IT・情報処理 / AWS 認定

AWS Certified Machine Learning Engineer – Associate (MLA-C01)の無料問題集・例題・出題範囲

Data engineering / Exploratory data analysis / Modeling / ML implementation & operations

  • 220問
  • 4分野
  • 解説つき・無料で演習
  • 問題の最終更新:

出題範囲（4分野）

  • Data Preparation for Machine Learning (ML)55問
  • ML Model Development55問
  • Deployment and Orchestration of ML Workflows55問
  • ML Solution Monitoring, Maintenance, and Security55問

AWS Certified Machine Learning Engineer – Associate (MLA-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1Data Preparation for Machine Learning (ML)

機械学習エンジニアが、回帰モデルの構築に向けて大規模な住宅価格データセットの準備を行っています。データセットの探索的データ分析（EDA）を実施したところ、いくつかの数値型変数に欠損値が含まれており、かつそれらの変数には顕著な外れ値が存在することが判明しました。データの分布特性を維持しつつ、外れ値の影響を最小限に抑えて欠損値を処理するための最も適切な手法はどれですか。

  1. 欠損値を含む行をすべて削除する
  2. 中央値による補完（Median Imputation）
  3. 欠損値を一律に「0」で置換する
  4. 最頻値による補完（Mode Imputation）
  5. 平均値による補完（Mean Imputation）
解答と解説を見る

正解: 中央値による補完（Median Imputation）

正解は「中央値による補完（Median Imputation）」です。中央値は外れ値の影響を受けにくいため、外れ値が存在するデータセットの補完において平均値よりも頑健です。平均値による補完は外れ値によって補完値が大きく歪められるリスクがあります。欠損値を含む行の削除は、データ量が大幅に減る可能性があるため推奨されません。「0」での置換はデータの本来の分布を破壊し、モデルのバイアスを増大させます。最頻値は主にカテゴリ変数に使用されます。

例題2ML Model Development

機械学習エンジニアが、Amazon SageMaker を使用して深層学習モデルのハイパーパラメータ最適化 (HPO) を計画しています。予算が限られており、計算リソースの浪費を抑えるために、パフォーマンスの低いトライアルを早期に終了させたいと考えています。また、限られた時間内で最も効率的に最適なパラメータセットを見つける必要があります。どの設定を使用すべきですか。

  1. ランダム検索戦略を適用し、すべてのトライアルを最後まで実行する
  2. Hyperband 戦略を有効にして、リソースを効率的に割り当て不適切な試行を停止する
  3. SageMaker のデフォルト設定である手動検索（Manual Search）を使用する
  4. グリッド検索戦略を使用して、定義されたすべての組み合わせを網羅的にテストする
  5. ベイズ最適化を選択し、早期終了（Early Stopping）を無効にして精度を優先する
解答と解説を見る

正解: Hyperband 戦略を有効にして、リソースを効率的に割り当て不適切な試行を停止する

正解は「Hyperband 戦略を有効にして、リソースを効率的に割り当て不適切な試行を停止する」です。Hyperband は、反復的なアルゴリズムにおいて、有望でないハイパーパラメータの組み合わせを早期に特定して終了させる（Early Stopping）機能を提供し、限られた予算と時間で効率的に最適化を行います。「ランダム検索」や「グリッド検索」は、すべての組み合わせを同等に扱うため、リソースの効率性が低くなります。「ベイズ最適化」も強力ですが、早期終了を無効にするとリソースを浪費します。「手動検索」は大規模な最適化には不向きです。

例題3Deployment and Orchestration of ML Workflows

機械学習エンジニアは、新しいモデルバージョンを本番環境にデプロイする際、リスクを最小限に抑えたいと考えています。まずトラフィックの10%を新しいモデルに誘導し、15分間エラーが発生しないことを確認してから残りのトラフィックを移行する戦略を、SageMakerデプロイ設定を使用して実装する場合、最適な手法はどれですか。

  1. Blue/Greenデプロイメントのカナリー設定（CanarySizeを10%、終了までの待機時間を15分）を使用する
  2. Auto Scalingポリシーを設定し、リクエスト数に基づいてインスタンス数を徐々に増やす
  3. All-at-onceデプロイメントを使用して、全トラフィックを即座に新しいインスタンスフリートへ切り替える
  4. 推論パイプラインを構築し、前処理ステップでトラフィックをフィルタリングする
  5. マルチモデルエンドポイント（MME）を作成し、クライアント側でトラフィックの振り分けロジックを実装する
解答と解説を見る

正解: Blue/Greenデプロイメントのカナリー設定（CanarySizeを10%、終了までの待機時間を15分）を使用する

正解は「Blue/Greenデプロイメントのカナリー設定（CanarySizeを10%、終了までの待機時間を15分）を使用する」です。Amazon SageMakerのデプロイ構成（DeploymentConfig）では、Blue/Greenアップデートをサポートしており、Canary設定を使用することで指定した割合（10%）のトラフィックを新しいフリート（Green）に流し、一定のベーキング期間（15分）経過後に完全移行することが可能です。All-at-onceはダウンタイムは防げますがリスクの段階的緩和にはなりません。マルチモデルエンドポイントは複数モデルのホスティング用であり、トラフィックシフトの自動化には向きません。Auto Scalingや推論パイプラインはトラフィックの段階的な移行制御を目的とした機能ではありません。

