第1回 問題集（MLOps・AIサービス）

正解: B. データの可視化・前処理・特徴量変換をノーコードに近い形で行うツール

正解の根拠・詳細解説

SageMaker Data Wranglerは、データのインポート・可視化・クリーニング・特徴量変換などのデータ準備作業をGUIベースで効率的に行うためのツールです。

正解: B. 生データから、モデルの予測性能向上に役立つ新しい特徴（変数）を作成・変換する作業

正解の根拠・詳細解説

特徴量エンジニアリングは、生データを変換・加工し、モデルが学習しやすい形の特徴量（変数）を作成・選択するプロセスです。モデル性能に大きく影響します。

正解: A. One-Hotエンコーディング

正解の根拠・詳細解説

One-Hotエンコーディングは、カテゴリカル変数の各カテゴリを個別のバイナリ（0/1）列に変換する手法で、多くの機械学習アルゴリズムがカテゴリカルデータを直接扱えないために用いられます。

正解: B. Min-Maxスケーリング（正規化）

正解の根拠・詳細解説

Min-Maxスケーリング（正規化）は、特徴量の値を最小値0・最大値1の範囲に線形変換する手法で、特徴量間のスケールの差を揃えるために用いられます。

正解: B. 平均値・中央値・最頻値などで補完する、または欠損自体を示すフラグ特徴量を作成する

正解の根拠・詳細解説

欠損値の扱いには、平均値・中央値・最頻値による補完、欠損フラグの追加、モデルベースの補完など複数の手法があり、データの性質に応じて適切な方法を選択します。

正解: B. 特徴量を一元管理し、訓練・推論の両方で一貫した特徴量を再利用できるようにするリポジトリ

正解の根拠・詳細解説

SageMaker Feature Storeは、特徴量を一元的に保存・管理し、訓練時と推論時で同じ特徴量定義を再利用できるようにすることで、特徴量の不整合（トレーニング・サービングスキュー）を防ぐリポジトリです。

正解: A. サーバーレスのETL（抽出・変換・ロード）サービスで、データカタログ作成やデータ変換を行う

正解の根拠・詳細解説

AWS Glueは、サーバーレスのデータ統合（ETL）サービスで、データカタログの作成、スキーマ検出、データ変換ジョブの実行などを行います。MLパイプラインのデータ準備段階でよく利用されます。

正解: B. リアルタイムのストリーミングデータの収集・処理

正解の根拠・詳細解説

Amazon Kinesisは、リアルタイムのストリーミングデータ（ログ、IoTデータ、クリックストリーム等）を収集・処理するためのサービスで、リアルタイム特徴量の生成などMLパイプラインのデータ取り込みに活用されます。

正解: B. モデルの汎化性能を適切に評価し、過学習を検出するため

正解の根拠・詳細解説

データセットを訓練・検証・テストに分割することで、訓練に使用していないデータでモデルの性能を評価でき、過学習（訓練データへの過剰適合）を検出・防止できます。

正解: A. 人手や自動化技術を組み合わせて、機械学習の訓練データに高品質なラベルを付与する

正解の根拠・詳細解説

SageMaker Ground Truthは、人間のレビュアーや自動ラベリング技術を活用して、画像・テキスト等の訓練データに正解ラベルを効率的に付与するためのデータラベリングサービスです。

正解: B. 多数派クラスに偏った予測をしやすくなり、少数派クラスの検出精度が低下するリスクがある

正解の根拠・詳細解説

クラス不均衡（あるクラスのデータが極端に少ない状態）では、モデルが多数派クラスに偏った予測をしやすくなり、少数派クラス（例: 不正検知の不正データ）の検出性能が低下するリスクがあります。

正解: A. オーバーサンプリング（少数派クラスの複製・SMOTE等）やアンダーサンプリング（多数派クラスの削減）

正解の根拠・詳細解説

クラス不均衡への対処法として、少数派クラスを増やすオーバーサンプリング（SMOTE等）や、多数派クラスを減らすアンダーサンプリング、クラス重み付けなどの手法が用いられます。

正解: B. Parquet

正解の根拠・詳細解説

Parquetは列指向（カラムナー）のファイル形式で、特定の列のみを効率的に読み込めるため、大規模データの分析やML処理においてCSVより高速・省コストな場合が多いです。

正解: A. 正規化は値を特定範囲（例: 0〜1）に変換し、標準化は平均0・標準偏差1の分布に変換する

正解の根拠・詳細解説

正規化（Min-Maxスケーリング等）はデータを特定の範囲（多くは0〜1）に収める変換、標準化（Zスコア変換）は平均0・標準偏差1の分布に変換する手法です。アルゴリズムによって適した手法が異なります。

正解: A. トークン化、ストップワード除去、ステミング/レンマ化などの自然言語処理の前処理

正解の根拠・詳細解説

テキストデータの前処理には、単語への分割（トークン化）、意味の薄い単語の除去（ストップワード除去）、語形の統一（ステミング・レンマ化）などの自然言語処理特有の手法が用いられます。

正解: A. データの匿名化・仮名化（マスキング、トークン化等）

正解の根拠・詳細解説

訓練データに個人情報（PII）が含まれる場合、匿名化・仮名化（マスキング、ハッシュ化、トークン化等）を行うことで、プライバシーリスクを低減しつつデータを活用できます。

