MLAMLモデルの開発
あるスタートアップが、製品レビューテキストのセンチメント分析（positive/negative/neutral分類）のMLモデルをSageMaker上に構築したいと考えています。NLP（自然言語処理）の専門知識が社内になく、オープンソースの事前学習済みモデル（BERTなど）を活用して社内データでファインチューニング（fine-tuning：追加学習）し、独自エンドポイントとしてデプロイしたいと考えています。最小限の開発工数でこの要件を満たすSageMakerの機能はどれですか？
ASageMaker Autopilotでテキスト分類タスクを実行し、自動的に最適なモデルとパイプラインを探索する
SageMaker AutopilotはAutoMLツールとして便利ですが、内部で使用するモデルや処理パイプラインの制御が制限されており、特定の事前学習済みモデル（BERTなど）を指定してファインチューニングする要件には不向きです。
BSageMaker JumpStartのモデルハブからBERTなどの事前学習済みNLPモデルを選択し、ファインチューニングしてエンドポイントにデプロイする
✓ 正解
SageMaker JumpStartのモデルハブではBERT・RoBERTaなど数百の事前学習済みNLPモデルをワンクリックでファインチューニングしエンドポイントにデプロイできます。NLP専門知識が少なく最小工数でモデルを活用したい要件に最適です。
CSageMaker Built-in AlgorithmsのBlazingTextを使って、社内データからテキスト分類モデルをゼロからトレーニングする
BlazingTextはword2vecやfastTextをベースとしたテキスト分類が可能ですが、ゼロからのトレーニングが必要でTransformerベースモデルと比較して精度が低く、高度な文脈理解を要するセンチメント分析には不向きです。
DSageMaker Processing Jobでカスタムスクリプトを実行し、Hugging Faceのモデルリポジトリからモデルをダウンロードしてファインチューニング環境を手動構築する
Processing Jobでのカスタム構築はHugging Faceからのモデルダウンロードや環境構築など多くの開発作業が必要で、最小限の開発工数という要件に反します。SageMaker JumpStartと比べて工数が大幅に増加します。
解説
SageMaker JumpStartは、Hugging FaceのBERT・RoBERTaなど数百の事前学習済みモデルをモデルハブから選択し、ワンクリックでファインチューニングおよびエンドポイントデプロイができるサービスです。NLPの専門知識が少なく事前学習済みモデルを活用したい場合に最適です。
選択肢AのSageMaker Autopilotは、AutoMLツールとして有用ですが、使用するモデルや処理パイプラインの内部制御が制限されており、特定の事前学習済みモデル（BERTなど）を指定してファインチューニングする本要件には不向きです。
選択肢CのBlazingTextは、word2vecやfastTextなどのアルゴリズムをベースとしたテキスト分類に使えますが、Transformerベースのモデルと比較して精度が低く、高度な文脈理解を要するセンチメント分析には劣ります。
選択肢DのProcessing Jobでの手動構築は、Hugging Faceからのモデルダウンロードや環境構築など多くのカスタム開発が必要となり、最小限の開発工数という要件に反します。
ドメイン別正答率・予想スコアでリアルタイムに実力把握
無限ノックでMLAを徹底対策。全問AI生成のオリジナル問題。
無料で演習を始める →