【図解付き詳細解説】AWS MLA-C01完全攻略問題集 | 構成図＆グラフ解説付き

更新履歴

• 2026/2:  出題順序固定版の演習問題を追加しました。※出題順序固定版は演習1~4と同じ問題です。

• 2026/2:  問題を50問追加し、各演習セットの問題入れ替えを行いました。

本コースの特徴

1. 最新のMLA試験範囲に完全準拠

2024年に新設されたAWS認定機械学習エンジニア – アソシエイト試験の最新試験範囲に基づいて問題を作成しています。Amazon Bedrockを使用した生成AIアプリケーションの構築など、最新のトピックもカバーしています。

2. 機械学習の考え方を徹底図解

機械学習の概念や手法を視覚的に理解できるよう、豊富な図解を用意しています。Token、Embedding、RAGなどの生成AI技術から、データ準備のワークフローまで、初心者にも分かりやすく解説しています。

3. AWSアーキテクチャを徹底図解

各問題の解説には、実際のAWSアーキテクチャ図を掲載しています。AWS Glue Crawler、AWS Glue DataBrew、Amazon SageMakerなどのサービスがどのように連携するのか、視覚的に理解できます。

4. 機械学習初心者にも分かりやすい詳細な解説

機械学習の専門用語や概念を、初心者でも理解できるよう丁寧に解説しています。各問題には「前提知識」セクションを設け、必要な背景知識を体系的に学べます。

5. AWS初心者にも分かりやすい詳細な解説

AWSサービスの機能や使い方を基礎から解説しています。Amazon ECR、Amazon SageMaker Model Registry、AWS Glueなど、各サービスの役割と使い分けを明確に理解できます。

6. 実践的な問題形式

単純な知識問題だけでなく、実際の業務で遭遇するようなシナリオベースの問題を多数収録しています。複数のAWSサービスを組み合わせた最適なソリューションを選択する力が身につきます。

7. 詳細な公式ドキュメント参照リンク

各問題の解説には、AWS公式ドキュメントへの参照リンクを掲載しています。さらに深く学習したい場合に、信頼性の高い情報源にすぐにアクセスできます。

品質確認用サンプル問題

以下は本コースに収録されている問題の一例です。問題の品質と解説の詳しさをご確認ください。

問題文：

ある物流企業がAmazon SageMakerを使用して、配送需要予測と異常検知を行うWebベースのAIアプリケーションを構築しています。このアプリケーションは、ML実験、トレーニング、中央モデルレジストリ、モデルデプロイ、モデル監視の機能を提供します。アプリケーションは、MLライフサイクル中にトレーニングデータの安全で分離された使用を確保する必要があります。トレーニングデータはAmazon S3に保存されています。企業は、アプリケーション内で異なるバージョンのモデルを管理するために中央モデルレジストリを使用する必要があります。最小限の運用オーバーヘッドでこの要件を満たすには、どのアクションを実行すればよいですか。

選択肢：

A. 各モデルに対して個別のAmazon Elastic Container Registry（Amazon ECR）リポジトリを作成する。

B. Amazon Elastic Container Registry（Amazon ECR）と各モデルバージョン用の一意のタグを使用する。

C. SageMaker Model Registryとモデルグループを使用してモデルをカタログ化する。

D. SageMaker Model Registryと各モデルバージョン用の一意のタグを使用する。

正解：C

A. 各モデルに対して個別のAmazon Elastic Container Registry（Amazon ECR）リポジトリを作成する。

不正解 Amazon ECRはコンテナイメージを保存するためのサービスであり、モデルのバージョン管理やカタログ化には適していません。各モデルごとにリポジトリを作成する方法は運用オーバーヘッドが大きく、モデルレジストリとしての機能も限定的です。

B. Amazon Elastic Container Registry（Amazon ECR）と各モデルバージョン用の一意のタグを使用する。

不正解 ECRはコンテナイメージのレジストリであり、SageMakerモデルの管理には専用のサービスを使用する方が適切です。タグによる管理は運用オーバーヘッドが大きく、モデルのバージョン管理や承認ワークフローなどの機能も提供されません。

C. SageMaker Model Registryとモデルグループを使用してモデルをカタログ化する。

正解 SageMaker Model Registryは、モデルのバージョン管理、メタデータの保存、承認ワークフローの実装など、モデル管理に必要な機能を提供するマネージドサービスです。モデルグループを使用することで、関連するモデルを論理的にグループ化し、各モデルバージョンを効率的に管理できます。運用オーバーヘッドが最小限で、SageMakerの他の機能と統合されています。

