Amazon MLA-C01: Безопасность, управление и соответствие требованиям — Руководство по подготовке

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

Часть AWS Machine Learning Engineer Associate MLA-C01 — Руководство по подготовке. Практикуйтесь с проверенными ответами в центре экзаменов Amazon, или пройдите тесты на время на ExamRoll.io.

Шаблоны проектирования, компромиссы и распространенные ошибки

При централизации нескольких источников данных шаблон с наименьшими операционными издержками — это AWS Glue с его JDBC-коннекторами и AWS Lake Formation для гранулярного контроля доступа; использование DMS для репликации транзакционных источников в S3 обеспечивает лучшую изоляцию для конвейеров ML, но увеличивает операционную сложность. Для уменьшения задержки доступа к набору данных во время повторяющихся заданий обучения потоковая передача данных из S3 в режиме Pipe или монтирование общей файловой системы, такой как Amazon FSx for Lustre (экспортируя пространство имен POSIX для обучающих инстансов), сокращает время запуска по сравнению с многократным копированием больших наборов данных на локальные тома EBS. Компромисс заключается в том, что FSx добавляет стоимость и сложность управления; режим Pipe проще, но требует, чтобы ваш обучающий контейнер поддерживал потоковый ввод (RecordIO, protobuf).

Для обработки дисбаланса классов и категориальных признаков с минимальными операционными затратами используйте Data Wrangler или SageMaker Processing для создания согласованных преобразований и хранения данных о признаках в SageMaker Feature Store, чтобы и офлайн-обучение, и онлайн-вывод использовали одно и то же преобразование. Конкретно для дисбаланса, сначала отдавайте предпочтение средствам на уровне алгоритма (для XGBoost установите scale_pos_weight в num_negative/num_positive) перед ресэмплингом на уровне данных; алгоритмические подходы позволяют избежать создания синтетических записей и операционно проще для конвейеров. Для обнаружения аномалий и проверки качества наборов данных выбирайте между специализированными сервисами и пользовательскими моделями: Amazon Lookout for Metrics предлагает автоматическое обнаружение аномалий и визуализацию с коннекторами к множеству источников, в то время как SageMaker Random Cut Forest (встроенный) интегрируется непосредственно в конвейеры и дает полный контроль над пользовательскими порогами и объяснимостью.

Распространенные ошибки включают слишком широкие IAM-роли (избыточные разрешения

undefined

или

undefined

), не включение событий данных CloudTrail для S3, что приводит к слепым зонам при эксфильтрации артефактов модели, не использование эндпоинтов VPC и, как следствие, непреднамеренная маршрутизация данных через общедоступный интернет, а также пропуск рабочего процесса утверждения модели, что приводит к продвижению непроверенных моделей. Другая частая ошибка — хранение конфиденциальных данных в открытом виде в S3 без SSE-KMS или не ограничение политик ключей KMS для предотвращения использования ключа неавторизованными субъектами.

Практическая задача: Сценарий использования

AcmeFin: модель обнаружения мошенничества для финансового веб-приложения. Источники данных включают журналы транзакций и профили клиентов в S3, а также локальные таблицы MySQL, содержащие оценки рисков клиентов. Цели: безопасные, аудируемые конвейеры, низкая задержка запуска обучения для частого переобучения, ручной этап утверждения для развертывания в продакшен, оценка смещения/дрейфа по требованию для развернутых эндпоинтов, а также автоматическое обнаружение аномалий и визуализация входящих данных.

1. Прием и централизация данных: используйте AWS DMS для репликации локальной MySQL в целевой префикс S3 со строгим шифрованием SSE-KMS (политика бакета ограничена аккаунтами AcmeFin). Зарегистрируйте наборы данных и партиции S3 в AWS Glue Data Catalog с помощью кроулеров Glue и обеспечьте контроль доступа через разрешения Lake Formation. Обоснование: DMS обеспечивает непрерывную репликацию для транзакционных таблиц, Glue Catalog централизует метаданные и позволяет отслеживать происхождение данных (lineage) в процессах ETL и обучения.

