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

MLA-C01 は AWS 認定の Associate レベル で、ML / 生成 AI を業務で実装する技術者 を対象とします。AI Practitioner(AIF-C01、Foundational)の上位 で、ML Specialty(MLS-C01、Specialty) よりは入門的という中間に位置します。

• 主催: Amazon Web Services(AWS)
• 形式: CBT(Pearson VUE)or オンライン監督受験
• 問題数 / 時間: 65 問 / 130 分
• 回答方式: 単一選択 + 複数選択 + 順序付け + ケーススタディ
• 合格スコア: 720 / 1000
• 有効期限: 3 年
• 受験料: 150 USD(参考)
• 前提知識: SageMaker / Python / SQL / 統計の基礎

AWS の ML / AI 認定階層

• Foundational: AI Practitioner(AIF-C01)
• Associate: ML Engineer(MLA-C01、本資格)
• Specialty: ML Specialty(MLS-C01)

公式試験ガイドのドメイン

1. Domain 1: ML 用データ準備(28%): S3 / Glue / Data Wrangler / 特徴量エンジニアリング
2. Domain 2: ML モデル開発(26%): SageMaker / 学習 / ハイパーパラメータチューニング / 評価
3. Domain 3: ML ワークフローのデプロイとオーケストレーション(22%): Endpoints / Pipelines / Step Functions / コンテナ
4. Domain 4: ML ソリューションのモニタリングと保守 / セキュリティ(24%): Model Monitor / Clarify / 監査 / コスト

150 〜 250 時間プラン

1. Week 1 〜 2: AWS 基礎(IAM / S3 / VPC)+ AI Practitioner 範囲復習
2. Week 3 〜 4: SageMaker のすべて(Studio / Pipelines / Endpoints)
3. Week 5: データ準備(Glue / Athena / Data Wrangler / Feature Store)
4. Week 6: 学習 + ハイパーパラメータ + Built-in アルゴリズム
5. Week 7: 推論デプロイ(Real-time / Batch / Async / Serverless / Edge)
6. Week 8: モニタリング + Clarify + コスト最適化
7. Week 9: 生成 AI(Bedrock / Q)概要
8. Week 10: 模擬試験 + 過去問

• 3 つの学習方式: 教師あり / なし / 強化学習
• 主要モデル: 線形回帰 / 決定木 / GBDT / SVM / NN / CNN / Transformer
• 評価指標: 分類(Accuracy / Precision / Recall / F1 / ROC-AUC / PR-AUC)・ 回帰(MSE / RMSE / MAE / R²)
• 過学習対策: 正則化 / Dropout / Early Stopping / 交差検証 / データ拡張
• バイアス・バリアンス分解
• ハイパーパラメータ vs パラメータ

• S3: オブジェクトストレージ、ML ワークフローの中核
• S3 Express One Zone: ms 級レイテンシ、ML 学習向け
• Athena: S3 上の SQL クエリ(サーバレス)
• Glue: マネージド ETL + Data Catalog
• Glue DataBrew: ノーコードデータ準備
• EMR: Hadoop / Spark / Presto
• Kinesis: ストリーミングデータ
• Lake Formation: データレイク管理
• Redshift: DWH
• Aurora ・ DynamoDB ・ DocumentDB: トランザクション系
• OpenSearch: 検索 + 分析

• 欠測処理: 削除 / 平均 / 中央値 / 多重代入
• 外れ値検出: IQR / Z スコア / Isolation Forest
• スケーリング: 標準化 / Min-Max / ロバストスケーリング
• カテゴリエンコーディング: One-hot / Target / Ordinal
• 不均衡データ: SMOTE / オーバーサンプリング / アンダーサンプリング / クラス重み
• 特徴量エンジニアリング: ビニング / 変換 / 交互作用 / 集約
• SageMaker Data Wrangler: GUI でこれらを実行

• SageMaker Studio: 統合開発環境(JupyterLab ベース)
• SageMaker Studio Lab: 完全無料の学習環境(Studio とは別)
• SageMaker Canvas: ノーコード ML
• SageMaker Autopilot: AutoML
• SageMaker Ground Truth: ラベル付け管理(Plus は完全マネージド)
• SageMaker Data Wrangler: データ準備
• SageMaker Feature Store: 特徴量管理
• SageMaker Pipelines: ML パイプライン
• SageMaker Model Registry: モデル管理
• SageMaker Endpoints: 推論デプロイ
• SageMaker Model Monitor: ドリフト検出
• SageMaker Clarify: バイアス検出 + 説明可能性
• SageMaker JumpStart: 学習済モデル + 微調整テンプレート
• SageMaker MLflow: マネージド MLflow
• SageMaker HyperPod: 大規模分散学習向け

