MLA-C01 D4-03 MLソリューションのセキュリティ設計
27 問
MLA-C01 D1-03 データの品質評価とバイアス検出
26 問
MLA-C01 D2-02 SageMakerでのモデル学習の設定
26 問
MLA-C01 D2-03 ハイパーパラメータチューニング
26 問
MLA-C01 D3-02 MLパイプラインのオーケストレーション
26 問
MLA-C01 D4-01 モデルパフォーマンスのモニタリング
26 問
MLA-C01 D3-01 SageMakerエンドポイントのデプロイオプション
26 問
MLA-C01 D1-02 データ前処理と特徴量エンジニアリング
26 問
MLA-C01 D3-03 CI/CDによるMLワークフロー自動化（MLOps）
26 問
MLA-C01 D4-02 データドリフト・モデルドリフトの検出
26 問
MLA-C01 D2-01 適切なMLアルゴリズム・アプローチの選択
26 問
MLA-C01 D2-04 モデル評価指標の選択と解釈
25 問
MLA-C01 D1-05 データフォーマットとストレージ最適化
18 問
MLA-C01 D2-05 モデルの改善
18 問
MLA-C01 D4-04 コスト最適化とリソース管理
18 問
MLA-C01 D1-04 データラベリングとアノテーション
18 問
MLA-C01 D4-05 モデルのバージョン管理とガバナンス
18 問
MLA-C01 D3-04 コンピューティングリソースの選択とスケーリング
18 問
MLA-C01 D1-01 データ収集とデータソース統合
16 問
問1. 小売企業では、売上履歴と利用履歴が各システムから日次ファイルとして生成されます。モデルは毎朝1回だけ再学習し、前日分のデータを翌朝までに利用できれば十分です。データの鮮度よりも、収集処理の運用負荷と継続コストを抑えることを優先する場合、どの構成が最適ですか。
- 日次ファイルをAmazon S3のraw領域に保存し、スケジュールされたAWS GlueのバッチETLで統合して学習用スナップショットを作成する
- Amazon Kinesis Data Streamsでイベントを収集し、AWS GlueのストリーミングETLで継続的に学習用データを更新する
- Amazon Data FirehoseでデータをS3へ配信し、常時稼働するストリーミング処理で学習用データを逐次生成する
- Amazon Kinesis Data Streamsにデータを保持し、カスタムコンシューマーを常時稼働させて学習用データを作成する
問2. IoTセンサーからイベントが数秒ごとに継続して到着します。後続の処理では、イベントを数秒以内に取得して学習用データの蓄積処理へ渡す必要があり、一定量のデータがファイルとしてまとめられるまで待つことはできません。最も適切な収集方式はどれですか。
- Amazon Kinesis Data Streamsでイベントを継続的に取り込み、コンシューマーがストリームから到着データを読み取る
- Amazon S3へイベントファイルを保存し、AWS GlueのバッチETLを日次で実行する
- Amazon Data Firehoseでイベントを受け取り、バッファされたデータがAmazon S3へ配信された後に処理を開始する
- AWS Glue Crawlerを継続的に実行し、検出したイベントをAWS Glue Data Catalogへレコードとして保存する
問3. ある企業は、Amazon S3に数年分の日次CSVファイルを保存しています。MLチームは日付範囲を指定して繰り返し学習データを読み込みますが、CSV全体のスキャンに時間とコストがかかっています。元のCSVは保持したまま、日付条件による読み込み量を減らし、学習処理を効率化したい場合、最も適切な構成はどれですか。
- S3のraw領域にCSVを保持し、AWS Glue ETLでParquetへ変換して日付でパーティション化したcuratedデータを作成する
- すべてのCSVをAmazon Kinesis Data Streamsへ再投入し、学習時に必要な期間のレコードだけをストリームから取得する
- AWS Glue Data CatalogへCSVの全レコードを格納し、日付条件に一致するレコードをData Catalogから直接学習ジョブへ渡す
- 日次CSVを1つの巨大なCSVファイルへ結合してS3に保存し、学習のたびにファイル全体を読み込む