正解: A. 画像の回転・反転・明度調整などによる派生データの生成

正解の根拠・詳細解説

データ拡張は、回転・反転・クロップ・明度調整などの変換を元データに適用し、見かけ上のデータ量を増やすことで、モデルの汎化性能向上や過学習の抑制に役立てる手法です。

正解: A. 大規模なデータの前処理・後処理・モデル評価をマネージドな環境で実行する

正解の根拠・詳細解説

SageMaker Processing jobは、データの前処理・後処理・特徴量エンジニアリング・モデル評価などのジョブを、スケーラブルなマネージド環境で実行するための機能です。

正解: A. データのスキーマ・統計的特性の異常を検出し、データ品質問題が訓練に悪影響を与えることを防ぐ

正解の根拠・詳細解説

データ検証は、データのスキーマ不整合、異常値、欠損率の急増などの品質問題を検出することで、品質の低いデータがモデルの訓練・性能に悪影響を及ぼすことを防ぎます。

正解: B. 高次元データの情報をできるだけ保持しつつ、より少ない次元（特徴量数）に圧縮する

正解の根拠・詳細解説

PCA（主成分分析）は、相関の高い特徴量をまとめ、元のデータの分散（情報量）をできるだけ保持しながら、より少ない次元に圧縮する次元削減手法です。

正解: B. 時系列の順序を保持したまま訓練用と評価用に分割し、未来のデータが訓練に混入しないようにする

正解の根拠・詳細解説

時系列データでは、未来の情報が訓練データに混入する「データリーク」を防ぐため、時間順序を保持したまま分割（例: 過去データで訓練、未来データで評価）することが重要です。

正解: A. コードを書かずにビジュアルなインターフェースでデータのクリーニング・正規化を行う

正解の根拠・詳細解説

AWS Glue DataBrewは、コーディング不要のビジュアルなデータ準備サービスで、データのクリーニング・正規化・変換を簡単に行うことができます。

正解: B. 異常に大きい/小さい値がモデルの学習を歪めることを防ぐため

正解の根拠・詳細解説

外れ値（極端に大きい/小さい値）は、特にスケールに敏感なアルゴリズムにおいてモデルの学習を不適切に歪める可能性があるため、検出・除去または変換などの対処が重要です。

正解: A. 訓練データに、本来モデルが予測時には利用できない情報（未来の情報やターゲット変数由来の情報）が混入してしまうこと

正解の根拠・詳細解説

データリーケージとは、訓練データに本来推論時には得られない情報（未来のデータやターゲット変数から直接導出された特徴量等）が混入し、評価時の性能が実運用時よりも過大評価されてしまう問題です。

正解: A. 訓練データに含まれるバイアス（特定属性への偏り）を検出する

正解の根拠・詳細解説

SageMaker Clarifyは、訓練データやモデルの予測結果に含まれるバイアスを検出する機能を提供し、データ準備段階でのバイアスチェックにも活用されます。

正解: A. データ形式・スキーマの統一、結合キーの整合性、データ品質の一貫性を確認する

正解の根拠・詳細解説

複数データソースを統合する際は、データ形式・スキーマの統一、結合キーの整合性確認、欠損や重複の処理など、データ品質を保つための統合プロセスが重要です。

正解: A. バッチ処理は一定量・一定期間のデータをまとめて処理し、ストリーミング処理はデータをリアルタイムに近い形で逐次処理する

正解の根拠・詳細解説

バッチ処理は一定量・一定期間のデータをまとめて処理する方式、ストリーミング処理はデータが生成されるたびにリアルタイムに近い形で逐次処理する方式です。要件に応じて使い分けます。

正解: A. 変換フローをSageMaker Processing jobやPipelinesのステップとしてエクスポート・統合する

正解の根拠・詳細解説

SageMaker Data Wranglerで作成したデータ変換フローは、SageMaker Processing jobやSageMaker Pipelinesのステップとしてエクスポートし、本番パイプラインに統合できます。

正解: A. 半教師あり学習や転移学習、SageMaker Ground Truthによる効率的なラベリングの活用

正解の根拠・詳細解説

ラベル付きデータが不足する場合、少量のラベル付きデータと大量のラベルなしデータを組み合わせる半教師あり学習、既存モデルを活用する転移学習、効率的なラベリングツール（Ground Truth）の活用などが有効です。

正解: A. データの特性・品質・分布の偏りを理解し、適切な前処理やモデリング手法の選定につなげる

正解の根拠・詳細解説

データプロファイリング（基本統計量の確認、分布の可視化、欠損率の確認等）は、データの特性や品質上の問題を早期に把握し、適切な前処理・特徴量エンジニアリング・モデリング手法の選定につなげるために重要な工程です。

