モデル開発の最初の分かれ道は「そもそも何で作るか」。AWSには、コードを書かずに使える既製のAIサービスから、事前学習モデルを微調整するJumpStart、自分のデータで学習する組み込みアルゴリズム、独自フレームワークのフルカスタムまで段階があります。ここを誤ると、車輪の再発明をしたり、逆に要件に届かなかったり。MLA-C01では「この課題ならどれを選ぶか」が問われます。前の記事は M1-3、全体像は シラバスマップ をどうぞ。
まず上から検討する：4つの選択肢
鉄則は「できるだけ楽な手段から検討する」。上から順に当てはまらないか見ていきます。
| 選択肢 | 中身 | 向いている場面 |
|---|---|---|
| ① AIサービス | Rekognition／Comprehend／Transcribe／Translate など既製API | 一般的な課題（画像認識・翻訳等）をML不要で即解決 |
| ② JumpStart／Bedrock | 事前学習済みの基盤モデル・テンプレ | 生成AI等を素早く展開・自社データで微調整 |
| ③ 組み込みアルゴリズム | SageMaker提供のXGBoost等を自分のデータで学習 | 独自データで分類・回帰・推薦などを作る |
| ④ フルカスタム | TensorFlow/PyTorch等で独自実装（スクリプトモード） | 既存で要件を満たせない高度・特殊な場合 |
代表的なSageMaker組み込みアルゴリズムと用途
③を選ぶとき、課題に合うアルゴリズムを選びます。試験では「この課題に最適なアルゴリズムは？」がよく問われるので、代表例の用途を押さえましょう。
| アルゴリズム | 主な用途 |
|---|---|
| XGBoost | 表形式データの分類・回帰（勾配ブースティング木）。定番の万能選手 |
| Linear Learner | 大規模・高次元データの線形の分類・回帰 |
| Factorization Machines | 疎データの推薦。特徴量の交互作用を捉える |
| K-Means | ラベルなしデータのクラスタリング（グループ分け） |
AIサービスで済むか、自分で作るか
判断の軸はシンプルです。一般的な課題（画像認識・翻訳・文字起こし・感情分析など）はAIサービスで即解決でき、データ収集もモデル学習も不要。逆に、自社固有のデータ・予測対象（独自の需要予測、専門領域の分類など）は、組み込みアルゴリズムやカスタムで自分で学習する必要があります。「まず既製で済まないか」を最初に考えるのがコスト効率の鉄則です。
解釈性とコストも選択の軸
- 解釈性（interpretability）：与信・医療など判断根拠の説明が求められる場面では、線形モデルや決定木系など解釈しやすいモデルを選ぶ。ブラックボックスな高精度モデルより、説明可能性を優先することがある（説明には SageMaker Clarify も活用）
- コスト：精度がわずかに上がっても、学習・運用コストが大きく増えるなら見合わないことも。要件を満たす最小コストの手段を選ぶ
確認クイズ
Q1. あなたは写真共有アプリに、アップロードされた画像から一般的な物体（車・犬・食べ物など）を検出するタグ付け機能を追加したいと考えています。社内にML専門家はおらず、学習データの収集やモデル運用は避け、できるだけ早く実装したい状況です。最も適切なアプローチはどれですか。
Q2. あなたはECサイト向けの商品推薦モデルをSageMakerの組み込みアルゴリズムで構築します。ユーザー数・商品数が非常に多く、各ユーザーが触れた商品はごく一部のため、ユーザー×商品の行列は極端に疎です。特徴量どうしの交互作用も捉えたいと考えています。最も適したアルゴリズムはどれですか。
Q3. あなたは社内文書の要約機能を新たに開発します。大規模言語モデルをゼロから学習するリソースはなく、既存の基盤モデルを素早く立ち上げ、必要に応じて自社データで微調整（ファインチューニング）して使いたいと考えています。最も適したアプローチはどれですか。
Q4. あなたは金融機関で与信審査を支援するモデルを開発します。規制により、なぜその判断に至ったかを第三者に説明できる必要があります。精度は重要ですが、説明できないブラックボックスは採用できません。モデル選択の方針として最も適切なものはどれですか。
よくある質問（FAQ）
Q. まずどこから検討すべき？
A. 一番楽な「AIサービスで済まないか」からです。一般的な課題は既製APIで即解決できます。それで要件を満たせないときに、JumpStart→組み込みアルゴリズム→フルカスタムと検討を進めます。
Q. XGBoostとFactorization Machinesの使い分けは？
A. 一般的な表形式の分類・回帰はXGBoost、極端に疎な推薦データはFactorization Machinesが目安です。
Q. AIサービスとJumpStartの違いは？
A. AIサービス（Rekognition等）はそのまま使う既製API。JumpStartは事前学習モデルをデプロイ・微調整して使う仕組みで、生成AIや独自寄りの要件に向きます。
まとめ
- モデルはAIサービス→JumpStart→組み込みアルゴリズム→フルカスタムの順に「楽な手段から」検討
- 組み込みは用途で選ぶ：表形式＝XGBoost／疎な推薦＝FM／クラスタリング＝K-Means／大規模線形＝Linear Learner
- 一般課題はAIサービスで即解決、固有データは自分で学習
- 解釈性・コストも選択の軸。説明責任がある場面は解釈しやすいモデル＋Clarify
- ➡ 次の記事：M2-2 学習とハイパーパラメータ調整（正則化・自動モデルチューニング・アンサンブル）※準備中
- ➡ 前の記事：M1-3 データ整合性とバイアス対策 ／ シラバスマップ
※本記事はAWS公式試験ガイド(MLA-C01)および各サービスの公開ドキュメントに基づき、エンジニアKが作成しています。サービス仕様は更新されることがあるため、最新は必ずAWS公式でご確認ください。本サイトはAmazon Web Services, Inc.の公式サイトではありません。AWSは同社の商標です。
コメント