1.1標準
複数のモデルを組み合わせて予測する。
ばらつきと性能を評価する。
説明として適切なものを2つ選べ。
× 不正解
アンサンブルは複数モデルを組み合わせて誤差やばらつきを抑える方法だが、遅延・費用・説明性・版管理とのトレードオフを測る。
詳細解説
正しい複数モデルの予測を組み合わせると、誤差やばらつきを抑えられる場合がある
単一モデルの弱点を平均化できる。
単一モデルの弱点を平均化できる。
問題の要件では、複数モデルの予測を組み合わせると、誤差やばらつきを抑えられる場合があるが解決する範囲と、別の工程が担う範囲を分けて判断する。
正しい推論遅延・費用・説明性と、単一モデルとの性能差を測る
複雑化の代償を評価できる。
複雑化の代償を評価できる。
問題の要件では、推論遅延・費用・説明性と、単一モデルとの性能差を測るが解決する範囲と、別の工程が担う範囲を分けて判断する。
誤りモデルを増やせば必ず精度が上がる
相関した誤りや過学習がある。
相関した誤りや過学習がある。
問題の要件では、モデルを増やせば必ず精度が上がるが解決する範囲と、別の工程が担う範囲を分けて判断する。
誤りアンサンブルでは各モデルのデータ・版・出力を記録しなくてよい
再現性と監査が失われる。
再現性と監査が失われる。
問題の要件では、アンサンブルでは各モデルのデータ・版・出力を記録しなくてよいが解決する範囲と、別の工程が担う範囲を分けて判断する。
実際に確かめる
一時的な検証環境で実行できる例です。
AWS公式AIF-C01 Domain 1.1・1.3のアンサンブル、モデル比較、推論コストを確認する。期待される結果
複数モデル化の利点と運用コスト・再現性の課題を説明できる。理解のポイント
- アンサンブル
- ばらつき
- トレードオフ
確認時の注意
- 確認環境: AWS公式AIF-C01試験ガイドとAWS公式ドキュメントの確認
- 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
アンサンブル
複数のモデルの予測を統合して最終結果を出す方法。
誤りの相関
複数モデルが同じ入力で同じ誤りをする度合い。
問題IDAWS-AIF-456
確認環境AWS公式AIF-C01試験ガイドとAWS公式ドキュメントの確認
最終技術確認2026-08-20
誤り・権利侵害を報告