Amazon AIF-C01: AWS の AI/ML サービス — 学習ガイド

By Laurynas Brazys · 31 July 2026 · #amazon #aif-c01 #certification #exam-prep #study-guide

こちらの一部です： AWS AI Practitioner AIF-C01 — 学習ガイド. 検証済みの解答で練習： Amazon試験ハブ, または時間制限付き模擬試験に挑戦： ExamRoll.io.

基盤モデル、Amazon Bedrock、および推論パターン

Amazon Bedrockを通じてホストされる基盤モデルは、QやNovaのような高スループットで指示チューニングされたオプションを含む、複数のモデルファミリーを使用して生成能力を迅速に実現するための手段を提供します。インコンテキスト学習とカスタマイズのどちらかを選択します。フューショットプロンプトはイテレーションが安価ですが、プロンプトインジェクションに敏感で、分布シフトに対して不安定です。パラメータ効率の良いファインチューニングや完全なカスタマイズは、データガバナンスと再トレーニングの複雑さを犠牲にして、推論ごとのコストとレイテンシーを削減します。推論コストとレイテンシーは、主にモデルサイズと処理される入出力トークンの数によって決まるため、プロンプトは簡潔に設計し、頻繁な応答はキャッシュし、高トラフィックのエンドポイントにはより小さな特化モデルを選択することが望ましいです。実務者が陥りやすい罠には、グラウンディングなしにLLMの出力を権威あるものとして扱うこと、プロンプトに入力される機密データを制御しないこと、プロンプトテンプレートとバージョンを計装しないことが含まれます。意思決定の基準では、レイテンシー、トークンコスト、プライバシー、モデルの所有権を比較検討する必要があります。規制上の制約でデータ分離が求められる場合はBedrockのプライベート接続とKMS暗号化を使用し、トレーニングアーティファクトと説明可能性ツールを完全に制御する必要がある場合はSageMakerでホストされたモデルを選択します。プロンプトベースの攻撃やシステムプロンプトの漏洩を減らすために、入力のサニタイズ、不変なシステムレベルの指示、階層的な安全チェックを実装します。

トレーニング、デプロイ、モデルガバナンスのためのSageMaker

完全なトレーニング制御、説明可能性、本番環境レベルのMLOpsが必要な場合、Amazon SageMakerは依然として主要なマネージドパスです。大規模なデータセットにはSageMaker Trainingと分散トレーニングインスタンスを、エンドツーエンドの開発にはSageMaker Studioを、バージョニングにはModel Registryを使用します。多くの関連SKUにまたがる時系列予測には、SageMaker DeepARが確率的予測を提供し、多数の類似した系列と共変量がある場合に最適に機能します。SageMaker Clarifyはバイアスの検出と公平性メトリクスの計算を支援し、SageMaker Model Monitorは本番環境でのデータドリフトと予測品質を追跡します。よくある罠には、Studioノートブックに広範なS3権限を与えたままにすること、分散トレーニングのインスタンスタイプを過小評価すること、データセットの来歴（プロビナンス）をスキップすることが含まれます。BedrockとSageMakerの間の意思決定基準は、多くの場合、カスタマイズのニーズ、規制要件、説明可能性を中心に展開します。高品質なFMで迅速にプロトタイピングするにはBedrockを、特徴量レベルのトレーシング、SHAPによる説明、バイアス監査、またはVPCエンドポイントとS3 VPCゲートウェイを使用したプライベートなインターネット接続なしの実行環境が必要な場合はSageMakerを選択します。

検索、マルチモーダルな取り込み、およびグラウンディング戦略

信頼性が高く事実に基づいた出力を得るには、非構造化コーパスを検索拡張生成（Retrieval Augmented Generation）でグラウンディングする必要があります。スキャンされたフォームやOCRにはTextractを、音声パイプラインにはTranscribeとPollyを、画像分析とセーフティフィルターにはRekognitionを、エンティティ抽出とPII検出にはComprehendを使用してドキュメントを取り込みます。ベクトル埋め込みはOpenSearchまたは専用のベクトルDBに保存します。豊富なコネクタと関連性チューニングを備えたマネージドなセマンティック検索が必要な場合は、Amazon Kendraを使用します。チャットボットは、生成にBedrockを、検索にKendraまたは埋め込みストアを使用して設計します。一方、Amazon Lexは決定論的なフローにおけるインテントのルーティングやスロットフィリングに引き続き役立ちます。Agents for Bedrockは、ツールの使用、外部API、または複数ステップの推論をオーケストレーションする際に便利ですが、安全でないアクションを避けるために堅牢な認証情報とツール検証機能が必要です。実務者が陥りやすい落とし穴には、大規模なコーパスのページネーションを怠ること、検索レイテンシーがユーザーエクスペリエンスに与える影響を無視すること、検索インデックスをバージョニングしないことが含まれます。意思決定では、鮮度、インデックスの更新頻度、ベクトルストレージのコストと、ハルシネーションのリスクとのバランスを取る必要があります。

