請輸入通關密語
初面對象與策略 HR 初面
HR
HR / Recruiter（初面）
AWS Taiwan Talent Acquisition
真正的 HM + Bar Raiser loop 在後段（4–5 輪，8–10 題行為題）
Leadership Principles 主導 STAR 結構 數字導向 Bar Raiser 有否決權
對你的關鍵含義
  • 初面多為 HR 電話面（30–45 分鐘），重點在 fit、動機、薪資 band、Leadership Principles 初篩，不深挖技術。
  • 這輪要過的門檻：動機真誠、EM 職能對得上、有 2–3 個能立刻講的 STAR 故事、薪資期望不失控。
  • Amazon 非技術職 80%+ 決策來自 Leadership Principles，從初面就用 STAR 結構回答，讓 recruiter 在 feedback 寫下「結構清楚、有數據」。
職位核心 必讀
單位性質

AWS Professional Services（ProServe）— AWS 的付費顧問交付組織，協助企業客戶完成雲端轉型（遷移、現代化、AI 落地）。EM 介於 Sales 與 Delivery 之間，是商業與交付的雙棲負責人。

主要職責（JD 拆解）

商業開發

管理客戶帳戶組合、推動 ProServe bookings；顧問式探詢挖需求；撰寫 SOW、提案、商業模式。

交付治理

專案成敗的單一問責點；與交付團隊協作、監控健康度、辨識風險、管財務（margin、revenue recognition）。

Pipeline 管理

維持 3x bookings target 的合格 pipeline，用 Salesforce 管理、準確預測。

跨組織協作

與 Account Manager、Solution Architect、專家團隊、AWS Partner 協作交付。

資格要求 vs 你的 fit

要求你的對應
8+ 年 IT / 管理顧問 / 科技銷售✓ McKinsey 顧問 + foodpanda Director + PIXIS 創業
3+ 年管理複雜 IT 服務專案✓ 跨組織複雜計畫、AI 落地、數位轉型
SOW 撰寫與談判△ 用顧問提案 / B2B 簽約補位（非 AWS SOW 直接經驗）
中英文流利 + 台灣市場知識✓ 母語級
Agile/Scrum 交付（preferred）✓✓ PST / PSM III / PSPO II / Agile Coach 直接命中
AWS Professional 認證（preferred）✗ 明確缺口 → 用工程底 + onboarding 考證計畫補
背後訊號分析
為什麼此刻開這個職位？
  • 台灣 region 落地（2025 上線，全球第 40 座）：企業開始把 workload 搬進本地 region，遷移與 AI 落地專案需求爆發，EM 是把需求轉成簽約與交付的關鍵角色。
  • 2026 Summit 主題 Agentic AI「從 PoC 到企業規模落地」：正是 ProServe 的戰場——把客戶 AI PoC 變成可規模化、可治理的生產系統。
找這類背景的真實需求
  • 能同時對 CxO 談商業價值、對交付團隊談專案治理的雙棲人才
  • 能扛 bookings 數字，把顧問對話收斂成 SOW 與簽約
  • 懂台灣企業客戶的決策文化與採購節奏
最在意的人才特質（對應 LP）
  • Ownership：單一問責點，出事不推給交付團隊
  • Deliver Results：3x pipeline、bookings、margin
  • Customer Obsession / Earn Trust：trusted advisor
  • Dive Deep + Bias for Action：管風險、快速修正
公司近期動態 WebSearch
  • 2026 AWS Summit Taipei（7/15–16, TICC）：主題 Agentic AI，聚焦「AI agent 從 PoC 走向企業規模落地」。台灣董總王定愷提出 「No Silicon, No AI」，強調台灣在全球 AI 基礎設施供應鏈的角色，並首度在台展示自研晶片。
  • AI Native Mindset：主打企業從「用 AI 加速既有流程」轉向「把 AI 當 24 小時運作的數位員工」——ProServe 對客戶的核心敘事。
  • 生態系：AWS 稱已與台灣 1,500+ 合作夥伴 協作導入 AI 與雲端；2026 定位為「AI Agent 正式落地企業的關鍵年」，主張以小規模、快速驗證探索 AI 價值並建立安全治理。
  • 台灣 region：2024/6 宣布、2025 上線的區域資料中心，是本地企業把敏感 workload（金融/製造/政府）上雲的前提，直接餵養 ProServe 的 migration 與資料主權專案。
  • 人才：推「台灣 AI 人才就緒計畫」，反映本地交付人力吃緊——EM 需善用 Partner 生態補交付量能。
市場近期動態 WebSearch
全球雲端市占（2026）

AWS ~31%（龍頭）、Azure ~25%、GCP ~11%，三大合計逾三分之二。AWS 仍第一，但 Azure/GCP 成長更快。

GenAI 成長引擎

GenAI 專屬雲端服務 2025 Q2 年增 140–180%。三雲競爭已延伸到整個企業 AI 堆疊（晶片→模型→agent→應用）。

台灣市場規模

IDC 預估 2027 台灣 IaaS 達 18.5 億美元。

台灣 GenAI 落地進度

Google Vertex AI 已落地；Azure OpenAI 與 Amazon Bedrock 在台可用性仍有部分限制（ProServe 交付要處理的現實約束）。

