Amazon MLA-C01: 電腦視覺、NLP 與專業化 ML — 學習指南

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

屬於 AWS Machine Learning Engineer Associate MLA-C01 — 學習指南. 使用經過驗證的解答練習： Amazon 考試中心, 或參加限時模擬考試： ExamRoll.io.

核心概念

AWS 中的電腦視覺與 NLP 解決方案，主要圍繞著三個層面的考量：資料擷取與安全性、特徵與標籤準備，以及模型生命週期（訓練、登錄、部署、監控）。對於影像分類和物件偵測，訓練工作流程的核心是將已標註的資產儲存在 Amazon S3 中，並採用嚴格的加密和網路控制。物件偵測使用如 Pascal VOC / COCO 的標註格式，而高吞吐量訓練則使用 RecordIO 或 TFRecord。對於文字分類和命名實體辨識 (NER)，輸入通常是詞元化序列（例如 transformer 模型使用的 WordPiece/BPE）或帶有標籤且以換行符號分隔的 JSON。在使用 Rekognition Textract 的輸出或人工標註的範圍時，預處理必須保留詞元對字元的偏移量，以確保 NER 標籤對齊的一致性。針對表格式詐欺模型的特徵工程，重點在於時間窗口彙總、類別基數縮減，以及訓練和服務之間的一致性編碼。使用集中式轉換（例如 Feature Store 或 Data Wrangler 流程）可以防止離線訓練和線上推論之間的偏差。

模型的建置選擇對應到專門的 AWS 服務：Amazon SageMaker 提供內建演算法（XGBoost、Linear Learner、Random Cut Forest）和適用於各種框架（MXNet、TensorFlow、PyTorch）的受管容器，再加上用於偏差與可解釋性的 SageMaker Clarify。當需要低營運開銷時，Amazon Rekognition 涵蓋了用於標註、人臉/名人偵測的預建置影像 API，以及透過 Rekognition Custom Labels 進行的自訂標籤訓練。對於從文件中擷取文字和結構化資料，Amazon Textract 提供 OCR 以及表單/表格擷取功能；對於如情緒分析、實體辨識或主題建模等語言層級的任務，Amazon Comprehend 提供受管 API，而 Comprehend Medical 則專門用於臨床 NER。將這些部分整合到一個一致的管道中，使預處理、模型輸入和監控都可重現且可稽核，這對生產環境至關重要。

主要服務與組態

需要了解的核心 AWS 服務及相關的 API/組態參數包括 Amazon SageMaker (TrainingJob, ModelPackage, ModelPackageGroup, ModelRegistry)、SageMaker Pipelines (RegisterModel, CallbackStep, ConditionStep)、SageMaker Model Monitor and Clarify (BaselineConfig, DataConfig, ModelConfig, bias_config)、Amazon Rekognition、Amazon Comprehend、Amazon Textract、AWS Glue，以及 Lake Formation。為了實現安全的隔離儲存，請使用 SSE-KMS (透過 S3.PutBucketEncryption 搭配 SSEKMSKeyId) 來設定 S3 的伺服器端加密，附加儲存貯體政策以限制僅 SageMaker 執行角色能存取，並為 S3 啟用閘道 VPC 端點以進行私有網路傳輸。啟動訓練任務時，在 CreateTrainingJob 中設定 VpcConfig 參數（SecurityGroupIds 和 Subnets），讓執行個體在客戶 VPC 中運行，並啟用 NetworkIsolation 和 InstanceMetadataServiceConfiguration 來限制存取。

為了以最少的營運開銷集中管理模型，請使用 SageMaker Model Registry。方法是建立一個 ModelPackageGroup，並透過 CreateModelPackage 新增 ModelPackage 版本，同時將 ModelApprovalStatus 設定為 ‘PendingManualApproval’。透過在 SageMaker Pipelines 中加入一個 CallbackStep 或專用的「手動核准」步驟，來自動化手動核准閘門。管道會等待一個外部信號，然後您可以呼叫 UpdateModelPackage 將 ModelApprovalStatus 設定為 ‘Approved’ 以進行部署。對於已部署的即時端點，若要進行隨選的偏差或漂移評估，請使用 SageMaker Clarify 進行偏差指標分析，並使用 SageMaker Model Monitor 進行資料與預測漂移分析。具體作法為：在 CreateEndpoint 中啟用 DataCaptureConfig (EnableCapture、CaptureOptions、DestinationS3Uri) 來擷取推論負載，然後透過 CreateProcessingJob 啟動一個 Clarify 處理任務，並使用 Clarify SDK 的 DataConfig、ModelConfig 和 bias_config 參數來即時計算漂移指標。

