AWS認定Generative AI Developer - Professional (AIP-C01)模擬試験問題集

数あるAIPの教材から本教材をご覧いただきありがとうございます！

更新履歴

2026/5: コース公開（演習1・2・3、合計160問）

なぜこの問題集が必要なのか？

AWS認定Generative AI Developer - Professional（AIP-C01）試験は、Amazon Bedrockを中心とした生成AIアプリケーションの設計・実装・運用スキルを問う、AWSの認定資格の中でも新領域の高難度資格です。単なるサービス知識にとどまらず、RAGアーキテクチャの設計、ガードレールによる安全制御、エージェントのオーケストレーション、モデル評価とモニタリングまで、実務レベルの複合的な理解が求められます。

本問題集は最新のAIP-C01試験傾向に完全対応しています。

AIP-C01で特に重視される要素：

• Amazon Bedrock Knowledge Basesを活用したRAGパイプラインの設計と最適化

• Bedrock Guardrailsによる多層防御アーキテクチャの構築

• Bedrock AgentsとLambdaを組み合わせた自律型エージェントの実装

• ストリーミング応答とリアルタイムアーキテクチャの設計判断

• モデルの公平性・バイアス評価とCloudWatchによる継続的モニタリング

• コスト・パフォーマンス・規制要件を満たす複数FM間の動的ルーティング

本問題集の圧倒的な特徴

1. 2026年最新トレンド完全対応

   Amazon Bedrock Guardrails、Bedrock Prompt Management、Amplify AI Kit、AppConfigによる動的FMルーティングなど、AIP-C01で頻出する最新の生成AIサービスと設計パターンを網羅。実際の試験で問われるサービス選定の判断軸を体系的に習得できます。

2. 実務レベルの深い解説

   「なぜその選択肢が最適なのか」「実際の運用では何を考慮すべきか」まで詳細に解説。コンテンツフィルターと拒否トピックの使い分け、AppSyncの30秒ハードリミットとストリーミング移行の必然性、グラウンディングスコア閾値の設定根拠など、試験でそのまま使える実践的思考を養えます。

3. 全選択肢の詳細分析

   正解選択肢だけでなく、不正解選択肢についても「なぜ適切でないのか」「どういう場面なら有効か」を丁寧に解説。誤りの根拠まで理解することで、類似問題や応用問題にも対応できる本質的な理解を構築します。

4. アーキテクチャ図で視覚的理解

   Amplify AI Kitのストリーミングアーキテクチャ、Bedrock Guardrailsの多層防御構造、AppConfigによる動的FMルーティング、Bedrock Prompt Management + Guardrailsの連携構成など、複雑なマルチサービスアーキテクチャを視覚化した図解を多数収録。サービス間のデータフローと設計の全体像を直感的に把握できます。

5. 本番同等の問題難易度

   実際の試験と同レベルの複雑さと深さを再現。単一選択・複数選択問題、ビジネス要件からの最適解導出問題、アーキテクチャトレードオフを問う複合問題に完全対応しています。

6. 問題数160問、順次追加予定

   現在、演習1・演習2の2セット（各75問、合計150問）+追加問題10問を収録しています。今後も演習セットを順次追加予定です。また、出題順序固定版も収録しているため、苦手分野の反復練習や試験直前の総仕上げにもご活用いただけます。

品質確認用サンプル問題

本教材の解説レベルを確認いただくため、実際の収録問題をご紹介します：

問題文：

あるオンライン教育プラットフォーム企業が、Amazon Bedrockを使用したジェネレーティブAI（GenAI）の講座レコメンデーションアプリケーションを運用しています。このアプリケーションは、受講履歴とデモグラフィック情報に基づいて学習者に講座を提案します。企業は、2つのプロンプトアプローチ間でレコメンデーションにおけるバイアスを検出・測定するために、複数のデモグラフィックグループにわたる公平性評価を実装する必要があります。企業は継続的（定期的）に公平性メトリクスを収集・監視したいと考えています。デモグラフィックグループ間で15%を超える不一致が公平性メトリクスに表れた場合にアラートを受け取る必要があります。また、2つのプロンプトアプローチのパフォーマンスを比較する週次レポートを受け取る必要があります。 これらの要件をカスタム開発の労力を最小限に抑えて満たすソリューションはどれですか。

選択肢：

A. Amazon CloudWatchダッシュボードを設定してAmazon Bedrock APIコールのデフォルトメトリクスを表示します。モデル出力に基づいてカスタムメトリクスを作成します。Amazon EventBridgeルールを設定してAWS Lambda関数を呼び出し、モデルレスポンスに対するポスト処理分析を実行してカスタム公平性メトリクスを発行します。

