PRACTICE練習問題

Machine Learning Engineer Associate（MLA-C02）の練習問題 100問

SageMaker を中心に、モデルの学習・デプロイ・運用（MLOps）の実務。MLA-C02 で生成 AI・基盤モデル・Amazon Bedrock が範囲に加わった。 この問題は、執筆者が公式ドキュメントを出典に一から作った独自問題です。本試験の問題の再現・転載ではありません。各問に公式ドキュメントの出典を付けています。

受験日から逆算して計画する（学習プラン） ／ 試験の版・時間・受験料（AWS 認定の一覧） ／ 関連する記事: 試験の改定を追い続ける運用｜学習中・保有中の資格に...・次に取る AWS 認定の選び方｜実務の役割と、いま...・生成 AI アプリの本番設計｜モデル選び・RAG ...

WHAT'S INSIDE

MLA-C02 の練習問題 100問の分野と扱うサービス

MLA-C02 の試験ガイドが示す分野ごとに問題を分けています。問題数は分野の配分に合わせたもので、どの分野も公式ドキュメントを出典に作っています。

分野	問題数	多く扱うサービス
MLとAIのためのデータ準備	28問	Amazon SageMaker Data Wrangler、Amazon S3、Amazon SageMaker、Knowledge Bases for Amazon Bedrock、Amazon SageMaker Feature Store
MLモデルと基盤モデルの開発	24問	Amazon SageMaker、Amazon Bedrock、Amazon SageMaker JumpStart、Knowledge Bases for Amazon Bedrock、Agents for Amazon Bedrock
MLとAIのワークフローのデプロイとオーケストレーション	24問	Amazon SageMaker、Amazon Bedrock、Amazon SageMaker Pipelines、Amazon CloudWatch、Amazon ECR
MLとAIの運用・監視・保護	24問	Amazon SageMaker、Amazon CloudWatch、Guardrails for Amazon Bedrock、Amazon S3、AWS PrivateLink

SAMPLE QUESTIONS

MLA-C02 の見本の問題（分野ごとに1問）

全100問のうち、分野ごとに1問を答えと解説つきで載せています。残りの問題は、上の4つのモードから解けます。

MLとAIのためのデータ準備MLA-C02 #1

広告配信ログ数TBを Amazon S3 に蓄積し、Amazon Athena での集計と学習データの抽出に使います。どちらの処理も数百ある列のうち十数列しか読みません。クエリのスキャン量とコストを最小にするには、データをどの形式で保存すべきですか？

• Agzip 圧縮した CSV
• B列指向の Apache Parquet
• C1行1レコードの JSON Lines
• D非圧縮の XML

答えと解説を見る

正解: B

Parquet は列指向の形式で、必要な列だけを読み出せるうえ圧縮効率も高いため、Athena のスキャン量(=課金対象)を大きく減らせます。CSV・JSON・XML は行指向で、一部の列だけが必要でも行全体を読むことになり、スキャン量が増えます。

公式の出典

• What is Amazon Athena?

MLモデルと基盤モデルの開発MLA-C02 #29

顧客属性と取引の集計値からなる表形式データで、翌月に解約するかどうかを予測する二値分類モデルを作ります。SageMaker の組み込みアルゴリズムから、表形式データで高い精度が期待できるものを選ぶ場合、最も適切なものはどれですか？

• AXGBoost
• BBlazingText
• CRandom Cut Forest
• DObject Detection

答えと解説を見る

正解: A

XGBoost は勾配ブースティング木の実装で、表形式データの分類・回帰で高い精度を出しやすいアルゴリズムです。BlazingText はテキストの単語埋め込み・テキスト分類用、Random Cut Forest は教師なしの異常検知用、Object Detection は画像内の物体検出用で、表形式の二値分類には適しません。

公式の出典

• Built-in algorithms and pretrained models in Amazon SageMaker

MLとAIのワークフローのデプロイとオーケストレーションMLA-C02 #53

EC サイトの決済時に不正スコアを返すモデルをデプロイします。トラフィックは一日を通して途切れず、応答は低く安定したレイテンシが求められます。最も適した推論方式はどれですか？

• Aバッチ変換
• B非同期推論
• Cリアルタイム推論
• Dサーバーレス推論

答えと解説を見る

正解: C

継続的なトラフィックがあり、低く安定したレイテンシが必要な場合はリアルタイム推論が適します。バッチ変換はまとまったデータのオフライン処理、非同期推論は大きなペイロードや長い処理をキューで受ける方式です。サーバーレス推論は断続的なトラフィック向けで、アイドル後のコールドスタートでレイテンシが揺れることがあります。

公式の出典

• Inference options in Amazon SageMaker AI

MLとAIの運用・監視・保護MLA-C02 #77

本番のリアルタイム推論エンドポイントで、特定の形式の入力を送ったときだけ推論が失敗するという報告がありました。推論コンテナの中で出ている例外やスタックトレースを確認して原因を調べたい場合、最初に見るべきものはどれですか？

• ACloudWatch Logs の推論コンテナのログ
• BAWS CloudTrail のイベント履歴
• CVPC フローログ
• DAWS Cost Explorer で日別の費用に異常がないかを確認する

答えと解説を見る

正解: A

SageMaker のエンドポイントでは、推論コンテナが標準出力・標準エラーに出したログが CloudWatch Logs のエンドポイント用ロググループに送られるため、例外やスタックトレースを確認できます。CloudTrail は API 操作の記録で、コンテナ内部のエラーは分かりません。VPC フローログは IP 通信の記録、Cost Explorer は費用の分析です。

公式の出典

• What is Amazon CloudWatch Logs?

READ FIRST

MLA-C02 の論点を記事で読む

• 試験の改定を追い続ける運用｜学習中・保有中の資格に版替わりが来たとき、何を見て何を決めるか
• 次に取る AWS 認定の選び方｜実務の役割と、いまの穴から決める設計
• 生成 AI アプリの本番設計｜モデル選び・RAG の品質・ガードレール・コストと監視の判断軸
• Amazon Bedrock とは何か｜モデルの選び方・RAG・エージェント・ガードレールと SageMaker の違い