結構性趨勢

台灣進入多雲/混合雲時代，本地企業普遍不押單一雲。EM 要能在多雲現實下談 AWS 的差異化價值——重點不在「賣雲」，而在「把複雜轉型專案準時、準預算、達成業務成果地交付」。

產業主要參與者 WebSearch

雲平台（你要賣 / 交付的對象）

玩家台灣定位相對 AWS
AWS市占龍頭、2025 region 落地、Agentic AI 敘事、生態系最廣—
Microsoft Azure積極擴區、資料主權切入、M365/OpenAI 綁定強企業 IT 既有關係深、AI 應用層整合強
Google CloudVertex AI 在台落地最快、數據/AI 定位AI 原生敘事，但生態系與企業關係較淺

交付生態系（你要協作 / 競合的對象）

  • 全球顧問/SI：Accenture、Deloitte、IBM Consulting — 大型轉型專案常與 ProServe 競合，也常是 co-delivery Partner。EM 要懂「什麼自己交付、什麼給 Partner」。
  • 本地 SI/MSP：宏庭科技、伊雲谷、eCloudvalley 等 AWS Premier Partner — 是台灣交付量能的重要補充，Partner co-delivery 能力直接影響交付規模。
關鍵競合現實

台灣多雲環境下，客戶常同時用 AWS + Azure；ProServe EM 的價值不在「賣雲」，而在把複雜轉型專案準時、準預算、達成業務成果地交付出來。

核心面向準備
A. 為什麼是 AWS、為什麼是這個職位、為什麼是現在
  • McKinsey Expert Consulting（Digital）：顧問式探詢、SOW/提案、與客戶高層定義 scope — 直接對應 EM 商業開發，是你最強 fit，務必主打。
  • foodpanda Director：管跨組織複雜計畫、扛數字、對 CxO 溝通 — 對應 EM 的單一問責 + bookings 責任。
  • PIXIS CEO，3 國 100+ 企業客戶：B2B 企業銷售 + 交付全生命週期 — 對應「從 scoping 到 closure」。
  • PST / PSM III / PSPO II / Agile Coach：直接命中 preferred。
  • 5 項專利、工程師背景：對交付團隊建立技術可信度的底氣。
「我是能同時對 CxO 談商業價值、對交付團隊談專案治理的 Strategy-to-Execution leader — 這正是 ProServe EM 橋接 sales 與 delivery 的核心。」
B. Ownership × Deliver Results（Amazon 最重的兩個 LP）

故事 prompt：一個你扛單一問責、在資源/時程壓力下交出量化結果的專案。要有：初始困境 → 你的具體決策與行動（不是團隊）→ 數字結果（營收/時程/成本/滿意度）→ 事後機制化。建議選 foodpanda 跨組織計畫或 McKinsey 交付案。

C. Customer Obsession × Earn Trust

故事 prompt：一個你從客戶真實結果反推、甚至說服客戶改變原本要求的案例。展示你不是接單，而是 trusted advisor。PIXIS 或顧問案例最合適。

D. 商業開發 × Pipeline（你最需要證明的一塊）

故事 prompt：一個你把模糊需求變成簽約/SOW/商業成果的案例。弱點預判：你沒有 AWS ProServe bookings target 直接經驗 → 用 PIXIS 100+ 企業客戶簽約、McKinsey 提案得標、foodpanda 商業談判補位，強調「我懂 pipeline 紀律、懂把顧問對話收斂成商業承諾」。

E. 技術可信度與認證缺口（預判被問）

「你沒有 AWS 認證，如何對技術團隊與客戶 CTO 建立可信度？」→ 誠實 + 行動：工程師出身 + 5 項專利 → 有技術對話能力；明確表達 onboarding 後會考取 AWS 認證。EM 不需寫 code，但要懂 Well-Architected、CAF 框架語言（見產業知識分頁）。

