Amazon MLA-C01: Computer Vision, NLP en Gespecialiseerde ML — Studiegids
Onderdeel van de AWS Machine Learning Engineer Associate MLA-C01 — Studiegids. Oefen met geverifieerde antwoorden in het Amazon-examencentrum, of doe getimede oefentests op ExamRoll.io.
Kernconcept
Computer vision- en NLP-oplossingen in AWS draaien om drie gelaagde aspecten: data-inname en -beveiliging, voorbereiding van features en labels, en de levenscyclus van het model (training, registratie, implementatie, monitoring). Voor beeldclassificatie en objectdetectie zijn trainingsworkflows gericht op de opslag van gelabelde assets in Amazon S3 met sterke versleuteling en netwerkcontroles, annotatieformaten zoals Pascal VOC / COCO voor objectdetectie, en RecordIO of TFRecord voor training met hoge doorvoersnelheid. Voor tekstclassificatie en named entity recognition (NER) zijn de inputs doorgaans getokeniseerde sequenties (WordPiece/BPE voor transformer-modellen) of ’line-delimited’ JSON met labels; de preprocessing moet de ’token-to-character offsets’ behouden bij het gebruik van outputs van Rekognition Textract of door mensen gelabelde spans, zodat de uitlijning van NER-labels consistent blijft. Feature engineering voor tabellaire fraudemodellen richt zich op aggregatie over tijdvensters, reductie van categorische kardinaliteit en consistente codering tussen training en serving; het gebruik van een gecentraliseerde transformatie (Feature Store of een Data Wrangler-flow) voorkomt ‘skew’ tussen offline training en online inferentie.
Keuzes voor het bouwen van modellen zijn gekoppeld aan gespecialiseerde AWS-services: Amazon SageMaker biedt ingebouwde algoritmes (XGBoost, Linear Learner, Random Cut Forest) en beheerde containers voor frameworks (MXNet, TensorFlow, PyTorch), plus SageMaker Clarify voor bias en explainability. Amazon Rekognition omvat kant-en-klare beeld-API’s voor labeling, gezichts-/beroemdhedendetectie en het trainen van custom labels via Rekognition Custom Labels wanneer lage operationele overhead vereist is. Voor tekstextractie en gestructureerde data uit documenten biedt Amazon Textract OCR en extractie van formulieren/tabellen; voor taken op taalniveau zoals sentimentanalyse, entiteitsherkenning of topic modeling, biedt Amazon Comprehend beheerde API’s en Comprehend Medical voor klinische NER. Cruciaal voor productie is het samenvoegen van deze onderdelen in een consistente pipeline, zodat preprocessing, modelinputs en monitoring reproduceerbaar en auditeerbaar zijn.
Belangrijkste services en configuratie
De belangrijkste AWS-services en relevante API/configuratieparameters om te kennen zijn Amazon SageMaker (TrainingJob, ModelPackage, ModelPackageGroup, ModelRegistry), SageMaker Pipelines (RegisterModel, CallbackStep, ConditionStep), SageMaker Model Monitor en Clarify (BaselineConfig, DataConfig, ModelConfig, bias_config), Amazon Rekognition, Amazon Comprehend, Amazon Textract, AWS Glue en Lake Formation. Voor veilige, geïsoleerde opslag configureer je S3 met server-side encryptie via SSE-KMS (S3.PutBucketEncryption met SSEKMSKeyId), koppel je bucket policies die de toegang beperken tot de SageMaker execution role, en schakel je een Gateway VPC endpoint voor S3 in voor private netwerkoverdrachten. Bij het starten van training jobs, stel de VpcConfig-parameter (SecurityGroupIds en Subnets) in bij CreateTrainingJob zodat instances in de klant-VPC draaien, en schakel NetworkIsolation en InstanceMetadataServiceConfiguration in om de toegang te beperken.
Om modellen centraal te beheren met minimale operationele overhead, gebruik je de SageMaker Model Registry door een ModelPackageGroup aan te maken en ModelPackage-versies toe te voegen met ModelApprovalStatus ingesteld op ‘PendingManualApproval’ via CreateModelPackage. Automatiseer een handmatige goedkeuringsstap door een CallbackStep of een speciale “ManualApproval”-stap toe te voegen in SageMaker Pipelines; de pipeline wacht op een extern signaal, waarna je UpdateModelPackage aanroept om ModelApprovalStatus op ‘Approved’ te zetten voor de implementatie. Voor on-demand beoordelingen van bias of drift van geïmplementeerde real-time endpoints, gebruik je SageMaker Clarify voor bias-metrieken en SageMaker Model Monitor voor data- & prediction drift: leg inferentie-payloads vast door DataCaptureConfig in te schakelen in CreateEndpoint (EnableCapture, CaptureOptions, DestinationS3Uri), en start vervolgens een Clarify processing job via CreateProcessingJob met de Clarify SDK-parameters DataConfig, ModelConfig en bias_config om onmiddellijk drift-metrieken te berekenen.
