【最新】AWS認定AIプラクティショナー試験突破講座＋模擬試験130問（2回分）付き！

このレクチャーでは、AI（人工知能）、ML（機械学習）、ディープラーニング、そして生成AIの関係を整理します。多くの人がこの4つを横並びに捉えていますが、それは誤りです。機械学習・ディープラーニング・生成AIは、いずれも人工知能を実現するための手段であり、入れ子の関係にあります。

試験では、それぞれの定義と包含関係が問われます。AIは汎用型AIと特化型AIに分かれること、機械学習には教師あり学習・教師なし学習・強化学習の3つの学習方法があること、ディープラーニングは人間の脳を模倣したニューラルネットワーク（入力層・中間層・出力層）をベースにした機械学習の一種であること、そして生成AIはディープラーニングの一種であることを押さえます。

学習方法は身近な例で解説します。教師あり学習は、過去の成功体験や失敗体験から判断の軸をつくる人間の思考によく似ています。教師なし学習は、人間が思いつかなかったグルーピングを見つけ出します。強化学習は、お掃除ロボットがゴミを多く取れる経路を試行錯誤しながら学ぶ仕組みです。生成AIが自己教師あり学習によって、ラベル付きデータを用意しなくても学習できる理由もここで分かります。

このレクチャーでは、AIアプリケーションやAWSのAIサービスで何ができるのかを、試験で問われる4つの分類に沿って見ていきます。コンピュータービジョン、自然言語処理（NLP）、インテリジェントドキュメント処理（IDP）、不正検出の4つです。

これらの用語は試験で問われる可能性が高い部分です。コンピュータービジョンはデジタル画像や動画を解釈する分野、自然言語処理は人間が日常的に使う言葉をコンピューターに処理させる技術で構文解析・テキスト分類・感情分析が可能になる分野、IDPは非構造化データから情報を抽出・分類して要約やインサイトを提供する分野、不正検出はシステムやトランザクションに対する不正行為を特定して防止するプロセスです。

それぞれ具体的なユースケースで理解できるようにしています。コンピュータービジョンなら自動運転の車間距離制御、CT画像による医療診断の早期発見、顔認識によるホームセキュリティ。自然言語処理なら教育分野のQ&Aチャットボット、パーソナライズされた商品提案、カスタマーサポートの効率化。IDPなら医師のメモや請求書の処理、契約書や裁判提出書類の自動処理。不正検出なら金融の本人確認や取引監視、オンラインでの新規アカウントの不正作成の検知などです。

このレクチャーでは、機械学習にどんな手法があるのかを整理します。機械学習は、コンピューターが事前に与えられたデータから学習し、明示的にプログラムしなくても予測や決定を行う人工知能をつくるプロセスです。人間がハードコーディングしたルールに依存せず、データからパターンや関係性を自分で学習する点が特徴になります。

試験対策として押さえたいのは、3つの学習方法とそのサブカテゴリーです。教師あり学習は「分類」と「回帰」に分かれ、分類は入力データをあらかじめ定義されたカテゴリーに振り分ける手法、回帰は連続的な数値を予測する手法で、不動産価格の予測や天気予報が該当します。教師なし学習は「クラスタリング」と「次元削減」に分かれ、クラスタリングはデータポイントを類似性に基づいてグループ化し、次元削減は重要な情報を保持しながら複雑なデータを簡易なデータにします。

機械学習が万能ではない点にも触れています。厳密なルールや規則に基づく処理で例外がほとんどない場合は従来のプログラミングのほうが適していますし、データが極端に少なければ効率的な学習はできません。説明責任が重視される場面でも、決定プロセスを人間が理解しやすい形で説明することが難しい場合があります。強化学習を楽しく学べるサービスとして、AWS DeepRacerも紹介されます。

このレクチャーでは、生成AIの概要を扱います。生成AIは、会話・画像・動画・音楽など、新しいコンテンツやアイディアを作成できるAIの一種です。名前が先行して知られているChatGPTとの関係から入り、ChatGPTはOpenAI社が開発した数ある生成AIサービスの1プロダクトにすぎないこと、従来のAIが入力に対応する情報を出力していたのに対し、生成AIは全く新しいコンテンツを作り出すことを整理します。

試験対策として押さえたいキーワードが3つ出てきます。1つ目はハルシネーションで、AIが誤った回答をあたかも正しいように出力する現象です。2つ目は推論で、AIが命令を読み込んで何を出力すべきかを計算で導き出すプロセスを指し、大量のデータをまとめて処理するバッチ推論と、チャットボットや自動運転のように即時の意思決定が必要な場面で使うリアルタイム推論に分かれます。3つ目はトークンで、入力したテキストをAIが処理する最小単位に分割したものです。