高機率面試題 HR 初面
Q1自我介紹（2–3 分鐘）
結構：現況（foodpanda Director 至 2026/3）→ 主線「Strategy-to-Execution，跨組織把複雜計畫落地」→ 三支撐（McKinsey 顧問交付 / PIXIS B2B 創業 / Agile 認證與工程底）→ 收在「這條主線正是 ProServe EM 需要的橋接能力」。全程繁中，英文專有名詞保留。
Q2為什麼想離開 foodpanda / 為什麼想做這個職位？
不批評前東家，講「主動選擇」：想把顧問 × 交付 × 企業客戶的能力，放到一個產業正在爆發、且我能持續學技術的平台。AWS region 落地 + Agentic AI 落地正是台灣企業轉型的關鍵窗口。
Q3你對 AWS / ProServe 的了解？
ProServe 是付費交付組織、橋接 sales 與 delivery；EM 是單一問責點兼 bookings 責任。帶 region 落地 + Summit Agentic AI「PoC 到 production」的敘事，證明你懂職位為何在此刻存在。
Q4你管過最複雜的專案？出過最大的錯？
用 STAR，且主動講失敗與學到的機制 — Amazon 極重視 self-critical。
Q5如何處理與同事/客戶的衝突？
一個你反對主流意見、據理力爭、但決議後全力執行的故事（Have Backbone; Disagree and Commit）。
Q6你沒有 AWS 認證/雲端交付經驗，怎麼補？
誠實 + 具體 onboarding 計畫：工程底 + 5 項專利撐技術可信度，明確承諾考取 AWS 認證（SA Associate/Professional）。
Q7薪資期望？
先問 band，不要第一次就鎖死數字。可回：「我想先了解這個 level 的整體 package 結構（base / RSU / sign-on），再談我的期望。我理解 Amazon 薪酬偏重 base + 股票 vesting，想確認 level 定位。」
反問問題
這個 EM 職位是新增編制還是補缺？團隊目前多少 EM，對應哪些產業客群（半導體/FSI/製造）？
Region 落地後，ProServe 在台灣未來 12 個月最大的交付需求是 migration 還是 GenAI/Agentic 落地？
EM 的 bookings target 與 pipeline 大致落在什麼量級？多少比例靠 Partner co-delivery？
這個職位的成功，在前 6 個月/前 12 個月會用什麼指標衡量？
Bedrock 在台可用性限制下，ProServe 目前怎麼幫客戶落地 GenAI？
面試流程後續有幾輪？會包含 Bar Raiser 嗎？
注意事項
面試對象：初面預期 HR/Recruiter；後續為 HM + 同儕 + Bar Raiser loop（4–5 輪，8–10 題行為題）。
文化調性：外商、Leadership Principles 主導、STAR 結構、數字導向、self-critical（願講失敗）。台灣 team 但全球標準。
Adrian 的 fit 點：McKinsey 顧問交付 = 商業開發最強證據；Agile 認證群 = preferred 直接命中；工程 + 專利 = 技術可信度；PIXIS = 企業銷售全生命週期。
潛在陷阱：① AWS 認證/雲端交付經驗缺口 — 別迴避，用「技術底 + onboarding 計畫」正面接。② bookings/quota 直接經驗不足 — 用 PIXIS/McKinsey/foodpanda 商業成果補位，別讓對方覺得你只是 PM。③ 講故事主詞要是「我」（Ownership），不是「我們團隊」。
不要做的事：不批評前東家；不第一次面就鎖死薪資數字；不假裝懂深技術（EM 不需要，但要懂框架語言）；不給 both-sides 顧問式空話 — 要有立場、有數字。

面試紀錄（待填）

HR 初面 · 待填
面試官—
形式—
重點問題—
關鍵資訊—
下一步—
評估—
核心定位比喻
一句話定位

AWS ProServe 是雲端轉型的「裝潢統包工班的專案總監」。

AWS 賣的是「毛胚屋（雲端服務）」，客戶不會自己裝潢（遷移、重構、AI 落地）。ProServe 是 AWS 官方付費交付團隊；EM 就是這個工班的專案總監兼業務窗口 — 對客戶談需求與報價（SOW）、對內部與 Partner 管交付品質與進度、最後為專案成敗負全責。

「EM 是 ProServe 橋接 sales 與 delivery 的單一問責點 — 對客戶是 trusted advisor 兼商業窗口，對交付端是專案治理者，兩邊都要扛數字。」
主力業務（ProServe 交付範疇）
交付線主要內容成長性
Migration & Modernization把地端系統搬上雲、重構為雲原生架構★★★★ region 落地帶動
GenAI / Agentic AI 落地從 PoC 到生產規模、AI agent 導入、治理★★★★★ 2026 主戰場
Data & Analytics資料湖、資料平台、分析現代化★★★★
Security & Governance雲端資安、合規、資料主權★★★★ region 關鍵
Industry Solutions半導體/FSI/製造等垂直產業解決方案★★★★
對台灣此刻最相關的兩條線

① Migration（region 落地帶動）與 ② Agentic AI 從 PoC 到 production（Summit 主軸）。EM 面試能把這兩條線講清楚，等於證明你懂職位存在的理由。

生態系與價值鏈
上游：AWS 服務
運算/儲存/資料庫/AI 模型 Bedrock/自研晶片 Trainium
↓
中游：ProServe（付費交付）+ AWS Partner
EM 在這裡 ← 判斷自交付 vs Partner co-delivery
↓
下游：企業客戶
半導體 / 金融 / 製造 / 公部門的業務成果
與上游（AWS 產品）

