MLAMLモデルの開発
あるSaaS企業のデータ分析チームには専任のML研究者がおらず、SQLとPythonの基本操作のみ習得しています。チームは契約解約予測（二値分類）を行うため、S3に保存した表形式データから複数のアルゴリズムを自動比較し、前処理・特徴量変換・ハイパーパラメータ探索を一括で実行したうえで、各モデルの評価指標を並べたリーダーボードと特徴量重要度レポートを得たいと考えています。最小限のコードで実現できる方法はどれですか。
AAmazon SageMaker Autopilot を実行し、表形式データからモデル候補を自動生成してリーダーボードと説明可能性レポートを取得する
✓ 正解
表形式データを与えるだけで前処理・アルゴリズム選択・ハイパーパラメータ探索を自動化し、評価指標のリーダーボードと Clarify による特徴量重要度レポートを生成するため、ML経験が浅いチームでも最小コードで解約予測モデルを構築できる。
BAmazon SageMaker Training Jobs で XGBoost を起動し、手動でハイパーパラメータを調整しながら複数回トレーニングする
XGBoost を1つ起動して手動でハイパーパラメータを調整する方式は、複数アルゴリズムの自動比較もリーダーボード生成も行われず、専任研究者のいないチームには工数が大きく目的の自動化要件を満たさない。
CAmazon SageMaker JumpStart から事前学習済みの画像分類モデルを選び、解約データでファインチューニングする
JumpStart の事前学習済み画像分類モデルは画像入力を前提としており、表形式の解約データには適用できない。アルゴリズム自動比較やリーダーボード生成の要件も満たさず不適切である。
DAWS Glue DataBrew でデータを変換した後、Amazon Athena のクエリで解約率を集計してレポート化する
Glue DataBrew と Athena はデータ変換と集計クエリのためのサービスで、分類モデルの訓練・評価・ハイパーパラメータ探索は実行できない。解約率の単純集計にとどまり予測モデルは得られない。
解説
SageMaker Autopilot は表形式データを入力するだけで、前処理・特徴量エンジニアリング・複数アルゴリズムの選択・ハイパーパラメータ探索を自動実行する AutoML 機能です。
各候補モデルの評価指標を比較したリーダーボードを生成し、SageMaker Clarify と連携して特徴量重要度（説明可能性）レポートも出力するため、ML専門知識が浅いチームでも最小限のコードで高品質なモデルを得られます。
選択肢Bの SageMaker Training Jobs での手動 XGBoost 調整は、アルゴリズム比較もリーダーボードも自動化されず手作業が多い。
選択肢Cの JumpStart の画像分類モデルは表形式の解約予測には不適で、ファインチューニングも目的に合わない。
選択肢Dの Glue DataBrew と Athena は集計・前処理ツールであり、予測モデルの訓練・評価は行えない。
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 →