コンテンツ分野 1: AI と ML の基礎

基本的な AI 用語 [AI、ML、深層学習、ニューラルネットワーク、コンピュータビジョン、自然言語処理 (NLP)、モデル、アルゴリズム、トレーニングと推論、バイアス、公平性、フィット、大規模言語モデル (LLM) など] を定義する。

AI、ML、GenAI、深層学習の類似点と相違点を説明する。

さまざまな種類の推論 (バッチ、リアルタイムなど) について説明する。

AI モデルに含まれるさまざまなタイプのデータ (ラベル付きとラベルなし、表形式、時系列、画像、テキスト、構造化データと非構造化データなど) について説明する。

教師あり学習、教師なし学習、強化学習について説明する。

AI/ML が価値を提供できる応用分野 (人間の意思決定の支援、ソリューションのスケーラビリティ、オートメーションなど) を認識する。

AI/ML ソリューションが適切でない場合 (費用対効果の分析、予測ではなく特定の結果が必要な状況など) を特定する。

特定のユースケース (回帰、分類、クラスタリングなど) に適した ML 手法を判断する。

実際の AI 応用例 (コンピュータビジョン、NLP、音声認識、レコメンデーションシステム、不正検出、予測など) を特定する。

AWS のマネージド AI/ML サービス (Amazon SageMaker AI、Amazon Transcribe、Amazon Translate、Amazon Comprehend、Amazon Lex、Amazon Polly など) の機能を説明する。

ML パイプラインの構成要素 [データ収集、探索的データ分析 (EDA)、データ前処理、特徴量エンジニアリング、モデルトレーニング、ハイパーパラメータのチューニング、評価、デプロイ、モニタリングなど] について説明する。

ML モデルのソース (オープンソースの事前トレーニング済みモデル、トレーニング用のカスタムモデルなど) について説明する。

本番環境でモデルを使用する方法 (マネージド API サービス、セルフホスト API など) を説明する。

ML パイプラインの各ステージに関連する AWS のサービスと機能 (SageMaker AI、SageMaker Data Wrangler、SageMaker Feature Store、SageMaker Model Monitor など) を特定する。

ML 運用 (MLOps) の基本概念 (実験、反復可能なプロセス、スケーラブルなシステム、技術的負債の管理、本番稼働の準備、モデルモニタリング、モデルの再トレーニングなど) を説明する。

ML モデルを評価するためのモデルパフォーマンスメトリクス [正解率、曲線下面積 (AUC)、F1 スコアなど] とビジネスメトリクス [ユーザーあたりのコスト、開発コスト、顧客からのフィードバック、投資収益率 (ROI) など] を説明する。