최신Amazon AWS Certified Machine Learning Engineer - Associate (MLA-C01日本語版) - MLA-C01日本語무료샘플문제
문제1
ある企業が、ユーザーに動画を推奨するために機械学習モデルを使用しています。このモデルはAmazon SageMaker AIにデプロイされています。デプロイ直後は良好なパフォーマンスを示しましたが、時間の経過とともにパフォーマンスが低下しました。
今後、モデルドリフトを特定するために企業が使用できるソリューションはどれですか?
ある企業が、ユーザーに動画を推奨するために機械学習モデルを使用しています。このモデルはAmazon SageMaker AIにデプロイされています。デプロイ直後は良好なパフォーマンスを示しましたが、時間の経過とともにパフォーマンスが低下しました。
今後、モデルドリフトを特定するために企業が使用できるソリューションはどれですか?
정답: D
설명: (ExamPassdump 회원만 볼 수 있음)
문제2
MLエンジニアは、ストリーミングIoTセンサーデータを処理し、定期的にMLモデルを再トレーニングするワークフローをデプロイしたいと考えています。最新のモデルバージョンを本番環境にデプロイする必要があります。
これらの要件を満たすサービスはどれでしょうか?
MLエンジニアは、ストリーミングIoTセンサーデータを処理し、定期的にMLモデルを再トレーニングするワークフローをデプロイしたいと考えています。最新のモデルバージョンを本番環境にデプロイする必要があります。
これらの要件を満たすサービスはどれでしょうか?
정답: B
설명: (ExamPassdump 회원만 볼 수 있음)
문제3
ML エンジニアは、モデルをトレーニングするための機能を作成および管理するために、Amazon SageMaker Feature Store を使用する必要があります。
Feature Store で機能を作成して使用するには、以下のリストから手順を選択して順番に実行してください。各手順は 1 回ずつ選択してください。(3 つ選択して順番に実行してください。)
* ストアにアクセスしてトレーニング用のデータセットを構築します。
* 機能グループを作成します。
* レコードを取り込みます。
ML エンジニアは、モデルをトレーニングするための機能を作成および管理するために、Amazon SageMaker Feature Store を使用する必要があります。
Feature Store で機能を作成して使用するには、以下のリストから手順を選択して順番に実行してください。各手順は 1 回ずつ選択してください。(3 つ選択して順番に実行してください。)
* ストアにアクセスしてトレーニング用のデータセットを構築します。
* 機能グループを作成します。
* レコードを取り込みます。
정답:
Explanation:
Step 1: Create a feature group.
Step 2: Ingest the records.
Step 3: Access the store to build datasets for training.
Step 1: Create a Feature Group
Why? A feature group is the foundational unit in SageMaker Feature Store, where features are defined, stored, and organized. Creating a feature group specifies the schema (name, data type) for the features and the primary keys for data identification.
How? Use the SageMaker Python SDK or AWS CLI to define the feature group by specifying its name, schema, and S3 storage location for offline access.
Step 2: Ingest the Records
Why? After creating the feature group, the raw data must be ingested into the Feature Store. This step populates the feature group with data, making it available for both real-time and offline use.
How? Use the SageMaker SDK or AWS CLI to batch-ingest historical data or stream new records into the feature group. Ensure the records conform to the feature group schema.
Step 3: Access the Store to Build Datasets for Training
Why? Once the features are stored, they can be accessed to create training datasets. These datasets combine relevant features into a single format for machine learning model training.
How? Use the SageMaker Python SDK to query the offline store or retrieve real-time features using the online store API. The offline store is typically used for batch training, while the online store is used for inference.
Order Summary:
Create a feature group.
Ingest the records.
Access the store to build datasets for training.
This process ensures the features are properly managed, ingested, and accessible for model training using Amazon SageMaker Feature Store.
문제4
MLエンジニアは、Amazon SageMaker AIのMLワークフロー向けに継続的インテグレーションと継続的デリバリー(CI/CD)パイプラインを構築しています。このパイプラインでは、Amazon S3バケットに新しいデータがアップロードされるたびに、モデルの再トレーニング、テスト、デプロイを自動化する必要があります。新しいデータファイルのサイズは約10GBです。MLエンジニアは、監査のためにモデルのバージョンを追跡したいと考えています。
これらの要件を満たすソリューションはどれでしょうか?