推動 AWS 服務採用（JD 明列職責），但立場是客戶成果優先，不是硬推。

與下游（客戶）

consultative discovery → SOW → 交付 → 客戶業務成果；建立 trusted advisor 關係。

與 Partner

台灣交付人力吃緊，EM 判斷「哪些自己交付、哪些給 Partner」，Partner 生態決定交付規模。

與內部

協同 Account Manager（帳戶關係）、Solution Architect（技術方案）、專家團隊。

關鍵架構轉移

企業從「AI 當工具加速流程」→「AI 當 24 小時數位員工（AI Native Mindset）」。押注點是 Agentic AI 從 PoC 走向可規模化、可治理的生產系統 — 這正是 ProServe 的付費交付機會。

競爭格局
玩家定位優勢AWS 相對劣勢
Microsoft Azure企業 IT 綁定者M365/OpenAI 深度整合、既有企業關係、資料主權切入AWS 在應用層/生產力工具整合較弱
Google CloudAI/資料原生Vertex AI 台灣落地最快、數據 AI 敘事AWS 需證明 Bedrock/AI 落地速度
Accenture / Deloitte / IBM大型轉型 SI產業深度、CxO 關係、跨雲中立與 ProServe 競合，也常是 co-delivery Partner
本地 SI/MSP（宏庭/伊雲谷/eCloudvalley）AWS Premier Partner本地交付量能、成本、在地關係是補充非對手，EM 靠他們擴規模

vs 最大對手 Azure 的差異化

維度AzureAWS
市占（2026 全球）~25%~31%（龍頭）
服務廣度/成熟度強，但起步較晚最廣、最成熟的服務組合
企業應用整合強（M365/Copilot）較弱，靠 partner 補
台灣 GenAI 落地Azure OpenAI 有限制Bedrock 亦有部分限制
生態系/Partner深1,500+ 台灣 partner，最廣
發展評估
機會
台灣 region 落地（2025 上線）

資料主權敏感的金融/製造/公部門開始上雲，直接餵養 migration 與 security 交付需求。

Agentic AI PoC → production

大量企業卡在 PoC，ProServe 付費交付正好承接，2026 被定位為關鍵落地年。

半導體供應鏈（No Silicon, No AI）

台灣獨特產業優勢，AWS 與半導體生態綁定深，垂直解決方案空間大。

多雲現實

企業要專業第三方協調複雜異質環境，ProServe/EM 的中立交付價值上升。

風險
Azure/GCP 成長更快

AI 驅動下 AWS 市占領先但成長率被追，本地競爭激烈。

本地交付人力吃緊

AI-Ready 人才計畫反映量能缺口，過度依賴 Partner 有品質風險。

Bedrock 在台可用性限制

GenAI 落地有現實技術/合規約束，EM 承諾要務實。

價格/margin 壓力

SI 與本地 MSP 削價，EM 要守 margin 與 revenue recognition。

整體評估

短期：region 落地紅利 + AI 落地需求，ProServe 台灣交付量能是最大瓶頸，EM 職位供不應求。
中期：勝負在「誰能把 Agentic AI 從 PoC 可靠地帶到 production」，這是交付能力戰而非產品戰。
長期：多雲常態下，中立、可信、能扛數字的交付組織價值持續上升。

名詞解釋
ProServe
AWS Professional Services，AWS 官方付費顧問交付組織。
Engagement Manager
ProServe 專案的商業 + 交付負責人，單一問責點。
Bookings
簽約金額（EM 的核心 KPI），非已認列營收。
Revenue Recognition
營收認列，隨交付進度分期認列的財務規則。
SOW
Statement of Work，定義交付範圍/時程/價格的合約文件。
Pipeline (3x)
合格銷售管線，JD 要求維持 3 倍 bookings target 的量。
Migration
把地端系統搬上雲。
Modernization
把舊系統重構為雲原生架構（如單體轉微服務）。
Well-Architected
AWS 架構最佳實務框架（六支柱：營運/資安/可靠/效能/成本/永續）。
CAF
Cloud Adoption Framework，指導企業組織/流程/技術轉型的雲端採用框架。
Bedrock
AWS 的生成式 AI 平台，提供多種基礎模型 API。
Agentic AI
能自主規劃執行多步任務的 AI agent（2026 主軸）。
PoC
Proof of Concept，概念驗證；ProServe 的價值在把 PoC 帶到 production。
Trainium / Inferentia
AWS 自研 AI 訓練/推論晶片。
Region / AZ
區域資料中心 / 可用區，AWS 的實體基礎設施單位。
Data Sovereignty
資料主權，資料須留在特定國境內（本地 region 的關鍵賣點）。
Co-delivery
與 AWS Partner 共同交付，補足本地交付量能。
Solution Architect (SA)
AWS 技術方案角色，與 EM 協作設計解決方案。
Account Manager (AM)
AWS 帳戶關係角色，管客戶整體關係，與 EM 分工。
Bar Raiser
Amazon 面試中的中立把關者，有否決權，確保新人高於現有 50% 員工水準。
Leadership Principles
Amazon 16 條領導準則，行為面試核心（Ownership、Customer Obsession 等）。
自我檢核清單
  • ProServe 是什麼？EM 跟 PM、跟 Sales 有什麼不同？（單一問責 + bookings）
  • 為什麼這個職位在「region 落地 + Agentic AI」此刻出現是合理的？
  • AWS vs Azure vs GCP 在台灣的差異，AWS 的差異化在哪？
  • 台灣雲端市場最大結構性趨勢是什麼？（多雲、AI 落地、資料主權）
  • ProServe 最大的交付風險是什麼？（人力量能、Bedrock 限制、margin）
  • Well-Architected 六支柱、CAF 大致在講什麼？（框架語言，不需深技術）
  • 我的哪三段經歷最能對到 EM 的商業開發 / 交付治理 / 技術可信度？
  • 面對「沒有 AWS 認證」如何正面回應？
  • 我準備好的 12–15 個 STAR 故事，各對到哪條 Leadership Principle？
  • Amazon 薪酬結構（base + RSU + sign-on）我理解嗎？初面怎麼談 band？
AWS AI 應用導入的關鍵產品/服務 WebSearch
一句話心智模型（面試最好用）

