# Glossaire AWS AIB-C01

Glossaire A–Z de chaque concept, framework, service et métrique nommé par le guide d’examen AWS Certified AI Business Strategist, défini au niveau métier que l’examen teste.

Chaque terme ci-dessous apparaît dans le guide d’examen **AWS Certified AI Business Strategist (AIB-C01)**, ou le sous-tend directement. Chaque entrée donne une définition au niveau métier, la raison pour laquelle elle compte à cet examen, et une étiquette de domaine indiquant où elle est le plus testée. Rappelez-vous le cadrage qui façonne toute la certification : l’examen n’évalue pas la connaissance des services AWS — les services n’apparaissent qu’au niveau stratégique, et chaque entrée ici est écrite pour le chef de produit, le consultant ou le responsable de division qui travaille *aux côtés* des équipes techniques plutôt que de construire quoi que ce soit. Voir la [présentation du cours](/fr/aws/aib-c01/), la [logistique de l’examen](/fr/aws/exam-logistics/) et le [guide d’examen](https://docs.aws.amazon.com/aws-certification/latest/ai-business-strategist-01/ai-business-strategist-01.html) AWS pour comprendre comment ces termes se rattachent au blueprint.

Étiquettes de domaine : **D1** = AI Fundamentals and Literacy · **D2** = Strategy and Business Value · **D3** = Governance and Responsible AI · **D4** = Readiness, Leadership and Transformation.

---

## A

**Access controls (contrôles d’accès)** – Les règles qui décident qui peut atteindre quelles données et quels systèmes d’IA, et sous quelles permissions. À cet examen, vous identifiez des contrôles d’accès *appropriés* et des mesures de sécurité des données comme une préoccupation de gouvernance, non comme une tâche de configuration IAM. *D3*

**Agent (agent d’IA)** – Un système d’IA capable de planifier et d’agir vers un objectif avec une certaine autonomie, plutôt que de répondre à un seul prompt. Les capacités fondamentales à reconnaître sont l’autonomie, l’usage d’outils, la communication d’agent à agent et les stratégies d’orchestration. L’examen attend que vous distinguiez un agent d’un simple modèle ou d’un outil à base de règles, non que vous en construisiez un. *D1*

**Agent-to-agent communication (communication d’agent à agent)** – Le motif où plusieurs agents d’IA se coordonnent ou se transfèrent du travail. C’est l’une des quatre capacités d’agent nommées par le guide ; à l’examen, elle signale une plus grande autonomie et donc des besoins accrus de supervision et de gouvernance. *D1 D3*

**AI (intelligence artificielle)** – Le vaste domaine des systèmes qui accomplissent des tâches associées à l’intelligence humaine. À l’examen, l’IA est le terme générique ; le discriminant est de la distinguer du ML plus restreint et de la GenAI, et de savoir quand *ne pas* utiliser l’IA du tout. *D1*

**AI Service Cards** – L’artefact de transparence d’AWS documentant les cas d’usage prévus et les limites d’un service ou d’un modèle, les choix de conception responsable de l’IA et les bonnes pratiques de performance. Elles comptent pour les discussions de transparence et de diligence raisonnable fournisseur ; sachez ce qu’elles contiennent, pas comment en rédiger une. *D3*

**Align (phase de l’AWS CAF)** – La deuxième phase de l’AWS CAF, qui identifie les écarts de capacité à travers les six perspectives, les dépendances inter-organisationnelles et les préoccupations des parties prenantes avant le début de la livraison. La formulation approximative du guide d’examen pour la tâche 4.4.1 dit « experiment » ici, mais la phase propre au CAF est Align. *D4*

**Algorithm (algorithme)** – La procédure qu’un modèle utilise pour apprendre à partir de données ou produire une sortie. L’examen traite « algorithme » comme un vocabulaire de base que vous savez expliquer dans un contexte métier ; sélectionner ou régler des algorithmes est explicitement hors du périmètre. *D1*

**Amazon Bedrock** – La plateforme gérée d’AWS pour les modèles de fondation et les applications d’IA générative, offrant un choix de modèles multi-fournisseurs sur une seule plateforme. Au niveau stratégique, elle représente l’extrémité *acheter/géré* du spectre construire-acheter-partenariat : un accès rapide aux modèles sans exploiter d’infrastructure. *D2 D1*

**Amazon Quick** – L’assistant métier propulsé par l’IA et la surface de business intelligence d’AWS pour la recherche, les analyses, l’automatisation et la construction d’applications sans code sur les données métier, selon un modèle par siège. Le point stratégique : il met l’IA devant les utilisateurs métier sans projet de construction. *D2 D4*

**Amazon SageMaker AI** – Le service d’AWS pour construire, entraîner et déployer des modèles ML personnalisés. Au niveau stratégique, il représente l’extrémité *construire/personnalisé* du spectre, avec une tarification à l’instance où les endpoints inactifs coûtent encore de l’argent — la décision géré-versus-personnalisé est le jugement pertinent pour l’examen. *D2 D1*

**Automated Reasoning checks** – Une capacité de Bedrock Guardrails qui utilise la logique formelle pour vérifier les sorties du modèle par rapport à des règles définies, facturée par politique. Connaissez-la comme l’un des types de guardrails qui réduit le risque de fiabilité, pas son implémentation. *D3*

**Autonomy (autonomie)** – Le degré auquel un agent d’IA agit sans direction humaine étape par étape. Plus d’autonomie augmente à la fois la valeur potentielle et le risque, ce qui explique pourquoi les systèmes à plus forte autonomie attirent davantage de supervision humaine et de gouvernance à l’examen. *D1 D3*

## B

**Baseline (métriques de référence)** – Le niveau mesuré d’une métrique *avant* le début d’une initiative d’IA. Établir une base de référence avant l’implémentation est une compétence explicite (2.2.2) ; sans elle, vous ne pouvez ni revendiquer honnêtement une amélioration ni calculer le ROI. Une base de référence manquante est un piège d’examen classique. *D2*

**Batch inference (inférence par lots)** – Exécuter des requêtes de modèle en masse lorsque la latence n’a pas d’importance, facturée dans Bedrock à 50 % en dessous du tarif à la demande pour certains modèles. C’est le levier de coût de référence pour les charges non temps réel ; reconnaissez-la comme un choix d’optimisation des coûts, pas un réglage technique. *D2*

**Bedrock Data Automation** – Une capacité de Bedrock qui transforme du contenu multimodal non structuré en données structurées, facturée par page, par minute ou par image. Stratégiquement, c’est une manière gérée de libérer de la valeur à partir de données non structurées sans projet d’ingénierie de données. *D2 D1*