MLエンジニアは、Amazon SageMaker AIのMLワークフロー向けに継続的インテグレーションと継続的デリバリー(CI/CD)パイプラインを構築しています。このパイプラインでは、Amazon S3バケットに新しいデータがアップロードされるたびに、モデルの再トレーニング、テスト、デプロイを自動化する必要があります。新しいデータファイルのサイズは約10GBです。MLエンジニアは、監査のためにモデルのバージョンを追跡したいと考えています。
これらの要件を満たすソリューションはどれでしょうか?
정답: D
설명: (ExamPassdump 회원만 볼 수 있음)
문제5
ある旅行会社は、Amazon SageMaker AI を活用して、顧客の質問に答えるための地理データモデルを数百種類もトレーニングしました。各モデルはそれぞれ独自の推論エンドポイントを使用しており、これが同社にとって運用上の課題となっていました。
同社は、モデルの推論エンドポイントを統合して運用オーバーヘッドを削減したいと考えています。
これらの要件を満たすソリューションはどれでしょうか?
ある旅行会社は、Amazon SageMaker AI を活用して、顧客の質問に答えるための地理データモデルを数百種類もトレーニングしました。各モデルはそれぞれ独自の推論エンドポイントを使用しており、これが同社にとって運用上の課題となっていました。
同社は、モデルの推論エンドポイントを統合して運用オーバーヘッドを削減したいと考えています。
これらの要件を満たすソリューションはどれでしょうか?
정답: A
설명: (ExamPassdump 회원만 볼 수 있음)
문제6
ML エンジニアは、Amazon SageMaker を使用して、分散トレーニングを必要とするディープラーニング モデルをトレーニングしています。
何度かトレーニングを試行した後、MLエンジニアはインスタンスが期待どおりに動作していないことに気づきました。MLエンジニアは、トレーニングインスタンス間の通信オーバーヘッドを特定しました。
インスタンス間の通信オーバーヘッドを最小限に抑えるために、ML エンジニアは何をすべきでしょうか?
ML エンジニアは、Amazon SageMaker を使用して、分散トレーニングを必要とするディープラーニング モデルをトレーニングしています。
何度かトレーニングを試行した後、MLエンジニアはインスタンスが期待どおりに動作していないことに気づきました。MLエンジニアは、トレーニングインスタンス間の通信オーバーヘッドを特定しました。
インスタンス間の通信オーバーヘッドを最小限に抑えるために、ML エンジニアは何をすべきでしょうか?
정답: C
설명: (ExamPassdump 회원만 볼 수 있음)
문제7
ある物流会社が、運転手の基本的な監視のために車載カメラを設置した。同社は、事故につながる可能性のある注意散漫な要因を特定することで、運転手の安全性を向上させたいと考えている。
運用上の労力が最も少ないソリューションはどれでしょうか？
ある物流会社が、運転手の基本的な監視のために車載カメラを設置した。同社は、事故につながる可能性のある注意散漫な要因を特定することで、運転手の安全性を向上させたいと考えている。
運用上の労力が最も少ないソリューションはどれでしょうか？
정답: B
설명: (ExamPassdump 회원만 볼 수 있음)
문제8
MLエンジニアは、48～72時間かかる集中的なモデルトレーニングジョブを毎月実行する必要があります。ジョブは中断・再開が可能です。エンジニアの予算は限られており、最も費用対効果の高いコンピューティングオプションを必要としています。
これらの要件を満たすソリューションはどれでしょうか?
MLエンジニアは、48～72時間かかる集中的なモデルトレーニングジョブを毎月実行する必要があります。ジョブは中断・再開が可能です。エンジニアの予算は限られており、最も費用対効果の高いコンピューティングオプションを必要としています。
これらの要件を満たすソリューションはどれでしょうか?
정답: C
설명: (ExamPassdump 회원만 볼 수 있음)
문제9
ある企業が、機械学習モデル用のAmazon SageMaker AIパイプラインを構築しています。このパイプラインは、分散処理と分散トレーニングを採用しています。
MLエンジニアは、分散ジョブを実行するインスタンス間のネットワーク通信を暗号化する必要があります。MLエンジニアは、分散ジョブをプライベートVPCで実行するように設定します。
暗号化要件を満たすために ML エンジニアは何をすべきでしょうか?
ある企業が、機械学習モデル用のAmazon SageMaker AIパイプラインを構築しています。このパイプラインは、分散処理と分散トレーニングを採用しています。
MLエンジニアは、分散ジョブを実行するインスタンス間のネットワーク通信を暗号化する必要があります。MLエンジニアは、分散ジョブをプライベートVPCで実行するように設定します。
暗号化要件を満たすために ML エンジニアは何をすべきでしょうか?
