MLA-C02：AWS Certified Machine Learning Engineer - Associate ML・AI ワークフローのデプロイとオーケストレーション 問14
ML・AI ワークフローのデプロイとオーケストレーション／デプロイインフラの管理公開されている特定のオープンな基盤モデルを、自社アカウントの環境で、独自の推論コードや構成も加えてホストし、細かく制御したいと考えています。モデルの探索・デプロイを容易にする最も適したアプローチはどれですか。
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 ワークフローのデプロイとオーケストレーション」に対応。実際の試験問題ではありません）
- A基盤モデルには一切触れず、ルールベースで実装する
- BAmazon SageMaker JumpStart から基盤モデルを選び、自社アカウントの SageMaker エンドポイントにデプロイして自己ホストする
- Cモデルを使わず全件を人手で処理する
- D学習データを増やすことだけで対応する
正解：B
解説
Amazon SageMaker JumpStart は、公開/基盤モデルを探索し、自社アカウントの SageMaker エンドポイントへデプロイして自己ホストできるハブで、独自の推論コードや構成を加えた細かな制御に向きます。フルマネージドで手軽に使いたい場合は Amazon Bedrock が選択肢になりますが、設問は「自社環境で自己ホストし細かく制御」なので JumpStart が適します。ルールベースや人手処理、データ増強は要件に合いません。
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。基盤モデルを使わないルールベース実装は、FM を自己ホストしたいという要件に反します。
- B正しい。JumpStart で基盤モデルを選び自社アカウントにデプロイすれば、自己ホストで細かく制御できます。
- C誤り。全件を人手で処理するのは、基盤モデルの活用という目的に反します。
- D誤り。学習データを増やすことはデプロイ・ホスティングの手段ではありません。