客戶導入 AI 有三種成熟度層級，AWS 各有對應服務，ProServe 的價值就是幫客戶選對層級並落地：
① 直接用現成模型建應用 → Bedrock　② 自己訓練/客製模型 → SageMaker　③ 買現成 AI 助理 SaaS → Amazon Q

服務定位面試怎麼用
Amazon Bedrock託管基礎模型平台，多模型（Anthropic Claude、Meta Llama、Mistral、Cohere），不需管底層基礎設施企業建 GenAI 應用的主力入口；「不綁單一模型」是賣點
Bedrock AgentCore建立能自主規劃、執行多步任務的 AI agent（不只對話，還會動作）對應 2026 Summit「Agentic AI 從 PoC 到 production」主軸
Knowledge Bases / GuardrailsRAG 檢索增強 + 安全護欄與治理企業落地 GenAI 的合規/幻覺控制關鍵
Amazon SageMakerMLOps 全流程平台，涵蓋整個 ML 生命週期，自訓/客製模型客戶要自有模型、突破現成 API 限制時用
Amazon Q Business企業 AI 助理，安全連接 40+ 企業資料源（SharePoint、Jira、Salesforce）「數位員工」敘事的具體產品；Q Apps 用白話生成任務工具
Amazon Q Developer開發者 AI 助理，加速寫程式與遷移現代化（.NET/Java 升級等）對應 ProServe 遷移/現代化交付提速
Trainium / InferentiaAWS 自研 AI 訓練/推論晶片降低 AI 運算成本；呼應「No Silicon, No AI」
Bedrock vs SageMaker vs Q（一定要能分清楚）
  • Bedrock＝用「別人訓練好的模型」透過 API 快速建 GenAI 應用（大多數企業起點）。
  • SageMaker＝「自己訓練/客製模型」，掌控完整 ML 生命週期（資料成熟、要差異化的客戶）。
  • Amazon Q＝「現成的 AI SaaS 助理」，開箱即用連企業資料，不必自己開發。
AWS 自己做模型嗎？→ Amazon Nova WebSearch
會，但策略跟 OpenAI/Google 相反

AWS 有自研模型家族 Amazon Nova，但 AWS 的核心定位是 「模型中立平台」——Bedrock 上同時提供 Anthropic Claude、Meta Llama、Mistral、Cohere 等第三方模型，Nova 只是其中 「性價比最佳化」的自家選項。這跟 OpenAI（只推 GPT）、Google（只推 Gemini）根本不同：AWS 不逼你用它的模型，它靠「賣平台 + 賣算力」賺錢，不靠鎖模型。

Nova 類別成員用途
文字Micro / Lite / Pro / Premier由小到大、便宜到強，對應不同任務複雜度
創意Canvas（圖）/ Reel（影片）/ Sonic（語音）多模態內容生成
AgentAct（瀏覽器自動化）/ Forge（客製訓練）Agentic AI 執行與客製
vs 主流模型：效能接近、贏在成本
  • Nova Pro：20 項 benchmark 有 17 項 ≥ GPT-4o；比 GPT-4o 便宜約 44%。
  • Nova Premier（旗艦）：對 Claude Sonnet 4.5 贏 10/16、對 GPT-5.1 贏 8/16、對 Gemini 2.5 Pro 贏 15/19；定價約 $0.30–0.33 / 1M input、$2.50–2.75 / 1M output。
  • 定位一句話：「frontier 級智慧 + 業界領先性價比」——不追絕對第一，追「夠好且便宜很多」。頂尖推理任務市場仍偏好 Claude / GPT-5。
面試怎麼用

當客戶問「該用哪個模型」，答案不是「用 Nova」，而是 「看任務」：高階推理/複雜 agent → Claude；大量、成本敏感的例行任務 → Nova。ProServe EM 的價值就是幫客戶在 Bedrock 上做這個 model routing 與成本最佳化。

