AIF-C01：AWS Certified AI Practitioner AI と機械学習の基礎 問3
AI と機械学習の基礎／ML 開発ライフサイクル（データ収集・学習・評価・デプロイ・MLOps）需要予測モデルを本番環境にデプロイして数か月後、入力データの傾向が学習時から変化し、予測の精度が徐々に低下していることが分かりました。ML 開発ライフサイクルの運用（MLOps）の観点で、継続的に必要な取り組みはどれですか。
当サイトのオリジナル問題（AIF-C01：AWS Certified AI Practitionerの出題範囲「AI と機械学習の基礎」に対応。実際の試験問題ではありません）
- Aデプロイ前に学習データでの精度が高かったことを根拠に、現行モデルを最終版として固定する
- Bテストデータの割合を増やして、デプロイ前の評価を同じ手順でやり直す
- C本番での入力データと予測の品質を継続的に監視し、劣化を検知したら再学習・再デプロイを行う
- D特徴量の数を減らして、同じ学習データでモデルを作り直し、そのまま入れ替える
正解：C
解説
ML モデルは、本番データの分布が学習時から変わる（ドリフト）と精度が低下することがあります。MLOps では、デプロイ後も入力データやモデル品質を監視し、劣化を検知したら再学習と再デプロイを回すサイクルを自動化します。AWS では Amazon SageMaker Model Monitor などで監視できます。
選択肢ごとの解説
- A誤り。学習データでの精度は本番データの変化に対する品質を保証せず、固定したままでは劣化が放置されます。
- B誤り。デプロイ前の評価をやり直しても、デプロイ後に変化する本番データの状況は捉えられません。
- C正しい。デプロイ後の継続的な監視と、劣化時の再学習・再デプロイが MLOps の基本的な運用です。
- D誤り。同じ学習データで作り直しても、変化した本番データの傾向は反映されず、原因への対処になりません。