生成AIの料金の考え方もここで理解できます。料金は入力トークンと出力トークンのそれぞれ1,000個あたりで設定されており、日本語ではおおむね1トークンが1文字にあたります。実際の単価を使って、入出力の文字数から費用を概算する見方まで解説します。

このレクチャーでは、生成AIの土台となる基盤モデル（Foundation Models）を扱います。基盤モデルとは、多量かつ多様なデータで学習され、様々なタスクに応用できる汎用的なAIモデルのことです。OpenAI社、Anthropic社、Meta社、そしてAWSなど、各社がそれぞれ基盤モデルを公開している状況も確認します。

試験で問われるのは、基盤モデルの種類の区別です。大規模言語モデル（LLM）は言語処理に特化し、学習済みデータをもとに次に続く可能性が最も高い単語を予測して文章を生成します。拡散モデルはStable Diffusionのような画像生成に特化したモデルで、順方向拡散プロセスと逆拡散プロセスという用語が重要になります。マルチモーダルモデルは、テキストと画像など複数の入力を同時に処理できるモデルです。

後半では、AWSで利用できる基盤モデルと、モデルを選ぶときの判断軸を扱います。AWSは単一のAPIでモデルを切り替えられ、Amazon Novaのように同じモデル名の中でもMicro・Lite・Proといった規模の違いがあります。AWSが推奨する選択の考慮要素として、機能、パフォーマンス要件、制約、コンプライアンス、コストの5つを解説し、精度が高いモデルほどレスポンスが遅くコストも高いというトレードオフまで理解できます。

このレクチャーでは、生成AIに何ができるのか（機能）と、導入効果をどう測るのか（ビジネスメトリクス）を扱います。いずれもAWS公式の試験範囲に含まれる領域です。

機能としては、適応性、応答性、簡素化、創造性と探求、データ効率、パーソナライゼーション、スケーラビリティの7つを取り上げます。従来の機械学習がタスクごとに学習を必要としたのに対し、生成AIはアイディア次第で多くのアプリケーションに汎用的に使えるという適応性が出発点です。試験では、これらの用語を見たときに何を指すのかイメージできることが求められます。

ビジネスメトリクスは、ビジネス目標の達成度を測る定量化可能な評価指標です。ユーザー満足度、クロスドメインパフォーマンス、コンバージョン率、効率の4つを、具体例とともに解説します。生成AIを使った議事録システムで作成時間が90%削減される想定だったのに30%しか削減できていないなら何を疑うべきか、といった形で、投資対効果を判断する視点が身につきます。

このレクチャーでは、生成AIの課題と、それぞれの緩和策を扱います。生成AIは大きな可能性を持つ一方で、企業で安心・安全に使うために把握しておくべきリスクがあります。

試験対策として押さえるのは7つの課題です。規制違反、社会的リスク、データセキュリティとプライバシーに関する懸念、有害性、ハルシネーション、解釈可能性、非決定性。それぞれ、その言葉を見たときに何を指すのかをイメージできる状態を目指します。

緩和策もあわせて解説します。トレーニングデータから個人を特定できる情報を削除・匿名化する、AI倫理ガイドラインを策定して本番デプロイ前に基盤モデルを評価する、有害な出力に対してはトレーニングデータのキュレーションとガードレールの仕組みを使う、ハルシネーションには参照したデータソースを一緒に提示させて人間が確認する——といった実践的な対応です。ここで出てくるガードレールは、後のAWSの生成AIサービスのレクチャーにつながります。

このレクチャーでは、プロンプトそのものと、その構成要素を扱います。プロンプトとは、生成AIに対してユーザーが入力する指示や質問のことです。AIから少しずれた回答が返ってくる原因は、モデルの精度ではなくプロンプトの情報不足であることが多い——という視点から入ります。イラストレーターに「楽しそうな犬の画像を作って」とだけ依頼したら、犬種も色も背景も分からず困るのと同じことです。

試験対策の中心は、AWSが提唱するプロンプトの4つの構成要素です。指示（基盤モデルが実行するタスク）、コンテキスト（モデルが指針として使う外部情報）、入力データ（応答の対象となる情報）、出力インジケーター（出力のタイプや形式）。実際のプロンプト例を分解しながら、どの一文がどの要素にあたるかを確認します。すべての要素が常に必要なわけではない点も押さえます。