AWS 自己做晶片嗎？→ Trainium / Inferentia / Graviton WebSearch
會，目的是「降成本 + 降對 NVIDIA 的依賴」

AWS 有三條自研晶片線，由台積電代工（呼應「No Silicon, No AI」與台灣供應鏈）。它們不是要在絕對效能上贏 NVIDIA，而是要在性價比與供給自主上贏。

晶片用途對標
Trainium（Trn1/2/3）AI 模型「訓練」NVIDIA H100/Blackwell（訓練）
Inferentia（Inf1/2）AI 模型「推論」NVIDIA GPU（推論）
Graviton通用運算 CPU（ARM 架構，非 AI 專用）Intel/AMD x86 CPU，省電省成本
vs NVIDIA GPU：便宜一半，但生態較淺
  • 成本：Trainium2 約 $4.80/hr vs H100 約 $9.80/hr（約半價）；Trainium3 每晶片約 $1/hr vs H100 約 $3/hr（3x 差距）。訓練大模型每十億 token 成本低 50–70%。
  • 取捨：Trainium2 raw 運算吞吐比 H100 少約 4x，但記憶體頻寬受限、或可跨 16 顆晶片飽和的工作負載，每次訓練可便宜 40–60%。
  • NVIDIA 仍領先處：CUDA 十年 kernel 優化，電腦視覺、強化學習、科學計算、圖神經網路等，H100 raw speed 與生態成熟度仍勝。
面試怎麼用

這是 AWS 對客戶的成本王牌：「同樣的 AI 工作負載，跑在 Trainium 上總成本可低一半」。ProServe 常見的落地優化，就是把客戶的訓練/推論從 GPU 遷到 Trainium/Inferentia 省 TCO——但要誠實說 CUDA 生態遷移有工程成本，不是無痛切換。

產品彼此關係 & 實務案例中的組合
關鍵觀念：客戶不是買單一產品，是組一條 stack

Bedrock 與 SageMaker 互補而非競爭：SageMaker 負責訓練/微調客製模型，Bedrock 負責推論與應用整合；Amazon Q 則是建在 Bedrock 之上的現成助理。ProServe EM 的價值，是幫客戶在「成本 vs 客製 vs 上市速度」之間組出對的產品組合並落地。

應用層：Amazon Q（現成助理）／ 自建 Agent
Bedrock AgentCore + Nova Act
↑ 建構於
模型層：Bedrock（多模型 API）＋ SageMaker（自訓/微調）
Nova / Claude / Llama … + Knowledge Bases + Guardrails
↑ 跑在
晶片層：Trainium（訓練）／ Inferentia（推論）／ Graviton（通用）
橫切治理：IAM · KMS · VPC · CloudTrail · GuardDuty

四個實務組合（面試講得出組合＝懂落地）

情境產品組合
企業知識庫/客服助理（RAG）Bedrock（Claude 或 Nova）+ Knowledge Bases + Kendra/OpenSearch 檢索 + Guardrails 安全；或直接用 Amazon Q Business 開箱即用
自有客製模型SageMaker 用產業資料微調 → 訓練跑在 Trainium 省成本 → 部署後用 Bedrock/endpoint 推論
Agentic 自動化Bedrock AgentCore + Nova Act（瀏覽器操作）+ 企業 API → 多步任務自主執行
開發/遷移提速Amazon Q Developer 做程式碼現代化與遷移（.NET/Java 升級）——ProServe 交付常用
一句話收斂

「AWS 從晶片（Trainium）→ 模型（Nova + 第三方）→ 平台（Bedrock/SageMaker）→ 應用（Q/Agent）全端都有，但刻意保持每一層都可換（多模型、多晶片選項）。ProServe EM 就是在這個模組化全端裡，幫客戶依成本與需求組出最適解並交付落地。」

Bedrock 到底是什麼？跟直接打 Claude API 差在哪 WebSearch
先破除誤解

Bedrock 不是「算力」，也不是「另一個 Claude」。它是一層受管的「模型存取 + 應用建構」中介層。它的價值不在「給你模型」，而在「用 AWS 的方式、在 AWS 的安全邊界內，安全地用各家模型並把它變成企業應用」。