D. SageMaker Model Registryと各モデルバージョン用の一意のタグを使用する。

不正解 SageMaker Model Registryはモデルグループの概念を提供しており、タグによる管理よりも構造化された方法でモデルを管理できます。タグのみに依存する方法は、モデルグループの機能を活用できず、運用オーバーヘッドも大きくなります。

全体的な説明

問われている要件

• 中央モデルレジストリを使用して異なるバージョンのモデルを管理する

• 最小限の運用オーバーヘッドで実現する

• SageMakerベースのAIアプリケーションに統合する

• モデルのバージョン管理とカタログ化を効率的に行う

前提知識 SageMaker Model Registryについて SageMaker Model Registryは、機械学習モデルのライフサイクル管理を支援するマネージドサービスです。モデルグループを使用して関連するモデルを論理的にグループ化し、各モデルバージョンのメタデータ、アーティファクト、承認ステータスを管理できます。モデルバージョンごとに説明、メトリクス、承認ステータスなどの情報を保存し、承認ワークフローを実装することで、本番環境へのデプロイを制御できます。SageMaker PipelinesやSageMaker Experimentsと統合されており、MLOpsワークフローに組み込みやすい設計となっています。 Amazon ECRについて Amazon ECRは、Dockerコンテナイメージを保存、管理、デプロイするためのマネージドコンテナレジストリサービスです。ECRはコンテナイメージのバージョン管理やタグ付けをサポートしていますが、機械学習モデル専用の機能は提供していません。モデルのメタデータ管理、承認ワークフロー、モデル監視との統合などの機能はなく、モデルレジストリとして使用するには不十分です。 モデル管理の運用オーバーヘッドについて 運用オーバーヘッドとは、システムを運用するために必要な手作業や管理作業の量を指します。専用のマネージドサービスを使用することで、インフラストラクチャの管理、スケーリング、セキュリティパッチの適用などの作業をAWSに委ねることができ、運用オーバーヘッドを削減できます。カスタムソリューションや汎用サービスを組み合わせて実装する場合、これらの作業を自社で行う必要があり、運用オーバーヘッドが増加します。

★本編には図解が掲載されています。

解くための考え方

この問題では、中央モデルレジストリを使用してモデルのバージョン管理を行う必要があり、かつ最小限の運用オーバーヘッドで実現することが求められています。 SageMaker Model Registryは、モデル管理に特化したマネージドサービスであり、モデルグループの概念を使用してモデルを論理的にグループ化し、各モデルバージョンを効率的に管理できます。モデルバージョンごとのメタデータ管理、承認ワークフローの実装、SageMakerの他の機能との統合など、モデル管理に必要な機能が一元的に提供されています。マネージドサービスであるため、インフラストラクチャの管理やスケーリングなどの運用作業が不要で、運用オーバーヘッドが最小限です。 一方、Amazon ECRを使用する方法は、コンテナイメージの保存には適していますが、モデル管理に特化した機能は提供されていません。各モデルごとにリポジトリを作成する方法や、タグを使用して管理する方法は、運用オーバーヘッドが大きく、モデルのバージョン管理や承認ワークフローなどの機能も実装する必要があります。 したがって、最小限の運用オーバーヘッドで中央モデルレジストリを実現するには、SageMaker Model Registryとモデルグループを使用することが最適解となります。

参考資料★本編には公式ドキュメントへのリンクが掲載されています

• Amazon SageMaker Model Registry とは

• モデルグループの作成と管理

• モデルバージョンの登録

• Amazon ECR とは

• MLOps におけるモデル管理のベストプラクティス

試験対策のアドバイス

1. 基礎知識の習得: まずAWSの機械学習サービスの基本的な機能を理解しましょう。

2. 実践的な演習: 可能であれば、AWS無料利用枠を使って実際にサービスを触ってみることをお勧めします。

3. 間違えた問題の復習: 間違えた問題は必ず解説を読み、なぜその選択肢が正解なのかを理解しましょう。

4. 公式ドキュメントの活用: 解説に記載されている公式ドキュメントのリンクから、さらに深く学習しましょう。

5. 繰り返し学習: 問題を何度も解いて、知識を定着させましょう。