MLA-C02：AWS Certified Machine Learning Engineer - Associate ML・AI のためのデータ準備 問2
ML・AI のためのデータ準備／データの収集と保存学習時と推論時で同じ特徴量を一貫して再利用・共有し、特徴量の重複計算や学習／推論間の不整合（トレーニング・サービングスキュー）を避けたいと考えています。最も適切なのはどれですか。
当サイトのオリジナル問題（MLA-C02：AWS Certified Machine Learning Engineer - Associateの出題範囲「ML・AI のためのデータ準備」に対応。実際の試験問題ではありません）
- A特徴量は毎回その場で個別に再計算し、保存はしない
- BAmazon SageMaker Feature Store に特徴量を取り込み、学習・推論で一貫して再利用・共有する
- C特徴量をアドホックな CSV として各自が S3 に置いて管理する
- D特徴量を Amazon CloudWatch メトリクスとして保存する
正解：B
解説
Amazon SageMaker Feature Store は、特徴量を一元的に保存・管理し、学習時と推論時で同じ特徴量を一貫して再利用・共有できるサービスです。これにより重複計算やトレーニング・サービングスキューを防げます。都度再計算やアドホックな CSV 管理は一貫性・再利用性に欠けます。
下線の用語は 用語集 で意味を確認できます。
選択肢ごとの解説
- A誤り。毎回再計算は非効率で、学習・推論間の不整合も生じやすいです。
- B正しい。SageMaker Feature Store で特徴量を一貫して再利用・共有でき、スキューを防げます。
- C誤り。アドホックな CSV 管理は一貫性・再利用性・ガバナンスに欠けます。
- D誤り。CloudWatch メトリクスは監視用で、特徴量ストアではありません。