AWS Certified Machine Learning Engineer - Associate (MLA-C01)
試験概要
試験の目的
AWS クラウドを使用した機械学習 (ML) ソリューションとパイプラインの構築、運用化、デプロイ、保守についての能力を検証する。
受験対象者
- Amazon SageMaker をはじめとする AWS のサービスを利用した ML エンジニアリング経験が 1年以上
- 関連職務（バックエンドソフトウェアデベロッパー、DevOps、データエンジニア、データサイエンティストなど）で 1年以上の経験
試験形式
- 採点対象問題: 50問
- 採点対象外問題: 15問（パフォーマンスデータ収集用、どれかは不明）
- 合格スコア: 720/1000
- 試験時間: 未公開（通常170分程度）
- 出題形式:
- 択一選択問題
- 複数選択問題
- 並べ替え問題
- 内容一致問題
- ケーススタディ
試験分野と重み
| 分野 |
重み |
内容 |
| [[01_データ準備]] |
28% |
データの取り込み、変換、特徴量エンジニアリング、データ品質 |
| [[02_モデル開発]] |
26% |
アルゴリズム選択、トレーニング、ハイパーパラメータチューニング |
| [[03_デプロイとオーケストレーション]] |
22% |
インフラ選択、IaC、CI/CD、コンテナ化 |
| [[04_モニタリング・保守・セキュリティ]] |
24% |
モデルモニタリング、コスト最適化、セキュリティ |
学習の進め方
1. 基礎知識の習得
2. AWS SageMaker の習得（最重要）
3. AWS データサービスの習得
4. AWS インフラとDevOpsの習得
5. セキュリティとコスト管理
重要な学習ポイント
データ準備（28% - 最重要）
- データ取り込み
- データ形式の選択（Parquet, JSON, CSV, ORC, Avro）
- ストレージオプション（S3, EFS, FSx）
- ストリーミングデータ（Kinesis）
- データ変換
- AWS Glue / Glue DataBrew の使い分け
- 特徴量エンジニアリング手法
- SageMaker Feature Store の活用
- データ品質
- バイアス検出（SageMaker Clarify）
- データマスキング（Redshift動的マスキング、Glue DataBrew）
- データ検証（Glue Data Quality）
モデル開発（26%）
- アルゴリズム選択
- ビジネス問題に適したアルゴリズム
- SageMaker組み込みアルゴリズム
- AWS AIサービス（Comprehend, Rekognition, Bedrockなど）
- トレーニング
- ハイパーパラメータチューニング
- 過学習/アンダーフィットの防止
- モデルサイズの最適化
- 評価
- 評価メトリクス（F1, Precision, Recall, RMSE, ROC-AUC）
- シャドウテスト
- モデルバージョン管理（Model Registry）
デプロイとオーケストレーション（22%）
- インフラ選択
- エンドポイントタイプ（リアルタイム、バッチ、非同期、サーバーレス）
- コンピューティングリソース（CPU/GPU）
- コンテナ化（ECR, ECS, EKS）
- IaCとオートメーション
- CloudFormation / CDK
- オートスケーリング
- SageMaker SDK
- CI/CD
- CodePipeline / CodeBuild / CodeDeploy
- SageMaker Pipelines
- デプロイ戦略（ブルー/グリーン、カナリア）
モニタリング・保守・セキュリティ（24%）
- モデルモニタリング
- SageMaker Model Monitor
- データドリフト/コンセプトドリフト検出
- A/Bテスト
- インフラモニタリング
- CloudWatch メトリクスとアラーム
- CloudTrail ログ
- X-Ray トレーシング
- コスト最適化
- インスタンスタイプの適正化
- スポット/オンデマンド/リザーブドインスタンス
- タグ付け戦略
- Cost Explorer / Budgets
- セキュリティ
- IAM ロールとポリシー
- VPC、サブネット、セキュリティグループ
- 暗号化（転送中/保存時）
- Secrets Manager
試験対策のTips
1. SageMaker中心の学習
- SageMakerの各機能の目的と使い方を理解する
- 実際にハンズオンで触ってみる
- 公式ドキュメントとベストプラクティスを読む
2. ユースケース別の理解
- 「〜したい」という要件に対して、どのAWSサービスを使うか
- 複数の選択肢がある場合のトレードオフを理解する
3. 範囲外の内容も把握
- 試験範囲外のサービス/機能を知っておく
- 「これは範囲外だから選択肢から除外できる」という消去法も有効
4. 実践的な知識
- 単なる機能の暗記ではなく、実際のMLワークフローでの使い方を理解
- トラブルシューティングのシナリオも重要
5. コストとパフォーマンスのトレードオフ
- 最も安い方法 vs 最もパフォーマンスが高い方法
- 要件に応じた適切なバランスを選択する能力
対象範囲外のタスク
以下のタスクは試験範囲外：
- 完全なエンドツーエンドのMLソリューションの設計とアーキテクチャの設計
- ベストプラクティスの策定とML戦略の主導
- 複数のML分野（NLP、コンピュータビジョンなど）への深い従事
- モデルの量子化および正解率への影響の分析
関連リンク
学習ノート構成
このフォルダには以下のノートが含まれています：
- [[01_データ準備]]: 第1分野の詳細（28%）
- [[02_モデル開発]]: 第2分野の詳細（26%）
- [[03_デプロイとオーケストレーション]]: 第3分野の詳細（22%）
- [[04_モニタリング・保守・セキュリティ]]: 第4分野の詳細（24%）
各ノートには、試験要綱のタスクステートメント、対象知識、対象スキル、模擬試験問題が含まれています。
最終更新日: 2025年10月4日
このフォルダのページ一覧