# コンテンツ分野 4: 機械学習の実装とその運用
<a name="machine-learning-specialty-01-domain4"></a>

**Topics**
+ [タスク 4.1: パフォーマンス、可用性、スケーラビリティ、レジリエンス、耐障害性を備えた ML ソリューションを構築する。](#machine-learning-specialty-01-domain4-task1)
+ [タスク 4.2: 特定の問題に対して適切な ML サービスと特徴を推奨し、実装する。](#machine-learning-specialty-01-domain4-task2)
+ [タスク 4.3: 基本的な AWS セキュリティプラクティスを ML ソリューションに適用する。](#machine-learning-specialty-01-domain4-task3)
+ [タスク 4.4: ML ソリューションをデプロイし、運用可能にする。](#machine-learning-specialty-01-domain4-task4)

## タスク 4.1: パフォーマンス、可用性、スケーラビリティ、レジリエンス、耐障害性を備えた ML ソリューションを構築する。
<a name="machine-learning-specialty-01-domain4-task1"></a>
+ AWS 環境をログに記録し、モニタリングする。
  + AWS CloudTrail と Amazon CloudWatch
  + エラーモニタリングソリューションを構築する。
+ 複数の AWS リージョンと複数のアベイラビリティーゾーンにデプロイする。
+ AMI とゴールデンイメージを作成する。
+ Docker コンテナを作成する。
+ Auto Scaling グループをデプロイする。
+ リソース (インスタンス、プロビジョンド IOPS、ボリュームなど) の適切なサイジングを行う。
+ ロードバランシングを実行する。
+ AWS のベストプラクティスに従う。

## タスク 4.2: 特定の問題に対して適切な ML サービスと特徴を推奨し、実装する。
<a name="machine-learning-specialty-01-domain4-task2"></a>
+ AWS での ML (アプリケーションサービス)。例:
  + Amazon Polly
  + Amazon Lex
  + Amazon Transcribe
  + Amazon Q
+ AWS サービスクォータを理解する。
+ カスタムモデルを構築すべき場合と、Amazon SageMaker 組み込みアルゴリズムを使用すべき場合を判断する。
+ AWS インフラストラクチャ (インスタンスタイプなど) とコストに関する考慮事項を理解する。
  + スポットインスタンスを使用し、AWS Batch を使用して、深層学習モデルをトレーニングする。

## タスク 4.3: 基本的な AWS セキュリティプラクティスを ML ソリューションに適用する。
<a name="machine-learning-specialty-01-domain4-task3"></a>
+ AWS Identity and Access Management (IAM)
+ S3 バケットポリシー
+ セキュリティグループ
+ VPC
+ 暗号化と匿名化

## タスク 4.4: ML ソリューションをデプロイし、運用可能にする。
<a name="machine-learning-specialty-01-domain4-task4"></a>
+ エンドポイントを公開して操作する。
+ ML モデルを理解する。
+ A/B テストを実行する。
+ パイプラインを再トレーニングする。
+ ML モデルのデバッグとトラブルシューティングを行う。
  + パフォーマンスの低下を検出および軽減する。
  + モデルのパフォーマンスをモニタリングする。