Amazon MLA-C01: Computer Vision, NLP und spezialisiertes ML — Lernleitfaden
Teil des AWS Machine Learning Engineer Associate MLA-C01 — Lernleitfaden. Üben Sie mit verifizierten Antworten im Amazon-Prüfungscenter, oder absolvieren Sie zeitlich begrenzte Übungstests auf ExamRoll.io.
Grundkonzept
Lösungen für Computer Vision und NLP in AWS basieren auf drei übergreifenden Aspekten: Datenerfassung und -sicherheit, Vorbereitung von Features und Labels sowie der Modell-Lebenszyklus (Training, Registry, Bereitstellung, Überwachung). Bei Bildklassifizierung und Objekterkennung konzentrieren sich die Trainings-Workflows auf die Speicherung von gelabelten Assets in Amazon S3 mit strikter Verschlüsselung und Netzwerksteuerungen, Annotationsformate wie Pascal VOC / COCO für die Objekterkennung und RecordIO oder TFRecord für Training mit hohem Durchsatz. Für Textklassifizierung und Named Entity Recognition (NER) sind die Eingaben üblicherweise tokenisierte Sequenzen (WordPiece/BPE für Transformer-Modelle) oder zeilengetrenntes JSON mit Labels; die Vorverarbeitung muss die Zuordnung von Token zu Zeichen-Offsets beibehalten, wenn Ausgaben von Rekognition Textract oder manuell gelabelte Textabschnitte verwendet werden, damit die Ausrichtung der NER-Labels konsistent ist. Das Feature-Engineering für tabellarische Betrugserkennungsmodelle konzentriert sich auf Zeitfenster-Aggregation, Reduzierung der Kardinalität von Kategorien und eine konsistente Kodierung zwischen Training und Bereitstellung. Die Verwendung einer zentralisierten Transformation (Feature Store oder ein Data Wrangler Flow) verhindert Abweichungen (Skew) zwischen Offline-Training und Online-Inferenz.
Die Wahl der Modellerstellungsmethoden korrespondiert mit spezialisierten AWS-Services: Amazon SageMaker bietet integrierte Algorithmen (XGBoost, Linear Learner, Random Cut Forest) und verwaltete Container für Frameworks (MXNet, TensorFlow, PyTorch) sowie SageMaker Clarify für Bias und Erklärbarkeit. Amazon Rekognition deckt vorgefertigte Bild-APIs für Labeling, Gesichts-/Prominentenerkennung und das Training mit benutzerdefinierten Labels über Rekognition Custom Labels ab, wenn geringer Betriebsaufwand erforderlich ist. Für die Textextraktion und die Gewinnung strukturierter Daten aus Dokumenten bietet Amazon Textract OCR sowie Formular- und Tabellenextraktion; für Aufgaben auf Sprachebene wie Stimmungs- und Entitätserkennung oder Themenmodellierung stellt Amazon Comprehend verwaltete APIs und Comprehend Medical für klinische NER bereit. Entscheidend für die Produktion ist die Verknüpfung dieser Komponenten zu einer konsistenten Pipeline, sodass Vorverarbeitung, Modelleingaben und Überwachung reproduzierbar und auditierbar sind.
Wichtige Services und Konfiguration
Die zentralen AWS-Services und relevanten API-/Konfigurationsparameter, die man kennen sollte, sind Amazon SageMaker (TrainingJob, ModelPackage, ModelPackageGroup, ModelRegistry), SageMaker Pipelines (RegisterModel, CallbackStep, ConditionStep), SageMaker Model Monitor und Clarify (BaselineConfig, DataConfig, ModelConfig, bias_config), Amazon Rekognition, Amazon Comprehend, Amazon Textract, AWS Glue und Lake Formation. Für sicheren, isolierten Speicher konfigurieren Sie S3 mit serverseitiger Verschlüsselung mittels SSE-KMS (S3.PutBucketEncryption mit SSEKMSKeyId), hängen Bucket-Richtlinien an, die den Zugriff auf die SageMaker-Ausführungsrolle beschränken, und aktivieren einen Gateway-VPC-Endpunkt für S3 für private Netzwerkübertragungen. Beim Starten von Trainingsjobs setzen Sie den Parameter VpcConfig (SecurityGroupIds und Subnets) in CreateTrainingJob, damit Instanzen in der Kunden-VPC ausgeführt werden, und aktivieren Sie NetworkIsolation und InstanceMetadataServiceConfiguration, um den Zugriff einzuschränken.