B. Amazon Bedrock Prompt Managementで2つのプロンプトバリアントを作成します。Amazon Bedrock Flowsのバージョンとエイリアスを使用してプロンプトバリアントをデプロイします。デモグラフィックの公平性を監視するコンテンツフィルターを持つAmazon Bedrock Guardrailsを設定します。InvocationsIntervenedメトリクスにCloudWatchアラームを設定してレコメンデーション不一致閾値違反を検出します。

C. Amazon SageMaker Clarifyのバイアスドリフトモニタリング機能を設定し、キャプチャしたモデル入出力を分析してバイアスメトリクスを定期的にAmazon CloudWatchに発行します。SageMaker Clarifyが発行するバイアスメトリクスにCloudWatchアラームを設定し、週次レポート用のCloudWatchダッシュボードを構成します。

D. Amazon Bedrockモデル評価ジョブを作成して2つのプロンプトバリアント間の公平性を比較します。Amazon CloudWatchでモデル呼び出しログを有効にします。各デモグラフィックグループのディメンションを持つInvocationsIntervenedメトリクスにCloudWatchアラームを設定します。

考えてからスクロールしてみてください。

正解：C

A. Amazon CloudWatchダッシュボードを設定してAmazon Bedrock APIコールのデフォルトメトリクスを表示します。モデル出力に基づいてカスタムメトリクスを作成します。Amazon EventBridgeルールを設定してAWS Lambda関数を呼び出し、モデルレスポンスに対するポスト処理分析を実行してカスタム公平性メトリクスを発行します。

不正解 EventBridgeルールとLambda関数を使用してモデル出力を分析しカスタム公平性メトリクスを発行するアプローチは、大幅なカスタム開発を必要とします。公平性分析ロジック、デモグラフィックグループ間の比較ロジック、メトリクス発行処理をすべてLambda関数内に独自実装する必要があり、「カスタム開発の労力を最小限に」という要件に反します。週次レポートの生成も別途カスタム実装が必要です。

B. Amazon Bedrock Prompt Managementで2つのプロンプトバリアントを作成します。Amazon Bedrock Flowsのバージョンとエイリアスを使用してプロンプトバリアントをデプロイします。デモグラフィックの公平性を監視するコンテンツフィルターを持つAmazon Bedrock Guardrailsを設定します。InvocationsIntervenedメトリクスにCloudWatchアラームを設定してレコメンデーション不一致閾値違反を検出します。

不正解 Amazon Bedrock Guardrailsのコンテンツフィルターは、Hate（ヘイト）、Insults（侮辱）、Sexual（性的）、Violence（暴力）、Misconduct（不正行為）などの事前定義カテゴリに基づく有害コンテンツを検出・フィルタリングするための機能であり、デモグラフィックグループ間の統計的な公平性（バイアス）を測定する機能は持っていません。InvocationsIntervenedメトリクスはガードレールが介入した回数を示すだけで、レコメンデーションの公平性の不均衡を定量的に測定するものではありません。また、Amazon Bedrock Flowsのエイリアスは単一のフローバージョンへのポインタであり、重み付けによるトラフィック分割（例：90/10）をネイティブに提供する機能ではなく、バージョンを切り替えるためのA/Bテスト・ロールバック機構です。

C. Amazon SageMaker Clarifyのバイアスドリフトモニタリング機能を設定し、キャプチャしたモデル入出力を分析してバイアスメトリクスを定期的にAmazon CloudWatchに発行します。SageMaker Clarifyが発行するバイアスメトリクスにCloudWatchアラームを設定し、週次レポート用のCloudWatchダッシュボードを構成します。

正解 Amazon SageMaker Clarifyはバイアス検出と公平性測定のために設計された専用サービスで、バイアスドリフトモニタリングによりデータキャプチャ対象のモデル推論に対して事前学習・事後学習のバイアスメトリクス（Class Imbalance（CI）、DPL、Jensen-Shannonダイバージェンス、DPPL等）を自動計算し、CloudWatchメトリクス（bias_metric_CI のように各メトリクス略称をサフィックスとする命名規則）として発行できます。CloudWatchアラームに15%の閾値を設定でき、週次レポートはCloudWatchダッシュボードや定期的に生成されるバイアスレポートから作成できます。カスタム分析ロジックを自前実装する他の選択肢と比較して、カスタム開発の労力が最も少ないソリューションです。 なお、SageMaker Clarifyのバイアスドリフトモニタリングはスケジュールベース（最短1時間間隔）で動作するため厳密な意味でのリアルタイム監視ではなく「近リアルタイムの継続的監視」となる点に留意してください。