正解: B. 回帰（Regression）

正解の根拠・詳細解説

回帰は住宅価格・売上等の連続値を予測するタスクです。離散的なクラスを予測するタスクは分類と呼ばれます。

正解: B. 表形式データに対する分類・回帰タスク

正解の根拠・詳細解説

XGBoostは勾配ブースティング決定木をベースとしたアルゴリズムで、表形式（テーブル）データに対する分類・回帰タスクで高い性能を発揮することで知られています。

正解: A. 訓練データでの性能は高いが、検証データ・テストデータでの性能が大きく低い

正解の根拠・詳細解説

過学習の典型的な兆候は、訓練データでは高い性能を示すものの、未知のデータ（検証・テストデータ）では性能が大きく低下することです。これはモデルが訓練データの特異なパターンまで学習しすぎている状態です。

正解: A. 正則化（L1/L2正則化）、ドロップアウト、早期終了（Early Stopping）などを用いる

正解の根拠・詳細解説

過学習対策には、正則化（モデルの複雑さにペナルティを課す）、ドロップアウト（ニューラルネットの一部を無効化）、早期終了（検証性能が悪化し始めた時点で訓練を止める）などの手法があります。

正解: A. ハイパーパラメータの値を自動的に探索し、モデル性能を最適化する

正解の根拠・詳細解説

SageMaker AMT（ハイパーパラメータチューニング）は、ベイズ最適化等の手法を用いて、指定した範囲内でハイパーパラメータの組み合わせを自動的に探索し、モデル性能を最大化する設定を見つける機能です。

正解: A. positiveと予測したもののうち、実際にpositiveだった割合

正解の根拠・詳細解説

Precision（精度・適合率）は、モデルがpositiveと予測したサンプルのうち、実際にpositiveだった割合を示す指標です。誤検知（False Positive）を重視する際に注目します。

正解: A. 実際にpositiveだったもののうち、positiveと正しく予測できた割合

正解の根拠・詳細解説

Recall（再現率）は、実際にpositiveであるサンプルのうち、モデルが正しくpositiveと予測できた割合を示す指標です。見逃し（False Negative）を重視する際に注目します（例: がん検診）。

正解: B. PrecisionとRecallの調和平均であり、両者のバランスを評価する

正解の根拠・詳細解説

F1スコアはPrecisionとRecallの調和平均であり、両者のバランスを取った単一の指標として、特にクラス不均衡なデータセットでの評価に有用です。

正解: A. 予測値と実際の値の誤差を二乗して平均し平方根を取ることで、誤差の大きさを評価する

正解の根拠・詳細解説

RMSEは、予測値と実際の値との誤差を二乗して平均し、その平方根を取った指標で、回帰モデルの予測誤差の大きさを評価するために広く使われます。値が小さいほど予測精度が高いことを示します。

正解: B. AUC（Area Under the Curve）

正解の根拠・詳細解説

AUC（ROC曲線下面積）は、分類モデルが異なる閾値においてどの程度positiveとnegativeを区別できるかを示す指標で、1に近いほど分類性能が高いことを示します。

正解: A. 事前学習済みモデル（例: 画像分類の事前学習モデル）を、少量の独自データでファインチューニングして特定タスクに適応させる

正解の根拠・詳細解説

転移学習は、大規模データで事前学習されたモデルの知識を再利用し、少量の独自データで追加学習（ファインチューニング）することで、効率的に特定タスク向けのモデルを構築する手法です。

正解: A. 大規模なデータセットやモデルの訓練時間を、複数のインスタンスに処理を分散して短縮する

正解の根拠・詳細解説

分散訓練は、大規模なデータセットやモデル（特に深層学習モデル）の訓練を複数のコンピューティングインスタンスに分散して並列処理することで、訓練時間を短縮する手法です。

正解: A. 訓練済みモデルのバージョンを管理し、承認ワークフローを通じてデプロイを管理する

正解の根拠・詳細解説

SageMaker Model Registryは、訓練済みモデルのバージョン管理、メタデータの記録、承認ステータスの管理を行い、本番デプロイに向けたガバナンスのあるワークフローを実現します。

正解: B. 複数のモデルの予測を組み合わせることで、単一モデルよりも高い性能・安定性を得る

正解の根拠・詳細解説

アンサンブル学習は、複数の異なるモデル（または同じアルゴリズムの異なるバリエーション）の予測を組み合わせることで、単一モデルよりも高い精度や安定性を実現する手法です。ランダムフォレストや勾忌ブースティングが代表例です。

正解: A. TensorFlowやPyTorchなど主要なフレームワークをSageMaker内で利用できる

正解の根拠・詳細解説

Amazon SageMakerは、TensorFlow・PyTorch・MXNet・scikit-learnなど主要な機械学習・ディープラーニングフレームワークの利用をサポートする組み込みコンテナを提供しています。

正解: A. 訓練データ・テストデータの両方で性能が低く、モデルがデータのパターンを十分に学習できていない状態

正解の根拠・詳細解説

アンダーフィッティングは、モデルが単純すぎる、または訓練が不十分なために、訓練データ自体に対しても十分な性能を示せていない状態を指します。過学習とは対照的な問題です。

正解: A. 弱い学習器を逐次的に追加し、前の学習器の誤差を補正するように学習を進める

正解の根拠・詳細解説

勾配ブースティングは、弱い学習器（決定木等）を逐次的に追加していき、各ステップで前の学習器の誤差（残差）を補正するように学習を進める手法です。XGBoostはこの考え方を実装した代表的アルゴリズムです。

