AWS認定資格 無料問題集

解答

正しい解答：Ｃ. Amazon SageMaker Model Monitor

　URL を直接入力して「解答・解説」画面を表示した場合、何を選択・解答したかを特定できないため、解答の正誤判定ができません。必要に応じて「同じ問題に再挑戦」ボタンをクリックして、この問題に再チャレンジしてみてください。

徹底解説

　機械学習（ML：Machine Learning）モデルの監視を継続的に行って、データドリフトやモデル品質の低下を検出したい場合に使用すべき Amazon SageMaker の機能は Amazon SageMaker Model Monitor です。SageMaker Model Monitor は、デプロイされたMLモデルに対する推論リクエストやその結果を継続的にモニタリングするツールです。デプロイ済みのMLを継続的に監視して、データドリフトやモデル品質の低下などの異常を検出することができます。これらの情報をトレーニング・データの統計情報などと定期的に比較・評価することで、異常を早期検出して、モデルのパフォーマンスを継続的に維持・管理することができます。「デプロイ済みのモデルのパフォーマンスの評価」 や 「データドリフトの検知」、「運用中のモデルを安定して高品質に保つ」 といったキーワードが問題文に記載されていたら、Model Monitor を思い浮かべた上で解答を選択すると正答率が上がるかもしれません。その他、Amazon SageMaker Model Monitor の主な特徴を下図に示します。

　その他の選択肢は、MLモデルのデータドリフトや品質の低下を検出できるものではありません。Amazon SageMaker Data Wrangler は、ML モデルを構築する前に、データのクレンジング、変換、特徴量エンジニアリングなどのデータ準備プロセスを簡素化して、GUI（Graphical User Interface）を使って迅速に実行するためのツールです。Data Wranglerはデータの前処理や可視化を効率的に行うためのツールで、モデルのモニタリングには直接関与しません。
　Amazon SageMaker Clarify は、MLモデルの公平性を評価して、バイアスを検出するためのツールです。このツールは、モデルの予測結果に潜在的なバイアスが含まれていないかを分析して、説明可能性を提供する機能を備えています。
　Amazon SageMaker Feature Store は、MLモデルで使用する特徴量を保存、共有、管理するためのサービスです。特徴量（Feature）とは、MLモデルがデータを理解して、予測を行うために使用する入力データの属性や指標です。

ココがポイント
　MLモデルは、トレーニング時に与えられたデータの特徴を学習して動作しますが、運用時間の経過とともに入力データの傾向が変化することがあります。これがデータドリフトであり、トレーニングデータと予測時のデータの分布が異なる状態を指します。モデルの精度低下や誤った判断につながる要因になるため、継続的な監視と早期検知は、MLモデルの健全な運用に欠かせません。