Um Modelle zentral mit minimalem Betriebsaufwand zu verwalten, verwenden Sie die SageMaker Model Registry, indem Sie eine ModelPackageGroup erstellen und über CreateModelPackage ModelPackage-Versionen hinzufügen, bei denen ModelApprovalStatus auf ‘PendingManualApproval’ gesetzt ist. Automatisieren Sie ein manuelles Genehmigungs-Gate, indem Sie einen CallbackStep oder einen dedizierten „ManualApproval“-Schritt in SageMaker Pipelines hinzufügen; die Pipeline wartet auf ein externes Signal, und Sie rufen dann UpdateModelPackage auf, um ModelApprovalStatus für die Bereitstellung auf ‘Approved’ zu setzen. Für On-Demand-Bewertungen von Bias oder Drift bei bereitgestellten Echtzeit-Endpunkten verwenden Sie SageMaker Clarify für Bias-Metriken und SageMaker Model Monitor für Daten- & Vorhersagedrift: Erfassen Sie Inferenz-Payloads, indem Sie DataCaptureConfig in CreateEndpoint aktivieren (EnableCapture, CaptureOptions, DestinationS3Uri), und starten Sie dann einen Clarify-Verarbeitungsjob über CreateProcessingJob mit den Clarify-SDK-Parametern DataConfig, ModelConfig und bias_config, um Drift-Metriken sofort zu berechnen.
Relevante Services umfassen:
- Amazon SageMaker (TrainingJob, CreateModelPackage, UpdateModelPackage, CreateProcessingJob, CreateMonitoringSchedule)
- SageMaker Pipelines (RegisterModel, CallbackStep, ConditionStep)
- SageMaker Clarify (DataConfig, ModelConfig, bias_config, explainability_config)
- Amazon Rekognition (StartProjectVersion, DetectLabels, CreateProjectVersion)
- Amazon Comprehend (DetectEntities, StartEntitiesDetectionJob)
- Amazon Textract (StartDocumentTextDetection, AnalyzeDocument)
- AWS Glue und AWS Lake Formation (Crawlers, Jobs, Data Catalog)
- Amazon Lookout for Metrics und Amazon QuickSight für Anomalie-Visualisierung
Entwurfsmuster und Kompromisse
Für tabellarische Klassifizierungen wie die Betrugserkennung besteht das praktische Entwurfsmuster darin, Rohdatenquellen mithilfe von AWS Glue oder DMS für relationale Tabellen in einem sicheren S3-Data-Lake zu zentralisieren, sie im Glue Data Catalog zu katalogisieren und den Zugriff über Lake Formation zu steuern. Transformationen werden einmalig in SageMaker Data Wrangler-Flows oder als Glue-ETL-Jobs ausgedrückt und im SageMaker Feature Store persistent gespeichert, sodass dieselben Transformationen sowohl beim Training als auch bei der Inferenz ausgeführt werden. Die Wahl des Feature Store fügt im Vorfeld operative Schritte hinzu, reduziert aber Skew (Datenverzerrung) und die Zeit für das Debugging; direkte Transformationen innerhalb des Jobs haben einen geringeren anfänglichen Aufwand, erschweren aber die Reproduzierbarkeit und die Online-Feature-Berechnung. Für Trainingsalgorithmen ist XGBoost (von SageMaker bereitgestellter Container) aufgrund seiner Leistung bei tabellarischen Daten und der Unterstützung für Gewichtungsspalten eine starke Standardwahl für die Betrugserkennung. Konfigurieren Sie Hyperparameter mit HyperParameters in CreateTrainingJob und übergeben Sie eine Gewichtungsspalte oder setzen Sie scale_pos_weight, um dem Klassenungleichgewicht entgegenzuwirken, was komplexere Resampling-Pipelines vermeidet.