**Bedrock Guardrails** – Des garde-fous configurables utilisables avec n’importe quel modèle de fondation dans Bedrock ou auto-hébergé, incluant des filtres de contenu, des sujets interdits, des filtres d’informations sensibles (PII), des filtres de mots, des vérifications d’ancrage contextuel et des Automated Reasoning checks. AWS indique que Guardrails bloque jusqu’à 88 % du contenu nuisible ; à l’examen, ils sont le garde-fou archétypal pour les scénarios de gouvernance et de supervision humaine. *D3*

**Bedrock Knowledge Bases** – Récupération augmentée par génération gérée sans exploiter d’infrastructure : parsing, embeddings et re-ranking gérés, avec un stockage d’index et une tarification de récupération par appel. Stratégiquement, c’est ainsi que vous ancrez un modèle dans vos propres données par un achat plutôt qu’une construction. *D3 D1*

**Bedrock service tiers (paliers de service Bedrock)** – Les paliers commerciaux pour l’inférence Bedrock : **Standard**, **Flex** (une remise de 50 % sur Standard), **Priority** (une prime de 75 % sur Standard) et **Reserved**. Choisir un palier est un arbitrage coût-versus-latence-versus-prévisibilité — le genre de jugement que l’examen récompense. *D2*

**Bias (biais)** – Une iniquité systématique dans les sorties d’IA. L’examen souligne que le biais peut apparaître à plusieurs étapes du cycle de vie (données, entraînement, déploiement) et doit être surveillé dans le temps, y compris la dérive de biais ; il se rattache à la dimension d’équité de l’IA responsable. *D3*

**Bias drift (dérive de biais)** – L’aggravation progressive du biais dans un système déployé à mesure que les données ou les conditions changent. Surveiller la dérive de biais en production est une compétence de gouvernance explicite (3.3.2) ; c’est pourquoi l’équité est un devoir opérationnel continu, pas une vérification ponctuelle. *D3*

**Build-buy-partner (construire-acheter-partenariat)** – La décision de construire une capacité d’IA en interne, d’acheter une solution sur étagère ou de nouer un partenariat avec un fournisseur. La compétence 2.1.2 vous demande de peser budget, délais, capacités, propositions de fournisseurs et conformité réglementaire ; AWS Marketplace soutient le versant acheter/partenariat de cette analyse. *D2*

**Business case (dossier d’investissement)** – L’argumentaire structuré en faveur d’un investissement en IA, combinant valeur attendue, coût, risque et adéquation stratégique. Construire le dossier d’investissement est l’une des quatre choses qu’AWS dit que l’examen valide ; les dossiers solides reposent sur des bases de référence, des KPI et un ROI, pas sur l’enthousiasme. *D2*

**Business continuity (continuité d’activité)** – Maintenir l’activité en fonctionnement à travers le changement. C’est une considération nommée lors de la transition de processus vers l’IA ou entre plateformes d’IA (2.1.5) et lors de la mise à l’échelle (4.4.6) ; l’examen attend que vous pesiez le risque de perturbation face au bénéfice attendu. *D2 D4*

## C

**Capability gap (écart de capacité)** – La distance entre les compétences, processus, technologies ou gouvernance dont dispose une organisation et ce qu’exigent ses ambitions en IA. Identifier les écarts à travers les personnes, les processus, la technologie et la gouvernance (4.1.3) alimente directement la priorisation des investissements de développement. *D4*

**Center of excellence (COE, centre d’excellence)** – Une équipe transversale qui concentre l’expertise en IA, définit des standards et soutient l’organisation élargie à mesure qu’elle se met à l’échelle. Établir des COE d’IA (4.4.3) est un mécanisme de mise à l’échelle, pas une activité pilote ; reconnaissez-le comme un mouvement de maturité d’entreprise. *D4*

**Champion (champion IA) / champion network (réseau de champions)** – Des individus influents qui promeuvent et accélèrent l’adoption de l’IA au sein des équipes. Identifier et responsabiliser les champions (4.3.1) et bâtir un réseau de champions est un levier de conduite du changement qui complète le parrainage exécutif venu d’en haut. *D4*

**Change management (conduite du changement)** – L’effort discipliné pour aider les personnes à adopter de nouvelles façons de travailler. À cet examen, il couvre la communication transparente sur les délais et les impacts sur les rôles, la prise en compte des barrières culturelles et de la peur, et les interventions du leadership — le versant humain de la transformation. *D4*

**Compensatory scoring (notation compensatoire)** – Un modèle de notation où un score global élevé peut compenser des sections plus faibles ; vous devez réussir l’examen dans son ensemble, non chaque domaine. AIB-C01 utilise ce modèle, de sorte que le retour au niveau de la section n’est qu’indicatif et qu’AWS dit de l’interpréter avec prudence. *D1 D2 D3 D4*

**Compliance risk (risque de conformité)** – Le risque d’enfreindre des lois, réglementations ou obligations contractuelles avec un système d’IA. Identifier et traiter les risques de conformité réglementaire (3.2.2) est une compétence de gouvernance ; l’examen vous demande d’appliquer une approche de classification des risques, non de citer des textes précis. *D3*

**Concept drift (dérive de concept)** – Une dérive où la relation du monde réel apprise par le modèle change dans le temps, dégradant la précision même si les données d’entrée semblent stables. C’est une raison pour laquelle l’IA nécessite une surveillance et des mises à jour continues (1.2.3) ; distinguez-la de la dérive de données et de la dérive de modèle. *D1 D3*

**Consumption-based pricing (tarification à la consommation)** – Payer par unité d’usage — par token, requête, page ou image — de sorte que le coût évolue avec l’usage et n’a pas de plancher. La distinguer de la tarification à l’instance et par siège (2.2.5) est pertinent pour l’examen, car chacune façonne différemment le dossier d’investissement. *D2*

**Content filters (filtres de contenu)** – Un contrôle de Bedrock Guardrails qui bloque des catégories nuisibles d’entrée et de sortie. C’est le garde-fou archétypal derrière l’affirmation d’AWS selon laquelle Guardrails bloque jusqu’à 88 % du contenu nuisible ; connaissez-le comme un contrôle de contenu nuisible (3.3.3). *D3*

**Context window (fenêtre de contexte)** – La quantité maximale de texte (mesurée en tokens) qu’un modèle peut considérer à la fois. Lorsque les entrées la dépassent, le contenu plus ancien est écarté ou doit être résumé, ce qui dégrade la performance de la GenAI (1.3.2) ; reconnaissez le *symptôme*, pas le remède. *D1*