もうひとつ重要なのがネガティブプロンプトです。これは、出力してほしくない情報をあらかじめ指定してモデルを制御する手法で、ヘイトスピーチや偏見のある発言の生成を防ぐのに使われます。次のレクチャーで扱うプロンプトエンジニアリングの前提となる内容です。

このレクチャーでは、基盤モデルが目的の出力を生成するようにプロンプトを設計・改善するプロセス、プロンプトエンジニアリングを扱います。代表的な3つの手法として、例を示さずにタスクを指示するZero-shotプロンプティング、いくつかの例を添えてタスクの理解を促すFew-shotプロンプティング（例が1つならOne-shot）、そして複雑な推論タスクを小さな手順に分割するChain-of-Thoughtプロンプティングを解説します。

Chain-of-Thoughtでは「ステップバイステップで考えてください」というキーフレーズが要点になります。回答の精度と一貫性が上がるだけでなく、AIの思考プロセスが可視化されるため、ハルシネーションの抑止や人間の最終判断にも役立ちます。

後半は、Amazon Bedrockで出力を制御する推論パラメータを扱います。システムプロンプト、温度、トップP、トップK、最大長、停止シーケンス。特に温度・トップP・トップKの違いは試験で問われます。「猫の手も借りたい」という文を例に、モデルが次の単語を確率で選ぶ仕組みに沿って、トップPが確率の上位何％で絞るのに対し、トップKは上位何個で絞るという違いを解説します。優先度はトップK・トップP・温度の順で、まずはどれか1つだけ調整するという実践的な指針も扱います。

このレクチャーでは、AWSが推奨するプロンプトのベストプラクティスを扱います。AWS公式のサンプル問題でも問われたことがある領域です。

扱うのは7つの指針です。明瞭かつ簡潔にする、必要に応じてコンテキストを含める、適切な応答タイプの指示を活用する、プロンプトを質問（5W1H）で始める、複雑なタスクを分割する、試行錯誤して想像力を発揮する、プロンプトテンプレートを使用する。

それぞれ、良くない例と適切な例を並べて比較します。たとえば「この記事を要約してください」に「ブログ投稿で使用するため」というコンテキストを足すだけで出力の使い勝手が変わること、「この出来事を要約してください」より「なぜこの出来事が起きたのですか。3つの文で説明してください」のほうが背景まで引き出せること、といった具合です。プロンプトテンプレートを用意しておけば、一貫した入力ができて毎回の試行錯誤も減らせます。ただし最適なテンプレートは基盤モデルごとに異なる点も押さえます。

このレクチャーでは、基盤モデルに対する敵対的プロンプティングの手法と、そこから生じるリスクを扱います。攻撃手法を知っておくことで、問題の特定と軽減ができるようになります。

扱う攻撃は3つのカテゴリに整理されています。AIモデルへの攻撃として、学習データに不正確・有害なデータを混入させるポイズニング、モデルの制御を奪取するハイジャック、与えられた指示を上書きさせるプロンプトインジェクション。機密情報の漏洩として、機密情報や個人情報が外部に漏れるエクスポージャーと、入力したプロンプト自体が漏洩するプロンプトリーク。そしてAIの制限回避として、倫理的制限や安全性の制約を回避させるジェイルブレイクです。

いずれも具体的な攻撃プロンプトの例つきで解説します。ジェイルブレイクでは、直接聞くと断られる内容が、役割を与える言い回しに変えると回答されてしまう——という実例を追います。これらは後半のセキュリティ・コンプライアンス・ガバナンスのセクションで、AWS WAFやAmazon Bedrock Guardrailsを組み合わせた多層防御として対策編につながります。

このレクチャーでは、AWSの生成AIサービスの全体像を3つのレイヤーで整理し、あわせて一番下のインフラストラクチャレイヤーを扱います。下は基盤モデルを自分で開発・トレーニングしたい人向けのインフラ、真ん中はAmazon Bedrockのように用意された基盤モデルでシステムを構築したい人向け、上はAWSが用意した生成AIアプリケーションをそのまま使うレイヤーです。

ここで重要になるのが責任共有モデルです。AWSのサービスを使うとき、どこまでがAWSが守るセキュリティ範囲で、どこからがユーザーが守るべき範囲かをあらかじめ明確にする考え方で、上のレイヤーに行くほどAWSがマネージドする範囲が広がり、ユーザーが自分で守る範囲は狭くなります。その代わり柔軟性は下がり、たとえば一番上のレイヤーでは基盤モデルを選べません。

試験で問われやすいのが、AWSが独自設計した2つのカスタムチップです。AWS Trainiumは機械学習のトレーニング向けで、インスタンス名にtrnが付き、同等のEC2インスタンスと比較して最大50%低いトレーニングコストを実現します。AWS Inferentiaは推論向けで、インスタンス名にinfが付き、Amazon Alexaなどで使われています。世代ごとのスループットとレイテンシーの改善幅まで解説します。