Für Computer Vision bietet Rekognition Custom Labels den schnellsten Weg mit minimalem operativem Aufwand, wenn Sie eine schnelle Iteration benötigen und nur begrenzt gelabelte Daten vorhanden sind. Für maximale Kontrolle und benutzerdefinierte Architekturen verwenden Sie das SageMaker-Training mit MXNet/PyTorch und speichern Sie die Datensätze im Format RecordIO oder ImageFolder auf S3. Für die Objekterkennung bevorzugen Sie das Training mit Frameworks, die das COCO-Format ausgeben, und nutzen Sie das verteilte Training von SageMaker, indem Sie InstanceType=ml.p3.2xlarge oder höher angeben und die MPI- oder Horovod-Konfiguration in der AlgorithmSpecification und dem TrainingInputMode des TrainingJob festlegen. Zu den Kompromissen (Trade-offs) gehören Durchsatz gegenüber Kosten: Batch-Jobs, die verwaltete Spot-Instances verwenden, senken die Kosten, erhöhen aber die Latenz und das Risiko einer vorzeitigen Beendigung. Das Pipeline-Caching in SageMaker Pipelines reduziert den wiederholten Start von Schritten, wenn die Eingaben unverändert sind, was unnötige Startzeiten für Rechenressourcen minimiert.
Häufige Fallstricke und Entscheidungskriterien
Ein häufiger Fallstrick ist die fehlende Zentralisierung von Artefakten der Vorverarbeitung. Wenn Tokenisierung, Label-Mapping für NER oder kategorische Encoder im Training und bei der Inferenz unterschiedlich angewendet werden, führt dies zu Vorhersagefehlern, die schwer nachzuvollziehen sind. Verwenden Sie den Feature Store oder persistieren Sie das Artefakt der Vorverarbeitung (Tokenizer, vocab.json, label_map) mit dem Modellpaket in der Model Registry, sodass der bereitgestellte Container die exakten Transformationen abruft und anwendet. Ein weiterer häufiger Fehler ist die unzureichende Datenerfassung für das Monitoring: Ohne die Aktivierung von DataCaptureConfig am Endpunkt und einen ordnungsgemäßen Workflow für das Ground-Truth-Labeling kann Model Monitor keine Drift- oder Qualitätsmetriken berechnen, und die Klärung von Abfällen des F1-Scores wird zum Ratespiel. Bei unausgeglichenen Klassen (Class Imbalance) ist die operativ am wenigsten aufwendige Lösung die Verwendung von algorithmusgestützter Gewichtung (zum Beispiel der Hyperparameter scale_pos_weight von XGBoost oder die Bereitstellung einer Gewichtungsspalte in den Trainingsdaten) anstelle von blindem Upsampling/Downsampling, was zu einem Stichprobenfehler (Sampling Bias) führen kann.
Praktisches Problem: Anwendungsszenario
Genanntes Unternehmen: MeridianPay. MeridianPay muss eine Echtzeit-Pipeline zur Betrugserkennung erstellen, die Transaktionsprotokolle in S3 und Kundenprofile in einer On-Premise-MySQL-Datenbank kombiniert. Die Anforderungen umfassen sicheren, isolierten Speicher, eine zentrale Modell-Registry mit manueller Genehmigung, minimale Startlatenz bei aufeinanderfolgenden Trainingsläufen, automatisierte Anomalieerkennung und Visualisierung nach der Aggregation, Unterstützung für gemischte kategorische und numerische Features mit minimalem operativem Aufwand, Handhabung von unausgeglichenen Klassen (Class Imbalance) und ein Produktionsmodell, das bei Bedarf auf Drift und Bias überwacht werden kann.
Daten aggregieren und sichern: Verwenden Sie AWS DMS, um On-Premise-MySQL-Tabellen kontinuierlich in eine verschlüsselte S3-Landing-Zone zu replizieren, führen Sie AWS Glue Crawler aus und registrieren Sie die resultierenden Tabellen im AWS Glue Data Catalog. Setzen Sie den Zugriff über AWS Lake Formation und S3-Bucket-Richtlinien durch; aktivieren Sie einen Gateway VPC Endpoint für S3 und konfigurieren Sie die SageMaker-Ausführungsrolle mit den geringsten IAM-Berechtigungen (Least-Privilege). Verwenden Sie SSE-KMS auf S3 mit einem kundenverwalteten KMS-Schlüssel und legen Sie BucketEncryption mit der KmsMasterKeyId fest.