正解: B. クラスタ（グループ）の数

正解の根拠・詳細解説

k-meansアルゴリズムの「k」は、データを分割するクラスタ（グループ）の数を表すハイパーパラメータです。ユーザーが事前に指定する必要があります。

正解: A. モデルの予測に対する特徴量の重要度（SHAP値等）を可視化し、説明可能性を高める

正解の根拠・詳細解説

SageMaker Clarifyは、SHAP値などの手法を用いてモデルの予測における各特徴量の影響度を可視化し、モデルの判断根拠を説明する機能（説明可能性）を提供します。

正解: A. 実際はnegativeなのにpositiveと誤って予測したケース

正解の根拠・詳細解説

False Positive（偽陽性）は、実際にはnegativeであるデータをモデルが誤ってpositiveと予測したケースを指します。例えばスパムでないメールをスパムと誤判定するケースです。

正解: A. ハイパーパラメータは訓練前に人間が設定する値、モデルパラメータは訓練過程でデータから学習される値である

正解の根拠・詳細解説

ハイパーパラメータ（学習率、木の深さ等）は訓練前に人間が指定する設定値であり、モデルパラメータ（重み・バイアス等）は訓練データを使った学習過程で自動的に最適化される値です。

正解: A. ネットワークに非線形性を導入し、複雑なパターンを学習できるようにする

正解の根拠・詳細解説

活性化関数（ReLU、シグモイド等）は、ニューラルネットワークの各層に非線形性を導入することで、線形モデルでは表現できない複雑なパターンを学習できるようにする重要な要素です。

正解: A. データの前処理・モデル選定・ハイパーパラメータチューニングを自動化し、機械学習モデルを効率的に構築する

正解の根拠・詳細解説

SageMaker Autopilotは、データの分析・前処理から複数アルゴリズムの試行・ハイパーパラメータチューニングまでを自動的に行い、最適なモデルを効率的に構築するAutoML機能です。

正解: A. 複雑なモデルの追加コストに対して、実際に性能向上が得られているかを評価するため

正解の根拠・詳細解説

シンプルなベースラインモデル（例: 平均値予測、単純なルール）と比較することで、より複雑なモデルが実際にその複雑さに見合った性能向上を提供しているかを評価できます。

正解: A. データを複数の分割パターンで訓練・評価することで、モデル性能の評価をより安定的・信頼性高くする

正解の根拠・詳細解説

クロスバリデーション（k-fold等）は、データを複数の異なる分割パターンで訓練・評価することにより、特定のデータ分割に依存しない、より安定した性能評価を得るための手法です。

正解: A. 金融の信用スコアリングなど、判断根拠の説明が法的・倫理的に求められる場面

正解の根拠・詳細解説

信用スコアリングや医療診断支援など、判断の根拠を人間が理解・説明する必要がある分野では、決定木やロジスティック回帰のような解釈可能性の高いモデルが好まれることがあります。

正解: B. BlazingText

正解の根拠・詳細解説

BlazingTextは、Word2Vec等の手法を高速に実装したSageMakerの組み込みアルゴリズムで、テキストデータの分散表現（単語埋め込み）の学習やテキスト分類に使用されます。

正解: A. Random Cut Forest

正解の根拠・詳細解説

Random Cut Forestは、データポイントの異常度をスコアリングするSageMakerの組み込みアルゴリズムで、不正検知や異常検知タスクに使用されます。

正解: A. グループ間での予測結果の差（Disparate Impact等）の統計指標

正解の根拠・詳細解説

SageMaker Clarifyは、異なる属性グループ間での予測結果の差（Disparate Impact、Difference in Positive Proportions等）といった、バイアスを定量化する統計指標を算出します。

正解: A. 単一の指標だけではモデルの性能の異なる側面（例: 精度と再現率のトレードオフ）を見落とす可能性があるため

正解の根拠・詳細解説

PrecisionとRecallのようにトレードオフの関係にある指標も多く、単一の指標のみでは見落とす性能の側面があるため、タスクの目的に応じて複数の指標を組み合わせて評価することが重要です。

正解: A. 低レイテンシで即時に予測結果が必要なオンラインアプリケーション

正解の根拠・詳細解説

リアルタイム推論エンドポイントは、常時起動したエンドポイントに対してHTTPリクエストで推論を行い、低レイテンシでの即時予測が求められるオンラインアプリケーションに適しています。

正解: A. 大量のデータに対して一括で推論を行い、即時応答性が不要な場合

正解の根拠・詳細解説

Batch Transformは、大量のデータをまとめて一括処理する推論方式で、即時応答性よりもスループットやコスト効率を重視するバッチ処理ユースケースに適しています。

正解: A. インスタンスを常時起動する必要がなく、リクエストに応じて自動的にスケールし、未使用時はコストが発生しない

正解の根拠・詳細解説

サーバーレス推論は、トラフィックに応じて自動的にスケールするマネージドな推論オプションで、インスタンスを常時起動する必要がないため、間欠的・予測不能なトラフィックのワークロードでコスト効率が良くなります。