**Contextual grounding checks (vérifications d’ancrage contextuel)** – Une capacité de Bedrock Guardrails qui compare une réponse à une source pour détecter les hallucinations. C’est le garde-fou concret derrière la « détection d’hallucination » dans les scénarios de supervision humaine (3.1.4). *D3*

**Controllability (contrôlabilité)** – L’une des huit dimensions de l’IA responsable d’AWS : la capacité de surveiller et de piloter le comportement d’un système d’IA. Elle sous-tend la conception de la supervision humaine et de l’escalade ; notez que la liste plus courte du guide d’examen l’omet, mais vous devriez connaître les huit. *D3*

**Cost optimisation (optimisation des coûts)** – Réduire délibérément la dépense en IA sans compromettre la valeur — via le choix de palier, l’inférence par lots, les remises d’engagement, le routage de prompts et la surveillance du coût réel. Mettre en œuvre des contrôles de base des facteurs de coût (2.2.5) est une compétence explicite. *D2*

**Cross-functional team (équipe transversale)** – Une équipe combinant des responsables métier, des experts techniques, le juridique et la conformité avec une responsabilité claire. Bâtir ces équipes (4.3.2) est la façon dont les comités de gouvernance et les COE acquièrent une portée réelle ; la propriété mono-fonction de l’IA est une faiblesse récurrente. *D4 D3*

**Cultural barrier (barrière culturelle)** – Une attitude organisationnelle qui résiste à l’adoption de l’IA, telle que l’aversion au risque, la résistance au changement ou la peur de l’échec. Les reconnaître et identifier les interventions du leadership (4.3.4) est une compétence de leadership, non une compétence technique. *D4*

## D

**Data drift (dérive de données)** – Un changement des propriétés statistiques des données d’entrée après le déploiement, qui peut dégrader silencieusement la performance du modèle. C’est une raison centrale de la surveillance continue (1.2.3, 3.3.4) ; distinguez-la de la dérive de concept et de la dérive de modèle. *D1 D3*

**Data ownership (propriété des données)** – La clarté sur qui est responsable de la qualité, de l’accès et de l’usage d’un jeu de données. Décrire l’importance de la propriété des données aux côtés de la stratégie de données et des cadres de partage de données (4.2.2) est une compétence de préparation. *D4*

**Data quality (qualité des données)** – L’aptitude des données à leur finalité, à travers des dimensions telles que l’exactitude, la complétude, la cohérence, l’actualité et la validité. Une mauvaise qualité des données dégrade les résultats d’IA (1.1.4) et constitue un risque de fiabilité en production (3.3.4) ; « garbage in, garbage out » est l’intuition d’examen. *D1 D3 D4*

**Data-sharing framework (cadre de partage de données)** – Les règles convenues sur la façon dont les données circulent entre équipes, systèmes ou partenaires tout en respectant la propriété, la confidentialité et la conformité. Il est nommé aux côtés de la stratégie et de la propriété des données comme fondement de la préparation à l’IA (4.2.2). *D4*

**Data silo** – Des données prisonnières d’une seule équipe ou d’un seul système, inaccessibles aux autres qui en ont besoin. Évaluer les effets des silos de données (4.2.1) est central pour l’évaluation de la préparation des données ; les silos sont un blocage courant de l’IA à l’échelle de l’entreprise. *D4*

**Data strategy (stratégie de données)** – Le plan d’une organisation pour collecter, gouverner, partager et utiliser les données afin de créer de la valeur. En décrire l’importance (4.2.2) est une compétence de préparation ; sans stratégie de données, les initiatives d’IA butent sur des problèmes d’accès et de qualité. *D4*

**Decision rights (droits de décision)** – Des énoncés explicites de qui peut prendre quelles décisions au sujet d’un système d’IA. Des droits de décision et une responsabilité clairs sont l’épine dorsale d’une structure de gouvernance (3.2.1) ; une propriété floue est un anti-modèle de gouvernance. *D3*

**Denied topics (sujets interdits)** – Un contrôle de Bedrock Guardrails qui bloque des domaines de sujets spécifiés. Connaissez-le comme l’un des types de garde-fous pour gérer le risque de contenu nuisible (3.3.3), au niveau de *ce qu’il fait*, non de sa configuration. *D3*

**Drift (dérive)** – Le terme générique désignant la dégradation dans le temps de la performance d’un modèle déployé à mesure que les données, les relations ou le biais évoluent (dérive de modèle, de données, de concept, de biais). Détecter et remédier à la dérive est la raison pour laquelle l’IA nécessite une surveillance et des mises à jour continues (1.2.3). *D1 D3*

## E

**Envision (phase de l’AWS CAF)** – La première phase de l’AWS CAF, qui identifie et priorise les opportunités de transformation par rapport aux objectifs métier. C’est là qu’une transformation par l’IA commence, avant les écarts de capacité (Align), les pilotes (Launch) et l’expansion (Scale). *D4*

**Escalation criteria (critères d’escalade)** – Les conditions prédéfinies dans lesquelles un système d’IA remet une décision à un humain. Identifier des critères d’escalade est un garde-fou nommé pour la supervision humaine (3.1.4) ; ils transforment « garder un humain dans la boucle » en une règle opérationnelle. *D3*

**EU AI Act** – Une réglementation à paliers de risque classant les usages de l’IA comme risque inacceptable, élevé, limité ou minimal, avec des obligations attachées au palier. À cet examen, c’est un exemple d’*application d’un cadre de classification des risques* (3.2.4), non une source de numéros d’articles à mémoriser. *D3*

**Exception path (chemin d’exception)** – Une voie définie pour traiter les cas qui échappent aux règles normales de gouvernance de l’IA, afin que les cas limites reçoivent un jugement humain plutôt qu’une défaillance silencieuse ou des contournements ad hoc. Il complète les droits de décision au sein d’une structure de gouvernance. *D3*

**Executive sponsorship (parrainage exécutif)** – Un soutien visible et doté de ressources apporté à une initiative d’IA par la direction générale. Établir un parrainage exécutif et un alignement du leadership (4.3.1) fait de façon répétée la différence entre les pilotes qui se mettent à l’échelle et ceux qui stagnent. *D4*

**Explainability (explicabilité)** – L’une des huit dimensions de l’IA responsable d’AWS : la capacité de comprendre et d’articuler pourquoi un modèle a produit une sortie. Elle compte pour la confiance, la conformité et la supervision humaine ; SageMaker Clarify la soutient au niveau de l’outillage. *D3*

