

學習進階提示詞技巧
研究思維鏈（Chain-of-Thought）
掌握Few-shot Learning

精通RAG架構

多種向量資料庫的比較與選擇
進階檢索策略（Hybrid Search、Re-ranking）
知識圖譜整合

LangChain/LlamaIndex深入

複雜工作流設計
自定義Chain開發
記憶機制實作

• 階段2：企業級應用（3-6個月）

系統架構設計

微服務架構
事件驅動架構
高可用性設計

效能優化

快取策略
批次處理優化
成本控制技巧

安全與合規

資料隱私保護
模型安全性
審計與監控

實戰專案建議

建立企業級知識管理系統
開發智能客服平台
打造內容生成工具鏈

基本上這幾個面向，我在 AWS 上面有做一些常識，
但其實也可以在地端進行不一樣的嘗試，但以這幾個目標作為出發

學習路徑二：ML工程師

• 階段1：機器學習基礎（2-4個月）

理論基礎

統計學與機率論
線性代數與最佳化
常見ML演算法

SageMaker進階功能

分散式訓練
超參數調優
模型註冊與版本控制

MLOps實踐

CI/CD管道建置
模型監控與再訓練
A/B測試框架

• 階段2：深度學習專精（4-8個月）

深度學習框架

PyTorch進階應用
TensorFlow/Keras
自定義模型開發

模型優化技術

量化與剪枝
知識蒸餾
模型壓縮

特定領域深入

電腦視覺（CV）
自然語言處理（NLP）
時序資料分析

等等等

實戰專案建議

從零訓練自定義模型
建立完整MLOps pipeline
開發領域特定的AI解決方案

學習路徑三：AI架構師

• 階段1：雲端架構精通（3-6個月）

AWS服務整合

深入學習20+個AWS服務
服務間的最佳整合方式
架構模式與設計原則

• 多雲與混合雲

AWS、Azure、GCP比較
跨雲部署策略
資料同步與遷移

• 成本優化專精

FinOps實踐
資源最佳化
預算控制策略

階段2：企業級架構（6-12個月）

• 大規模系統設計

分散式系統架構
高並發處理
災難恢復計畫

• 治理與合規

企業治理框架
法規遵循（GDPR、HIPAA等）
安全架構設計

• 技術領導力

技術決策制定
團隊技術指導
架構評審與改進

實戰專案建議

設計大型企業AI平台
規劃多區域部署架構

不管走哪個方向，仍然有很長的路要走

這 30 參考且爬文的資源

• AWS 關於ML 官方的資源
• AWS 官方的 example
• bedrock 的 doc

社群資源

• AWS community 資源
• 官方的 example
• stackoverflow AWS 相關的 tag

後記以及心得

首先我要恭喜自己，這 30 天終於結束了。對我來說每天要發兩篇文，在中間時確實會特別辛苦
尤其是挑戰自己的舒適圈外的狀況下，且同時要應對工作時的狀況，確實對我來說是煎熬
這是非常有意義的挑戰，自己成長了，即便只有一點點，我認為也是成長，小弟我對寫程式本身
就非常有興趣，最近在職崖發展上確實有比較多考慮，如今有更多選擇。
每天學習一點東西固然是非常重要的，今年我個人是挑戰兩個我非常不舒適的領域。
也很高興在這段期間被許多人認可。最後也是一樣，我覺得能完賽，我很高興
我志在參賽，不在得獎ＸＤ