MLA-C02：AWS Certified Machine Learning Engineer - Associate ML・AI ソリューションの運用・監視・セキュリティ 問16
ML・AI ソリューションの運用・監視・セキュリティ／インフラのコストと性能の最適化学習済みの深層学習モデルを、推論時のメモリ使用量とレイテンシを抑えて効率よく動かしたいと考えています。モデルの重みの数値精度を下げて軽量化・高速化する手法はどれですか。
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 ソリューションの運用・監視・セキュリティ」に対応。実際の試験問題ではありません）
- Aデータリーケージ
- B量子化（クオンタイゼーション）
- Cラベル付け（アノテーション）
- Dパーティショニング
正解：B
解説
量子化（クオンタイゼーション）は、モデルの重みや計算の数値精度を下げる（例: 32 ビット浮動小数点から 8 ビット整数へ）ことで、メモリ使用量を減らし推論を高速化・低コスト化する手法です。多少の精度低下と引き換えに効率を高めます。データリーケージは評価の問題、ラベル付けはデータ準備、パーティショニングはデータ分割で、いずれもモデルの軽量化手法ではありません。
選択肢ごとの解説
- A誤り。データリーケージは評価用情報が学習に漏れる問題で、軽量化手法ではありません。
- B正しい。量子化は数値精度を下げてメモリ・レイテンシを抑え、推論を効率化する手法です。
- C誤り。ラベル付けはデータへの正解付与で、モデルの軽量化とは関係ありません。
- D誤り。パーティショニングはデータの分割格納で、推論の軽量化手法ではありません。