Amazon MLA-C01: 计算机视觉、NLP 与专业化 ML — 学习指南

By Laurynas Brazys · 4 August 2026 · #amazon #mla-c01 #certification #exam-prep #study-guide

属于 AWS Machine Learning Engineer Associate MLA-C01 — 学习指南. 使用经过验证的答案练习： Amazon 考试中心, 或参加限时模拟考试： ExamRoll.io.

核心概念

AWS 中的计算机视觉和 NLP 解决方案取决于三个层面的问题：数据摄取与安全、特征与标签准备，以及模型生命周期（训练、注册、部署、监控）。对于图像分类和目标检测，训练工作流的核心是将带标签的资产存储在 Amazon S3 中，并实施严格的加密和网络控制。目标检测的标注格式通常为 Pascal VOC / COCO，而高吞吐量训练则使用 RecordIO 或 TFRecord 格式。对于文本分类和命名实体识别 (NER)，输入通常是分词后的序列（Transformer 模型使用 WordPiece/BPE）或带有标签的行分隔 JSON；当使用 Rekognition Textract 的输出或人工标注的范围时，预处理必须保留 token 到字符的偏移量，以确保 NER 标签对齐的一致性。对于表格类欺诈模型的特征工程，重点在于时间窗口聚合、分类基数缩减，以及在训练和提供服务之间保持一致的编码；使用集中的转换（例如 Feature Store 或 Data Wrangler 流程）可以防止离线训练和在线推理之间的偏差。

模型构建的选择对应于专门的 AWS 服务：Amazon SageMaker 提供内置算法（XGBoost、Linear Learner、Random Cut Forest）和托管的框架容器（MXNet、TensorFlow、PyTorch），以及用于偏差和可解释性分析的 SageMaker Clarify。当需要低运营开销时，Amazon Rekognition 涵盖了用于标签、人脸/名人检测的预构建图像 API，以及通过 Rekognition Custom Labels 进行的自定义标签训练。对于从文档中提取文本和结构化数据，Amazon Textract 提供 OCR 和表单/表格提取功能；对于情感分析、实体识别或主题建模等语言层面的任务，Amazon Comprehend 提供托管 API，而 Comprehend Medical 则用于临床 NER。在生产环境中，至关重要的一点是将这些部分整合到一个一致的管道中，从而使预处理、模型输入和监控都可复现和可审计。

关键服务与配置

需要了解的核心 AWS 服务及相关的 API/配置参数包括：Amazon SageMaker (TrainingJob, ModelPackage, ModelPackageGroup, ModelRegistry)、SageMaker Pipelines (RegisterModel, CallbackStep, ConditionStep)、SageMaker Model Monitor 和 Clarify (BaselineConfig, DataConfig, ModelConfig, bias_config)、Amazon Rekognition、Amazon Comprehend、Amazon Textract、AWS Glue 和 Lake Formation。为了实现安全的隔离存储，应配置 S3 使用 SSE-KMS 进行服务器端加密（通过 S3.PutBucketEncryption 并指定 SSEKMSKeyId），附加存储桶策略以限制对 SageMaker 执行角色的访问，并为 S3 启用网关 VPC 端点以进行私有网络传输。启动训练任务时，在 CreateTrainingJob 中设置 VpcConfig 参数（SecurityGroupIds 和 Subnets），使实例在客户的 VPC 中运行，并启用 NetworkIsolation 和 InstanceMetadataServiceConfiguration 来限制访问。

为了以最小的运营开销集中管理模型，可以使用 SageMaker Model Registry，方法是创建一个 ModelPackageGroup，并通过 CreateModelPackage 添加 ModelPackage 版本，同时将 ModelApprovalStatus 设置为 ‘PendingManualApproval’。通过在 SageMaker Pipelines 中添加一个 CallbackStep 或一个专门的“手动批准”步骤来自动化手动批准门控；管道会等待一个外部信号，然后您可以调用 UpdateModelPackage 将 ModelApprovalStatus 设置为 ‘Approved’ 以进行部署。对于已部署的实时端点，如需进行按需的偏差或漂移评估，可使用 SageMaker Clarify 进行偏差指标分析，使用 SageMaker Model Monitor 进行数据和预测漂移分析：在 CreateEndpoint 中启用 DataCaptureConfig（EnableCapture, CaptureOptions, DestinationS3Uri）来捕获推理负载，然后通过 CreateProcessingJob 启动一个 Clarify 处理作业，并使用 Clarify SDK 的 DataConfig、ModelConfig 和 bias_config 参数来立即计算漂移指标。

设计模式与权衡

对于欺诈检测等表格分类任务，实用的设计模式是使用 AWS Glue 或 DMS 将关系型表等原始数据源集中到安全的 S3 数据湖中，在 Glue Data Catalog 中对其进行编目，并通过 Lake Formation 强制执行访问控制。转换在 SageMaker Data Wrangler 流或 Glue ETL 作业中表达一次，并持久化到 SageMaker Feature Store 中，以便在训练和推理时运行相同的转换。选择 Feature Store 会增加前期的操作步骤，但能减少特征偏斜和调试时间；在作业内直接进行转换的初始开销较低，但使可复现性和在线特征计算变得更加困难。对于训练算法，XGBoost（SageMaker 提供的容器）因其出色的表格数据处理性能和对权重列的支持，是欺诈检测任务的一个强大默认选项；在 CreateTrainingJob 中使用 HyperParameters 配置超参数，并通过传递权重列或设置 scale_pos_weight 来应对类别不平衡问题，从而避免了更复杂的重采样管道。

