機械学習開発ライフサイクル

の開発は、データを集めてモデルを作れば終わりではありません。 AIF-C01では、各工程の名前と目的、そこで使うAWSサービスを結び付けて答えられることが求められます。

概要

開発ライフサイクルは、業務課題の定義から始まり、運用と監視を経てへ戻る循環です。

工程の中で最も時間がかかるのは、データ収集から前処理までの前半です。試験では「精度が上がらないときにまず見るのはどこか」という文脈で、データ側の工程が答えになることが多くあります。

主要技術

①業務課題の定義

最初に、何をどれだけ改善したいのかを業務の言葉で決めます。ここで決めた業務指標が、後の評価の基準になります。

決めること	例
解きたい課題	問い合わせの一次対応を自動化したい
のタスク
成功の基準	一次対応の自動化率60パーセント、誤振り分け率5パーセント以下
許容できる誤り	誤振り分けは人間が修正できる

⚠️ 頻出: 課題定義を飛ばしてモデルを作り始めるのは典型的な失敗です。評価の基準がないため、良し悪しを判定できません。

②データ収集と探索的データ分析

必要なデータを集め、その中身を確認します。 (EDA) では、分布、欠損、、相関、偏りを見ます。

工程	目的	AWSサービスの例
データ収集	学習に使うデータを集約します。	、
探索的データ分析	傾向と品質を確認します。	Studio、、（旧 Amazon QuickSight）

Point

EDA = Exploratory Data Analysis（探索的データ分析） の略です。
explore は「探索する」 で、仮説を決め打ちせずデータを眺めて性質をつかむ作業を指します。
和訳
- exploratory: 探索的な、調査の
- Weblio英和辞書「exploratory」

③前処理と特徴量エンジニアリング

学習できる形へデータを整えます。

作業	内容
欠損値の処理	補完するか、その行を除きます。
正規化・標準化	値の範囲を揃えます。
カテゴリー変数の変換	文字列を数値表現へ変えます。
	生データから予測に効く特徴を作り出します。
データ分割	学習用、検証用、テスト用に分けます。

特徴量エンジニアリングは、従来のでは精度への影響が大きい工程です。やではモデル側が特徴を学ぶため、この工程の比重は下がります。

⚠️ 頻出: 検証用とテスト用のデータを学習に使うとデータ漏えい (リーク) が起き、評価が実際より良く見えます。

AWSサービス	役割
Data Wrangler	前処理と変換をGUI中心で行います。
Amazon SageMaker Feature Store	作ったを保存し、学習とで共有します。
、	大規模なデータ変換とクレンジングを行います。

④学習とハイパーパラメーター調整

用意したデータでモデルを学習させ、設定値を調整して性能を上げます。

用語	内容
学習ジョブ	データとアルゴリズムを指定してモデルを作る処理です。
	学習率、バッチサイズ、エポック数など、学習前に人間が決める値です。
自動モデルチューニング	ハイパーパラメーターの組み合わせを自動で探索します。

の自動モデルチューニングは、この探索を並列に実行します。

⑤評価

学習に使っていないデータでモデルの性能を測ります。機械的な指標と業務指標の両方で判断します。

種類	例
モデルの指標	、、、、、
業務の指標	自動化率、対応時間の削減、売上への寄与、1件あたりのコスト

⚠️ 頻出: モデルの指標が良くても業務指標が改善しないなら、そのモデルは本番へ出す価値がありません。

⑥デプロイと推論の形

評価を通ったモデルを本番で使える形にします。の形は要件によって選びます。

推論の形	特徴	向く要件
	常時稼働の推論へ都度リクエストします。	低遅延の応答が必要な場面
	リクエストに応じて自動で起動と縮退をします。	断続的なトラフィック
	大きな入力をキュー経由で処理します。	処理時間が長い推論
バッチ変換	大量データを一括で処理します。	夜間の一括スコアリング

また、モデルの入手方法にも選択肢があります。

入手方法	内容	判断ポイント
マネージドの利用	やAI サービスのAPIを呼び出します。	運用負荷を最小にしたい場合
済みモデルの利用	などから取得して調整します。	自社データで調整したい場合
自前での学習	データを用意して学習させます。	独自性が競争力になる場合

⑦監視と再学習

本番運用後は、入力データの傾向やモデルの性能を継続的に監視します。

監視の対象	起きる問題	対応
入力データの分布		を検討します。
予測の分布と精度		再学習またはモデル差し替えを行います。
指標	属性間の偏りの拡大	データとを見直します。
遅延とエラー率	応答遅延、失敗	実行基盤を見直します。

これらの監視を担ってきた Model Monitorは、2026年7月30日に新規の利用者の受け付けを終えました。新しく作る場合は、AWSが案内する監視ソリューション (SageMaker AIのMLflowとEvidently AI) とで、データ品質、モデル品質、バイアスのずれを監視します。

⑧生成AIを含むパイプラインとAWSのサービス

を使うアプリケーションでも、課題の定義、データの準備、評価、デプロイ、監視という流れは同じです。ただし、モデルを一から学習させる代わりに、既存の基盤モデルを選んで使うことが多くなります。

工程	主なサービス	役割
データの分析と可視化	()	データを可視化し、業務の指標や効果を確かめます。
モデルの選択と呼び出し		基盤モデルを選び、で呼び出します。やも組み合わせます。
独自モデルの学習と運用		自社データでモデルを学習させ、の環境を運用します。
アプリケーションの開発		要件、設計、タスクを文書にしてから、AIエージェントにコードを書かせます。
業務利用者への提供	Amazon Quick	社内データに基づく回答や業務の自動化を、開発せずに提供します。

試験対策

①工程とサービスの対応

問題文のキーワード	工程	代表的なサービス
データの分布や欠損を確認したい		Studio、
ラベルを付けたい	データ準備	社内の担当者や委託先による注釈と、複数人の判定の集約
前処理をGUIで行いたい	前処理	SageMaker Data Wrangler
を学習とで共有したい	特徴量管理	SageMaker Feature Store
設定値の最適な組み合わせを探したい	調整	SageMaker AIの自動モデルチューニング
学習からデプロイまで自動化したい	ワークフロー	SageMaker Pipelines
本番の精度低下を検知したい	監視	監視ソリューションと
夜間に大量データをまとめて推論したい	推論	バッチ変換
を選んでで呼び出したい	モデルの選択と推論
アプリケーションを仕様から開発したい	アプリケーションの開発

②よくある誤答

精度不足の対策としてアルゴリズム変更を第一に選ぶこと。多くの場合はデータの量、品質、が原因です。
で調整を繰り返すこと。テストデータは最終確認用に取り置きます。
デプロイで完了と考えること。監視とまで含めて運用です。
新しく作る構成で Ground TruthやModel Monitorを選ぶこと。どちらも2026年7月30日に新規の利用者の受け付けを終えています。