AWS MLA-C02のサンプル問題（本番形式・解説付き）

AWS MLA-C02（Amazon Web Services・AWS Certified Machine Learning Engineer – Associate（MLA-C02））の出題形式を、実際の問題で確かめられます。ここに掲載する5問は、無料の会員登録で解ける模試第1回（65問）の冒頭から抜粋したオリジナル問題です。当サイトは全650問を本番CBT準拠の形式で収録しており、この5問はそのごく一部にあたります。

設問1

相談のエージェントで、会話が長くなるほど 1 回の依頼の入力のトークンが増え、費用が膨らんでいる。最も適切な対処はどれか。

会話のたびに新しいセッションを始めて記憶を捨てる
古い履歴を要約するか、記憶に移して短くする（正解）
ツールの定義を増やして手順を分けて考えさせる
履歴を省かずに送り続け、モデルを大きくする

解説

消費が膨らむ典型のパターンには、ループ、履歴の膨張、大きなツールの結果、過大なモデルがあります。履歴の膨張には、古い履歴を要約する、記憶に移す、で対処します。（根拠: 学習用テキスト 4.2.8 エージェントのリソース消費のパターンを監視する [4.2]）

他の選択肢が誤りである理由

「会話のたびに新しいセッションを始めて記憶を捨てる」記憶を捨てると、会話の流れを保てなくなります。
「ツールの定義を増やして手順を分けて考えさせる」ツールの定義を増やすと、入力のトークンがさらに増えます。
「履歴を省かずに送り続け、モデルを大きくする」履歴を送り続けると入力は増え続け、大きなモデルは単価も上がります。

設問2

特徴量が多く、データも大きいモデルで Clarify の SHAP を計算したところ、時間がかかりすぎた。Clarify で指定する設定として正しいものはどれか。（2つ選択）

比べる基準のデータとして、学習データの平均的な行などのベースラインを指定する（正解）
計算を速くするため、グローバルな説明だけを 1 件の申込者に示す
SHAP は線形モデルにしか使えないので、モデルを線形に変える
計算に使うデータの件数をサンプルとして指定する（正解）
ベースラインの選び方で値は変わらないので、任意の 1 行を指定する

解説

SHAP の計算は、特徴量が多くデータが大きいほど重くなります。Clarify では、計算に使うデータの件数（サンプル）と、比べる基準のデータ（ベースライン）を指定します。ベースラインの選び方で値が変わるので、学習データの平均的な行や代表的な行の集まりを使います。（根拠: 学習用テキスト 2.3.4 モデルの出力を説明する [2.3]）

他の選択肢が誤りである理由

「計算を速くするため、グローバルな説明だけを 1 件の申込者に示す」グローバルな重要度は 1 件の理由にはなりません。
「SHAP は線形モデルにしか使えないので、モデルを線形に変える」SHAP は深層学習や大きなアンサンブルのような中身の見えにくいモデルに付ける後付けの説明です。
「ベースラインの選び方で値は変わらないので、任意の 1 行を指定する」ベースラインの選び方で値が変わります。

設問3

銀行の案内のチャットボットに、投資の助言の話題には答えさせたくない。言い回しが変わっても同じ話題として止めたい。最も適切な方針はどれか。

ワードフィルタで投資の単語を並べる
コンテンツフィルタの暴力のしきい値を上げる
拒否トピックで投資の助言を定義する（正解）
機密情報フィルタで投資の語をマスクする

解説

拒否トピックは、扱ってほしくない話題（投資の助言など）を定義し、その話題の入力や出力をブロックします。単語を並べるワードフィルタより、話題として止められます。（根拠: 学習用テキスト 4.3.9 保護手段と機密データの保護を実装する（Amazon Bedrock Guardrails など） [4.3]）

他の選択肢が誤りである理由

「ワードフィルタで投資の単語を並べる」ワードフィルタは決めた単語や句をブロックする方針で、言い回しが変わると漏れます。
「コンテンツフィルタの暴力のしきい値を上げる」暴力のしきい値は、投資の助言の話題とは関係がありません。
「機密情報フィルタで投資の語をマスクする」機密情報フィルタは個人情報などをブロックやマスクする方針です。

設問4

専門分野に合わせた埋め込みモデルが必要で、社内規程によりデータを Amazon Bedrock に渡せない事情もある。SageMaker AI で埋め込みを作る方法として最も適切なものはどれか。

Bedrock のバッチ推論で埋め込みを作り、結果を SageMaker AI に移す
SageMaker JumpStart から埋め込みモデルをエンドポイントにデプロイして呼ぶ（正解）
SageMaker Ground Truth のラベル付けジョブで埋め込みを作らせる
SageMaker Data Wrangler のクイックモデルで埋め込みを出力する

解説

SageMaker AI で埋め込みを作ることもでき、SageMaker JumpStart から埋め込みモデルをエンドポイントにデプロイして自分のデータで呼びます。独自の分野に合わせた埋め込みモデルが要る時や、データを Bedrock に渡したくない事情がある時の選択肢です。（根拠: 学習用テキスト 1.2.5 埋め込みモデルでテキストと画像を数値にする [1.2]）

他の選択肢が誤りである理由

「Bedrock のバッチ推論で埋め込みを作り、結果を SageMaker AI に移す」データを Bedrock に渡せない事情に反します。
「SageMaker Ground Truth のラベル付けジョブで埋め込みを作らせる」Ground Truth はラベル付けのサービスで、埋め込みを作るものではありません。
「SageMaker Data Wrangler のクイックモデルで埋め込みを出力する」クイックモデルは特徴量の重要度を確かめる機能で、埋め込みを作る手段ではありません。

設問5

FM のファインチューニングに使う 10 万件の応答の中から、ヘイトや暴力などの有害な内容を含む行を除きたい。FM を呼び出さずに、ガードレールの判定だけを 1 件ずつ当てたい。最も適切な方法はどれか。

InvokeModel で FM に 1 件ずつ有害かどうかを答えさせる
ApplyGuardrail API で判定だけを当てる（正解）
Amazon Macie で学習データのバケットをスキャンする
Glue Data Quality の IsUnique のルールで検証する

解説

ApplyGuardrail API は、FM を呼ばずにガードレールの判定だけを行います。学習データの一件一件に当てて、ブロックされた行を除けます。（根拠: 学習用テキスト 1.3.6 AI トレーニングデータの整合性を検証する [1.3]）

他の選択肢が誤りである理由

「InvokeModel で FM に 1 件ずつ有害かどうかを答えさせる」FM を呼び出さずに、という要件に反します。
「Amazon Macie で学習データのバケットをスキャンする」Macie は S3 の機密データを見つけるサービスで、有害な内容の判定はしません。
「Glue Data Quality の IsUnique のルールで検証する」IsUnique は重複がないかを見るルールです。

続きは、会員登録なしでそのまま50問解けます。採点と解説つきで、上と同じ本物の問題です。

登録なしで50問解く

← AWS MLA-C02 の資格ページへ