D. Amazon Bedrockモデル評価ジョブを作成して2つのプロンプトバリアント間の公平性を比較します。Amazon CloudWatchでモデル呼び出しログを有効にします。各デモグラフィックグループのディメンションを持つInvocationsIntervenedメトリクスにCloudWatchアラームを設定します。

不正解 Amazon Bedrockモデル評価ジョブはLLM-as-a-judgeアプローチでプロンプトバリアントの品質を評価する一回限りのバッチジョブであり、継続的なモニタリングには設計されていません。InvocationsIntervenedメトリクスはBedrock Guardrailsの介入回数を示すメトリクスであり、モデル評価ジョブとは関連がありません。継続的な公平性メトリクスの収集・監視という要件を満たせません。

全体的な説明

問われている要件

• GenAIレコメンデーションにおけるデモグラフィックグループ間のバイアスを検出・測定すること

• 2つのプロンプトアプローチ間の公平性を比較すること

• 継続的（定期的）に公平性メトリクスを収集・監視すること

• デモグラフィックグループ間で15%を超える不一致が発生した場合にアラートを受けること

• カスタム開発の労力を最小限に抑えること

前提知識 Amazon SageMaker Clarifyのバイアス検出機能について

• SageMaker Clarifyは、MLライフサイクルのあらゆる段階（学習前・学習後・本番運用中）でバイアスを検出・測定する専用サービスです。バイアス検出とは、AIが特定のグループを不公平に扱っていないかを統計的にチェックする仕組みで、たとえば採用AIが年齢や性別で不公平な合否判定をしていないかを自動的に測定します

• 学習前バイアスメトリクスとして、Class Imbalance（CI）、DPL（ラベルの比率の差）、KL divergence（Kullback-Leibler divergence）、JS divergence（Jensen-Shannon divergence）などを自動計算します

• 学習後バイアスメトリクスとして、DPPL（予測ラベルの正の比率の差）を使用し、モデルが各デモグラフィックグループに対して異なる予測を行っていないかを測定します

• 本番環境ではバイアスドリフトモニタリング（ModelBiasModelMonitor）を実行し、検出結果をCloudWatchメトリクスとして自動発行します。このモニタリングはスケジュール実行（最短で hourly のcron式、つまり1時間間隔）で動作するバッチ処理であり、厳密な意味でのリアルタイム監視ではありません

• モニタリング対象は SageMaker リアルタイムエンドポイント（EndpointInput）またはバッチ変換ジョブ（BatchTransformInput）であり、Amazon Bedrock エンドポイントへの直接統合は公式に提供されていません。Bedrockを対象とする場合、推論ログをSageMaker Model Monitor互換のデータキャプチャ形式に整形してS3に配置する等の対応が必要です

• CloudWatchでは以下のネームスペースに発行されます：リアルタイムエンドポイントは aws/sagemaker/Endpoints/bias-metrics、バッチ変換ジョブは aws/sagemaker/ModelMonitoring/bias-metrics。メトリクス名は bias_metric にメトリクス略称を付加した bias_metric_CI、bias_metric_DPL、bias_metric_JS などの形式です。各メトリクスにはディメンションとして Endpoint、MonitoringSchedule、BiasStage（Pre-training または Post-Training）、Label、LabelValue、Facet、FacetValue が付与されます

Amazon CloudWatchによるモニタリングについて

• CloudWatchはAWSリソースのメトリクスを収集・可視化するモニタリングサービスです。ダッシュボードでリアルタイム可視化、アラームで閾値ベースの通知を設定できます

• コンポジットアラームは複数のメトリクスアラームを論理演算（AND/OR）で組み合わせて、複合条件でのアラート発行を可能にします

• SageMaker Clarifyが発行するバイアスメトリクスに対してCloudWatchアラームを設定することで、閾値超過時の自動通知が実現できます

Amazon Bedrock Guardrailsの設計目的について

• Guardrailsはコンテンツフィルター、拒否トピック、ワードフィルター、機密情報フィルター、コンテキストグラウンディングチェックなどで構成されます

• コンテンツフィルターの有害カテゴリーは公式ドキュメントで Hate（ヘイト）、Insults（侮辱）、Sexual（性的）、Violence（暴力）、Misconduct（不正行為）の5種類が定義されており、加えて Prompt Attack（プロンプト攻撃）のフィルターも同じコンテンツフィルター機能の中で設定できます。いずれもデモグラフィック間の統計的公平性を測定する機能は含まれていません