## F

**Fairness (équité)** – L’une des huit dimensions de l’IA responsable d’AWS : traiter les personnes et les groupes de façon équitable et éviter un biais nuisible. Appliquer l’équité à des scénarios métier (3.1.1) et surveiller la dérive de biais sont des thèmes d’examen récurrents. *D3*

**Feasibility (faisabilité)** – À quel point une initiative peut être livrée de façon réaliste compte tenu des données, des compétences, de la technologie et des contraintes. La priorisation des initiatives pèse la faisabilité aux côtés de la valeur métier, de la pérennité et de l’alignement stratégique (2.1.3). *D2*

**Feedback loop (boucle de rétroaction)** – Un mécanisme qui réinjecte les résultats du monde réel pour améliorer un système d’IA ou les décisions qui l’entourent. Établir des mécanismes de rétroaction continue et des métriques de succès (4.4.4) est une discipline de mise à l’échelle ; c’est aussi ce qui sous-tend la façon dont les modèles « s’améliorent » dans le temps. *D1 D4*

**Fine-tuning** – Adapter un modèle en le ré-entraînant sur des exemples spécifiques à un domaine afin que ses réponses correspondent à un besoin métier particulier. Reconnaître quand le fine-tuning (par opposition à RAG) aide (1.3.3) est le jugement pertinent pour l’examen ; vous n’effectuez pas le réglage. *D1*

**Flex (palier Bedrock)** – Le palier de service Bedrock tarifé à une remise de 50 % sur Standard, échangeant une part de latence ou de priorité contre un coût plus bas. C’est un levier concret d’optimisation des coûts pour les charges non urgentes. *D2*

**Foundation model (modèle de fondation)** – Un modèle large et polyvalent entraîné sur des données étendues, adaptable à de nombreuses tâches, proposé via Amazon Bedrock. Stratégiquement, il représente un accès rapide et géré à la capacité sans entraîner un modèle de zéro. *D1 D2*

## G

**Governance board (comité de gouvernance)** – Un organe transversal doté d’une responsabilité claire qui supervise les décisions d’IA, le risque et la conformité. Établir des structures de gouvernance avec une représentation transversale (3.2.1) est une compétence explicite ; qui y siège importe autant que son existence. *D3*

**Governance by design (gouvernance dès la conception)** – Intégrer les considérations de gouvernance et d’IA responsable dans la planification de projet dès le départ, plutôt que de les greffer plus tard. Reconnaître quand le faire (3.1.3) est un signal de maturité que l’examen récompense. *D3*

**Governance (dimension de l’IA responsable)** – L’une des huit dimensions de l’IA responsable d’AWS : les pratiques, rôles et contrôles qui maintiennent l’usage de l’IA responsable tout au long de son cycle de vie. Elle relie les principes de l’IA responsable aux structures de gouvernance du Domaine 3. *D3*

**GenAI (IA générative)** – L’IA qui crée du nouveau contenu — texte, images, code — généralement à l’aide de modèles de fondation. Distinguer la GenAI du ML et de l’IA plus larges (1.1.2), et connaître ses modes de défaillance (hallucination, limites de tokens), est du matériel central du Domaine 1. *D1*

**Ground Truth** – La capacité de SageMaker AI pour le retour humain et l’étiquetage des données. Pertinente au niveau métier comme l’outillage derrière l’étiquetage human-in-the-loop ; vous devriez en reconnaître la finalité, non l’opérer. *D3 D4*

**Grounding (ancrage)** – Ancrer les réponses d’un modèle dans des données sources fiables, généralement via RAG, afin que les réponses reflètent des informations réelles plutôt qu’une invention. L’ancrage réduit le risque d’hallucination et constitue la raison d’être de Bedrock Knowledge Bases et des vérifications d’ancrage contextuel. *D1 D3*

**Guardrail (garde-fou)** – Tout garde-fou qui contraint le comportement de l’IA pour la maintenir sûre, conforme et centrée sur le sujet. À cet examen, « guardrail » apparaît à la fois de façon générique (un garde-fou de supervision humaine, 3.1.4) et comme la fonctionnalité Bedrock Guardrails ; connaissez d’abord le concept. *D3*

## H

**Hallucination** – Une sortie de modèle assurée mais fausse ou fabriquée. Détecter et atténuer les hallucinations (3.3.4) est un risque de fiabilité nommé ; les vérifications d’ancrage contextuel et la supervision humaine sont les garde-fous, et l’ancrage en est la prévention. *D1 D3*

**Harmful content (contenu nuisible)** – Des sorties offensantes, dangereuses ou dommageables d’une autre manière. Gérer le risque de contenu nuisible (3.3.3) est une compétence de gouvernance ; les filtres de contenu de Bedrock Guardrails en sont le contrôle archétypal, bloquant jusqu’à 88 % du contenu nuisible selon AWS. *D3*

**Historical data (données historiques)** – Des données passées utilisées pour entraîner un modèle afin qu’il puisse faire des prédictions sur de nouveaux cas. Expliquer l’entraînement sur des données historiques (1.1.5) est du vocabulaire de base du Domaine 1 ; l’examen le relie à la raison pour laquelle la qualité et la représentativité des données comptent. *D1*

**Human-in-the-loop (humain dans la boucle)** – Une conception où un humain examine, approuve ou corrige les sorties d’IA avant qu’elles ne prennent effet. C’est la forme pratique de la supervision humaine ; l’examen demande *quand* elle est requise (3.1.4) et comment les rôles évoluent vers la supervision (4.3.6). *D3 D4*

**Human oversight (supervision humaine)** – Un contrôle humain significatif sur les systèmes d’IA, en particulier ceux à plus haut risque ou à plus forte autonomie. Reconnaître quand des systèmes nécessitent une supervision et identifier des garde-fous (3.1.4) est une compétence centrale du Domaine 3, renforcée par le modèle de responsabilité partagée. *D3*

## I

**Inference (inférence)** – L’acte par lequel un modèle entraîné produit une sortie (une prédiction ou une génération) à partir d’une nouvelle entrée. C’est du vocabulaire de base (1.1.1) et ce que la plupart des tarifs d’IA mesurent — la tarification à la consommation facture par requête d’inférence ou par token. *D1 D2*

**Instance-based pricing (tarification à l’instance)** – Payer par heure de calcul provisionné, prévisible mais dispendieux lorsque la ressource reste inactive — comme un endpoint SageMaker AI inactif. La distinguer de la tarification à la consommation et par siège (2.2.5) est pertinent pour l’examen. *D2*