相關服務包括：

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 和 AWS Lake Formation (Crawlers, Jobs, Data Catalog)
Amazon Lookout for Metrics 和 Amazon QuickSight 用於異常視覺化

設計模式與權衡取捨

對於像詐欺偵測這樣的表格式分類問題，實務上的設計模式是使用 AWS Glue 或 DMS 將關聯式資料表的原始資料來源集中到一個安全的 S3 資料湖中，在 Glue Data Catalog 中將它們編目，並透過 Lake Formation 強制執行存取控制。轉換只需在 SageMaker Data Wrangler 流程或 Glue ETL 任務中定義一次，並持久化儲存在 SageMaker Feature Store 中，如此一來，相同的轉換便能在訓練和推論時執行。選擇 Feature Store 會增加前期的維運步驟，但能減少偏差和除錯時間；直接在任務中進行轉換的初期開銷較低，但會讓可重現性和線上特徵運算變得更加困難。在訓練演算法方面，XGBoost (SageMaker 提供的容器) 因其在表格式資料上的優異效能及對權重欄位的支援，是詐欺偵測的一個強力預設選項；您可以在 CreateTrainingJob 中使用 HyperParameters 來設定超參數，並傳入一個權重欄位或設定 scale_pos_weight 來應對類別不平衡問題，這樣可以避免使用更複雜的重採樣管線。

對於電腦視覺，如果您需要快速迭代且已標記的資料有限，Rekognition Custom Labels 提供了最快且維運工作最少的途徑；若想獲得最大程度的控制和使用自訂架構，請使用 SageMaker 訓練搭配 MXNet/PyTorch，並將資料集以 RecordIO 或 ImageFolder 格式儲存在 S3 上。對於物件偵測，建議優先使用能輸出 COCO 格式的框架進行訓練，並透過指定 InstanceType=ml.p3.2xlarge 或更高規格，以及在 TrainingJob 的 AlgorithmSpecification 和 TrainingInputMode 中設定 MPI 或 horovod 組態，來善用 SageMaker 的分散式訓練功能。權衡取捨包括吞吐量與成本：使用受管 Spot 執行個體的批次任務可以降低成本，但會增加延遲和終止風險；在 SageMaker Pipelines 中使用管線快取，能在輸入未改變時減少重複步驟的啟動，從而將不必要的運算啟動時間降至最低。

常見陷阱與決策標準

一個常見的陷阱是未能集中管理前處理的產物。如果在訓練和推論中，權杖化 (tokenization)、NER 的標籤對應或類別編碼器的應用方式不同，將會引入難以追蹤的預測錯誤。應使用 Feature Store 或將前處理產物（如 tokenizer、vocab.json、label_map）與模型套件一起保存在 Model Registry 中，這樣已部署的容器就能擷取並應用完全相同的轉換。另一個常見的失敗是為監控所捕獲的資料不足：如果在端點上未啟用 DataCaptureConfig，且沒有適當的真實標籤標註工作流程，Model Monitor 就無法計算漂移或品質指標，要釐清 F1 分數下降的原因就只能憑空猜測。對於類別不平衡問題，操作負擔最輕的解決方案是使用演算法支援的加權（例如 XGBoost 的 scale_pos_weight 超參數，或在訓練資料中提供一個權重欄位），而不是盲目地進行向上取樣/向下取樣，因為這可能會引入取樣偏差。

