ホーム ›
対応資格一覧 ›
IT・情報処理 › AWS Certified AI Practitioner (AIF-C01) 出題範囲（14分野） AI の基本的な概念と用語を説明する。45問 AI の実用的なユースケースを特定する。35問 ML 開発ライフサイクルについて説明する。45問 生成 AI の基本概念を説明する。45問 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。45問 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。45問 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。40問 効果的なプロンプトエンジニアリング手法を選択する。40問 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。40問 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。40問 責任ある AI システムの開発について説明する。35問 透明性の高い説明可能なモデルの重要性を認識する。40問 AIシステムを保護する方法を説明する。35問 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。40問 AWS Certified AI Practitioner (AIF-C01)の例題（6問・解説つき） スキルサートのAIが出題範囲に沿って作成した演習問題です（過去問ではありません）。アプリでは毎週新しい問題が追加されます。
例題1AI の基本的な概念と用語を説明する。 ある企業が、過去の顧客データ（年齢、利用頻度、居住地域など）と「解約したかどうか」というラベル情報を使用して、将来の解約可能性を予測するモデルを構築しようとしています。この場合に採用すべき機械学習の手法として、最も適切なものはどれですか。
自己教師あり学習 次元削減 教師なし学習 教師あり学習 強化学習 解答と解説を見る 正解: 教師あり学習
正解は「教師あり学習」です。教師あり学習は、入力データとそれに対応する正解（ラベル）のペアを用いてモデルを訓練する手法であり、このケースでは「解約の有無」という正解ラベルが存在するため最適です。教師なし学習は、ラベルのないデータからクラスタリングなどにより構造を見出す手法です。強化学習はエージェントが行動を通じて報酬を最大化することを学ぶ手法です。自己教師あり学習はデータ自体からラベルを生成する手法であり、次元削減はデータの複雑さを減らす前処理の手法を指します。すべての選択肢は機械学習の重要な概念ですが、目的変数が明らかな予測タスクには教師あり学習が用いられます。
例題2AI の実用的なユースケースを特定する。 あるソフトウェア開発チームが、プログラミング作業の効率化を目的として生成 AI ツールを導入しようとしています。開発者が関数の名前やコメントを入力した際に、その文脈を理解して実装コードの全体を自動的に提案する機能は、どのユースケースに該当しますか。
異常検知 コード補完 コンテンツモデレーション 需要予測 センチメント分析 解答と解説を見る 正解: コード補完
正解は「コード補完」です。生成AIが既存のコードやコメントを解析して次に続くコードを提案する機能は、開発者の生産性を高めるコード補完の代表的なユースケースです。他の選択肢について、「異常検知」はデータから不正や故障の兆候を見つけるものであり、「センチメント分析」はテキストの感情を判定する技術です。「画像セグメンテーション」は画像内のオブジェクトを特定・分類するもので、「需要予測」は将来の売上などを数値で予測するタスクです。「コンテンツモデレーション」は不適切な投稿を監視するものであり、いずれもコード生成には適しません。
例題3ML 開発ライフサイクルについて説明する。 機械学習 (ML) 開発ライフサイクルの初期段階である「ビジネス上の問題定義」において、機械学習を適用するかどうかを判断する際に最も重視すべき点はどれですか。
使用するディープラーニングフレームワークが最新バージョンであること 利用可能な計算リソースがすべてGPUインスタンスで構成されていること 本番環境での推論レイテンシが10ミリ秒以下に抑えられること 解決したいビジネス上の課題が明確であり、データから予測可能なターゲットが存在すること モデルの学習に使用するすべてのデータが既に正規化されていること 解答と解説を見る 正解: 解決したいビジネス上の課題が明確であり、データから予測可能なターゲットが存在すること
正解は「解決したいビジネス上の課題が明確であり、データから予測可能なターゲットが存在すること」です。MLライフサイクルは、技術的な実装よりも先にビジネス目標の特定から始まります。予測したい目標値（ラベル）が定義され、それがデータによって解決可能であることを確認することが、プロジェクトの成否を分ける最も重要な要素となります。フレームワークの選定やインフラ構成、データの正規化などは、この定義がなされた後のプロセスで検討される事項です。本番環境のレイテンシ要件も重要ですが、そもそもMLを適用するかどうかの判断基準としては、課題の定義とデータの可用性が優先されます。
例題4生成 AI の基本概念を説明する。 生成 AI と従来の機械学習（識別モデル）の主な違いとして、最も適切な説明はどれですか。
人間の介入なしに、ハードウェアの電力消費を最小化する能力 データの重複を排除し、ストレージ容量を最適化する機能 既存のデータセットの統計的性質を学習し、新しいコンテンツを創出する能力 ラベル付けされたデータ間の境界線を学習し、未知のデータを分類する機能 構造化データのみを対象に、線形回帰を用いて数値を予測する能力 解答と解説を見る 正解: 既存のデータセットの統計的性質を学習し、新しいコンテンツを創出する能力
正解は「既存のデータセットの統計的性質を学習し、新しいコンテンツを創出する能力」です。生成 AI は、大量のデータからパターンや構造を学習し、それらに類似した新しいデータを生成することを目的としています。数学的には、入力データの確率分布 $P(X)$ を推定し、そこから新しいサンプルを生成するモデルと言えます。一方、従来の識別モデルは、$P(Y|X)$ つまり特定の入力 $X$ に対してラベル $Y$ を予測することに特化しています。例えば、猫の画像を識別するのではなく、猫の画像を新しく作り出すのが生成 AI の役割です。他の選択肢にある分類や保存、電力最適化などは生成 AI の根本的な定義には含まれません。