2. Безопасные вычисления и хранение: создайте выделенные роли выполнения SageMaker с минимальными привилегиями (RoleArn используется в CreateTrainingJob) и политикой доверия, разрешающей sagemaker.amazonaws.com; ограничьте разрешения роли конкретными префиксами S3 и управляемым клиентом ключом CMK. Поместите все процессы обучения и вывода в частные подсети, указав VpcConfig.Subnets и VpcConfig.SecurityGroupIds в CreateTrainingJob и CreateEndpointConfig, и создайте интерфейсные эндпоинты для com.amazonaws.region.s3 и для API SageMaker, чтобы избежать исходящего трафика в публичный интернет. Обоснование: Изоляция VPC в сочетании с эндпоинтами VPC гарантирует, что артефакты никогда не передаются через публичные сети, а роли с ограничениями CMK предотвращают неправомерное использование ключа.

3. Минимизация задержки запуска обучения: храните большие наборы данных на Amazon FSx for Lustre, экспортированном в подсеть обучения, и используйте режим Pipe для небольших потоковых входных данных. Настройте CreateTrainingJob с InputDataConfig, указывающим на смонтированный набор данных FSx или на S3 с режимом Pipe, и повторно используйте «теплые» кэши, сохраняя указатели на наборы данных постоянными между заданиями. Обоснование: FSx обеспечивает POSIX-доступ и позволяет избежать повторных загрузок из S3; режим Pipe сокращает задержку на копирование для контейнеров, поддерживающих потоковую передачу.

4. Управление и ручное утверждение: регистрируйте модели в SageMaker Model Registry по завершении обучения; установите ModelApprovalStatus=“PendingManualApproval” для новых объектов ModelPackage. Реализуйте рабочий процесс утверждения с помощью AWS CodePipeline/Step Functions, который требует, чтобы субъект с разрешением sagemaker:UpdateModelPackage вызвал UpdateModelPackage(ModelApprovalStatus=“Approved”) перед запуском шага CreateEndpoint. Обоснование: Model Registry предоставляет состояния жизненного цикла и аудируемое действие утверждения, привязанное к авторизациям IAM.

5. Проверки смещения и дрейфа по требованию: включите DataCaptureConfig на эндпоинте для записи запросов и ответов в префикс S3, зашифрованный с помощью SSE-KMS. Для анализа смещения по требованию запускайте пакетные задания SageMaker Clarify, ссылаясь на собранные данные и базовые показатели из Model Card; для непрерывного отслеживания дрейфа запланируйте задания SageMaker Model Monitor, которые сравнивают текущие распределения с базовой статистикой. Обоснование: Сбор данных в сочетании с Clarify/Model Monitor обеспечивает как специальные, так и плановые оценки, результаты которых хранятся вместе с метаданными модели.

6. Обнаружение аномалий и визуализация: подключите собранные метрики и временные ряды признаков к Amazon Lookout for Metrics для автоматического обнаружения аномалий и уведомлений и визуализируйте результаты в Amazon QuickSight. В качестве альтернативы, запустите задание обучения Random Cut Forest в SageMaker и выводите аномалии на дашборд, если требуются пользовательские пороговые значения. Обоснование: Lookout for Metrics снижает операционные издержки на обнаружение аномалий и интегрируется с множеством источников для быстрой визуализации.

Этот подход обеспечивает баланс между безопасностью (VPC, SSE-KMS, ограниченные IAM), управлением (Model Registry, Model Cards, рабочие процессы утверждения), обучением с низкой задержкой (FSx + режим Pipe) и операционным мониторингом (DataCapture, Clarify, Model Monitor, Lookout for Metrics), сохраняя при этом аудируемое отслеживание происхождения данных (lineage) через Glue Catalog и SageMaker Experiments.

← Мониторинг и наблюдаемость моделей · Все домены · Генеративный AI и фундаментальные модели →

Отработать эти вопросы → · Тесты на время на ExamRoll.io →

Просмотреть Amazon →