【単元別_100問】AWS認定AI プラクティショナー[AIF-C01版]の過去問・類似問題_Application of Foundation Models
はじめに
本記事は、最も効率的にAWS認定AI プラクティショナー[AIF-C01版]を合格したい人に向けた記事です。
AWS AIプラクティショナーは、AWSのAIサービスや機械学習の基本的な知識を問う試験で、5つの主要カテゴリに分類されています。
合計85問のうち、合格点は概ね7割(60問正解)ですので、各カテゴリのうち比重の大きな出題範囲を確実に固めるのが合格への最短距離です。
そのため、満遍なく対策するのではなく、割合が最も大きいカテゴリから優先的に学習を進めるための教材を作成しました。
カテゴリ別の出題傾向
AWS AIプラクティショナー試験の設問割合を見ると、以下のカテゴリが他と比較して大きなウェイトを占めていることが一目瞭然です。
・Applications of Foundation Models
・Fundamentals of AI and ML
本Noteでは、Applications of Foundation Modelsのカテゴリで最頻出の問題に絞って問題集、解説を作成しておりますので、下記の方はぜひご活用頂ければと思います。
■対象者
・初学者で効率的に学習を進めたい方
・既に学習を進行しており、Applications of Foundation Modelsのカテゴリが苦手と特定できている方
各カテゴリの内容(参考)
こちらは各カテゴリの概要です。
Fundamentals of AI and ML
AIと機械学習の基礎的な概念を理解することを目的とします。
機械学習モデルの仕組みやトレーニングの基本、AIの歴史などが含まれます。
Fundamentals of Generative AI
生成AIの理論と応用について学びます。
GANや拡散モデルなど、画像やテキスト生成技術の基本を理解することが目標です。
Applications of Foundation Models
近年注目されている大規模言語モデル（LLM）や、Amazon Bedrockを活用した実世界での応用例に焦点を当てます。
特に企業でのカスタマイズや、特定ユースケースにおける活用方法が試験で問われることがあります。
Guidelines for Responsible AI
AI利用時の倫理的側面や、責任あるAI設計・運用に関するベストプラクティスについて理解することを目的とします。
Security, Compliance, and Governance for AI Solutions
AIソリューションを設計する際に必要なセキュリティおよびコンプライアンスについての知識を問います。
下記の練習問題をマスターすれば、Applications of Foundation Modelsのカテゴリの内容はほぼ網羅できるはずです。
初めの5問を無料開示いたしますので、クオリティに応じて購入判断を頂ければと思います。
※本コンテンツを無断転記されている方は全員通報します。無断転記は著作権法により保護されている著作物に対する侵害行為に該当します。(著作権法第17条及び第21条)このため、許可なく本コンテンツを転載または複製することは、法律で禁止されています。無断転記が発覚した場合、損害賠償請求、差止請求等の法的責任が発生しますのでご注意ください。
練習問題 100問
問題1
とある新進の出版会社が、自社で制作した文章生成モデルに基礎的な文法や語彙のパターンを学習させるために、大量の書籍データを用いたトレーニングを実施しています。このプロセスを通じて、モデルは様々なテーマやジャンルに対応できる知識を身につけます。このトレーニング手法の名称として適切なものを選んでください。
a. 転移学習
b. ドメイン適応
c. 事前学習
d. 小規模データ学習
正解: c. 事前学習
解説:
事前学習とは、膨大な書籍データの中から一般的な文法や語彙、文脈をモデルに学習させる段階です。この過程で、モデルは特定のタスクに取り組むための基礎的な知識を習得し、後に実施するファインチューニングによって、より高度な応用が可能になります。たとえば、GPTやBERTといった言語モデルも、この事前学習を経て、幅広いテーマへの適応力が向上します。
他の回答の解説:
a. 転移学習: すでに学習された知識を別のタスクに応用する手法で、基礎トレーニングとは異なります。
b. ドメイン適応: 特定の業界や分野に特化するための調整方法で、基礎学習とは異なります。