정답: A
설명: (ExamPassdump 회원만 볼 수 있음)
문제10
ある企業がAmazon SageMakerで機械学習モデルをホストしたいと考えています。機械学習エンジニアは、モデルのデプロイのためにAWS CodePipelineで継続的インテグレーションと継続的デリバリー(CI/CD)パイプラインを設定しています。このパイプラインは、モデルの新しいトレーニングデータがAmazon S3バケットにアップロードされたときに自動的に実行される必要があります。
以下のリストからパイプラインの正しいステップを選択し、順序付けしてください。各ステップは1回選択するか、全く選択しないでください。(3つ選択して順序付けしてください。)
* 新しいデータがアップロードされると、S3 イベント通知によってパイプラインが呼び出されます。
* S3 ライフサイクル ルールは、新しいデータがアップロードされたときにパイプラインを呼び出します。
* SageMaker は S3 バケット内のデータを使用してモデルを再トレーニングします。
* パイプラインはモデルを SageMaker エンドポイントにデプロイします。
* パイプラインはモデルを SageMaker Model Registry にデプロイします。
ある企業がAmazon SageMakerで機械学習モデルをホストしたいと考えています。機械学習エンジニアは、モデルのデプロイのためにAWS CodePipelineで継続的インテグレーションと継続的デリバリー(CI/CD)パイプラインを設定しています。このパイプラインは、モデルの新しいトレーニングデータがAmazon S3バケットにアップロードされたときに自動的に実行される必要があります。
以下のリストからパイプラインの正しいステップを選択し、順序付けしてください。各ステップは1回選択するか、全く選択しないでください。(3つ選択して順序付けしてください。)
* 新しいデータがアップロードされると、S3 イベント通知によってパイプラインが呼び出されます。
* S3 ライフサイクル ルールは、新しいデータがアップロードされたときにパイプラインを呼び出します。
* SageMaker は S3 バケット内のデータを使用してモデルを再トレーニングします。
* パイプラインはモデルを SageMaker エンドポイントにデプロイします。
* パイプラインはモデルを SageMaker Model Registry にデプロイします。
정답:
Explanation:
Step 1: An S3 event notification invokes the pipeline when new data is uploaded.
Step 2: SageMaker retrains the model by using the data in the S3 bucket.
Step 3: The pipeline deploys the model to a SageMaker endpoint.
Step 1: An S3 Event Notification Invokes the Pipeline When New Data is Uploaded Why? The CI/CD pipeline should be triggered automatically whenever new training data is uploaded to Amazon S3. S3 event notifications can be configured to send events to AWS services like Lambda, which can then invoke AWS CodePipeline.
How? Configure the S3 bucket to send event notifications (e.g., s3:ObjectCreated:*) to AWS Lambda, which in turn triggers the CodePipeline.
Step 2: SageMaker Retrains the Model by Using the Data in the S3 Bucket Why? The uploaded data is used to retrain the ML model to incorporate new information and maintain performance. This step is critical to updating the model with fresh data.
How? Define a SageMaker training step in the CI/CD pipeline, which reads the training data from the S3 bucket and retrains the model.
Step 3: The Pipeline Deploys the Model to a SageMaker Endpoint
Why? Once retrained, the updated model must be deployed to a SageMaker endpoint to make it available for real-time inference.
How? Add a deployment step in the CI/CD pipeline, which automates the creation or update of the SageMaker endpoint with the retrained model.
Order Summary:
An S3 event notification invokes the pipeline when new data is uploaded.
SageMaker retrains the model by using the data in the S3 bucket.
The pipeline deploys the model to a SageMaker endpoint.
This configuration ensures an automated, efficient, and scalable CI/CD pipeline for continuous retraining and deployment of the ML model in Amazon SageMaker.
문제11
機械学習エンジニアは複数の機械学習モデルを評価しており、本番環境で使用するモデルを1つ選択する必要があります。これらのモデルによる偽陰性予測のコストは、偽陽性予測のコストよりもはるかに高くなります。
ML エンジニアがモデルを選択する際に最も優先すべきメトリックの検出は何ですか?
機械学習エンジニアは複数の機械学習モデルを評価しており、本番環境で使用するモデルを1つ選択する必要があります。これらのモデルによる偽陰性予測のコストは、偽陽性予測のコストよりもはるかに高くなります。
ML エンジニアがモデルを選択する際に最も優先すべきメトリックの検出は何ですか?
정답: D