為什麼不直接打 Anthropic 的 Claude API 就好？Bedrock 多做了 4 件事

Bedrock 的角色直接打 Claude API 的落差
① 資料主權（最關鍵）
用 Bedrock 上的 AWS-sold 模型，模型跑在 AWS 營運的 Model Deployment Account，模型商（含 Anthropic）完全無法存取你的資料；prompt/completion 不被儲存、不被記錄、不拿去訓練、不給第三方		直接打 = 資料送到模型商自己的基礎設施處理，資料處理者是模型商而非 AWS
② 一個入口、多家模型
一組 AWS API/IAM 存取 Claude、Llama、Nova、Mistral、Cohere…，統一驗證/計費/監控，可隨時換模型		每家模型要各自簽約、各管一把 API key、各自計費
③ 應用建構積木
Knowledge Bases（受管 RAG）、Agents、Guardrails（護欄）、Flows（視覺化工作流）、Evaluation（選型）、Fine-tuning——把模型變應用的半成品		直接打只有「模型呼叫」，RAG／agent／護欄全部得自己造
④ 與 AWS 原生整合
資料在 S3、權限走 IAM、加密用 KMS、網路在 VPC、稽核用 CloudTrail——天生接上，涵蓋 AWS 合規（FedRAMP/HIPAA/SOC…）		需自建與雲環境的橋接與合規
跟傳統 AWS 雲端服務（EC2/S3）差在哪

傳統 AWS 賣的是原始基礎設施（你自己裝軟體、管一切）。Bedrock 是受管 AI 服務層——你不碰底層 GPU、不管模型部署，只呼叫 API 並用高階積木。底層算力（可能跑在 Trainium 或 GPU）被隱藏，你買的是「模型即服務 + 應用積木」，不是裸算力。

一句話比喻（面試好用）

「Bedrock 像 AI 模型的統一收銀台 + 半成品廚房：你不用分別去 Claude、Llama、Mistral 各家開戶，一個 AWS 帳號、一套治理、資料不出你的雲，還附 RAG／agent／護欄等半成品，讓企業把模型快速變成能上線的應用。」

能支援客戶自建私有 AI 環境嗎？到什麼程度 WebSearch
能，而且是 AWS 對企業的主打賣點

「我的資料會不會外流、會不會被拿去訓練別人的模型」是客戶最常問的。答案是可依敏感度分級隔離，從共用雲資料隔離一路到地端自建。

隔離層級做到什麼
資料不外流/不訓練Bedrock 不儲存/記錄 prompt & completion、不拿去訓練 AWS 模型、不給第三方；AWS-sold 模型商零存取
網路私有（VPC + PrivateLink）Bedrock/AgentCore 走私有連線，流量不經公網、無需 public IP，滿足 HIPAA/PCI
加密自管（KMS）資料與客製模型用 KMS 加密，金鑰可由客戶自管（CMK）
私有微調在 VPC 內 fine-tuning，訓練資料不上公網；微調後的客製模型是你私有的，KMS 加密儲存
完整自建（SageMaker）在你 VPC 內自訓/部署模型、私有 endpoint，甚至跑開源模型完全自控
資料落地/主權指定 region 讓資料留境內（台灣 region 落地正對應此需求）
地端/混合（Outposts）把 AWS 硬體放進客戶機房；對資料不能出機房的高敏感客戶（註：GenAI 全套在地端支援有限，多靠 SageMaker/自管，須據案確認）
面試講法（EM 角度）

「私有程度不是有或無，是一條光譜：資料隔離不外流 → VPC 全私有網路 → 私有微調客製模型 → SageMaker 全自建 → Outposts 地端。ProServe EM 的價值，就是幫客戶在『隱私/合規需求 vs 成本/上市速度』之間，選對隔離層級並落地——過度隔離會拖慢、成本高；隔離不足過不了法遵。」

EM 產品全景圖 規劃/檢視組合用
這張表的用法

EM 不需精通每個產品的技術細節，但要能依客戶需求，在每一層挑出合理選項、組成一條可交付的 stack，並判斷 buy vs build、成本 vs 客製、便利 vs 隱私的取捨。以下按層級整理主流產品。

① 晶片/算力層

產品說明
Trainium自研「訓練」晶片，成本約 NVIDIA H100 一半
Inferentia自研「推論」晶片，低成本推論
Graviton自研 ARM 通用 CPU，省電省成本（非 AI 專用）
EC2 P/G 系列（NVIDIA GPU）要 CUDA 生態、raw 效能或既有 GPU 工作負載時的選項

② 模型層

產品說明
Amazon Bedrock受管多模型平台 + 應用積木（企業 GenAI 主入口）
Amazon SageMaker AI自訓/客製模型的 MLOps 全流程平台
模型：Nova（自研）/ Claude / Llama / Mistral / Cohere / AI21 / StabilityBedrock 內可選；依成本、能力、任務挑選

③ Bedrock 應用積木（把模型變應用）

產品說明
Knowledge Bases受管 RAG，接私有資料做檢索增強（2026/6 GA 全受管）
Agents / AgentCore自主規劃、呼叫工具、執行多步任務的 agent 框架
Guardrails安全護欄：內容過濾、幻覺/敏感詞控制，可套用到任何模型
Flows視覺化拖拉工作流，串接模型/agent/KB/護欄
Model Evaluation / Customization模型選型評比 / 微調客製

④ 現成應用層（buy，開箱即用）

產品說明
Amazon Q Business企業 AI 助理，連 40+ 資料源（SharePoint/Jira/Salesforce）
Amazon Q Developer開發者 AI 助理，程式碼生成/遷移現代化