正解: A. 大きな入力データサイズや長い処理時間が必要で、即時応答が不要な推論リクエスト

正解の根拠・詳細解説

非同期推論は、大きな入力データや処理時間が長い推論リクエストをキューに入れて非同期に処理する方式で、即時応答が不要だが大きなペイロードを扱うユースケースに適しています。

正解: A. データ準備・訓練・評価・デプロイなどのMLワークフロー全体をCI/CDのように自動化・オーケストレーションする

正解の根拠・詳細解説

SageMaker Pipelinesは、データ準備から訓練・評価・デプロイまでのMLワークフロー全体を、再現可能なパイプラインとして定義・自動化・オーケストレーションするためのCI/CDツールです。

正解: A. 新旧バージョンの環境を並行して用意し、切り替えによってダウンタイムなく安全にリリースできる

正解の根拠・詳細解説

Blue/Greenデプロイは、新バージョン（Green）と旧バージョン（Blue）の環境を並行して用意し、トラフィックを切り替えることでダウンタイムを最小化し、問題発生時には旧環境にすぐロールバックできる利点があります。

正解: A. 新バージョンに一部のトラフィックのみを段階的に流し、問題がないことを確認しながら徐々に展開する

正解の根拠・詳細解説

カナリアデプロイは、新バージョンに対してまず少量のトラフィックのみを流し、性能や正確性に問題がないことを確認した上で段階的にトラフィック比率を増やしていくデプロイ戦略です。

正解: A. 複数のモデルを単一のエンドポイント（インスタンス群）でホストし、リソースを効率的に共有することでコストを削減できる

正解の根拠・詳細解説

マルチモデルエンドポイントは、複数の機械学習モデルを単一のエンドポイント上でホストし、インスタンスリソースを共有することで、多数のモデルを運用する際のコストを削減できます。

正解: A. 複数のAWSサービス（Lambda、SageMaker等）をステートマシンとして連携させ、複雑なワークフローをオーケストレーションする

正解の根拠・詳細解説

AWS Step Functionsは、Lambda・SageMaker・Glue等の複数のAWSサービスをステートマシン（ワークフロー）として連携させ、条件分岐やエラーハンドリングを含む複雑な処理フローをオーケストレーションするサービスです。

正解: A. SageMakerの組み込みアルゴリズムでは対応できない独自のフレームワークやライブラリを使ったカスタムモデルをデプロイできる

正解の根拠・詳細解説

BYOC（独自コンテナの持ち込み）により、SageMakerの組み込みアルゴリズムやフレームワークコンテナでは対応できない独自のライブラリ・フレームワーク・依存関係を持つカスタムモデルを、Dockerコンテナとしてパッケージ化してデプロイできます。

正解: A. トラフィック量に応じてインスタンス数を自動的に増減させ、性能とコストのバランスを取る

正解の根拠・詳細解説

SageMakerエンドポイントの自動スケーリングは、CloudWatchメトリクス（呼び出し数等）に基づいてインスタンス数を自動的に増減させ、トラフィックの変動に対応しつつコストを最適化する機能です。

正解: A. モデルの開発・訓練・デプロイ・監視を自動化・標準化し、再現性と運用効率を高める

正解の根拠・詳細解説

MLOpsは、DevOpsの考え方を機械学習に適用し、モデルの開発・訓練・デプロイ・監視のプロセスを自動化・標準化することで、再現性・信頼性・運用効率を高めるプラクティスです。

正解: A. CodePipelineでコードのビルド・テストをトリガーし、SageMaker Pipelinesでデータ処理・訓練・評価・デプロイのMLワークフローを実行する

正解の根拠・詳細解説

典型的なMLOps構成では、コードの変更をトリガーとしてAWS CodePipelineがビルド・テストを行い、SageMaker Pipelinesがデータ処理から訓練・評価・モデルデプロイまでのMLワークフローを実行する、という連携パターンが用いられます。

正解: A. 環境構築を再現可能・バージョン管理可能にし、人為的ミスを減らせる

正解の根拠・詳細解説

AWS CloudFormationやAWS CDKなどのIaCツールを用いることで、MLインフラ（SageMakerリソース等）の構築をコードとして管理し、再現性・バージョン管理・自動化のメリットを得られます。

正解: A. S3への新規データ到着等のイベントをトリガーとして、自動的にMLパイプラインを起動する

正解の根拠・詳細解説

Amazon EventBridgeは、S3への新規ファイル到着などのイベントを検知し、それをトリガーとしてLambda関数やSageMaker Pipelinesの実行を自動的に開始するイベント駆動型の連携に活用されます。

正解: A. 異なるモデルバージョンの実際のビジネス指標への影響を比較し、データに基づいた意思決定を行う

正解の根拠・詳細解説

A/Bテストは、トラフィックを複数のモデルバージョンに振り分け、実際のユーザー行動やビジネス指標（CTR、コンバージョン率等）への影響を比較することで、データに基づいたモデル選定の意思決定を行う手法です。

正解: A. 災害対策（DR）や低レイテンシ提供のための地理的分散、およびそれに伴うデータ・コストの管理

正解の根拠・詳細解説

複数リージョンでの運用は、災害対策（DR）やグローバルユーザーへの低レイテンシ提供のために検討されますが、データ同期・コスト・コンプライアンス（データレジデンシー）等の追加考慮事項が発生します。