对于计算机视觉，如果您需要快速迭代且标记数据有限，Rekognition Custom Labels 提供了操作最少的最快路径；若要获得最大控制权和使用自定义架构，请使用 SageMaker 结合 MXNet/PyTorch 进行训练，并将数据集以 RecordIO 或 ImageFolder 格式存储在 S3 上。对于目标检测，首选使用输出 COCO 格式的框架进行训练，并通过指定 InstanceType=ml.p3.2xlarge 或更高版本以及在 TrainingJob 的 AlgorithmSpecification 和 TrainingInputMode 中设置 MPI 或 horovod 配置来利用 SageMaker 分布式训练。权衡点包括吞吐量与成本：使用托管 Spot 实例的批量作业可降低成本，但会增加延迟和终止风险；SageMaker Pipelines 中的管道缓存可在输入未更改时减少重复的步骤启动，从而最大限度地减少不必要的计算启动时间。

常见误区与决策标准

一个常见的误区是未能集中管理预处理产物。如果在训练和推理中应用了不同的分词、NER标签映射或分类编码器，就会引入难以追踪的预测错误。应使用 Feature Store 或将预处理产物（分词器、vocab.json、label_map）与模型包一起持久化到 Model Registry 中，以便部署的容器能够检索并应用完全相同的转换。另一个常见故障是为监控捕获的数据不足：如果在端点上未启用 DataCaptureConfig 并且没有适当的真实标签标注工作流，Model Monitor 就无法计算漂移或质量指标，要弄清F1分数下降的原因就只能靠猜测。对于类别不平衡问题，操作开销最小的解决方案是使用算法支持的加权（例如 XGBoost 的 scale_pos_weight 超参数或在训练数据中提供权重列），而不是盲目地进行上采样/下采样，因为后者可能会引入采样偏差。

实践问题：用例场景

公司名称：MeridianPay。MeridianPay 必须构建一个实时的欺诈检测管道，该管道结合了 S3 中的交易日志和本地 MySQL 数据库中的客户资料。需求包括：安全的隔离存储、带有人工审批的中央模型注册表、连续训练运行时最小的启动延迟、聚合后自动进行异常检测和可视化、以最少的操作支持混合的分类和数值特征、处理类别不平衡问题，以及一个可以按需监控漂移和偏差的生产模型。

聚合和保护数据：使用 AWS DMS 将本地 MySQL 表持续复制到一个加密的 S3 落地（landing）区域，运行 AWS Glue 爬网程序，并将生成的表注册到 AWS Glue Data Catalog 中。通过 AWS Lake Formation 和 S3 桶策略强制执行访问控制；为 S3 启用一个网关 VPC 端点，并为 SageMaker 执行角色配置最小权限的 IAM。在 S3 上使用 SSE-KMS 和客户管理的 KMS 密钥，并通过 KmsMasterKeyId 设置 BucketEncryption。
转换和存储特征：在 SageMaker Data Wrangler 或 Glue ETL 作业中编写转换逻辑，将派生特征持久化到 Amazon SageMaker Feature Store 的在线存储中以供推理时低延迟查找，并存入离线存储中以供训练。将分词器/编码器产物与模型产物一起存储。使用 FeatureGroup API 创建特征组，并配置 RecordIdentifierFeatureName 和 EventTimeFeatureName 以确保时间点准确性。
以最小的运营开销进行训练：通过创建一个将 AlgorithmSpecification 指向 XGBoost 容器 URI 的 CreateTrainingJob 来使用 SageMaker XGBoost 内置容器，指定 VpcConfig 以在 VPC 中运行，传递包括 “objective”:“binary:logistic” 在内的 HyperParameters，并将 “scale_pos_weight” 设置为负样本与正样本的比例以解决类别不平衡问题。为减少重复的启动延迟，可实施 SageMaker Pipelines 并为数据准备步骤启用缓存，这样连续的管道运行就会跳过未更改的步骤；尽可能使用持久化的特征存储查找，而不是每次都重新处理。
模型注册表和人工审批：通过 CreateModelPackage 将训练好的模型注册到一个 ModelPackageGroup 中，并设置 ModelApprovalStatus=‘PendingManualApproval’。集成一个 SageMaker Pipelines CallbackStep，该步骤在 RegisterModel 之后暂停；然后由审查人员调用 UpdateModelPackage 将 ModelApprovalStatus 设置为 ‘Approved’。使用这个已批准的包进行 CreateModel 和 CreateEndpoint 配置。
异常检测和可视化：数据聚合后，使用 Amazon Lookout for Metrics 对时间序列的交易聚合数据执行自动异常检测，并配置与 S3/Glue 的集成。对于可视化，可以在 QuickSight 仪表板中连接 Lookout 的结果和数据，或使用 SageMaker Studio Notebook 来可视化特征漂移。对于已部署端点的按需模型偏差/漂移评估，在 CreateEndpoint 中启用 DataCaptureConfig，并运行一个按需的 SageMaker Clarify 处理作业（CreateProcessingJob），其 DataConfig 和 ModelConfig 指向捕获的数据；使用 Model Monitor/CreateMonitoringSchedule 来安排周期性检查，并通过 StartMonitoringSchedule 触发一次性运行。

方案解析：该方法集中了数据和转换，在能够减少运营负担的领域（如 Glue/DMS/Lookout/Comprehend/Textract）使用了托管服务，利用 SageMaker Model Registry 和 Pipelines 以最少的自定义基础设施实现版本控制和人工审批，通过算法参数解决类别不平衡问题以避免繁重的重采样，并通过 Model Monitor 和 Clarify 提供定期的和按需的偏差/漂移评估，同时保持数据加密和网络隔离。

← ML 工作负载的成本优化 · 所有领域

练习这些题目 → · 在 ExamRoll.io 上限时练习 →