例題4ML Solution Monitoring, Maintenance, and Security

ある金融機関が Amazon SageMaker を使用して不正検知モデルを運用しています。本番環境の推論リクエストにおけるデータ分布が、モデルのトレーニングに使用されたデータの分布から大幅に逸脱し、モデルの精度が低下する「データドリフト」を自動的に監視し、アラートを発信するための最も適切な方法はどれですか。

  1. Amazon Inspector を実行して、エンドポイントで実行されているモデルアーティファクトの整合性を定期的にスキャンする。
  2. Amazon CloudWatch Logs を分析し、独自の Lambda 関数を定期的に実行して統計的差異を計算する。
  3. Amazon SageMaker Model Monitor を構成し、ベースラインとなるトレーニングデータセットと比較するモニタリングスケジュールを設定する。
  4. S3 イベント通知を使用して、新しい推論ログが保存されるたびに AWS CloudTrail でドリフトの有無を確認する。
  5. AWS Config を使用して、SageMaker エンドポイントの設定変更を監視し、ドリフトが発生した際に通知を送信する。
解答と解説を見る

正解: Amazon SageMaker Model Monitor を構成し、ベースラインとなるトレーニングデータセットと比較するモニタリングスケジュールを設定する。

正解は「Amazon SageMaker Model Monitor を構成し、ベースラインとなるトレーニングデータセットと比較するモニタリングスケジュールを設定する。」です。SageMaker Model Monitor は、デプロイされたモデルの予測の品質を継続的に監視するための機能です。具体的には、学習データから生成したベースライン統計と比較して、本番データの統計的特性が変化（データドリフト）した際に、CloudWatch メトリクスを通じてアラートを発行できます。Amazon CloudWatch Logs や Lambda による自作は可能ですが運用負荷が高く、AWS Config はリソース構成の変更履歴を管理するサービスであるため、データ内容の統計的な分析には適していません。また、Amazon Inspector はセキュリティ脆弱性診断のためのサービスであり、データドリフトの検知には使用されません。

例題5Data Preparation for Machine Learning (ML)

ある金融サービス企業が、リアルタイムの不正検知モデルを開発しています。トレーニング時に使用した特徴量変換ロジックが、オンライン推論時にも一貫して適用されることを保証しつつ、特徴量の再利用性を高めるためのAWSサービスはどれですか。

  1. Amazon EMR
  2. Amazon SageMaker Feature Store
  3. Amazon S3
  4. Amazon DynamoDB
  5. AWS Glue Data Catalog
解答と解説を見る

正解: Amazon SageMaker Feature Store

正解は「Amazon SageMaker Feature Store」です。Feature Storeは学習（オフライン）と推論（オンライン）の両方で同じ特徴量を一貫して提供するための専用リポジトリであり、トレーニングとサービングの間のデータ乖離（Skew）を防ぎます。Amazon S3は単なるオブジェクトストレージであり一貫性の管理機能はありません。Glue Data Catalogはメタデータの管理を目的としています。EMRは処理基盤、DynamoDBは汎用的なNoSQLデータベースであり、特徴量の一貫性管理を自動化するものではありません。

例題6ML Model Development

あるデータサイエンティストが、Amazon SageMaker で畳み込みニューラルネットワーク (CNN) をトレーニングしています。トレーニング中、検証誤差 (validation loss) が減少しなくなり、モデルが過学習（Overfitting）の兆候を示しているかどうかをリアルタイムで監視し、勾配の消失などの問題が発生した際にアラートを受け取りたいと考えています。この要件を満たすために使用すべき機能はどれですか。

  1. Amazon SageMaker Clarify
  2. Amazon SageMaker Model Monitor
  3. Amazon SageMaker Ground Truth
  4. Amazon SageMaker Debugger
  5. Amazon SageMaker Inference Recommender
解答と解説を見る

正解: Amazon SageMaker Debugger

正解は「Amazon SageMaker Debugger」です。SageMaker Debugger はトレーニング中の内部状態（テンソル）をリアルタイムで取得し、過学習、勾配の消失、重みの初期化不良などを自動的に検出して通知する機能を提供します。「Clarify」はデータのバイアス検出やモデルの説明性のためのツールです。「Model Monitor」はデプロイ後の推論エンドポイントにおけるデータのドリフトを監視するもので、トレーニングフェーズ向けではありません。「Ground Truth」はデータのラベル付けツールであり、「Inference Recommender」は推論インスタンスの選択を支援するツールです。

よくある質問

AWS Certified Machine Learning Engineer – Associate (MLA-C01)の問題はスキルサートで何問解けますか？
全220問・4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 Machine Learning Engineer – Associate (MLA-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。

Download on the App Store Google Play で手に入れよう