**Intangible benefit (bénéfice intangible)** – Un bénéfice réel mais difficile à quantifier directement, tel que la satisfaction client ou la productivité des employés. Les KPI devraient capturer à la fois les bénéfices tangibles et intangibles (2.2.1) ; ignorer les intangibles sous-estime la valeur de l’IA. *D2*

**Intellectual-property (IP) risk (risque de propriété intellectuelle)** – Le risque que les sorties d’IA enfreignent la PI d’autrui, ou que des données propriétaires fuient dans un modèle. Gérer les préoccupations de PI (3.3.3) est un devoir de gouvernance ; il façonne les conditions fournisseur, le traitement des données et l’approbation des cas d’usage. *D3*

**Intelligent Prompt Routing** – Une capacité de Bedrock qui achemine les requêtes au sein d’une famille de modèles selon la complexité du prompt, facturée par requête ; AWS indique qu’elle peut réduire le coût jusqu’à 30 % sans compromettre la précision. C’est un levier concret d’optimisation des coûts. *D2*

**ISO/IEC 23053** – Le cadre international pour les systèmes d’IA qui utilisent l’apprentissage automatique. Sa connaissance (1.1.6) soutient un vocabulaire d’IA unifié et des conversations de gouvernance fondées sur des normes ; connaissez sa finalité, non ses clauses. *D1 D3*

**ISO/IEC 42001** – La norme de système de management certifiable pour l’IA (un système de management de l’IA), qu’AWS a déclaré prendre en charge. À l’examen, c’est l’ancrage normatif de la gouvernance et d’un vocabulaire partagé (1.1.6, 3.2). *D1 D3*

## K

**KPI (key performance indicator, indicateur clé de performance)** – Une métrique choisie pour suivre si une initiative d’IA atteint son objectif métier. Définir des KPI couvrant les bénéfices tangibles et intangibles (2.2.1) et les rattacher à une base de référence est central pour démontrer la valeur. *D2*

## L

**Labelled data (données étiquetées)** – Des données annotées avec les bonnes réponses, utilisées pour entraîner des modèles supervisés ; Ground Truth soutient leur production. À cet examen, vous reconnaissez leur rôle dans l’entraînement et la préparation des données — vous n’étiquetez pas les données vous-même (c’est hors du périmètre). *D1 D4*

**Lagging indicator (indicateur retardé)** – Une métrique qui confirme un résultat après qu’il s’est produit, telle que des économies réalisées ou du chiffre d’affaires. Il s’associe aux indicateurs avancés ; les indicateurs retardés prouvent la valeur mais arrivent trop tard pour piloter un projet. *D2*

**Leading indicator (indicateur avancé)** – Une métrique précoce qui prédit le succès futur, telle que le taux d’adoption ou l’achèvement des tâches d’un pilote. Identifier les indicateurs avancés (2.2.4) permet aux dirigeants de corriger le tir avant que les résultats retardés n’arrivent. *D2*

**Launch (phase de l’AWS CAF)** – La troisième phase de l’AWS CAF, qui livre des pilotes en production et démontre une valeur incrémentale. Elle se situe entre Align (trouver les écarts) et Scale (étendre ce qui fonctionne). *D4*

**Leadership alignment (alignement du leadership)** – Des dirigeants partageant une vision commune de la stratégie d’IA, de ses priorités et de ses arbitrages. C’est une dimension de préparation critique (4.1.1) et un prérequis d’un parrainage et d’une conduite du changement efficaces. *D4*

## M

**Maturity model (modèle de maturité)** – Un cadre par étapes décrivant la capacité d’IA d’une organisation, de l’expérimentation au déploiement à l’échelle de l’entreprise. Appliquer des modèles de maturité de l’IA (4.1.2) permet de situer une organisation et de planifier un chemin de progression. *D4*

**Minimum viable product (MVP, produit minimum viable)** – La plus petite version d’une solution qui apporte une valeur réelle et peut être validée auprès des utilisateurs. À cet examen, il se situe entre une preuve de concept et le niveau production dans le cheminement du pilote vers l’échelle. *D2 D4*

**ML (machine learning, apprentissage automatique)** – Un sous-ensemble de l’IA dans lequel les systèmes apprennent des motifs à partir de données plutôt que de suivre des règles écrites à la main. Distinguer le ML de l’IA plus large et de la GenAI plus restreinte (1.1.2) est du vocabulaire central du Domaine 1. *D1*

**ML Governance (SageMaker)** – Un outillage de SageMaker AI — cartes de modèle, un registre de modèles et des tableaux de bord — qui soutient la gouvernance des modèles ML personnalisés. Reconnaissez-le comme l’outillage de conversation de gouvernance pour la voie du ML personnalisé. *D3*

**Model (modèle)** – L’artefact entraîné qui transforme une entrée en prédictions ou générations. Expliquer ce qu’est un modèle, en termes métier (1.1.1), est du vocabulaire de base ; en construire ou en régler un est hors du périmètre. *D1*

**Model adaptation (adaptation de modèle)** – Des techniques telles que RAG et le fine-tuning qui font qu’un modèle général performe mieux pour un besoin métier spécifique (1.3.3). L’examen attend que vous choisissiez conceptuellement la bonne approche d’adaptation, non que vous l’implémentiez. *D1*

**Model drift (dérive de modèle)** – La dégradation dans le temps de la précision d’un modèle déployé à mesure que le monde s’éloigne de ses données d’entraînement. Détecter et remédier à la dérive de modèle est une raison majeure pour laquelle l’IA nécessite une surveillance continue (1.2.3, 3.3.4). *D1 D3*

**Model Evaluation (Bedrock)** – Une capacité de Bedrock offrant des scores algorithmiques sans frais supplémentaires, plus des options d’évaluation humaine et LLM-as-a-judge. Elle soutient une sélection de modèle fondée sur des preuves ; connaissez sa finalité dans une discussion construire-acheter. *D2 D3*

**Model Monitor (SageMaker)** – La capacité de SageMaker AI qui détecte et alerte sur les prédictions inexactes des modèles déployés. C’est l’outillage concret derrière « surveiller la dérive et les changements de performance » pour la voie du ML personnalisé. *D1 D3*

**Model unit (unité de modèle)** – L’unité dans laquelle Bedrock Provisioned Throughput est acheté, avec des prix sans engagement, à un mois ou à six mois. Acheter des unités de modèle est le levier engagement-pour-remise — et un coût fixe important si l’utilisation est faible. *D2*

## N

**NIST AI Risk Management Framework (NIST AI RMF)** – Un cadre volontaire structuré autour de quatre fonctions — **Govern, Map, Measure, Manage** — pour gérer le risque de l’IA. À cet examen, c’est une référence de classification des risques et de gouvernance à appliquer, non à réciter mot pour mot. *D3*