⑤ 檢索/資料支撐

產品說明
Amazon Kendra企業級智慧搜尋
Amazon OpenSearch向量檢索/搜尋（RAG 常用向量庫）
S3 / Redshift / Glue資料湖 / 資料倉儲 / ETL

⑥ 傳統 AI 服務（pre-GenAI，仍常用）

產品說明
Textract文件抽取 / OCR
ComprehendNLP：情感、實體、分類
Rekognition影像/影片辨識
Transcribe / Polly / Translate語音轉文字 / 文字轉語音 / 翻譯

⑦ 私有/治理/安全（橫切每一層）

產品說明
VPC + PrivateLink私有網路連線，流量不經公網
IAM / KMS / CloudTrail權限 / 加密金鑰 / 稽核軌跡
GuardDuty / Macie威脅偵測 / 敏感資料偵測
Outposts / Local Zones地端/邊緣部署（資料留機房）
Control Tower / Landing Zone多帳號治理基礎（大型遷移的地基）
EM 組合決策的四條軸
  • 成本 vs 效能：模型選型（Nova vs Claude）、晶片（Trainium vs GPU）
  • 上市速度 vs 客製化：Bedrock 現成 vs SageMaker 自建
  • 隱私/合規 vs 便利：共用雲 vs VPC vs Outposts 地端
  • buy vs build：Amazon Q 現成助理 vs 自建 agent
ProServe 是什麼、典型案件、團隊角色、案例 WebSearch
ProServe 是什麼

AWS Professional Services 是 AWS 的官方「付費」顧問交付組織——不是免費售前。客戶付費請 AWS 專家 hands-on 動手交付雲端轉型（不只給建議，還實際執行遷移、寫 code、建平台）。定位在 Sales 與 Delivery 之間，把「已經買了 AWS」的客戶，真正帶到「用起來、產生業務成果」。

典型案件內容（6 類，附真實案例）

案件類型內容真實案例
大規模遷移地端/他雲系統搬上 AWS、建 Landing ZoneCarrier 遷移 4,000 workloads；National Australia Bank 大規模遷移；Vodafone SAP HANA 遷移
應用現代化lift-shift → 微服務 / serverless / 容器，並 upskill 客戶團隊Wolters Kluwer 應用現代化 + 雲原生訓練
資料平台資料倉儲/資料湖遷移與現代化、ETLPfizer 資料倉儲遷移；Korean Air Redshift 資料平台；FactSet Neptune 圖資料庫
AI / MLML pipeline、GenAI 落地AstraZeneca 基因分析 pipeline
營運模式/組織轉型雲端營運模式重設計、建 Cloud Center of ExcellenceTUI 營運模式現代化；Astro Malaysia 建 CCoE
平台落地與合規關鍵平台上線 + 資安合規Air Canada 忠誠平台上線 + 資安合規

團隊角色（一個 engagement 的組成）

角色職責
Engagement Manager（你面的）商業 + 交付雙棲、單一問責點、扛 bookings；對客戶談 scope/報價，對內管進度/風險/財務
Delivery / Cloud Consultanthands-on 交付：架構實作、寫 code、執行遷移
Solution Architect (SA)技術方案設計，與 EM 協作定義解法
Domain / Practice 專家資安、資料、DR、網路、DB、storage 等專項專家
Account Manager (AM)AWS sales 側，管客戶整體帳戶關係（非 ProServe，但緊密協作）
客戶側聯合團隊IT infra、app owner、business stakeholder、DBA 等，與 AWS 組成 joint team
2026 新趨勢：ProServe Delivery Agent

AWS（2025 底）推出 agentic AI 的「ProServe Delivery Agent」，把數千次遷移的最佳實務內嵌進交付流程、自動化加速交付，由 consultant 監督產出。面試若提到，展示你懂 ProServe 自己也在用 AI 提升交付效率——正好呼應 EM 要「貢獻可複製的 engagement framework」。

bookings 是什麼
定義

bookings = 一段期間內「簽下的合約總金額」（committed contract value），是前瞻指標——代表未來會實現的營收潛力，簽約當下就計入，還沒實際交付。EM 的核心 KPI 就是它。

指標意義發生時點
Bookings簽約總金額（承諾）簽約當下
Billings已開發票金額開票時
Revenue已交付、可認列的收入（revenue recognition）隨交付進度分期
具體例子

客戶簽一份 1,200 萬、為期 12 個月的 ProServe SOW：
→ 簽約當下 bookings +1,200 萬（一次計入）
→ revenue 則隨每月交付進度認列，約 100 萬/月，12 個月才認列完。

面試提示

JD 要求維持 3x bookings target 的 pipeline。被問「你怎麼扛 bookings」時，別只講交付——要講「pipeline 紀律 + 把顧問對話收斂成 SOW 與簽約」，證明你懂這是 sales 導向的商業承諾指標，不是交付產出指標。