• InvocationsIntervenedメトリクスはガードレールが応答に介入した回数を示すもので、公平性の定量的な測定値ではありません

Amazon Bedrock Flowsのバージョンとエイリアスについて

• Bedrock Flowsはバージョン（イミュータブルなスナップショット）とエイリアス（特定バージョンへのポインタ）を提供します

• エイリアスは単一の flowVersion を指すため、ネイティブの重み付けトラフィック分割（例：90/10）機能は提供されていません。A/Bテスト的な使い方は「エイリアスの向き先バージョンを切り替える」「クライアント側や外部オーケストレーションで振り分ける」形で実現します

Amazon Bedrockモデル評価ジョブについて

• モデル評価ジョブはLLM-as-a-judgeアプローチでモデルやプロンプトバリアントの品質を評価するバッチ処理です

• 一回限りまたはスケジュール実行されるバッチジョブであり、リアルタイムの継続的モニタリングには設計されていません

• Foundation Model、カスタムモデル、プロンプトルーターなどの評価に対応しますが、公平性メトリクスの算出機能は持っていません

★本編には図解が掲載されております

解くための考え方

この問題は、GenAIレコメンデーションにおけるデモグラフィック間の公平性を継続的に監視し、最小限のカスタム開発で実現する方法を問うています。 まず、公平性の「測定」に適したサービスを特定します。SageMaker Clarifyはバイアスメトリクスの計算に特化した専用サービスであり、デモグラフィックグループ間の統計的な不均衡を自動的に検出できます。一方、Bedrock Guardrailsは有害コンテンツのフィルタリングが目的であり、統計的な公平性測定機能は持っていません。 次に、「継続的監視」と「アラート」の要件を考えます。SageMaker Clarifyは本番環境でのバイアスドリフトモニタリング機能を備え、検出したバイアスメトリクスをCloudWatchに自動発行します（ネームスペース aws/sagemaker/Endpoints/bias-metrics、メトリクス名 bias_metric_*）。CloudWatchアラームに15%の閾値を設定すれば、デモグラフィックグループ間の不一致が閾値を超えた時点で自動通知を受け取れます。なお、Clarifyのバイアスドリフトモニタリングはスケジュール実行（最短1時間間隔）のバッチ処理であり厳密なリアルタイムではなく「近リアルタイムの継続監視」である点、Bedrockエンドポイントを直接の監視対象にはできないため推論データをSageMaker Model Monitor互換のキャプチャ形式で取り込む工夫が必要である点には注意が必要です。それでも、提示された選択肢の中ではこの方式が最も要件に近く、カスタム実装を最小化できます。 「週次レポート」の要件については、CloudWatchダッシュボードから2つのプロンプトアプローチのメトリクスを比較するレポートを生成できます。SageMaker Clarifyの分析結果はエクスポート可能なレポートとしても出力されます。 「カスタム開発の最小化」という観点では、独自のLambda関数で公平性分析ロジックを構築するよりも、SageMaker Clarifyの組み込みバイアスメトリクスを活用する方が開発工数を大幅に削減できます。コンテンツフィルターで統計的公平性を測定するアプローチやバッチ処理の評価ジョブで継続監視を行うアプローチは、いずれもサービスの設計目的と合致しません。 以上の理由から、SageMaker ClarifyとCloudWatchを組み合わせたアプローチが最適です。

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 Clarify - 学習前バイアスメトリクス

• Amazon SageMaker Clarify - 学習後バイアスメトリクス

• Amazon SageMaker Clarify - 本番モデルのバイアスドリフト検出

• Amazon SageMaker Clarify - バイアスドリフトモニタリングジョブのスケジューリング

• Amazon SageMaker Clarify - バイアスドリフト用CloudWatchメトリクス

• Amazon SageMaker Clarify - 分析結果

• Amazon Bedrock Guardrails - コンテンツフィルター

• Amazon Bedrock Guardrails - コンポーネント一覧

• Amazon Bedrock - モデル評価

• Amazon Bedrock Flows - バージョンとエイリアスによるデプロイ

• Amazon CloudWatch - コンポジットアラーム

他の教材との違い

従来の問題集の課題：

• Bedrockの各機能を表面的に列挙するだけで「なぜその機能か」が理解できない

• 設計判断の根拠が不明瞭

• 複数サービスを組み合わせたアーキテクチャ全体像が見えない

本教材の優位性：

• 2026年最新の出題傾向を完全分析した問題設計

• 各サービスや機能の適用範囲と使い分けを明確に解説

• アーキテクチャ図でサービス間のデータフローと設計の全体像を視覚的に理解

• コスト・パフォーマンス・規制対応・メンテナンス負荷のトレードオフを実務観点で解説

• AWS公式ドキュメントへの参考リンクで深い学習が可能