Relevante services zijn onder andere:
- 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 en AWS Lake Formation (Crawlers, Jobs, Data Catalog)
- Amazon Lookout for Metrics en Amazon QuickSight voor anomalievisualisatie
Ontwerppatronen en afwegingen
Voor tabellaire classificatie zoals fraudedetectie is het praktische ontwerppatroon om ruwe bronnen te centraliseren in een beveiligd S3-datalake met behulp van AWS Glue of DMS voor relationele tabellen, deze te catalogiseren in de Glue Data Catalog en de toegang af te dwingen via Lake Formation. Transformaties worden eenmalig gedefinieerd in SageMaker Data Wrangler-flows of als Glue ETL-jobs en opgeslagen in de SageMaker Feature Store, zodat dezelfde transformaties worden uitgevoerd tijdens het trainen en bij inferentie. De keuze voor de Feature Store voegt vooraf operationele stappen toe, maar vermindert skew en de tijd voor foutopsporing; directe transformaties binnen de job hebben een lagere initiële overhead, maar maken reproduceerbaarheid en online feature-berekening moeilijker. Voor trainingsalgoritmen is XGBoost (een door SageMaker geleverde container) een sterke standaardkeuze voor fraudedetectie vanwege de prestaties met tabellaire data en de ondersteuning voor ‘weight columns’; configureer hyperparameters met behulp van HyperParameters in CreateTrainingJob en geef een ‘weight column’ mee of stel scale_pos_weight in om de onbalans in klassen tegen te gaan, wat complexere resampling-pipelines vermijdt.
Voor computer vision biedt Rekognition Custom Labels de snelste route met minimale operationele last als snelle iteratie vereist is en gelabelde data beperkt is; voor maximale controle en aangepaste architecturen, gebruik SageMaker-training met MXNet/PyTorch en sla datasets op in RecordIO- of ImageFolder-formaat op S3. Voor objectdetectie, geef de voorkeur aan trainen met frameworks die het COCO-formaat uitvoeren en maak gebruik van SageMaker distributed training door InstanceType=ml.p3.2xlarge of hoger te specificeren en de MPI- of horovod-configuratie in te stellen in de AlgorithmSpecification en TrainingInputMode van de TrainingJob. Afwegingen omvatten doorvoersnelheid versus kosten: batch-jobs die beheerde spot instances gebruiken, verlagen de kosten maar voegen latentie/beëindigingsrisico toe; pipeline caching in SageMaker Pipelines vermindert het herhaaldelijk opstarten van stappen wanneer de inputs ongewijzigd zijn, wat onnodige opstarttijd van compute minimaliseert.
Veelvoorkomende valkuilen en beslissingscriteria
Een veelvoorkomende valkuil is het niet centraliseren van preprocessing-artefacten. Als tokenisatie, label-mapping voor NER, of categorische encoders verschillend worden toegepast tijdens training en inferentie, introduceer je voorspellingsfouten die moeilijk te traceren zijn. Gebruik Feature Store of sla het preprocessing-artefact (tokenizer, vocab.json, label_map) op bij het modelpakket in de Model Registry, zodat de geïmplementeerde container de exacte transformaties ophaalt en toepast. Een andere veelgemaakte fout is onvoldoende data-capture voor monitoring: zonder DataCaptureConfig op de endpoint in te schakelen en een correcte ground-truth labeling-workflow, kan Model Monitor geen drift- of kwaliteitsstatistieken berekenen en wordt het verklaren van dalingen in de F1-score giswerk. Voor klasse-onbalans is de minst operationeel intensieve oplossing het gebruik van door het algoritme ondersteunde weging (bijvoorbeeld de ‘scale_pos_weight’ hyperparameter van XGBoost of het meegeven van een ‘weights’-kolom in de trainingsdata) in plaats van blind upsamplen/downsamplen, wat een sampling bias kan introduceren.
