おはようございます、YASUです。
AWS Certified AI Practitioner(AIF)、合格しました。以前このブログで何度か学習ノートをまとめてきましたが、今日はその集大成として、最終的に整理できたポイントを振り返っておきます。
結論
AIFは「基礎レベル」という位置づけですが、単なる用語の暗記では太刀打ちできない、シナリオベースの応用問題が多く出題される試験でした。最終的に効いたのは、個別の知識を覚えることよりも、いくつかの「判断軸」を自分の中に持っておくことでした。
判断軸1:モデルの説明可能性は、性能と逆相関する
「説明可能性が高いモデルを選べ」という問題では、性能の高さと説明可能性の高さを混同しないことが重要でした。
- 説明可能性が高い:線形回帰、ロジスティック回帰、決定木
- 説明可能性が低い:サポートベクターマシン(非線形カーネル)、ランダムフォレスト、ニューラルネットワーク
「性能が高い=説明もしやすそう」という直感は、実はこの分野では逆に働きます。複雑で高性能なモデルほど、中身がブラックボックス化しやすいというトレードオフを意識しておくと、迷わず判断できました。
判断軸2:「作る」か「見つける」か、「テキスト」か「画像」か
生成タスクとモデルアーキテクチャの対応関係を問う問題では、用語が直接出てこないことが多く、言い回しから逆算する必要がありました。
- 「新しいキャッチコピーを考えて」→ Transformer(文章生成が得意)
- 「商品画像を新しく生成したい」→ 拡散モデル(ノイズから画像を作り出す)
- 「画像の中の特定の要素を識別・検出したい」→ オブジェクト検出モデル
「作る(生成)」か「見つける(検出)」か、そして「テキストか画像か」という2軸で整理しておくと、見慣れない言い回しにも対応しやすくなりました。
判断軸3:重みを変えるかどうかで、手法を選ぶ
プロンプトエンジニアリング・RAG・ファインチューニングの使い分けも、頻出のテーマでした。
- プロンプトエンジニアリング:モデルには触れず、聞き方だけを工夫する
- RAG:モデルには触れないが、外部の資料を検索してプロンプトに含める
- ファインチューニング:モデルに追加学習させて、重みそのものを書き換える
「モデルの重みは変更したくない」という条件が出てきたら、その時点でファインチューニングを除外できる、という判断軸が使えます。コストと手間の観点では、プロンプトエンジニアリング→RAG→ファインチューニングの順に試すのが一般的なアプローチとされています。
判断軸4:責任あるAIの用語は、個別に押さえる
この分野は用語同士が似ていて混同しやすいので、最後まで意識的に整理しました。
- Hallucination:事実と異なる情報をもっともらしく生成してしまう現象
- Bias:学習データの偏りにより、特定グループに不公平な結果をもたらす現象
- Guardrails:有害コンテンツのフィルタリングなど、出力を安全にコントロールする仕組み
また「組織が生成AIを導入する際、最初に行うべきこと」を問う問題では、モデル選定より先に「横断的なガバナンス体制の構築」が優先される、という考え方も繰り返し出てきました。
推論パラメータの整理
- Temperature:低くすると決定論的で一貫性のある出力に、高くすると多様な出力になる
- Top-K:次に生成する単語の候補を、確率が高い順に上位いくつかへ絞り込む
- Max Tokens:一度の応答で生成できるトークン数の上限。長さとコストをコントロールする
振り返って感じたこと
この試験を通して一番実感したのは、「簡単だと思っていた分野ほど、実は足元をすくわれやすい」ということでした。AIとMLの基礎という、一見当たり前に思える範囲でも、油断せず最後まで丁寧に復習した回だけ、しっかり結果が伴いました。逆に、しっかり対策できていた基盤モデルの応用や責任あるAIの分野は、繰り返しの演習が確実に力になっていました。
まとめ
- モデルの説明可能性は、性能の高さと逆相関するというトレードオフを意識する
- 生成タスクとモデルの対応は「作る/見つける」「テキスト/画像」の2軸で整理する
- プロンプトエンジニアリング・RAG・ファインチューニングは「重みを変えるか」で判断する
- 責任あるAIの用語(Hallucination、Bias、Guardrails)は個別に押さえておく
- 基礎的な分野ほど、油断せず最後まで丁寧に見直すことが大事
何度もつまずきながら整理してきた内容が、最終的にきちんと結果に繋がって、素直に嬉しいです。次はDVA(Developer Associate)に向けて、また新しい範囲の学習を進めていきます。それでは、また明日!
コメント