MLA-C02：AWS Certified Machine Learning Engineer - Associate ML モデルと基盤モデルの開発 問15
ML モデルと基盤モデルの開発／モデルの学習・ファインチューニング・カスタマイズ非常に大きなデータセットと大規模なモデルの学習に時間がかかりすぎています。複数の GPU/インスタンスに処理を分散して学習時間を短縮したいと考えています。SageMaker AI での最も適切な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 モデルと基盤モデルの開発」に対応。実際の試験問題ではありません）
- A分散学習（データ並列などで複数インスタンス/GPU に処理を分散する）を用いる
- B学習データを大幅に減らして 1 台で学習する
- C推論エンドポイントのインスタンス数を増やす
- Dモデルを量子化してから 1 台で学習する
正解：A
解説
大規模データ・大規模モデルの学習時間短縮には、データ並列やモデル並列などの分散学習で複数の GPU/インスタンスに処理を分散するのが適切です。データ削減は精度低下、推論エンドポイントの増設は学習ではなく推論側、量子化は主に推論の軽量化手法で、いずれも学習時間短縮の本質的な手段ではありません。
選択肢ごとの解説
- A正しい。分散学習で複数の GPU/インスタンスに処理を分散すると、大規模な学習の時間を短縮できます。
- B誤り。学習データを大幅に減らすと精度が損なわれ、根本的な解決になりません。
- C誤り。推論エンドポイントの増設は推論側のスケールで、学習時間の短縮には関係しません。
- D誤り。量子化は主に推論を軽量化する技術で、学習そのものの分散・高速化の手段ではありません。