正解: A. 新バージョンのデプロイ後に性能劣化や障害が検出された場合に、安定していた旧バージョンへ戻す

正解の根拠・詳細解説

ロールバックは、新バージョンのデプロイ後に予期しない性能劣化やエラーが発生した際に、問題が確認されている安定した旧バージョンへシステムを戻す対応です。Blue/Greenデプロイ等により迅速なロールバックが可能になります。

正解: A. モデルの推論ワークロードに最適なインスタンスタイプ・設定を推奨し、コストと性能のバランスを最適化する

正解の根拠・詳細解説

SageMaker Inference Recommenderは、モデルのワークロード特性をもとに負荷テストを実施し、コストとレイテンシのバランスを考慮した最適な推論インスタンスタイプや設定を推奨する機能です。

正解: A. 既存のコンテナ運用基盤・カスタムインフラ要件に統合しやすく、柔軟なスケーリング・運用が可能になる

正解の根拠・詳細解説

既に組織内でECS/EKSによるコンテナ運用基盤がある場合、MLモデルの推論コンテナをその基盤にデプロイすることで、既存の運用プロセス・監視体制・スケーリング機構と統合しやすくなります。

正解: D. DNSレコードの更新ステップ

正解の根拠・詳細解説

SageMaker Pipelinesの典型的なステップには、データ処理・訓練・評価・モデル登録・条件分岐などがありますが、DNSレコードの更新はMLパイプラインの標準的なステップには含まれません。

正解: A. コードの変更ごとに自動テスト・ビルドを実行し、品質と再現性を担保する

正解の根拠・詳細解説

CI（継続的インテグレーション）は、コード変更時に自動的にテスト・ビルドを実行する仕組みで、MLコードの品質確保やデータ処理・訓練コードの再現性担保に役立ちます。

正解: A. 新モデルを本番トラフィックに対してテストしつつ、実際の応答結果はユーザーに返さず安全に性能評価できる

正解の根拠・詳細解説

シャドウテスト（影武者テスト）は、新モデルに本番と同じトラフィックを流して推論させつつ、その結果はユーザーには返さず記録・評価のみを行うことで、本番影響なく新モデルの性能を検証する手法です。

正解: A. プロパティファイルやパイプラインパラメータを用いてステップ間でデータを連携する

正解の根拠・詳細解説

SageMaker Pipelinesは、各ステップの出力（プロパティファイル等）を後続のステップの入力パラメータとして参照できる仕組みを提供し、ステップ間のデータ・モデル情報の連携を実現します。

正解: A. 新旧モデルの出力の互換性、トラフィックの段階的移行、モニタリング体制の準備

正解の根拠・詳細解説

モデルの入れ替えでは、新旧モデルの出力形式の互換性確認、段階的なトラフィック移行（カナリア等）、十分なモニタリング体制の準備が、安全な運用切り替えのために重要です。

正解: A. 事前学習済みの基盤モデルやソリューションテンプレートを利用して、迅速にMLソリューションを構築できるようにする

正解の根拠・詳細解説

SageMaker JumpStartは、事前学習済みの基盤モデルや一般的なユースケース向けのソリューションテンプレートを提供し、開発者がゼロから構築せずに迅速にMLソリューションを立ち上げられるようにする機能です。

正解: A. 各モデルを独立して更新・スケーリングでき、障害の影響範囲を限定できる

正解の根拠・詳細解説

モデルをユースケース単位で複数のエンドポイントに分割することで、それぞれを独立してバージョン管理・スケーリング・更新でき、一つのモデルの障害が他に影響しにくくなる利点があります（一方で運用管理の複雑性は増加します）。

正解: A. モデルの評価結果が特定の閾値を満たした場合のみ、後続のデプロイステップを実行するなどの条件付き処理を行う

正解の根拠・詳細解説

ConditionStepは、例えば評価ステップで得られたモデルの精度が一定の閾値を超えた場合のみモデル登録・デプロイステップを実行する、といった条件付きの分岐処理をパイプライン内で実現するために使用されます。

正解: A. 標準化されたMLOpsテンプレートにより、チーム間でベストプラクティスを共有し、構築の効率化とガバナンスを実現する

正解の根拠・詳細解説

SageMaker Projectsは、MLOpsのベストプラクティスに基づいたテンプレート（CI/CDパイプライン含む）を提供し、組織内のチームが標準化された方法でMLソリューションを構築・運用できるようにする機能です。

正解: A. 単一のエンドポイント内で複数のモデルバリアントにトラフィックを重み付けして振り分け、A/Bテストや段階的移行を行う

正解の根拠・詳細解説

プロダクションバリアントは、単一のSageMakerエンドポイント内で複数のモデルバージョン（バリアント）にトラフィックの重みを設定して振り分けることができる機能で、A/Bテストやカナリアデプロイの実装に活用されます。

正解: A. 本番環境の推論データの品質やモデルの予測性能を継続的に監視し、データドリフトやモデルドリフトを検出する

正解の根拠・詳細解説

SageMaker Model Monitorは、本番エンドポイントに送られる推論データを継続的に監視し、訓練時のデータ分布との差異（データドリフト）やモデル品質の低下を検出する機能です。

