ホーム ›
対応資格一覧 ›
AWS Certified AI Practitioner (AIF-C01) 出題範囲 AI の基本的な概念と用語を説明する。 AI の実用的なユースケースを特定する。 ML 開発ライフサイクルについて説明する。 生成 AI の基本概念を説明する。 ビジネス上の問題解決に生成 AI を使用する場合の可能性と限界を理解する。 生成 AI アプリケーションを構築するためのAWSインフラストラクチャとテクノロジーについて説明する。 基盤モデルを使用するアプリケーションの設計上の考慮事項を説明する。 効果的なプロンプトエンジニアリング手法を選択する。 基盤モデルのトレーニングとファインチューニングのプロセスを説明する。 基盤モデルのパフォーマンスを評価する方法を説明する。 責任ある AI システムの開発について説明する。 透明性の高い説明可能なモデルの重要性を認識する。 AIシステムを保護する方法を説明する。 AIシステムのガバナンスとコンプライアンス規制を認識する。 例題に挑戦 スキルサートのAIが生成した演習問題のサンプルです。アプリでは毎週新しい問題が追加されます。
例題1 機械学習モデルの開発において、予測結果の背後にある理由をユーザーが理解できるようにし、信頼を築くための概念として最も適切なものはどれですか？
プライバシー データガバナンス 説明可能性 持続可能性 堅牢性 解答と解説を見る 正解: 説明可能性
正解は「説明可能性」です。説明可能性（Explainability）とは、AIの複雑な意思決定プロセスを人間が解釈可能な形で提供することを指し、責任あるAIの柱の一つです。プライバシーは個人情報の保護に焦点を当て、堅牢性は外部からの攻撃や予期せぬ入力に対する耐久性を意味します。持続可能性は環境負荷の低減を、データガバナンスはデータの管理体制を指しますが、予測根拠の提示とは異なります。
例題2 Amazon SageMaker を使用して、トレーニングデータセットに含まれる統計的なバイアスを検出し、モデルの予測における公平性を評価するために使用すべき機能はどれですか？
Amazon SageMaker Feature Store Amazon SageMaker Training Jobs Amazon SageMaker Clarify Amazon SageMaker Data Wrangler Amazon SageMaker Edge Manager 解答と解説を見る 正解: Amazon SageMaker Clarify
正解は「Amazon SageMaker Clarify」です。このサービスは、データの不均衡やモデルの偏りを検出し、特定の特徴量が予測にどの程度寄与したかを視覚化することで、責任あるAI開発を支援します。Feature Storeは特徴量の管理、Data Wranglerはデータ準備、Training Jobsはモデルの学習、Edge Managerはエッジデバイスでのモデル管理を行うための機能であり、バイアス検出や公平性評価を主目的としたものではありません。
重要用語
データ準備 (Data Preparation) 機械学習モデルの構築に必要なデータを収集、クリーニング、変換するプロセスです。重複データの削除や欠損値の補完などを行い、モデルが学習しやすい形式に整えます。AWSではAmazon SageMaker Data Wranglerなどを使用して効率化されます。データの質がモデルの精度に直結するため、ライフサイクルの中で最も時間を要し、かつ重要な工程の一つとされています。
特徴量エンジニアリング (Feature Engineering) 生データからモデルの予測精度を向上させるための特定の変数（特徴量）を抽出、作成するプロセスです。例えば、日付から曜日情報を抽出したり、複数の数値を組み合わせて新しい指標を作ったりします。ドメイン知識を活用して最適な入力を設計することで、アルゴリズムがデータ内のパターンをより正確に学習できるように支援する重要なステップです。
ハイパーパラメータチューニング (Hyperparameter Tuning) 学習アルゴリズム自体の設定値（ハイパーパラメータ）を最適化し、モデルの性能を最大限に引き出すプロセスです。学習率やバッチサイズなどが該当します。Amazon SageMakerでは自動モデルチューニング機能が提供されており、複数の組み合わせを試行して最適な設定を自動的に探索することで、手動での調整負荷を大幅に軽減することが可能です。
モデル評価 (Model Evaluation) トレーニング済みのモデルが、未知のデータに対してどの程度正確に予測できるかを測定するプロセスです。精度、適合率、再現率などの指標を用いて性能を確認します。この段階で期待する精度に達していない場合は、データ準備やハイパーパラメータの調整に戻って再試行を行い、実運用に耐えうる品質であるかを客観的に判断します。
過学習 (Overfitting) モデルがトレーニングデータに過度に適合してしまい、新しいデータに対して正しく予測できなくなる現象です。データ内のノイズまで学習してしまうことが原因で起こります。これを防ぐために、データの増強、モデルの簡素化、正則化手法の導入、あるいは早期終了などの対策を講じることが、ライフサイクルにおけるモデルの汎用性を高める鍵となります。
モデルデプロイ (Model Deployment) 学習・評価が完了したモデルを本番環境に配置し、実際のアプリケーションから利用可能な状態にするプロセスです。推論エンドポイントを作成することで、リアルタイムまたはバッチ処理で予測結果を提供します。AWSではAmazon SageMakerを利用することで、スケーラブルで可用性の高い推論環境を迅速に構築し、ビジネスプロセスに統合できます。
モデルモニタリング (Model Monitoring) 本番環境で稼働中のモデルのパフォーマンスを継続的に監視するプロセスです。時間の経過とともにデータの傾向が変化するデータドリフトや、予測精度の低下を検知します。Amazon SageMaker Model Monitorなどを使用して異常を早期に発見し、必要に応じてモデルの再学習をトリガーすることで、長期にわたって予測の信頼性を維持します。
基盤モデル (Foundation Model) 膨大なデータセットで事前学習され、幅広い下流タスクに適応可能な汎用AIモデルです。特定の用途に限定されず、テキスト生成、要約、画像認識など多様な機能を持ちます。AWSではAmazon Bedrockを通じて、様々なプロバイダーの基盤モデルをAPI経由で利用でき、これをベースに特定の業務要件に合わせたカスタマイズを行います。 AWS Certified AI Practitioner (AIF-C01)の対策はアプリで AIが毎週生成する新作問題・ランクマッチ・週次ランキング・AI診断で「続けられる」資格学習を。無料で始められます。