實務問題：使用情境

公司名稱：MeridianPay。MeridianPay 必須建立一個即時詐欺偵測管道，結合 S3 中的交易日誌和本地（on-prem）MySQL 資料庫中的客戶資料。需求包括安全隔離的儲存、具備手動審核機制的中央模型註冊表、連續訓練任務間的啟動延遲最小化、資料彙總後的自動化異常偵測與視覺化、以最少操作支援混合類別與數值特徵、處理類別不平衡，以及一個可依需求監控其漂移與偏誤的生產模型。

彙總與保護資料：使用 AWS DMS 將本地 MySQL 資料表持續複製到一個加密的 S3 登陸區 (landing zone)，執行 AWS Glue 爬蟲 (crawler)，並將產生的資料表註冊到 AWS Glue Data Catalog。透過 AWS Lake Formation 和 S3 儲存桶政策強制執行存取控制；為 S3 啟用 Gateway VPC Endpoint，並為 SageMaker 執行角色設定最小權限的 IAM。在 S3 上使用 SSE-KMS 搭配客戶管理的 KMS 金鑰，並透過 KmsMasterKeyId 設定 BucketEncryption。
轉換與儲存特徵：在 SageMaker Data Wrangler 或 Glue ETL 任務中編寫轉換邏輯，將衍生特徵保存在 Amazon SageMaker Feature Store 的線上儲存區 (online store) 以供推論時低延遲查詢，並保存在離線儲存區 (offline store) 以供訓練使用。將 tokenizer/encoder 產物與模型產物一同儲存。使用 FeatureGroup API 建立特徵群組，並設定 RecordIdentifierFeatureName 和 EventTimeFeatureName 以確保時間點正確性 (point-in-time correctness)。
以最小操作負擔進行訓練：透過建立一個 CreateTrainingJob，並將其 AlgorithmSpecification 指向 XGBoost 容器的 URI，來使用 SageMaker XGBoost 內建容器；指定 VpcConfig 以在 VPC 中執行；傳入包含 "objective":"binary:logistic" 的 HyperParameters，並將 "scale_pos_weight" 設定為負樣本與正樣本的比例，以解決類別不平衡問題。為減少重複的啟動延遲，實作 SageMaker Pipelines 並為資料準備步驟啟用快取，這樣連續的管道執行就會跳過未變更的步驟；盡可能使用持久化的特徵儲存區查詢，而非重新處理。
模型註冊表與手動審核：透過 CreateModelPackage 將訓練好的模型註冊到一個 ModelPackageGroup 中，並設定 ModelApprovalStatus='PendingManualApproval'。整合一個 SageMaker Pipelines 的 CallbackStep，使其在 RegisterModel 後暫停；審核人員接著呼叫 UpdateModelPackage 將 ModelApprovalStatus 設定為 'Approved'。使用這個已核准的套件來進行 CreateModel 和 CreateEndpoint 的設定。
異常偵測與視覺化：資料彙總後，使用 Amazon Lookout for Metrics 對時間序列的交易彙總資料執行自動異常偵測，並設定與 S3/Glue 的整合。在視覺化方面，可將 Lookout 的結果與資料連接到 QuickSight 儀表板，或使用 SageMaker Studio notebook 來視覺化特徵漂移。對於已部署端點的隨選模型偏誤/漂移評估，在 CreateEndpoint 中啟用 DataCaptureConfig，並執行一個隨選的 SageMaker Clarify 處理任務 (CreateProcessingJob)，其 DataConfig 和 ModelConfig 指向捕獲的資料；使用 Model Monitor/CreateMonitoringSchedule 來排定週期性檢查，並透過 StartMonitoringSchedule 觸發單次執行。

理由：此方法集中了資料與轉換，在能減少操作負擔的地方使用託管服務（例如在其各自領域使用 Glue/DMS/Lookout/Comprehend/Textract），利用 SageMaker Model Registry 和 Pipelines 進行版本控制和手動審核，只需最少的自訂基礎設施，透過演算法參數解決類別不平衡問題以避免繁重的重新取樣，並透過 Model Monitor 和 Clarify 提供排程和隨選的偏誤/漂移評估，同時保持資料加密和網路隔離。

← ML 工作負載的成本優化 · 所有領域

練習這些題目 → · 在 ExamRoll.io 上限時練習 →