正解: A. 本番環境で観測される入力データの統計的分布が、訓練時のデータ分布から時間とともに変化していく現象

正解の根拠・詳細解説

データドリフトは、本番環境で実際に観測される入力データの統計的特性（分布）が、モデル訓練時のデータと異なってくる現象で、モデル性能の劣化要因になり得ます。

正解: A. 入力データと出力（ターゲット）の関係性自体が時間とともに変化し、モデルの予測精度が低下していく現象

正解の根拠・詳細解説

モデルドリフト（コンセプトドリフト）は、入力データと予測対象（ターゲット）との関係性自体が時間の経過とともに変化し、過去に学習したパターンが現状に合わなくなることで予測精度が低下する現象です。

正解: A. 定期的なスケジュール実行、または性能劣化・ドリフト検知をトリガーとした自動/手動の再訓練パイプライン起動

正解の根拠・詳細解説

モデルの再訓練は、定期的なスケジュール（例: 週次・月次）や、Model Monitor等によるドリフト・性能劣化の検知をトリガーとして、自動的または手動でパイプラインを起動する仕組みが一般的です。

正解: A. IAMロール・ポリシーで、各ユーザーやサービスに必要最小限の権限のみを付与する

正解の根拠・詳細解説

最小権限の原則に基づき、IAMロール・ポリシーを用いて、SageMakerノートブック・訓練ジョブ・エンドポイントなどの各リソースに対し、必要最小限の操作権限のみを付与することがセキュリティのベストプラクティスです。

正解: A. インターネットへの直接アクセスを制限し、プライベートなネットワーク環境でセキュアにMLワークロードを実行する

正解の根拠・詳細解説

SageMakerリソースをVPC内に配置することで、インターネットへの直接アクセスを制限し、企業のプライベートネットワーク内でセキュアにデータ処理・訓練・推論を実行できます。

正解: A. AWS KMS（Key Management Service）

正解の根拠・詳細解説

AWS KMSは、暗号化キーの作成・管理・利用を行うマネージドサービスで、S3に保存されたMLの訓練データやモデルアーティファクトの暗号化に広く利用されます。

正解: A. AWS CloudTrail

正解の根拠・詳細解説

AWS CloudTrailは、AWSアカウント内でのAPIコール履歴を記録するサービスで、SageMaker関連の操作履歴の追跡や、セキュリティ監査・コンプライアンス対応に利用されます。

正解: A. エンドポイントの呼び出し数・レイテンシ・エラー率などのメトリクスを収集・可視化し、アラームを設定する

正解の根拠・詳細解説

Amazon CloudWatchは、SageMakerエンドポイントの呼び出し数・レイテンシ・エラー率・リソース使用率などのメトリクスを収集・可視化し、閾値に基づくアラームを設定することで、運用監視に活用されます。

正解: A. サーバーレス推論への切り替えや、オートスケーリングの活用、不要なエンドポイントの停止を検討する

正解の根拠・詳細解説

利用率が低く間欠的なワークロードには、サーバーレス推論やオートスケーリングの活用、また使用していないエンドポイントの停止・統合などにより、コストを最適化できます。

正解: A. モデルの予測根拠を継続的に検証し、規制対応や利用者への説明責任を果たすため

正解の根拠・詳細解説

金融・医療など規制の厳しい分野では、本番運用後もモデルの予測根拠を説明できる状態を維持することが、コンプライアンス対応や利用者への説明責任の観点から重要です。

正解: D. ネットワークのDNS解決速度

正解の根拠・詳細解説

SageMaker Model Monitorは、データ品質・モデル品質・バイアス・特徴量の重要度（Feature Attribution）のドリフトを監視対象としますが、ネットワークのDNS解決速度はその監視対象には含まれません。

正解: A. IAMポリシーやVPCエンドポイント、リソースポリシーを用いてアクセス可能な主体を制限する

正解の根拠・詳細解説

推論エンドポイントへのアクセスは、IAMポリシー、VPCエンドポイント（PrivateLink）、リソースベースポリシーなどを組み合わせて、許可された主体のみがアクセスできるように制限することが推奨されます。

正解: A. データの保存場所（リージョン）の制約、アクセスログの保持、データ削除要求への対応プロセスを整備する

正解の根拠・詳細解説

GDPR等のコンプライアンス要件に対応するため、データの保存リージョンの制約、アクセスログの保持、データ削除（忘れられる権利）要求への対応プロセスなどを、MLシステムの設計に組み込む必要があります。

正解: A. 問題発生時に過去の安定したモデルバージョンへ迅速にロールバックでき、変更履歴を追跡できる

正解の根拠・詳細解説

Model Registry等でモデルのバージョンを管理することで、問題発生時に過去の安定版へ迅速にロールバックでき、各バージョンの変更履歴・性能・承認状況を追跡できます。

正解: A. IAM設定、データの分類・暗号化、訓練データやモデルへのアクセス制御などの「クラウド内のセキュリティ」

正解の根拠・詳細解説

責任共有モデルでは、AWSが「クラウドのセキュリティ」（データセンター、ハードウェア、サービス基盤）を、顧客が「クラウド内のセキュリティ」（IAM設定、データの暗号化・分類、アクセス制御等）を担当します。