このレクチャーでは、AWSの生成AIスタックの真ん中のレイヤーにあたるAmazon Bedrockの概要を扱います。Amazon Bedrockは、インフラ管理不要で、基盤モデルを活用した生成AIアプリケーションを構築・拡張できるサービスです。Amazonが開発したモデルだけでなく、業界をリードする各社の基盤モデルにAPI経由でアクセスでき、パラメータを変えるだけでモデルを切り替えられる点が最大の特徴になります。

セキュリティとプライバシーの扱いは試験でも実務でも重要です。利用者のコンテンツがモデルの学習に使われることはなく、AWSやサードパーティのモデルプロバイダーと共有されることもありません。データは指定したリージョン内に留まり、転送中も保管中も暗号化され、AWS PrivateLinkと併用すればインターネットを経由しないプライベート接続が可能です。GDPRやHIPAA、ISMAPへの対応にも触れます。

後半は基盤モデルのカスタマイズです。ファインチューニングはラベル付けされた少数の例を使って特定タスクの精度を高める手法、Continued Pre-trainingはラベルなしの大量データで特定ドメインの知識を獲得する手法、という違いを押さえます。料金体系についても、オンデマンドとProvisioned Throughputの2種類があり、カスタマイズしたモデルの利用にはProvisioned Throughputが必須である点を解説します。

このレクチャーでは、RAG（Retrieval Augmented Generation、検索拡張生成）の考え方を扱います。RAGは、学習済みの基盤モデルに追加の参照情報を渡すことで、出力を最適化する手法です。

なぜ必要なのかを2つの例で理解します。ひとつは、モデルのリリース後に総理大臣が代わった場合、モデルは学習していないため古い名前を答えてしまうというケース。もうひとつは、社内向けチャットボットに「うちの会社の有給ルールを教えて」と聞いても、基盤モデルは各社の規約まで学習していないため答えられないというケースです。どちらもハルシネーションにつながります。

こうした課題への対応は、モデルのカスタマイズ（再学習）とRAGの2つに大きく分かれます。RAGは「基盤モデルにカンペを用意してあげる」手法で、プロンプトをそのままモデルに渡すのではなく、まず参照ドキュメントから該当箇所を取得し、元のプロンプトと一緒にモデルへ渡します。この仕組みによって、モデルが学習していない情報や自社固有のデータに基づいた回答が可能になります。

このレクチャーでは、RAGを実際にどう構築するかと、それをフルマネージドで実現するAmazon Bedrock Knowledge Basesを扱います。近年よく取られる構成は、参照させたい情報をベクトル化してベクトルデータベースに格納し、そこから取得する方式です。

試験で問われるのは、ベクトル化とベクトル検索の考え方です。テキストを数値の羅列に変換する基盤モデルを埋め込みモデル（Embeddingモデル）と呼びます。従来のキーワード検索は文字列が一致しないと見つけられず、「パソコン」で登録された文書は「PC」では検索できません。一方ベクトル検索は、文章を多次元のベクトルとして表現し、ベクトル間の距離や類似度で検索するため、完全一致でなくても近い意味の情報を取得できます。ドキュメントを短いかたまりに分けるチャンキングという前処理も押さえどころです。

Amazon Bedrock Knowledge Basesは、この一連の仕組みをフルマネージドで提供します。Amazon S3にドキュメントを配置すればRAGが構築でき、ベクトルデータベースの選択やチャンキングの方法も画面上で選べます。データソースはAmazon S3のほか、WebクローラーによるURL指定、Microsoft SharePoint、Salesforceなどに対応しています。最後に、モデルのカスタマイズとRAGのどちらを選ぶかを、柔軟性・プロンプト長による課金・開発コスト・最新情報への追随・レイテンシーといった観点で比較します。

このレクチャーでは、Amazon Bedrockの代表的な機能を、生成AIをビジネスで使うときのユースケースに沿って扱います。基盤モデルをそのまま使う、自社データを使う、そしてタスクの実行まで任せる——という段階を追う構成です。

最初に扱うのがAmazon Bedrock Agentsです。エージェントとは、ユーザーの入力を複数の小さなタスクに分割し、タスクごとに適切なAPIを呼び出して回答を生成するアプローチで、「上司との1on1のスケジュールを登録して」という指示を、上司を特定するタスクと空き日時を確認するタスクに分解して実行する例で解説します。続いて、複数の基盤モデルをコード不要で比較評価できるモデル評価（自動評価と人間による評価の2種類）と、複数のプロンプトをAmazon S3に置いて非同期でまとめて処理するバッチ推論を扱います。