**NPV (net present value, valeur actuelle nette)** – La valeur des flux de trésorerie futurs d’une initiative actualisée à aujourd’hui, utilisée pour comparer des investissements sur une base équivalente. Elle affine un dossier d’investissement au-delà du simple ROI en tenant compte de la valeur temps de l’argent. *D2*

## O

**Orchestration** – Coordonner plusieurs étapes, outils ou agents pour accomplir une tâche. C’est l’une des capacités d’agent à reconnaître (1.2.2) ; plus d’orchestration signifie plus de pièces mobiles à gouverner et surveiller. *D1 D3*

## P

**Payback period (délai de récupération)** – Le temps qu’il faut pour que les bénéfices cumulés d’une initiative couvrent ses coûts. Un délai de récupération court renforce un dossier d’investissement et réduit le risque ; c’est une métrique courante adjacente au ROI dans le Domaine 2. *D2*

**Pilot (pilote)** – Un déploiement réel et limité utilisé pour tester la valeur et apprendre avant la mise à l’échelle. Passer du pilote au niveau production (4.4.5) — et décider de mettre à l’échelle, mettre en pause ou terminer un pilote (2.1.3) — est un thème d’examen récurrent. *D2 D4*

**Prediction (prédiction)** – La sortie d’un modèle sur un nouveau cas, telle qu’une prévision ou une classification. C’est du vocabulaire de base (1.1.1) ; l’examen relie la qualité de prédiction à la qualité des données et à la dérive. *D1*

**Pricing structures (structures tarifaires)** – Les trois modèles commerciaux que le guide demande de distinguer : **à la consommation**, **à l’instance** et **par siège**, plus les remises basées sur l’engagement. Faire correspondre la structure tarifaire à la charge de travail est une compétence de coût du Domaine 2. *D2*

**Priority (palier Bedrock)** – Le palier de service Bedrock tarifé à une prime de 75 % sur Standard, achetant une priorité supérieure ou une latence plus faible à un coût plus élevé. C’est l’extrémité « payer plus pour la vitesse » de l’arbitrage de palier. *D2*

**Privacy and security (confidentialité et sécurité)** – L’une des huit dimensions de l’IA responsable d’AWS : protéger les données personnelles et sensibles ainsi que le système lui-même. L’appliquer à des scénarios métier (3.1.1) et identifier des mesures de sécurité des données (3.2.3) sont des compétences de gouvernance. *D3*

**Production-grade (niveau production)** – Un système suffisamment fiable, gouverné et exploitable pour une dépendance métier réelle, par opposition à une expérimentation. Traiter la transition de l’expérimental au niveau production (4.4.5), y compris les exigences de gouvernance et d’exploitation, est une compétence de mise à l’échelle. *D4*

**Proof of concept (POC, preuve de concept)** – Un test rapide qu’une approche est techniquement ou pratiquement viable, plus précoce et plus léger qu’un pilote. Les programmes de POC apparaissent aussi comme une approche de développement de la main-d’œuvre pour bâtir la littératie en IA (4.3.5). *D2 D4*

**Prompt engineering (ingénierie de prompt)** – Concevoir des entrées pour orienter un modèle vers de meilleures sorties. Appliquer les principes de base de l’ingénierie de prompt (1.3.1) est dans le périmètre à un niveau conceptuel ; l’examen ne teste pas la syntaxe de prompt avancée. *D1*

**Prompt Optimization (Bedrock)** – Une capacité de Bedrock qui réécrit les prompts pour de meilleurs résultats, facturée par token traité. Reconnaissez-la comme une manière gérée d’améliorer la performance de la GenAI sans expertise d’ingénierie de prompt dans les effectifs. *D1 D2*

**Provisioned Throughput** – Une option d’achat Bedrock acquise en unités de modèle avec des engagements sans engagement, à un mois ou à six mois — une remise pour capacité engagée, mais un coût fixe gaspillé si l’utilisation est faible. C’est un arbitrage de planification des coûts. *D2*

## Q

**Quick (Amazon Quick)** – Voir *Amazon Quick*. L’assistant métier et la surface BI propulsés par l’IA qui permettent aux utilisateurs métier d’obtenir des analyses et de construire des applications sans code sur leurs données selon un modèle par siège. *D2 D4*

## R

**RACI** – Un schéma d’attribution des responsabilités nommant qui est Responsable, Autorité (Accountable), Consulté et Informé pour une décision ou une tâche. C’est un outil pratique pour la responsabilité claire qu’exigent les structures de gouvernance de l’IA (3.2.1). *D3 D4*

**RAG (retrieval-augmented generation)** – Une technique d’adaptation de modèle qui récupère des données sources pertinentes au moment de la requête et les fournit au modèle, ancrant les réponses dans vos propres informations. Reconnaître quand RAG (par opposition au fine-tuning) convient à un besoin (1.3.3) est le jugement d’examen ; Bedrock Knowledge Bases le fournit en tant que service géré. *D1 D3*

**Readiness assessment (évaluation de la préparation)** – Une évaluation structurée du degré de préparation d’une organisation à l’IA à travers l’alignement du leadership, la qualité des données, la préparation culturelle, l’infrastructure technique et la gouvernance (4.1.1). C’est le point d’entrée du Domaine 4. *D4*

**Reserved (palier Bedrock)** – Le palier de service Bedrock pour la capacité réservée, une option basée sur l’engagement pour des charges de travail prévisibles et soutenues. Il se situe aux côtés de Standard, Flex et Priority dans l’arbitrage de palier. *D2*

**Responsible AI (IA responsable)** – La pratique de construire et d’utiliser une IA équitable, sûre, transparente et responsable. AWS publie huit dimensions ; appliquer les principes de l’IA responsable aux décisions métier (3.1) est le cœur du Domaine 3, y compris la navigation des arbitrages lorsqu’ils entrent en conflit avec les objectifs métier. *D3*

**Responsible AI dimensions (les huit d’AWS)** – L’ensemble publié par AWS : **fairness, explainability, privacy and security, safety, controllability, veracity and robustness, governance, transparency**. Apprenez les huit ; notez que la liste plus courte du guide d’examen (fairness, explainability, privacy, safety, transparency, robustness) est un sous-ensemble. *D3*

**Risk register (registre des risques)** – Un enregistrement vivant des risques d’IA identifiés avec leur sévérité, leurs responsables et leurs mesures d’atténuation. Il opérationnalise la gouvernance et soutient le pilotage des stratégies d’atténuation (3.3) ; un comité de gouvernance sans registre des risques est incomplet. *D3*

