【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：

ある企業が、サービス契約の解約（チャーン）を予測するモデルをAmazon SageMakerで開発しています。データサイエンスチームは毎週、新しい利用実績データでモデルを再学習し、十数本のモデル候補を作り出しています。

ガバナンス部門は、判定の妥当性と説明責任を担保するため、責任者の承認を得たモデルだけが本番の解約予測APIに展開される仕組みを求めています。モデルの登録後に人の承認を挟み、承認済みのモデルだけを本番へ展開するワークフローを実装するには、どのソリューションが適切ですか。

選択肢：

A. SageMaker PipelinesとModel Registryを組み合わせ、承認ステータスをAWS SDKで更新します。

B. SageMaker ML Lineage Trackingで、データの出所と変換履歴を追跡するエンティティを作成して管理します。

C. SageMaker Experimentsで実験の実行とパラメータ・メトリクスを記録し、その結果を使ってモデル登録時の承認を管理します。

D. SageMaker Feature Storeにモデルの特徴量を保存して共有し、その更新状況でデプロイの承認を管理します。

正解：A

A. SageMaker PipelinesとModel Registryを組み合わせ、承認ステータスをAWS SDKで更新します。

正解 SageMaker Pipelinesは、前処理から学習・評価・モデル登録までをパイプラインとして自動化し、SageMaker Model Registryと統合されたサービスです。登録ステップで作成したモデルバージョンは手動承認待ち（PendingManualApproval）の状態に置かれ、責任者がAWS SDKやコンソールから承認済み（Approved）へ更新した時点で初めてデプロイ側の処理が動きます。この承認ステータスが関門として働くため、未承認のモデルが本番の解約予測APIへ展開されることを防げます。

B. SageMaker ML Lineage Trackingで、データの出所と変換履歴を追跡するエンティティを作成して管理します。

不正解 SageMaker ML Lineage Trackingは、学習に使ったデータセットや前処理、学習ジョブといったアーティファクト間の関係と変換履歴を記録する機能です。監査や再現性の向上には役立ち、モデルパッケージやモデルデプロイもコンテキストやアクションとして系譜に現れます。しかし記録されるのはあくまで実行済みの事実であり、承認の関門を設けたり、未承認モデルのデプロイを止めたりする機能は持っていません。

C. SageMaker Experimentsで実験の実行とパラメータ・メトリクスを記録し、その結果を使ってモデル登録時の承認を管理します。

不正解 SageMaker Experimentsは、ML実験の実行やパラメータ・メトリクスの記録と比較を行うサービスです。複数の実験結果を比較して最良のモデルを選ぶ場面では役立ちますが、承認ワークフローを実装したり、未承認モデルのデプロイを制御したりする機能は備えていません。承認ベースの展開には使えません。

D. SageMaker Feature Storeにモデルの特徴量を保存して共有し、その更新状況でデプロイの承認を管理します。

不正解 SageMaker Feature Storeは、特徴量の作成・保存・共有・管理を簡素化する機能です。オンラインストアとオフラインストアで特徴量を扱いますが、モデルの承認ワークフローを実装したり、未承認モデルのデプロイを制御したりする機能は提供していません。特徴量の管理とモデルの承認は別の責務です。

全体的な説明

問われている要件

• モデルの登録後に人の承認を挟むワークフローを実装すること

• 承認済みのモデルだけを本番の解約予測APIへ展開すること

• 未承認のモデルが本番へ展開されないように制御すること

• 登録から承認までのプロセスを監査可能な形で管理すること

前提知識

SageMaker Pipelinesについて

MLワークフローをステップ単位で定義し、実行を自動化するマネージドサービスです。データの前処理から学習、評価、登録、デプロイまでの流れを1つのパイプラインとして扱え、条件分岐やパラメータの受け渡しもサポートしています。SageMaker Model Registryと統合されており、モデルバージョンの登録と承認ステータスの管理をパイプラインの中に組み込めます。

SageMaker Model Registryの承認ステータスについて

Model Registryでは、モデルバージョンごとに承認ステータスを管理します。モデルバージョンを作成した直後のステータスは手動承認待ち（PendingManualApproval）です。評価結果が基準を満たせば承認済み（Approved）、満たさなければ却下（Rejected）へ更新します。承認済みへの遷移がCI/CDによるデプロイ開始の引き金になるため、承認済みモデルだけが本番へ展開される制御が実現します。ステータスの更新はAWS SDKやコンソールから行えます。

SageMaker Experimentsについて

実行した実験のパラメータやメトリクスを記録し、後から比較・分析するためのサービスです。実験の管理と追跡が役割であり、モデルの承認ワークフローやデプロイを制御する機能はありません。

SageMaker ML Lineage Trackingについて

モデルの学習に使ったデータセット、前処理スクリプト、学習ジョブ、評価結果といったアーティファクト間の関係を記録し、再現性と監査性を高める機能です。アーティファクト、アクション、コンテキストといったエンティティと、それらを結ぶ関連付けで構成され、手動でエンティティを作成して情報を追加することもできます。ただし記録するのは実行済みの事実であり、承認ワークフローの実装や未承認モデルのデプロイ制御はできません。

SageMaker Feature Storeについて

特徴量（機械学習モデルへの意味ある入力）の作成、保存、共有、管理を簡素化する機能です。オンラインストアは低レイテンシーのリアルタイム推論向けに最新レコードを保持し、オフラインストアは学習やバッチ推論向けに履歴を保持します。あくまで特徴量の管理が役割であり、モデルの承認ワークフローやデプロイ制御の機能は提供していません。

図による解説

★本編には図解が掲載されています★

モデルを登録した直後にデプロイへ進めるのではなく、Model Registryの承認ステータスを関門として挟み込みます。SageMaker Pipelinesがデータ前処理・モデルトレーニング・モデル評価・モデル登録の各ステップを順に実行し、登録されたモデルバージョンは承認待ちの状態でModel Registryに置かれます。承認者がAWS SDKやコンソールでステータスを承認済みに更新して初めて、本番エンドポイントへの展開が可能になります。この関門を省いて登録とデプロイを直結させると、評価や人の確認を経ていないモデルまで本番に届いてしまうため、承認ステータスによる明示的な展開制御が不可欠です。

解くための考え方

SageMaker PipelinesはMLワークフローを自動化するサービスで、Model Registryと統合されています。パイプラインへ人の承認を挟めば、承認済みのモデルだけを本番へ展開できます。パイプラインの登録ステップでモデルバージョンを承認待ちのまま登録し、承認者がAWS SDKやコンソールから承認済みに変更したタイミングでデプロイが進むようにすれば、人の判断を経たモデルだけが本番に届きます。 SageMaker Experimentsは実験の記録と比較が役割で、承認やデプロイの制御機能はありません。SageMaker ML Lineage Trackingはデータの出所や変換履歴を追跡する機能で、事後の監査には役立っても、デプロイを制御する仕組みは持っていません。SageMaker Feature Storeは特徴量の保存・共有が役割で、モデルの承認ゲートにはなりません。 したがって、承認済みのモデルだけを本番へ展開するには、SageMaker PipelinesとModel Registryを使い、承認ステータスをAWS SDKで管理する構成が適切です。

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 Pipelines とは

• モデルの承認ステータスを更新する

• AWS SDK for Python (Boto3) を使用した SageMaker の操作

• SageMaker Experiments の概要

• SageMaker ML Lineage Tracking の使用

• SageMaker Feature Store の概要

• MLOps におけるモデル承認ワークフロー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。