セキュリティ、プライバシー、説明可能性、評価

セキュリティとガバナンスは責任共有モデルに従います。AWSがサービスインフラストラクチャを管理しますが、顧客はデータの分類、IAMロールの管理、KMSによるデータの暗号化、VPCエンドポイントとPrivateLinkを介したネットワークアクセスの制御を行う必要があります。機密性の高い、または規制対象のワークロードについては、SageMakerをインターネットに接続しないVPC内でS3ゲートウェイエンドポイントと共に実行し、Bedrockのプライベートネットワークオプションを使用します。トレーニング前にComprehendとTextractの前処理を使用して自動化されたPIIの墨消しを実装し、データセットに機密情報が含まれる場合は、差分プライバシーやデータ最小化を検討します。説明可能性とバイアス検出には、SageMaker Clarify、SHAP explainer、エッジケースに対するAmazon Augmented AIを介した人間によるレビューワークフローなどのツールが必要です。特徴量ドリフト、予測ドリフト、RAGパイプライン用のカスタム事実性チェックといったModel Monitorのメトリクスでモデルを監視します。よくある間違いは、既製のモデルの安全性を十分なものとして扱うこと、監査のためにプロンプトとレスポンスをログに記録しないこと、アクセス制御された検証データセットを保持しないことです。ガバナンスの決定には、モデル抽出やデータ漏洩に対する削除ポリシーやインシデント対応手順を含めるべきです。

実践的な問題: ユースケースシナリオ

シナリオ: Nimbus Retailは世界的に実店舗を展開し、売上データと商品画像データをAmazon S3に保持しています。同社のAWS AI環境には、SageMaker Studio、Amazon Bedrockへのアクセス、Amazon Kendra、OpenSearch Service、そしてBI用のAmazon QuickSightが含まれています。

課題: Nimbusは、事実の正確性を保証し、顧客とサプライヤーの機密データを保護し、店長向けに週次のトップセラーチャートを作成しながら、文脈に応じた商品説明とローカライズされた翻訳を生成するLLM搭載アシスタントを必要としています。

推奨アプローチ:

1. Amazon Textractを使用して商品ドキュメントから構造化された属性を抽出し、Rekognitionで商品画像を検証・タグ付けし、クレンジングされたアセットをKMSと厳格なIAMロールで暗号化されたS3バケットに保存します。
2. OpenSearchまたはマネージドベクトルストアに、Bedrockエンコーダーからの埋め込みによって投入される埋め込みインデックスを構築します。ポリシーや仕様書のセマンティック検索にはKendraを使用します。
3. RAGパイプラインを実装します。検索コンテキストを用いた生成にはBedrockを使用し、Comprehendとインデックス化されたコーパスに対するカスタム検証クエリを使用して事実性フィルターを適用し、すべてのプロンプトとレスポンスをCloudTrailと監査用S3バケットに記録します。
4. S3データレイクに対するAthenaクエリからの集計された売上データを入力としてAmazon QuickSightで週次チャートを作成し、影響の大きい編集に対してはA2Iを介した人間によるレビューを行いながら、UXが利用するためにモデルが生成した商品説明をSageMakerエンドポイントに提供します。

論理的根拠: このアプローチは、検索とドキュメント検証によって生成的な出力を根拠付け、ハルシネーションを削減し、最小権限アクセスで暗号化されたS3内のデータを保護し、インデックス作成、生成、BIにマネージドサービスを使用することで関心事を分離し、スピード、ガバナンス、正確性のバランスを取ります。

← 生成AIの概念 · すべてのドメイン · 責任あるAIとガバナンス →

これらの問題を練習する → · ExamRoll.ioで時間制限付き練習 →

Amazonを閲覧 →