**Risk tier / risk classification (palier de risque / classification des risques)** – Regrouper les usages d’IA par niveau de risque afin que l’effort de gouvernance corresponde au risque, comme dans les paliers de l’EU AI Act. Appliquer un cadre de classification des risques pour prioriser la gouvernance tout au long du cycle de vie (3.2.4) est une compétence explicite. *D3*

**ROI (return on investment, retour sur investissement)** – Le ratio du bénéfice net au coût, le chiffre phare de la plupart des dossiers d’investissement en IA. Calculer le ROI de façon exhaustive — gains de temps, réduction des coûts, croissance du chiffre d’affaires et gains de productivité (2.2.3) — par rapport à une base de référence est une compétence centrale du Domaine 2. *D2*

**Rule-based automation (automatisation à base de règles)** – Une automatisation qui suit des règles explicites écrites à la main plutôt que d’apprendre à partir de données. Déterminer quand utiliser une automatisation à base de règles plutôt que l’IA (1.2.1) est un discriminant clé : des règles stables, bien définies et à fort enjeu battent souvent l’IA. *D1 D2*

## S

**Safety (sûreté)** – L’une des huit dimensions de l’IA responsable d’AWS : prévenir les dommages aux personnes et aux systèmes. Elle guide les garde-fous, la supervision humaine et les critères d’escalade dans les scénarios du Domaine 3. *D3*

**SageMaker Clarify** – La capacité de SageMaker AI qui détecte le biais lors de la préparation des données, après l’entraînement et dans le modèle déployé, et soutient l’explicabilité. C’est l’outillage qui rend l’équité et l’explicabilité actionnables pour la voie du ML personnalisé. *D3*

**Savings Plans** – Un mécanisme de remise AWS basé sur l’engagement (s’engager sur un niveau d’usage pour un tarif plus bas) nommé comme stratégie d’optimisation des coûts. Reconnaissez-le comme un levier qui échange de la flexibilité contre un coût plus bas. *D2*

**Scale (phase de l’AWS CAF)** – La quatrième phase de l’AWS CAF, qui étend les pilotes en production et leur valeur métier à l’échelle souhaitée. C’est l’extrémité à l’échelle de l’entreprise du parcours Envision → Align → Launch → Scale. *D4*

**Scale, pause or terminate (mettre à l’échelle, mettre en pause ou terminer)** – Les trois issues de la priorisation d’une initiative d’IA selon la valeur métier, la faisabilité, la pérennité et l’alignement stratégique (2.1.3). L’examen récompense la discipline de *mettre en pause ou terminer*, pas seulement de mettre à l’échelle. *D2*

**Seat-based pricing (tarification par siège)** – Payer par utilisateur et par mois, prévisible et découplé du volume d’usage, comme avec Amazon Quick. La distinguer de la tarification à la consommation et à l’instance (2.2.5) importe car elle change la façon dont le coût évolue avec l’adoption. *D2*

**Sensitive-information filters (filtres d’informations sensibles)** – Un contrôle de Bedrock Guardrails qui détecte et masque les informations personnelles identifiables. Connaissez-le comme le garde-fou de confidentialité et de sécurité parmi les types de guardrails (3.1.4, 3.2.3), au niveau de ce qu’il fait. *D3*

**Shadow AI** – Un usage non sanctionné d’outils d’IA en dehors de l’approbation et de la supervision officielles. Établir une classification transparente des outils (approuvés, bloqués, en cours d’évaluation) atténue le risque de shadow AI (1.2.4) ; c’est à la fois une préoccupation de gouvernance et de littératie. *D1 D3*

**Shared responsibility model (for AI) (modèle de responsabilité partagée pour l’IA)** – La division des devoirs de sécurité d’AWS : AWS sécurise le cloud (infrastructure, exploitation des services gérés) tandis que le client est responsable dans le cloud — ses données, son accès, l’adéquation du cas d’usage, la supervision humaine et la conformité des processus métier. La ligne se déplace pour les services gérés mais ne supprime jamais la responsabilité du client quant à *l’usage fait du système et à l’aptitude de sa sortie à sa finalité*. *D3*

**Standard (palier Bedrock)** – Le palier de service Bedrock de référence par rapport auquel Flex (une remise de 50 %) et Priority (une prime de 75 %) sont définis. C’est le point de repère pour les arbitrages de palier. *D2*

**Strategic alignment (alignement stratégique)** – À quel point une initiative soutient la stratégie et les objectifs réels de l’organisation. C’est l’un des quatre critères de priorisation (2.1.3) et une dimension de préparation ; les projets clinquants mais désalignés sont un piège classique. *D2 D4*

**Structured data (données structurées)** – Des données organisées selon un schéma défini, telles que des lignes et des colonnes dans une table. Distinguer les données structurées des non structurées et expliquer pourquoi le type importe pour l’IA (1.1.3) est du vocabulaire central du Domaine 1. *D1*

**Sustainability (of an initiative) (pérennité d’une initiative)** – Le fait qu’une initiative d’IA puisse être maintenue et continuer d’apporter de la valeur dans le temps, compte tenu du coût, des données et des exigences opérationnelles. C’est l’un des quatre critères de priorisation (2.1.3). *D2*

## T

**Tangible benefit (bénéfice tangible)** – Un bénéfice mesurable directement en argent ou en unités, tel qu’une réduction de coût ou une croissance du chiffre d’affaires. Les KPI doivent capturer les bénéfices tangibles aux côtés des intangibles (2.2.1) ; les bénéfices tangibles ancrent généralement le calcul du ROI. *D2*

**TCO (total cost of ownership, coût total de possession)** – Le coût complet sur la durée de vie d’une solution d’IA — licences, calcul, intégration, personnel, surveillance et changement — pas seulement le prix affiché. Un dossier d’investissement solide compare les options sur le TCO, non sur le coût annoncé. *D2*

**Token** – L’unité de texte qu’un modèle traite ; la tarification à la consommation mesure souvent les tokens, et la fenêtre de contexte se mesure en tokens. Reconnaître quand les limites de tokens affectent la performance de la GenAI (1.3.2) est dans le périmètre. *D1 D2*

**Tool classification (classification des outils)** – Catégoriser les outils d’IA comme approuvés, bloqués ou en cours d’évaluation afin que l’usage soit transparent et gouverné. C’est le mécanisme concret pour atténuer le risque de shadow AI (1.2.4). *D1 D3*