試験で頻出のAmazon Bedrock Guardrailsもここで登場します。避けたい話題の設定による回答拒否、有害コンテンツのフィルタリング、個人情報のブロックとマスキング、カスタムワードのフィルタリングが設定でき、カスタマイズなしの基盤モデルだけでなく、ファインチューニング済みモデルやAmazon Bedrock Agents、Amazon Bedrock Knowledge Basesにも適用できます。最後に運用面として、入出力をログに記録するModel Invocation Loggingと、スループットをあらかじめ確保するProvisioned Throughputを扱います。

このレクチャーでは、AWSの生成AIスタックの一番上のレイヤーにあるAmazon Qを扱います。Amazon Qは単一のサービス名ではなくサービス群の総称で、生成AIを活用したアシスタントとして位置づけられています。AWSがマネージドする範囲が最も広いレイヤーです。

扱うのは4つのサービスです。Amazon Q Businessは企業内の情報に基づいて質疑応答・コンテンツ生成・要約を行う全社員向けのアシスタント、Amazon Q Developerはコード提案やソースコードのバージョンアップに対応する開発者向けアシスタント、Amazon Q in QuickSightはBIツールと統合してデータ分析を支援するアシスタント、Amazon Q in Connectはコンタクトセンター向けのアシスタントです。試験ではこの想定ユーザーと用途の対応が問われます。

それぞれの特徴も具体的に解説します。Amazon Q Businessは40を超える組み込みコネクターでSalesforceやBox、Microsoft SharePointと接続でき、強力なユーザーアクセス制御とガードレール機能を備えています。Amazon Q in QuickSightでは、あらかじめ用意されたダッシュボード以外の観点、たとえば「解約率の推移を確認したい」というプロンプトからダッシュボードを生成できます。Amazon Q in Connectは、顧客との会話をリアルタイムで分析し、感情分析にもとづいて対応方法を提案します。

このレクチャーでは、責任あるAI（Responsible AI）の考え方と、その構成要素を扱います。責任あるAIとは、潜在的なリスクや悪影響を軽減しながら、AIシステムが透明で信頼できるものであることを保証する実践と原則のことです。AWSだけでなくMicrosoftやアクセンチュアなどでも取り上げられている、業界共通の重要な考え方です。

試験で押さえたいのは、AWSが定義する8つの要素です。公平性、説明可能性、プライバシーとセキュリティ、正確性と堅牢性、ガバナンス、透明性、安全性、制御性。これらは単独の目標にはできず、互いに絡み合っている点も解説します。たとえば透明性を実装するには、説明可能性・公平性・ガバナンスの要素が必要になります。

責任あるAIは、初期設計、開発、デプロイ、モニタリング、評価という、AIアプリケーションのライフサイクル全体で考慮する必要があります。ビジネス上の利点にも触れており、信用と評判の向上、法的・金銭的な負担の軽減、そして競争上の優位性——特に消費者のAI倫理に対する意識が高まる中での差別化——につながることを確認します。

このレクチャーでは、AWSのAIサービスと機械学習（ML）サービスの全体像を整理します。AWSが開発と管理を行うマネージドサービスとしてのAIサービス、機械学習のプロセス全体を効率化するMLサービスであるAmazon SageMaker、そしてNVIDIA製のGPUインスタンスやAWSが独自に開発した機械学習に特化したインスタンスといったインフラストラクチャという3つの層で捉えていきます。

AIF-C01では、Amazon SageMakerは公式にはドメイン1「AIとMLの基礎」に含まれます。Amazon SageMakerには非常に多くの機能が存在しますが、そのすべてが試験で問われるわけではありません。本セクションでは、主に試験で問われるメインの機能を中心に説明し、具体的な操作手順ではなく試験対策の観点から概要を押さえるという方針を最初に共有します。

機械学習は学習時に大量のコンピューティングリソースを使うため、AWSのインフラを使うことでクラウドならではの拡張性を活かし、学習時間を大幅に短縮できます。また、Amazon SageMakerはAmazon SageMaker AIという名称に変更されていますが、AWSのドキュメントでも依然としてAmazon SageMakerという記述が多く見られる点も確認します。受講後には、AWSの機械学習サービス群がどのような位置づけにあるのかが分かるようになります。