• インスタンスタイプ: ml.t / m / c / r / p / g / inf / trn
• Inferentia(inf): AWS 自家製の推論専用 AI チップ
• Trainium(trn): AWS 自家製の学習専用 AI チップ
• Spot Training: 中断耐性ある学習で 90% コスト削減
• Managed Warm Pools: 学習ジョブの起動高速化
• Reserved / Savings Plans: 長期コミットで割引
• Distributed Training: Data Parallel / Model Parallel

• Built-in アルゴリズム: XGBoost / Linear Learner / DeepAR / Random Cut Forest / Object Detection / Image Classification など 30 種以上
• スクリプトモード: Python スクリプトで TensorFlow / PyTorch / Hugging Face を使用
• Bring Your Own Container(BYOC): 任意のコンテナで学習
• SageMaker JumpStart: 学習済モデルからの微調整
• AutoML(Autopilot): 自動最適化

• Grid Search / Random Search: 古典的
• Bayesian Optimization: SageMaker のデフォルト、過去試行から次を予測
• Hyperband: 早期終了 + 並列探索
• ASHA(非同期的成功半減): 並列性高い大規模探索
• Warm Start: 過去の HPO 結果を引き継ぐ
• Early Stopping: 性能向上が見込めない試行を打ち切り

• SageMaker Experiments: 試行記録(廃止予定、MLflow 推奨)
• SageMaker MLflow: マネージド MLflow、現在の標準
• Lineage Tracking: モデル → データ → コードの来歴
• Debugger: 学習中の異常検出
• Profiler: GPU / CPU 利用率の可視化

デプロイのベストプラクティス

• Multi-Model Endpoint(MME): 1 エンドポイントに多数モデル同居、コスト効率良
• Multi-Container Endpoint: 複数コンテナ並列
• Inference Pipelines: 前処理 → モデル → 後処理を 1 エンドポイントで
• Shadow Variant: 本番影響なしで新モデル試験
• A/B テスト(Production Variant): 重み付けトラフィック分散

• Pre-built Containers: TensorFlow / PyTorch / MXNet / Hugging Face / scikit-learn など
• BYOC(Bring Your Own Container): 任意の Docker イメージ
• Inference Recommender: インスタンスタイプ ・ コスト性能の自動推奨
• ONNX: フレームワーク間の中間表現
• Neo: モデルの自動コンパイル(ハード最適化)
• TorchServe / TensorFlow Serving: 推論サーバ

SageMaker Pipelines は ML ワークフローのオーケストレーションツール。Kubeflow Pipelines に対応する位置付けで、前処理 → 学習 → 評価 → モデル登録 → デプロイ をコードで定義し、自動実行できます。

• ProcessingStep: 前処理ジョブ
• TrainingStep: 学習ジョブ
• TuningStep: HPO
• ModelStep: モデル登録
• TransformStep: バッチ推論
• ConditionStep: 分岐制御
• LambdaStep: AWS Lambda 呼出
• CallbackStep: 外部システムとの統合
• EMRStep / NotebookStep
• Caching: 同じステップの再実行を回避

• AWS Step Functions: より汎用的なステートマシン
• Amazon MWAA: マネージド Apache Airflow
• Amazon EventBridge: イベント駆動
• AWS CodePipeline: CI/CD
• AWS CodeBuild: ビルド
• Git 統合: GitHub / GitLab / CodeCommit
• SageMaker Projects: テンプレート化された MLOps プロジェクト

• Model Package Group: モデルファミリ
• Model Package: 学習済モデルのバージョン
• Approval Status: PendingManualApproval / Approved / Rejected
• Stage: dev / test / prod のステージング
• 自動昇格: 評価指標が閾値を満たす場合に Approved
• Lineage: データ → コード → モデル → デプロイの追跡

• Baseline: 学習データの統計を基準として保存
• Constraints / Statistics: 期待される範囲 ・ 統計
• Schedule: 定期実行(時間 ・ 日)
• Alarms: CloudWatch でアラーム設定
• 自動対応: EventBridge → Lambda → 再学習トリガー

• バイアス検出: 学習前(Pre-training)・ 学習後(Post-training)
• バイアス指標: Class Imbalance / DPL / KL / Disparate Impact など 21 種
• 説明可能性: SHAP ベースの特徴量重要度
• Partial Dependence Plots: 個別特徴量の影響
• Online Explainability: 推論時のリアルタイム説明
• LLM 評価: 生成 AI の品質 ・ 安全性評価

