MLAMLモデルの開発
金融サービス企業が与信デフォルト予測モデルの構築を計画しています。プロジェクトチームはビジネスアナリストと業務担当者で構成され、MLの専門知識を持つデータサイエンティストがいません。50万件のラベル付き顧客データがAmazon S3にCSV形式で格納されています。また、規制当局の要件として予測に寄与する特徴量の重要度レポートの提出が義務付けられています。MLスキルのないチームが全要件を最もすばやく満たすSageMaker機能はどれですか？
ASageMaker JumpStartで金融業界向けの事前学習済みモデルを選択し、顧客データでファインチューニングを実施する
SageMaker JumpStartは主にNLPや画像分類向けの事前学習済みモデルを提供します。表形式の与信デフォルト予測に適したモデルは少なく、ファインチューニングにはMLの専門知識が必要であり、このチームには適していません。
BSageMaker Autopilotでデータ探索・特徴量エンジニアリング・モデル選択を自動化し、特徴量重要度レポートを自動生成する
✓ 正解
SageMaker AutopilotはMLスキルなしで全工程を自動化するAutoMLサービスです。データ探索から特徴量エンジニアリング・モデル選択まで自動で行い、SageMaker Clarifyとの統合によりSHAP値ベースの特徴量重要度レポートも自動生成します。
CSageMaker Ground Truthでラベリングワークフローを構築し、アノテーション品質を確保してからモデル学習に進む
SageMaker Ground Truthはデータラベリングのためのサービスです。今回はすでに50万件のラベル付きデータが揃っているためGround Truthは不要であり、モデル構築・説明可能性の要件を満たすことができません。
DSageMaker Processing Jobsとscikit-learnカスタムコンテナで前処理・特徴量生成・モデル学習をカスタム実装する
SageMaker Processing Jobsはカスタムスクリプトを実行する基盤であり、前処理・学習ロジックの実装にMLエンジニアリングの専門知識が必要です。MLスキルのないチームでの運用は困難で、開発期間も長くなります。
解説
SageMaker AutopilotはMLの専門知識なしにMLパイプライン全体を自動実行するAutoMLサービスです。データ探索・自動特徴量エンジニアリング・複数アルゴリズムの試行・ハイパーパラメータ最適化・最良モデルの選択まで自動化します。さらにSageMaker Clarifyと統合しており、SHAP値ベースの特徴量重要度レポートを自動生成できるため、規制当局への説明可能性要件にも対応できます。トレーニングに使用したノートブックコードも自動生成されるため、後から詳細を確認・カスタマイズすることも可能です。
選択肢AのSageMaker JumpStartは主にNLPや画像分類向けの事前学習済みモデルを提供するサービスです。表形式の与信データに適したモデルは少なく、ファインチューニングにはMLの専門知識が必要であり、MLスキルのないチームには適していません。
選択肢CのSageMaker Ground Truthはデータラベリングサービスです。今回はすでにラベル付きデータが用意されているためGround Truthを使う必要はなく、モデル構築の要件を直接満たしません。
選択肢DのSageMaker Processing Jobsはカスタムコードを実行する汎用基盤であり、Pythonスクリプトの設計・実装にMLエンジニアリングの専門知識が不可欠です。MLスキルのないチームへの展開は困難です。
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 →