このレクチャーでは、AWSの機械学習サービスを学ぶ前提として、機械学習プロジェクトの流れとMLOpsについて学びます。ビジネス要件定義、データ準備、モデル開発、デプロイ、モニタリングという各フェーズを、ECサイトを運営する会社が顧客の購買サイクルを予測して売上向上を目指すという具体例に沿って追っていきます。

AIF-C01ではドメイン1「AIとMLの基礎」の範囲として、MLOpsの考え方が問われます。MLOpsは機械学習モデルの開発から運用までのライフサイクル全体を効率的に管理する手法であり、機械学習プロジェクトの効率化、モデルの品質と性能の向上、迅速なビジネス価値の創出、コンプライアンスとガバナンスの強化というメリットが挙げられます。自動化、バージョン管理、CI/CDパイプラインの構築、モデルガバナンスという4つの原則も押さえどころです。

実務では、一度の開発で完璧な結果が得られることはまずなく、必要に応じて過去のフェーズに戻ってサイクルを繰り返すことになります。KPIを達成できていなければ、新しいデータを用意したりアルゴリズムを変更したりして再びトレーニングとデプロイを行います。受講後には、機械学習プロジェクトを円滑に進めるために何を自動化し、何をバージョン管理すべきかが分かるようになります。

このレクチャーでは、Amazon SageMakerがどんなサービスかを理解し、機械学習における一連のフローのうちデータ準備のフェーズで利用できる機能を確認します。統合開発環境のAmazon SageMaker Studio、データ準備と特徴量エンジニアリングのAmazon SageMaker Data Wrangler、特徴量を管理するAmazon SageMaker Feature Store、データ処理をスケールさせるAmazon SageMaker Processing、バイアス評価のAmazon SageMaker Clarify、ラベル付けのAmazon SageMaker Ground Truthを取り上げます。

AIF-C01ではAmazon SageMakerはドメイン1「AIとMLの基礎」に含まれ、サービス名とその機能の対応を知っているかが問われます。Amazon SageMaker Data WranglerがAmazon S3、Amazon Athena、Amazon Redshiftなど50以上のデータソースに対応する点、Amazon SageMaker Clarifyがデータやモデルの偏りを評価し、特徴量の重要度を算出してモデルの予測を説明できる点は、責任あるAIの観点とも結びつく重要ポイントです。

実務では、Amazon SageMaker StudioでマネージドなJupyter環境をすぐに利用でき、ノートブックのスナップショットをチームで共有できます。Amazon SageMaker Processingは処理が終わるとインスタンスが自動停止するためコスト効率が高く、Amazon SageMaker Ground Truthではラベリングジョブの作成からワーカーの選択、品質管理までの流れを追えます。受講後には、データ準備フェーズでどのサービスを使い分けるかが分かるようになります。

このレクチャーでは、機械学習モデル開発のフェーズで利用できるAmazon SageMakerの機能を確認します。事前トレーニング済みモデルや生成AIの基盤モデルを利用できるAmazon SageMaker JumpStart、Amazon SageMakerトレーニング、トレーニングプロセスを監視・デバッグするAmazon SageMaker Debugger、Amazon SageMaker 自動モデルチューニング、実験結果を管理・比較するAmazon SageMaker Experiments、そしてAmazon SageMaker Model Registryを取り上げます。

AIF-C01ではドメイン1「AIとMLの基礎」の範囲として、各サービスの役割の違いが問われます。ハイパーパラメーターとは機械学習アルゴリズムの挙動を制御する設定変数であること、Amazon SageMaker Debuggerが過学習などの問題を自動検出しAmazon EventBridgeを通じてアラートを発信できること、Amazon SageMaker JumpStartでファインチューニングしても自社の学習データが元のモデルの学習に利用されないことなどが押さえどころです。

実務では、機械学習に必要な3要素である学習データ、ソースコード、実行環境の関係を整理し、コンテナイメージをAmazon ECRで利用する流れを確認します。Amazon SageMakerトレーニングは学習後にインスタンスを自動停止するため無駄なコストが発生せず、実行履歴が自動記録されるので再現性も保てます。受講後には、モデル開発の各作業をどのサービスに任せればよいかが分かるようになります。

このレクチャーでは、Amazon SageMakerを使ったデプロイオプションとモニタリング機能、さらにその他の便利な機能を確認します。リアルタイム推論、バッチ推論、非同期推論、サーバーレス推論という4つのデプロイ方法、Amazon SageMaker Model Monitor、Amazon SageMaker Pipelines、Amazon SageMaker Model Dashboard、Amazon SageMaker Model Cards、Amazon SageMaker Role Manager、Amazon SageMaker Canvasを取り上げます。

