AWS AIF-C01のサンプル問題（本番形式・解説付き）

解説

AI ⊃ ML ⊃ 深層学習という入れ子の関係が正しく、深層学習はMLの一分野、MLはAIの一分野です。MLがAIより広いとする説明は包含の向きが逆で、AIの中にMLがあります。深層学習を別系統としてMLと重ならないとする説明も誤りで、深層学習はMLの一部です。AIとMLを互いに独立した枠とする説明も、AIの中にMLが含まれるという関係に反します。

解説

ニューラルネットワークは重み付きのつながりで信号を伝える計算の構造の名前で、隠れ層を多数重ねた使い方が深層学習です。上位概念とする説明は関係が逆で、ニューラルネットワークはあくまで構造の名前です。データから規則を学ばせる手法の総称はMLの説明にあたります。入力から出力を導く規則の集まりはモデルの説明で、構造そのものを指す言葉ではありません。

解説

アルゴリズムはモデルを作るための道具の側にあたり、規則を見つけ出すためにあらかじめ用意された計算の手順を指します。入力から出力を導く規則の集まりは学習の成果物であるモデルの説明です。学習済みの仕組みに新しい入力を与えて出力を得るのは推論の説明です。内部の重みを調整していく工程は学習の説明で、いずれも道具ではなく成果物や工程を指しています。

解説

判別の軸はモデル内部の値が変わるかどうかで、学習では重みやパラメータが変わり、推論では変わりません。動かす時間帯は運用の都合であって、工程の区別とは関係しません。扱う件数も同様で、まとめて処理するか一件ずつかは工程の名前を決める根拠になりません。結果を受け取る相手も工程の区別とは無関係で、内部の値が変わるかどうかだけが軸になります。

解説

推論ではモデル内部の値は変わらないため、精度を取り戻すには直近データを加えて学習をやり直す再学習という別の工程が要ります。推論を繰り返してもモデルが自ら賢くなることはありません。エンドポイントの台数を増やすのは応答時間や処理能力の話で、予測の当たり外れは変わりません。報告書の書式の改善は共有の速さに効くだけで、モデルの精度には影響しません。