MLAMLモデルの開発

Amazon SageMaker Debuggerの主な用途として最も適切なものはどれですか。

A
学習ジョブ実行中のテンソル・勾配・アクティベーションを収集し、勾配消失・爆発などのトレーニング問題をリアルタイムに検出する
✓ 正解
SageMaker Debuggerの核心的な機能であり、学習プロセス中のテンソルデータを継続的に収集・分析して勾配消失・爆発・過学習などの問題をルールベースまたは自動で検出し、学習の効率化とトラブルシューティングを直接支援する。
B
学習データセットの統計的特性を分析し、クラス不均衡や欠損値を自動検出して前処理ルールを提案する
データセットの統計分析や前処理ルールの自動提案はSageMaker Data WranglerやSageMaker Processingが担当する機能であり、SageMaker Debuggerは学習フェーズの内部状態監視に特化しているためこの用途には対応しない。
C
学習済みモデルの推論エンドポイントを管理し、トラフィックに応じてインスタンス数を自動スケーリングする
エンドポイントのスケーリングと推論レイテンシ最適化はApplication Auto ScalingとSageMaker推論機能の組み合わせで実現する領域であり、SageMaker Debuggerは学習ジョブの内部状態監視に特化した別の機能である。
D
複数の学習実験のハイパーパラメータと評価指標を追跡・比較し、最適なモデル設定を自動で選択する
ハイパーパラメータの比較・最適化はSageMaker ExperimentsやAutomatic Model Tuning(HPO)が担う機能であり、SageMaker Debuggerの主な役割は学習中の問題検出であって実験管理・チューニングではない。

解説

Amazon SageMaker Debuggerは、学習ジョブの実行中にテンソル・勾配・アクティベーションなどの内部状態データをリアルタイムで収集・分析し、勾配消失・爆発、過学習といった問題を自動検出します。組み込みルールやカスタムルールを設定することで、問題発生時に学習ジョブを自動停止させることも可能です。 選択肢Bのデータ前処理・クラス不均衡検出はSageMaker Data WranglerやSageMaker Processingが担当する機能であり、Debuggerの用途とは異なります。 選択肢Cの推論エンドポイントの自動スケーリングはApplication Auto ScalingとSageMakerの統合機能であり、Debuggerの範囲外です。 選択肢DのハイパーパラメータのトラッキングはSageMaker ExperimentsやAutomatic Model Tuning(HPO)の機能で、Debuggerの主用途とは異なります。

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 →
MLA の問題一覧に戻る