d. 小規模データ学習: 少量のデータを使うトレーニング手法で、事前学習のような膨大なデータを用いる方法ではありません。
参考: Amazon SageMaker Clarify – 偏り検出ツール
問題2
ある企業が、新しい顧客データを使ってAIモデルを更新し、既存の知識を維持しながら新しい情報を追加したいと考えています。どの方法が最も効果的でしょうか？
a. モデル再学習
b. 継続的事前学習
c. 微調整
d. ワンショット学習
正解: b. 継続的事前学習
解説
継続的事前学習は、新しいデータを定期的に追加して、既存のモデルを更新する方法です。この方法を使用することで、モデルは新しい情報を取り込む一方で、以前に学習した知識も維持されます。特に継続的にデータが更新される環境では、この手法が最適です。
他の選択肢の解説:
a. モデル再学習は毎回モデルを最初から訓練し直す方法であり、効率的ではありません。
c. 微調整は特定タスク向けに既存のモデルを調整する方法で、定期的な更新には向いていません。
d. ワンショット学習は単一の例で学習する方法であり、新しい情報の追加には適していません。
参考: AWS SageMakerでのモデル学習に関するドキュメント
問題3
ある宇宙探査ミッションで、AIシステムが探査機のコマンドを解釈し、適切に操作する必要があります。このAIは、テキスト分類、要約、翻訳などの基本的な業務タスクに対して高精度で結果を提供することを求められています。公開されているデータセットを使用して、他のモデルと比較する際に最も適した方法はどれでしょうか？
a. インストラクション・チューニング
b. ベンチマークデータセット
c. 強化学習
d. 継続的事前学習
正解: b. ベンチマークデータセット
解説
ベンチマークデータセットは、AIモデルを評価するために標準的に使用されるデータセットであり、他のモデルと比較するために最適です。テキスト分類、要約、翻訳といった標準的な業務タスクにおいて、モデルの性能を評価し、他のベースラインモデルと比較する際に使用されます。これにより、モデルが業界の基準を満たしているか、適切に機能しているかを判断することができます。
他の選択肢の解説:
a. インストラクション・チューニングは、特定のタスクに対してモデルを微調整する手法で、ベンチマークデータセットでの比較評価とは関係ありません。
c. 強化学習は、環境とエージェントの相互作用によって最適行動を学ぶ方法であり、モデル評価には使用されません。
d. 継続的事前学習は、新しいデータを使ってモデルを更新するプロセスであり、評価手法には該当しません。
参考: AWSにおけるベンチマークデータセットの使用方法
問題4
新興企業が、予算制約の中でAIを活用した顧客向け推薦システムを開発しようとしています。一からモデルを事前学習するか、既存のモデルをファインチューニングするかを選択する必要があります。コスト効率の観点から、どちらの方法が適しているでしょうか？
a. ファインチューニングは初期投資が高く、事前学習は低コストである
b. 事前学習済みモデルを再利用するとカスタマイズが難しくなる
c. ファインチューニングはコストを抑えつつ迅速なモデル構築が可能である
d. 事前学習は最小限のデータで高精度なモデルを提供する
正解: c. ファインチューニングはコストを抑えつつ迅速なモデル構築が可能である
解説
事前学習済みモデルのファインチューニングは、既存の知識を活用してモデルをカスタマイズする手法で、トレーニングに必要なリソースを大幅に削減できます。一から事前学習する場合と比較して、計算コストが低く、プロジェクトを迅速に進めることが可能です。特に予算制約がある場合、このアプローチは最適な選択肢となります。
他の回答の解説
a. ファインチューニングは初期投資が低く、事前学習は時間とコストがかかります。
b. 再利用されたモデルは高いカスタマイズ性を持ち、特定タスクへの適応が可能です。
d. 事前学習は大規模データセットを必要とし、小規模データでは効果が限定されます。
問題5
ある小売業者が、カスタマーサービス向けのAIチャットボットを導入し、顧客に対する応答を短く的確にするために、余分な情報を除去する方法を検討しています。この目的に適したプロンプトエンジニアリング手法はどれでしょうか？
a. ネガティブプロンプト
b. 数ショットプロンプト
c. 段階的推論プロンプト
d. ゼロショットプロンプト
ここから先は
¥ 1,200
この記事が気に入ったらチップで応援してみませんか？