確認済みラベル付きの問い合わせから分類モデルを学習し、学習済みモデルを保存した。運用では、そのモデルを固定し、新しい問い合わせへカテゴリを返す。
新しい入力を渡すたびにモデルを再学習する仕組みは含めない。1件ずつ処理する場合と、夜間に多数の入力をまとめて処理する場合を比較する。
この流れの説明として適切なものを2つ選べ。
モデルをデータから作る学習と、保存したモデルを入力へ適用する推論を区別する。新しい入力、多数の入力、参考文書の追加だけでは、固定したモデルの再学習を意味しない。
詳細解説
本問は推論時にモデルを固定している。入力を与えて出力を得ることを、そのまま再学習やモデル更新の実行と扱わない。
まとめて学習済みモデルを適用するバッチ推論もある。件数や実行時刻ではなく、処理の目的とモデルを学ぶかどうかで区別する。
推論の入力へ情報を加えることと、モデルの学習済みパラメータを更新することは別である。参考情報を使えることだけでは再学習を実行したとはいえない。
データからモデルを得る段階である。保存したモデルを新しい入力へ適用する段階とは分ける。
既に学習したモデルを使って出力を得る。処理する件数が多くても、それだけで学習に変わるわけではない。
公式資料で確認する
以下の項目を公式資料の記述と照合して確認します。
SageMaker AIの学習と推論・バッチ推論、AWSのRAGの説明を確認する。架空の分類処理で、学習データ、保存モデル、新しい入力、出力、モデルを更新する処理の有無を図に整理する。モデルの訓練やAPI呼び出しは行わない。
参考にした公式資料
確認できる内容
学習、1件の推論、バッチ推論を区別できる。新しい入力や参考文書を使うことだけで、固定モデルの重みが再学習されたとは説明しない。
理解のポイント
- 学習と利用
- 固定モデル
- バッチ推論
- 入力と重みの更新
確認時の注意
- 確認環境: 現行AIF-C01の該当Taskと関連するAWS一次資料の確認。架空の例で概念を比較し、実モデルの訓練・推論は行わない。
- AWS公式ドキュメントで、対象サービスが提供する機能と前提条件を確認する。
- モデル、データ、アプリケーション、利用者の責任分界を混同しない。
基礎のおさらい
モデルを得る処理と利用する処理を分ける
学習はモデルを作る段階で、推論はそのモデルを入力へ適用する段階である。運用中に再学習を組み込む場合もあるが、本問ではモデルを固定している条件を保つ。
件数と方式を混同しない
多数の入力をまとめて処理しても、保存済みモデルを使うだけならバッチ推論である。リアルタイムか夜間かという実行方法を、学習か推論かという役割の違いへ置き換えない。
入力情報と重みの更新を分ける
参考文書を添えて出力を得る方法では、モデルの再学習をせずに新しい情報を入力として利用できる。参照資料の更新や入力の追加と、学習済みパラメータを更新する作業は別に確認する。