例題5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。 ある企業が、顧客からの問い合わせに対して生成AIを使用した自動回答システムを導入しました。しかし、システムがもっともらしい嘘（ハルシネーション）をつくことがあり、情報の正確性が課題となっています。この問題に対する、生成AIの限界を踏まえた最も適切な対策はどれですか。
プロンプトに「嘘をつかないでください」という指示を追加する。 すべての回答を固定のテンプレートメッセージに置き換える。 生成された回答を人間がレビューするプロセスを組み込む。 モデルの温度（Temperature）パラメータを最大値に設定する。 モデルのパラメータ数を大幅に増やして、再学習を行う。 解答と解説を見る 正解: 生成された回答を人間がレビューするプロセスを組み込む。
正解は「生成された回答を人間がレビューするプロセスを組み込む。」です。生成AIは統計的な確率に基づいて単語を生成するため、事実に基づかない情報を生成する「ハルシネーション」を完全に排除することは困難です。そのため、ビジネス上の信頼性を担保するには人間による確認（Human-in-the-loop）が重要です。「モデルのパラメータ数を増やす」ことはコスト増を招き、必ずしも嘘を防ぐとは限りません。「嘘をつかないでください」という指示は効果が限定的です。「テンプレートへの置き換え」は生成AIの柔軟性を損ない、「温度設定を最大にする」ことは出力のランダム性を高め、かえって誤情報の原因となります。
例題6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。 AWS Inferentia2 (Inf2) インスタンスは、生成 AI モデルのライフサイクルにおけるどのプロセスを最適化し、コスト効率を高めるために設計されていますか。
基盤モデルの最初からの大規模トレーニング モデルガバナンスのための監査ログ記録 非構造化データのクリーニングと前処理 ベイズ最適化によるハイパーパラメータ調整 モデルの推論 解答と解説を見る 正解: モデルの推論
正解は「モデルの推論」です。AWS Inferentia2（Inf2）は、生成 AI や大規模言語モデル（LLM）の推論を低コストかつ高性能に実行するために AWS が独自設計したアクセラレータチップを搭載しています。データの前処理には通常 CPU ベースのインスタンスが使用され、大規模なトレーニングには AWS Trainium や GPU インスタンスが最適です。ハイパーパラメータ調整は Amazon SageMaker の機能であり、監査ログは AWS CloudTrail 等で管理されます。Inf2 は、学習済みモデルを実稼働環境で動かす際のパフォーマンスに特化したインフラです。
AWS Certified AI Practitioner (AIF-C01)の重要用語
人工知能 (AI) コンピュータに人間のような知的な振る舞いをさせる技術の総称です。データの認識、推論、学習、問題解決など、従来は人間が行っていた高度な判断をプログラムで再現します。AWSのコンテキストでは、ビジネス課題を解決するための幅広いサービス群の基盤となる概念であり、機械学習や深層学習をその一部として含んでいます。
Amazon Rekognition 画像やビデオの分析を自動化するフルマネージドサービスです。物体、人物、テキスト、シーン、活動の検出に加え、顔の分析や比較、不適切なコンテンツの検出が可能です。深層学習の専門知識がなくても、APIを通じて高度な画像認識機能をアプリケーションに組み込めるため、セキュリティ監視、メディア分析、本人確認プロセスなどの幅広いユースケースで利用されます。
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。
生成AI (Generative AI) 新しいテキスト、画像、音声、コードなどのコンテンツを自ら生成することができる人工知能の総称です。従来のAIがデータの分類や予測を主目的としていたのに対し、生成AIは学習データからパターンを学び、それに基づいた創造的なアウトプットを生成する点が特徴です。AWSではAmazon Bedrockなどを通じて様々なモデルが提供されており、ビジネスの自動化や効率化に活用されます。
ハルシネーション (Hallucination) 生成AIが事実に基づかない、もっともらしい嘘を出力する現象です。生成AIの限界の一つであり、ビジネス利用では情報の正確性を検証するプロセスが不可欠です。原因は学習データの不足やモデルの推論プロセスにあり、RAG（検索拡張生成）などの技術を用いることで抑制が可能です。試験では、このリスクを正しく理解し、適切な対策を講じることが重要視されます。
Amazon Bedrock 基盤モデル (FM) を API 経由で利用可能にするフルマネージド型サービスです。インフラを管理することなく、Anthropic や Amazon などの高性能なモデルを選択して生成 AI アプリを迅速に構築できます。セキュリティが担保されており、独自のデータを用いたカスタマイズも容易で、モデルの比較やデプロイを簡素化します。
プロンプトエンジニアリング 基盤モデルから望ましい出力を得るために、入力文（プロンプト）の構造や内容を工夫する技術です。指示の具体化、例示（Few-shot）、思考プロセスの明示などを通じて、モデルの精度を向上させます。AWS上でのアプリケーション開発において、モデルの再学習なしに低コストでパフォーマンスを最適化するための重要な設計要素となります。
ゼロショットプロンプティング モデルに対して具体的な例示を与えず、指示文のみで回答を求める手法です。LLMが持つ事前学習済みの知識のみを頼りにタスクを実行させます。簡単な分類、翻訳、要約などに適していますが、複雑なタスクや特定の出力形式を厳守させる場合には、精度が低くなる傾向があります。プロンプトエンジニアリングの最も基本的なアプローチです。 よくある質問
AWS Certified AI Practitioner (AIF-C01)の問題はスキルサートで何問解けますか？ 全570問・14分野の問題を用意しています。問題は出題範囲に沿って随時追加しています。
無料で使えますか？ 無料プランで週10回の演習（1回10問）と、毎日の「今日の1問」を利用できます。解説を読み、わからない点はAIに質問できます。
ここの問題は過去問ですか？ 過去問ではありません。出題範囲に沿ってAIが作成した演習問題です。すべて解説つきで、間違えた問題は繰り返し解けます。 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。