Features transformieren und speichern: Erstellen Sie Transformationen in SageMaker Data Wrangler oder einem Glue-ETL-Job, persistieren Sie abgeleitete Features im Amazon SageMaker Feature Store – im Online-Store für Abrufe mit geringer Latenz bei der Inferenz und im Offline-Store für das Training. Speichern Sie Tokenizer-/Encoder-Artefakte zusammen mit den Modellartefakten. Verwenden Sie die FeatureGroup-APIs, um Feature-Gruppen zu erstellen, und konfigurieren Sie RecordIdentifierFeatureName und EventTimeFeatureName, um Point-in-Time-Korrektheit zu ermöglichen.
Training mit minimalem operativem Aufwand: Verwenden Sie den integrierten SageMaker XGBoost-Container, indem Sie einen CreateTrainingJob erstellen, dessen AlgorithmSpecification auf die URI des XGBoost-Containers verweist. Geben Sie VpcConfig an, um den Job in der VPC auszuführen, übergeben Sie HyperParameters, einschließlich “objective”:“binary:logistic”, und setzen Sie “scale_pos_weight” auf das Verhältnis von negativen zu positiven Beispielen, um die Class Imbalance zu behandeln. Um wiederholte Startlatenz zu reduzieren, implementieren Sie SageMaker Pipelines und aktivieren Sie das Caching für die Datenvorbereitungsschritte, sodass aufeinanderfolgende Pipeline-Durchläufe unveränderte Schritte überspringen; verwenden Sie, wann immer möglich, persistente Abfragen aus dem Feature Store anstatt einer erneuten Verarbeitung.
Modell-Registry und manuelle Genehmigung: Registrieren Sie trainierte Modelle über CreateModelPackage mit ModelApprovalStatus=‘PendingManualApproval’ in einer ModelPackageGroup. Integrieren Sie einen SageMaker Pipelines CallbackStep, der nach RegisterModel pausiert; Prüfer rufen dann UpdateModelPackage auf, um ModelApprovalStatus auf ‘Approved’ zu setzen. Verwenden Sie dieses genehmigte Paket für die Konfigurationen von CreateModel und CreateEndpoint.
Anomalieerkennung und Visualisierung: Verwenden Sie nach der Aggregation Amazon Lookout for Metrics, um eine automatische Anomalieerkennung auf Zeitreihen-Aggregaten von Transaktionen durchzuführen, und konfigurieren Sie Integrationen mit S3/Glue. Zur Visualisierung verbinden Sie die Ergebnisse und Daten von Lookout in QuickSight-Dashboards oder verwenden Sie SageMaker Studio Notebooks, um Feature-Drift zu visualisieren. Für die bedarfsgesteuerte (On-Demand) Bewertung von Bias/Drift bei bereitgestellten Endpunkten aktivieren Sie DataCaptureConfig in CreateEndpoint und führen Sie einen bedarfsgesteuerten SageMaker Clarify-Verarbeitungsjob (CreateProcessingJob) aus, wobei DataConfig und ModelConfig auf die erfassten Daten verweisen; verwenden Sie Model Monitor/CreateMonitoringSchedule, um wiederkehrende Prüfungen zu planen und um mit StartMonitoringSchedule einen einmaligen Lauf auszulösen.
Begründung: Dieser Ansatz zentralisiert Daten und Transformationen, nutzt Managed Services, wo sie den operativen Aufwand reduzieren (Glue/DMS/Lookout/Comprehend/Textract für ihre jeweiligen Domänen), setzt auf SageMaker Model Registry und Pipelines für Versionierung und manuelle Genehmigung mit minimaler benutzerdefinierter Infrastruktur, löst die Class Imbalance durch Algorithmusparameter, um aufwendiges Resampling zu vermeiden, und bietet sowohl geplante als auch bedarfsgesteuerte Bewertungen von Bias/Drift über Model Monitor und Clarify, während die Daten verschlüsselt und netzwerkisoliert bleiben.
← Kostenoptimierung für ML-Workloads · Alle Domänen
Diese Fragen üben → · Zeitlich begrenzte Übung auf ExamRoll.io →
Pass the whole exam — not just this question
You found this answer. Get every verified question and explanation in one place, and save hours of prep. Free to start.
Bestehe deine Prüfung →