• CloudWatch Logs / Metrics: ログ + メトリクス
• CloudTrail: API 呼出監査
• X-Ray: 分散トレーシング
• Cost Explorer + Budgets: コスト可視化 + アラート
• Tags: リソース分類 + コスト配賦
• Compute Optimizer: インスタンス最適化推奨

• IAM: 最小権限、SageMaker Execution Role
• KMS: モデル / データの暗号化
• VPC + Private Endpoint: SageMaker をプライベート接続
• Network Isolation: 学習コンテナをインターネットから切離し
• Secrets Manager: API キー ・ DB パスワード
• S3 Bucket Policies + Object Lock: データ保護
• Macie: S3 内の個人情報自動検出
• GuardDuty: 脅威検出
• Sensitivity labels: 分類済データの統制

• Model Poisoning: 学習データに悪意ある投入。検証 + 異常検知
• Adversarial Examples: わずかな摂動で誤分類。Adversarial Training
• Model Inversion: モデルから訓練データの推測。差分プライバシー
• Membership Inference: 特定データが訓練に含まれたかの推測
• Prompt Injection: 生成 AI への悪意あるプロンプト。Guardrails
• Model Extraction: API 呼出でモデルを複製。レート制限 + 透かし

• Bedrock Guardrails: 生成 AI の入出力制御
• SageMaker Clarify: バイアス検出 + 説明可能性
• Model Cards: モデルの透明性 ・ 制限の文書化
• Data Cards: 訓練データの来歴 ・ 偏り情報
• AI Service Cards: AWS AI サービスの設計 ・ 利用範囲
• 監査ログ: CloudTrail で全操作記録

• Bedrock: 複数の基盤モデル(Claude / Titan / Llama / Mistral / Cohere)を単一 API で
• Knowledge Bases: マネージド RAG
• Agents: ツール使用と行動計画
• Guardrails: 危険トピック ・ PII の遮断
• Model Evaluation: 自動評価 + Human-in-the-loop
• Custom Model Import: 独自モデルの取込み
• Provisioned Throughput: スループット予約
• Batch Inference: 50% 割引

• SageMaker JumpStart: Hugging Face / Meta などの基盤モデル
• SageMaker Fine-tuning: 独自データでの微調整
• SageMaker MLflow: 生成 AI 実験管理
• SageMaker HyperPod: 大規模学習(数千 GPU)
• SageMaker Distributed Training Libraries: SMDDP / SMP

• Amazon Q Developer: コード補完 ・ 説明 ・ デバッグ
• Amazon Q Business: 社内データ Q&A
• Amazon Q in QuickSight: BI / レポート
• Amazon Q in Connect: コンタクトセンター

• Spot Training: 学習 90% コスト削減
• Savings Plans: 1 / 3 年予約割引
• Inferentia / Trainium: AWS 自家製 AI チップで価格性能比改善
• Multi-Model Endpoint: 推論コスト集約
• Serverless Inference: 不定期トラフィックで安価
• Batch Transform: 大量データの一括推論
• SageMaker Inference Recommender: 自動推奨
• Distillation / Quantization: モデル軽量化

1. 第 2 章: 評価指標 / 不均衡対策 / Data Wrangler
2. 第 3 章: SageMaker サブサービス全体像 / Inferentia/Trainium
3. 第 4 章: Built-in / BYOC / Bayesian HPO / Hyperband / MLflow
4. 第 5 章: 推論オプション 5 種 / Multi-Model Endpoint / Inference Recommender
5. 第 6 章: SageMaker Pipelines / Model Registry / Step Functions
6. 第 7 章: Model Monitor 4 種 / Clarify バイアス指標
7. 第 8 章: VPC + Private Endpoint / KMS / Network Isolation
8. 第 9 章: Bedrock / JumpStart / Fine-tuning / Amazon Q

試験当日のコツ

• 65 問 / 130 分 = 1 問 約 2 分
• ケーススタディ: 長文 + 複数問のセット
• 最も○○な答え を選ぶ問題が中心(コスト効率 / 性能 / セキュリティ)
• Practice Exam(AWS 公式)を必ず受ける
• 極端な選択肢に警戒: 『常に』『必ず』は誤答が多い

MLA-C01 合格 → ML Specialty(MLS-C01) で深い数学 ・ アルゴリズム理解、または AWS SAA → AWS SAP でクラウドアーキテクト全般へ。三大クラウド ML を揃えるなら本サイトの[Azure AI-102](/certs/azure-ai-102)・[GCP Generative AI Leader](/certs/gcp-gen-ai-leader)も。