AWS Certified Machine Learning Engineer - Associate (MLA-C01)

試験概要

基本情報

• 試験コード: MLA-C01
• 試験時間: 170分
• 合格スコア: 720/1000
• 問題数: 65問（採点対象50問 + 採点対象外15問）
• 試験形式: 択一選択、複数選択、並べ替え、内容一致、ケーススタディ

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。

主要タスク

• ML モデリングのためのデータの取り込み、変換、検証、準備
• 一般的なモデリングアプローチの選択、モデルのトレーニング、ハイパーパラメータのチューニング、モデルのパフォーマンス解析、モデルのバージョン管理
• デプロイインフラストラクチャとエンドポイントの選択、コンピューティングリソースのプロビジョニング、要件に基づいたオートスケーリングの設定
• CI/CD パイプラインの設定による、ML ワークフローのオーケストレーションの自動化
• モデル、データ、インフラストラクチャのモニタリングによる問題の検出
• アクセスコントロール、コンプライアンス機能、ベストプラクティスを通じた ML システムとリソースのセキュリティ確保

受験対象者

必要な経験

• Amazon SageMaker をはじめとする AWS のサービスを利用した ML エンジニアリングの経験が 1年以上
• バックエンドソフトウェアデベロッパー、DevOps デベロッパー、データエンジニア、データサイエンティストなどの関連職務で 1年以上の経験

推奨される IT 全般の知識

• 一般的な ML アルゴリズムとそのユースケースに関する基礎知識
• ML データパイプラインで作業するための一般的なデータ形式、取り込み、変換に関する知識を含むデータエンジニアリングの基礎知識
• データのクエリと変換に関する知識
• モジュール式の再利用可能なコードを開発、デプロイ、デバッグするためのソフトウェアエンジニアリングのベストプラクティスに関する知識
• クラウドとオンプレミスの ML リソースのプロビジョニングとモニタリングに関する知識
• CI/CD パイプラインと Infrastructure as Code (IaC) の経験
• バージョン管理と CI/CD パイプライン用のコードリポジトリの経験

推奨される AWS の知識

• モデルの構築とデプロイのための SageMaker の機能とアルゴリズムに関する知識
• モデリング用のデータを準備するための AWS のデータストレージおよびデータ処理サービスに関する知識
• AWS でのアプリケーションとインフラストラクチャのデプロイに関する知識
• ML システムのログ記録とトラブルシューティングのためのモニタリングツールに関する知識
• CI/CD パイプラインのオートメーションとオーケストレーションのための AWS のサービスに関する知識
• アイデンティティとアクセスの管理、暗号化、データ保護のための AWS セキュリティのベストプラクティスに関する知識

試験範囲

第1分野: 機械学習 (ML) のためのデータ準備 (28%)

• タスク 1.1: データを取り込んで保存する
• タスク 1.2: データを変換し、特徴量エンジニアリングを実行する
• タスク 1.3: データの完全性を確保し、モデリングに向けてデータを準備する

第2分野: ML モデルの開発 (26%)

• タスク 2.1: モデリングアプローチを選択する
• タスク 2.2: モデルをトレーニングおよび改良する
• タスク 2.3: モデルのパフォーマンスを分析する

第3分野: ML ワークフローのデプロイとオーケストレーション (22%)

• タスク 3.1: 既存のアーキテクチャと要件に基づいてデプロイインフラストラクチャを選択する
• タスク 3.2: 既存のアーキテクチャと要件に基づいてインフラストラクチャを作成し、スクリプト化する
• タスク 3.3: 自動オーケストレーションツールを使用して、CI/CD パイプラインを設定する

第4分野: ML ソリューションのモニタリング、保守、セキュリティ (24%)

• タスク 4.1: モデル推論をモニタリングする
• タスク 4.2: インフラストラクチャとコストをモニタリングおよび最適化する
• タスク 4.3: AWS リソースのセキュリティを確保する

対象範囲外のジョブタスク

以下のタスクは試験範囲外です：

• 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
• さまざまなサービスまたは新しいツールやテクノロジーとの統合への対処
• ML の 2 つ以上の分野（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

• [[99_AWSサービス一覧]]
• [[01_データ準備 (28%)/1.1_データの取り込みと保存]]
• [[02_モデル開発 (26%)/2.1_モデリングアプローチの選択]]
• [[03_デプロイとオーケストレーション (22%)/3.1_デプロイインフラストラクチャの選択]]
• [[04_モニタリングと保守とセキュリティ (24%)/4.1_モデル推論のモニタリング]]