AIF-C01ではドメイン1に含まれる範囲ですが、ガバナンスに関わる機能は責任あるAIやセキュリティ・コンプライアンス・ガバナンスの観点とも重なります。ユースケースに応じたデプロイ方法の選択は頻出で、サーバーレス推論はトラフィックが予測しづらい場合に適する一方、急激な増加にスケールが追いつかない可能性があるという注意点まで説明します。

実務では、モデルの精度が時間の経過とともに劣化する理由をデータの傾向の変化から理解し、Amazon SageMaker Model Monitorがベースラインと比較してドリフトを検知し、Amazon EventBridgeでアラートを飛ばす流れを追います。Amazon SageMaker Model CardsはPDFへのエクスポートで説明責任を果たす際に有用で、Amazon SageMaker Canvasはノーコードでモデルを構築でき、東京リージョンで利用できます。

このレクチャーでは、機械学習モデルのパフォーマンス評価の考え方について学びます。住宅価格の予測を行うAIを例に、目的変数と説明変数の違い、持っているデータをすべて学習に使わずトレーニングデータとテストデータに分ける理由、そしてモデル評価における重要なキーワードであるバリアンスとバイアスを整理します。

AIF-C01ではドメイン1「AIとMLの基礎」に関わる内容です。高バリアンスはトレーニングデータに過剰に適合した過剰適合（オーバーフィッティング）の状態、高バイアスはトレーニングデータから本質的なパターンを捉えられていない過少適合の状態であり、低バリアンス・低バイアスが最も良い状態であるという結論を押さえます。

なお本レクチャーはAWSの機能の話ではなく、機械学習プロジェクトを進めるうえで重要な前提知識として扱っています。トレーニングデータをテストに再利用できないのは、モデルがトレーニングデータを暗記している可能性があるためであり、一般的には8割程度を学習に、残りをテストに使います。受講後には、モデルの精度を語るときに何を見ればよいのかが分かるようになります。

このレクチャーでは、大規模言語モデルなどの基盤モデルを評価するための考え方と、代表的な評価手法を学びます。人間による評価と自動評価指標という2つのアプローチを整理したうえで、ベンチマークデータセットであるMMLU、GLUE、SuperGLUE、SQuADを紹介し、N-GRAMの考え方を土台にROUGE、BLEU、F1スコア、BERTScoreという評価指標を順に見ていきます。

AIF-C01ではドメイン3「基盤モデルの応用」に該当し、出題比率が28%と最も高い領域です。基盤モデルが出力するのは自然言語であり正解が一つとは限らないため、従来の機械学習モデルの評価とは前提が異なります。ROUGEは要約タスクで再現率の視点から、BLEUは機械翻訳で適合率の視点から評価し、BLEUには短い出力で高スコアを稼ぐことを防ぐBrevity Penaltyが追加されているといった使い分けが問われます。

実務では、精度だけでなくAIモデルの実行効率も重要な評価軸になります。レイテンシー、スループット、コスト効率という3つの観点を扱い、Amazon Bedrockではモデルによって100万トークンあたりの費用が異なることにも触れます。さらに、出力が安全か有害かを自動で確認するモデレーションAPIとして、AWSではAmazon Bedrock Guardrailsが相当し、入力と出力の両方にポリシーを設定して有害なコンテンツを自動的にブロックできることを確認します。

本セクションの説明とAIサービスの全体像を確認します。

音声系AIサービスのAmazon Transcribeについて学習します。

音声系AIサービスのAmazon Pollyについて学習します。

テキスト系AIサービスのAmazon Comprehend, Amazon Translate, Amazon Textractについて学習します

AWSチャットボットサービスのAmazon Lexについて学習していきます

AWS検索サービスのAmazon Kendraについて学習していきます

AWSのVision系サービスのAmazon Rekognitionについて学習していきます

このセクションでは、試験ドメイン5「AIソリューションのセキュリティ、コンプライアンス、ガバナンス」を扱います。配点は14%。本試験は65問なので、およそ9問がこの領域から出題される計算です。

セキュリティ・コンプライアンス・ガバナンスという3つの言葉の違いを整理したうえで、セクション5で学んだ責任共有モデルのうち「ユーザーが守るべき範囲」を具体的にどう守るのかを見ていきます。

社内AIアシスタントが他人の給与情報を答えてしまう、機密情報が学習データ経由で外部に漏れる——企業でAIを使うときに実際に起きうるリスクを起点に、このあとのレクチャーの位置づけをつかんでください。

AIシステムを守る土台となる4つのAWSサービスを扱います。IAM（アクセス制御）、AWS KMS（暗号化キーの管理）、AWS Secrets Manager（認証情報の保管）、AWS PrivateLink（インターネットを経由しないプライベート接続）の4つです。