正解: A. 性能劣化やドリフトなどの異常を早期に検知し、迅速な対応（再訓練やロールバック等）を可能にする

正解の根拠・詳細解説

CloudWatchアラーム等を用いて性能劣化やドリフトの異常を検知した際に通知を行うことで、問題の早期発見と迅速な対応（再訓練・ロールバック・調査）を可能にします。

正解: A. モデルの目的・性能・想定リスク・訓練データの情報などを文書化し、ガバナンス・透明性を確保する

正解の根拠・詳細解説

SageMaker Model Cardは、モデルの目的、性能評価結果、想定されるリスクや限界、訓練データの概要などを文書化する機能で、モデルガバナンスと透明性の確保に役立ちます。

正解: A. IAMロールの権限制限、VPC内への配置、セキュリティグループによるネットワークアクセス制御

正解の根拠・詳細解説

機密データを扱うノートブックインスタンスは、IAMロールでの権限制限、VPC内への配置、セキュリティグループでのネットワークアクセス制御を組み合わせて保護することが推奨されます。

正解: A. 想定外のリソース使用やスケーリングの誤動作による予期しないコスト増加を早期に検知する

正解の根拠・詳細解説

AWS Cost Anomaly Detection等を用いることで、SageMakerリソースの想定外の使用増加やスケーリングの誤動作による予期しないコスト増加を早期に検知し、迅速に対処できます。

正解: A. サーバーサイド暗号化（SSE-KMS等）の適用とバケットポリシーによるアクセス制限

正解の根拠・詳細解説

モデルアーティファクトは、SSE-KMS等によるサーバーサイド暗号化を適用し、バケットポリシーやIAMで適切にアクセスを制限することで、不正アクセスや情報漏洩のリスクを低減します。

正解: A. 訓練データの統計的特性を記録し、本番データとの比較基準として使用する

正解の根拠・詳細解説

Model Monitorのベースラインは、訓練データの統計的特性（分布、欠損率等）を記録したもので、本番環境で観測されるデータとこのベースラインを比較することでドリフトを検出します。

正解: A. コンテナイメージやライブラリの既知の脆弱性を放置すると、不正アクセスや情報漏洩のリスクが高まるため、定期的な更新が重要

正解の根拠・詳細解説

訓練・推論で使用するコンテナイメージやライブラリには既知の脆弱性が発見されることがあり、定期的なセキュリティパッチの適用・更新がリスク低減のために重要です。

正解: A. モデルの誤動作や予期しない入力データへの対応の遅延を防ぎ、ビジネスへの悪影響を最小化する

正解の根拠・詳細解説

モデルの異常な予測を検知し速やかに通知する仕組みを構築することで、誤動作や想定外の入力への対応の遅れを防ぎ、誤った意思決定や顧客への悪影響を最小限に抑えられます。

正解: A. 環境ごとにアカウントやIAM権限を分離し、環境間の昇格（プロモーション）プロセスを明確にする

正解の根拠・詳細解説

開発・検証・本番環境をアカウントやIAM権限で分離し、テスト済みのモデル・パイプラインのみが本番へ昇格（プロモーション）される明確なプロセスを整備することは、MLOpsの重要なベストプラクティスです。

正解: A. ドリフトの原因を調査し、必要に応じて新しいデータでモデルを再訓練・再評価する

正解の根拠・詳細解説

データドリフトが検出された場合、まず原因（データソースの変化、外部環境の変化等）を調査し、必要に応じて最新データを用いてモデルを再訓練・再評価する対応が一般的です。

正解: A. コンプライアンス要件への対応やインシデント発生時の事後調査を可能にする

正解の根拠・詳細解説

監査ログを長期保存することで、規制・コンプライアンス要件への対応や、セキュリティインシデント発生時の原因調査・追跡が可能になります。

正解: A. AIの判断が重大な影響を及ぼす場面で、人間によるレビュー・承認プロセスを組み込みリスクを低減する

正解の根拠・詳細解説

Amazon Augmented AI（A2I）等を用いたヒューマン・イン・ザ・ループの仕組みは、AIの判断が重大な影響を及ぼす可能性がある場面で、人間によるレビュー・承認を組み込み、誤判断のリスクを低減するために重要です。

正解: A. 本番運用中にモデルの予測結果が特定の属性グループに対して不公平な傾向を新たに示し始めていないかを継続的に検証する

正解の根拠・詳細解説

バイアスドリフト監視は、訓練時には問題なかったモデルが、本番運用中のデータ変化などにより特定の属性グループに対して新たに不公平な予測傾向を示していないかを継続的に検証するものです。

正解: A. 用途（訓練・推論・データ処理等）ごとに個別のロールを作成し、それぞれに必要最小限の権限のみを付与する

正解の根拠・詳細解説

訓練ジョブ用・推論エンドポイント用・データ処理用など、用途ごとに個別のIAMロールを作成し、それぞれに必要最小限の権限（最小権限の原則）を付与することが、セキュリティ設計のベストプラクティスです。