Praktijkprobleem: Use-Case Scenario
Bedrijfsnaam: MeridianPay. MeridianPay moet een real-time fraudedetectie-pipeline bouwen die transactielogs in S3 combineert met klantprofielen in een on-prem MySQL-database. De vereisten omvatten veilige, geïsoleerde opslag, een centrale model registry met handmatige goedkeuring, minimale opstartlatentie bij opeenvolgende trainingsruns, geautomatiseerde anomaliedetectie en visualisatie na aggregatie, ondersteuning voor gemengde categorische en numerieke features met minimale operaties, het omgaan met klasse-onbalans, en een productiemodel dat op aanvraag kan worden gemonitord op drift en bias.
Data aggregeren en beveiligen: gebruik AWS DMS om on-prem MySQL-tabellen continu te repliceren naar een versleutelde S3 landing zone, voer AWS Glue crawlers uit en registreer de resulterende tabellen in de AWS Glue Data Catalog. Dwing toegang af via AWS Lake Formation en S3 bucket policies; schakel een Gateway VPC Endpoint voor S3 in en configureer de SageMaker execution role met least-privilege IAM. Gebruik SSE-KMS op S3 met een customer-managed KMS key en stel BucketEncryption in met de KmsMasterKeyId.
Features transformeren en opslaan: ontwikkel transformaties in SageMaker Data Wrangler of een Glue ETL-job, sla afgeleide features op in de online store van Amazon SageMaker Feature Store voor low-latency lookups tijdens inferentie en in de offline store voor training. Sla tokenizer/encoder-artefacten op naast de modelartefacten. Gebruik de FeatureGroup API’s om feature groups te creëren en configureer RecordIdentifierFeatureName en EventTimeFeatureName om ‘point-in-time correctness’ te garanderen.
Trainen met minimale operationele overhead: gebruik de ingebouwde SageMaker XGBoost-container door een CreateTrainingJob aan te maken waarbij AlgorithmSpecification verwijst naar de XGBoost container URI, specificeer VpcConfig om in de VPC te draaien, geef HyperParameters mee, waaronder “objective”:“binary:logistic”, en stel “scale_pos_weight” in op de verhouding van negatieve tot positieve voorbeelden om de klasse-onbalans aan te pakken. Om herhaalde opstartlatentie te verminderen, implementeer SageMaker Pipelines en schakel caching in voor de data-prep stappen, zodat opeenvolgende pipeline-runs ongewijzigde stappen overslaan; gebruik persistente lookups in de feature store in plaats van herverwerking waar mogelijk.
Model registry en handmatige goedkeuring: registreer getrainde modellen in een ModelPackageGroup via CreateModelPackage met ModelApprovalStatus=‘PendingManualApproval’. Integreer een SageMaker Pipelines CallbackStep die pauzeert na RegisterModel; reviewers roepen vervolgens UpdateModelPackage aan om ModelApprovalStatus=‘Approved’ in te stellen. Gebruik dit goedgekeurde pakket voor CreateModel en CreateEndpoint configuraties.
Anomaliedetectie en visualisatie: gebruik na aggregatie Amazon Lookout for Metrics om automatische anomaliedetectie uit te voeren op tijdreeksaggregaten van transacties en configureer integraties met S3/Glue. Voor visualisatie, verbind de resultaten van Lookout en de data in QuickSight-dashboards of gebruik SageMaker Studio-notebooks om feature drift te visualiseren. Voor on-demand beoordeling van model bias/drift op geïmplementeerde endpoints, schakel DataCaptureConfig in bij CreateEndpoint en voer een on-demand SageMaker Clarify processing job (CreateProcessingJob) uit met DataConfig en ModelConfig die verwijzen naar de vastgelegde data; gebruik Model Monitor/CreateMonitoringSchedule om terugkerende controles in te plannen en om een eenmalige run te starten met StartMonitoringSchedule.
Rationale: deze aanpak centraliseert data en transformaties, gebruikt managed services waar ze de operationele last verminderen (Glue/DMS/Lookout/Comprehend/Textract voor hun respectievelijke domeinen), benut SageMaker Model Registry en Pipelines voor versiebeheer en handmatige goedkeuring met minimale aangepaste infra, lost klasse-onbalans op via algoritme-parameters om zware resampling te vermijden, en biedt zowel geplande als on-demand beoordelingen van bias/drift via Model Monitor en Clarify, terwijl de data versleuteld en netwerk-geïsoleerd blijft.
← Kostenoptimalisatie voor ML-workloads · Alle domeinen
Oefen deze vragen → · Getimede oefening op 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.
Slaag voor je examen →