MLA機械学習のためのデータ準備
大手金融機関のMLチームは、AWS S3データレイクに格納された顧客取引データを複数のリージョン別チームが利用しています。各チームは自チームのリージョンに対応するレコードのみ（行単位）にアクセスできるよう制限したいと考えています。アクセス制御はIAMロールを通じて一元管理し、AWS Glueデータカタログを介したAmazon AthenaやAmazon EMRからのアクセスすべてに自動的に適用される必要があります。最も適切なアプローチはどれですか？
A各リージョンのデータを別々のS3バケットに格納し、バケットポリシーでIAMロールごとのアクセスを制限する
各リージョンのデータを別々のS3バケットに格納すると、データ重複が発生し、管理・バックアップ・コストが増加します。複数バケット同期の運用負荷も増加します。
BAWS Lake Formationの行レベルフィルタリング機能を設定し、各チームのIAMロールにリージョン固有の行フィルターを適用する
✓ 正解
Glueデータカタログのテーブルに対してIAMロールごとに行フィルター条件を定義でき、Athena・EMR・Redshiftなど対応サービス全体に一元適用されます。シンプルかつ効率的です。
CAWS Glueジョブでリージョンごとにデータを物理分割し、それぞれ別テーブルとしてGlueデータカタログに登録する
各リージョンをGlueで別テーブルとして登録すると、柔軟性に欠け、リージョン追加時の運用コストが増加します。テーブル管理が煩雑になります。
DSageMaker Feature StoreをリージョンごとにFeature Groupを分けて作成し、IAMポリシーでアクセスを制御する
SageMaker Feature Storeはモデル学習用の特徴量管理に最適化されており、リージョン別アクセス制御には設計上不適切です。
解説
AWS Lake Formationの行レベルフィルタリングは、Glueデータカタログのテーブルに対してIAMプリンシパルごとに行フィルター条件を定義できます。Athena・EMR・RedshiftなどLake Formation対応サービスすべてに一元適用されるため、サービスをまたいだ一貫した行単位アクセス制御が実現できます。
選択肢Aの別S3バケット分割は、データ重複と同期・バックアップなどの管理コスト増大を招きます。
選択肢CのGlueで別テーブル化は、リージョン追加時の運用が煩雑で柔軟性に欠けます。
選択肢DのSageMaker Feature Storeはモデル学習用特徴量管理に最適化されており、リージョン別の行レベルアクセス制御には設計上不適切です。
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 →