**Tool use (usage d’outils)** – La capacité d’un agent à appeler des outils ou systèmes externes pour accomplir une tâche. C’est l’une des quatre capacités d’agent à reconnaître (1.2.2) ; l’usage d’outils élargit à la fois la capacité et la surface de gouvernance. *D1 D3*

**Training (entraînement)** – Le processus d’enseignement d’un modèle à partir de données, généralement historiques, afin qu’il puisse faire des prédictions. C’est du vocabulaire de base (1.1.1, 1.1.5) ; l’examen relie la qualité et la représentativité des données d’entraînement aux résultats et au biais. *D1*

**Transformation domains (AWS CAF) (domaines de transformation)** – Les quatre domaines que l’AWS CAF traite comme une chaîne de valeur : **Technology → Process → Organization → Product**. Ils cadrent *ce que* change une transformation par l’IA ; connaissez-les comme la chaîne de valeur du CAF. *D4*

**Transparency (transparence)** – L’une des huit dimensions de l’IA responsable d’AWS : être ouvert sur la façon dont l’IA est utilisée et fonctionne, soutenue par les AI Service Cards. Elle bâtit la confiance et soutient la conformité et la supervision humaine. *D3*

## U

**Unit economics (économie unitaire)** – Le profit ou le coût d’une seule unité d’activité (par transaction, par client, par requête). Comprendre l’économie unitaire maintient un dossier d’investissement d’IA honnête à mesure que l’usage évolue, en particulier sous une tarification à la consommation. *D2*

**Unstructured data (données non structurées)** – Des données sans schéma fixe — texte libre, images, audio, vidéo. Les distinguer des données structurées et expliquer pourquoi le type importe pour l’IA (1.1.3) est du vocabulaire central du Domaine 1 ; une grande partie de la valeur de la GenAI provient des données non structurées. *D1*

## V

**Veracity and robustness (véracité et robustesse)** – L’une des huit dimensions de l’IA responsable d’AWS : produire des sorties exactes et performer de façon fiable dans des conditions variées ou adverses. Elle se rattache directement aux risques de fiabilité tels que l’hallucination et la dérive (3.3.4). *D3*

**Vendor risk (risque fournisseur)** – Le risque introduit par la dépendance à un fournisseur d’IA tiers — enfermement, viabilité, sécurité, conformité et conditions. Évaluer les propositions de fournisseurs au sein d’une décision construire-acheter-partenariat (2.1.2) exige de peser explicitement le risque fournisseur. *D2 D3*

## W

**Well-Architected Responsible AI Lens** – La lens du AWS Well-Architected Framework fournissant des bonnes pratiques d’IA responsable à travers la conception, le développement et l’exploitation des charges de travail d’IA. À cet examen, c’est la référence native AWS pour intégrer l’IA responsable, à un niveau stratégique. *D3*

**Word filters (filtres de mots)** – Un contrôle de Bedrock Guardrails qui bloque des mots ou expressions spécifiés, sans frais. Connaissez-le comme l’un des types de garde-fous légers pour maintenir les sorties conformes à la politique. *D3*

**Workforce development (développement de la main-d’œuvre)** – Des approches qui accélèrent la littératie en IA dans une organisation — programmes de POC, hackathons, programmes de formation et formation à l’IA responsable (4.3.5). C’est ainsi que le leadership transforme la stratégie en capacité. *D4*

## Frameworks et vocabulaire des phases

**AWS Cloud Adoption Framework (AWS CAF)** – Le framework d’AWS pour guider la transformation cloud et IA, organisé en six perspectives, quatre domaines de transformation et quatre phases, avec un livre blanc CAF dédié à l’IA, au ML et à l’IA générative. À cet examen, c’est le framework structurant pour la préparation, les écarts de capacité et la mise à l’échelle. *D4*

**CAF perspectives (les six)** – Les lens que l’AWS CAF utilise pour évaluer la capacité : **Business, People, Governance, Platform, Security, Operations**. Identifier les écarts de capacité à travers ces perspectives est une activité de phase Align et de préparation (4.1.3). *D4*

**CAF phases (les quatre)** – **Envision → Align → Launch → Scale**. Envision identifie et priorise les opportunités par rapport aux objectifs métier ; Align trouve les écarts de capacité et les préoccupations des parties prenantes ; Launch livre des pilotes en production ; Scale les étend à l’échelle souhaitée. Notez la formulation approximative du guide d’examen « envision, experiment, launch, scale » pour la tâche 4.4.1 — traitez-la comme approximative, non comme un framework différent. *D4*

## Références de coût et d’outillage

**AWS Cost Explorer** – L’outil AWS pour visualiser la dépense d’IA *réelle*, les tendances et les anomalies a posteriori. Distinguez-le du Pricing Calculator (estimations prospectives) ; Cost Explorer est l’endroit où vous examinez ce que vous avez déjà dépensé. *D2*

**AWS Marketplace** – Le catalogue AWS pour trouver et acquérir des solutions tierces, utile pour évaluer les options acheter-et-partenariat par rapport à une construction en interne au sein d’une décision construire-acheter-partenariat. *D2*

**AWS Pricing Calculator** – L’outil AWS pour les estimations de coût *prospectives* avant tout engagement. Distinguez-le de Cost Explorer (montants réels) ; le Calculator informe le dossier d’investissement avant que la dépense ne commence. *D2*

## Vocabulaire des mécanismes d’examen

**Beta exam (examen bêta)** – Un examen dont les items sont encore en cours de validation, avec un calendrier de résultats qui diffère des examens standard et aucun examen d’entraînement officiel disponible. AIB-C01 est un examen bêta ; obtenir la certification avant le 15 février 2027 fait aussi gagner un badge Early Adopter. *D1 D2 D3 D4*

**Multiple response (réponse multiple)** – Un type d’item comportant deux réponses correctes ou plus parmi cinq options ou plus, où vous devez sélectionner *toutes* les réponses correctes pour obtenir le crédit. Sur nos examens blancs, ils sont étiquetés « Sélectionnez deux réponses » ; il n’y a pas de pénalité pour les suppositions et les items sans réponse comptent comme incorrects. *D1 D2 D3 D4*

**Scaled score (score mis à l’échelle)** – AIB-C01 rapporte un score mis à l’échelle de 100 à 1 000 avec un score de réussite minimal de 700 et une désignation réussite/échec. Un score mis à l’échelle n’est **pas** un pourcentage : 700 ne signifie pas « 70 % de bonnes réponses », et AWS ne publie pas la correspondance — nos examens blancs affichent un pourcentage brut plus un chiffre mis à l’échelle indicatif à titre de repère approximatif uniquement. *D1 D2 D3 D4*