試験でよく問われるのは、AWS KMSの3種類のキー（AWS所有キー／AWS管理キー／カスタマーマネージドキー＝CMK）の違いと、IAMの最小権限の原則です。

実務での使われ方もあわせて解説します。データサイエンティストには学習用のAmazon S3とAmazon SageMakerだけ、MLエンジニアには本番のAmazon Bedrockだけ、という職種別の権限分離。Amazon Bedrock Knowledge Basesがベクトルデータベースへ接続する際の認証情報をAWS Secrets Managerで管理する構成。HIPAA・GDPRへの対応が求められる医療・金融でのAWS PrivateLinkの利用——といった典型パターンです。

脅威を見つけて対処するためのAWSサービスを扱います。Amazon Macieは、Amazon S3に保存されたデータの中から機密性の高いデータを機械学習で自動検出するサービス。Amazon Inspectorは、Amazon EC2・AWS Lambda・コンテナイメージの脆弱性を継続的にスキャンするサービスです。

Amazon Macieが検出するPII（個人情報）・PHI（医療情報）・認証情報といったカテゴリ、マネージドデータ識別子とカスタムデータ識別子の違い、Amazon Inspectorが参照するCVE（脆弱性データベース）は、いずれも試験で問われるポイントです。

後半では、セクション4で学んだプロンプトインジェクションなど生成AI特有の攻撃に、AWSでどう対処するかを整理します。AWS WAF（入口での防御）、Amazon Bedrock Guardrails（AIレイヤーでの防御）、IAM（権限制御）、ログ監視——この4層を組み合わせる多層防御の考え方です。AIの学習データに紛れ込んだ個人情報を、学習前にAmazon Macieで検出して除去・マスキングする使い方もここで扱います。

AIに使ったデータがどこから来たのかを追跡し、記録に残すための考え方とサービスを扱います。データリネージ（データの起源と変遷の追跡）、データカタログ、そしてAmazon SageMaker Model Cards。この3つが、データの出所を文書化する組み合わせになります。

AWSでは、SageMaker ML Lineage Trackingが学習ジョブ・データセット・モデル・エンドポイントの関係を自動で記録し、SageMaker Catalog（旧Amazon DataZone）が社内に散らばるデータやAIモデルを一元管理します。

AWS公式試験ガイドのTask Statement 5.1に「source citation and documenting data origins」として明記されている領域です。AIが誤った判断をしたときに学習データのどこに原因があったかを遡る、法規制の変更で使えなくなったデータを使っているモデルを特定する、監査でAIの判断根拠を説明する——実務ではこうした場面で効いてきます。

AIに使うデータを安全に扱うための4つの観点を扱います。データ品質の評価、プライバシー保護技術（PETs）、データアクセス制御、データ整合性の4つです。

データ品質の評価では、欠損値・重複・外れ値・形式の不揃いをどう見つけるかを、AWS Glue DataBrewのデータ品質ルールを例に解説します。プライバシー保護技術では、匿名化・仮名化・マスキング・データ最小化の違いを整理します。データ整合性は、ハッシュ値による改ざん検知、Amazon S3のバージョニング、AWS KMSによる暗号化で担保します。

AWS公式試験ガイドのTask Statement 5.1「best practices for secure data engineering」に対応した内容です。社内の問い合わせ履歴をAIに学習させる前に顧客の氏名や住所をマスキングする、といった「AIに渡す前のデータ整備」の型が身につきます。

ガバナンス系の5つのAWSサービスを扱います。AWS Config（リソースの設定状態の記録と評価）、AWS CloudTrail（誰がいつ何をしたかのAPI操作履歴）、AWS Audit Manager（コンプライアンス監査の証拠を自動収集）、AWS Artifact（AWS自身の第三者監査レポートの入手）、AWS Trusted Advisor（コスト・パフォーマンス・セキュリティ・信頼性・サービス制限の5観点チェック）の5つです。

試験で最も問われやすいのは、似ている2組の区別です。AWS ConfigとAWS CloudTrailは「リソースの設定状態」と「ユーザーの操作履歴」。AWS Audit ManagerとAWS Artifactは「自社の準拠を証明する」と「AWS自身の準拠を証明する」。このレクチャーでは、どちらも対比の形で解説します。

Amazon Bedrockのカスタムモデルや本番のAmazon SageMakerエンドポイントの設定変更を継続監視する、HIPAA・GDPR・PCI DSSのフレームワークを使って監査証拠を自動収集する——といった運用レベルの統制まで理解できるようになります。