無料 MLA-C01 無料模試（全20問） ｜本番形式のシナリオ問題で実力チェック。各問は解答するとその場で解説が開きます。
AWS認定 機械学習エンジニア – アソシエイト（MLA-C01）の本番形式の無料模試 です。4つのドメイン（データ準備・モデル開発・デプロイ・監視/セキュリティ）から、本番と同じシナリオ問題 を20問出題します。選択肢をクリックすると正誤と解説が表示されます。間違えた論点は シラバスマップ の各記事で復習しましょう。
本番は65問・130分・1000点満点中720点で合格 。この模試は20問の腕試し版です。正答率8割以上 を一つの目安にしてください。
図：本番形式のシナリオ問題で力試し。間違えた論点を各記事で復習すれば、得点が安定していきます。
ドメイン1：データ準備
Q1. 多数のGPUインスタンスによる分散学習で、全インスタンスが数TBの同一データセットを高スループットで繰り返し読み込む必要がある。現在はS3直読みがボトルネックになっている。最も効果的な構成はどれですか。
A. データをEBSにコピーし各インスタンスに同一ボリュームをアタッチして共有する。
B. S3のTransfer Accelerationを有効化して読み込みを高速化する。
C. データをRDSに取り込み学習時にクエリで取得する。
D. S3にリンクしたFSx for Lustreを作成し、全インスタンスからマウントして供給する。
正解：D FSx for LustreはS3連携で高スループットの共有ファイルシステム。分散学習の同時読み込みに最適。
❌ A：EBSは原則1インスタンス専用で同時共有不可
❌ B：Transfer Accelerationはアップロード高速化で読み込みスループットは上がらない
❌ C：RDSは大量学習データの読み込み基盤に不適
✅ D：S3連携の高スループット共有FS＝要件に一致
Q2. 数十億行・約200カラムのログをS3にCSVで蓄積し、Athenaで毎回3〜4カラムだけ集計している。クエリが遅くスキャン課金も高い。最も効果的な対策はどれですか。
A. データをJSONに変換してAthenaが解析しやすくする。
B. 列指向のParquetに変換し、よく使うキーでパーティション分割する。
C. CSVのままgzip圧縮してサイズを縮小する。
D. データをDynamoDBへ移してキーでクエリする。
正解：B 列指向＋パーティションで必要カラムだけ読み、スキャン量と課金を大幅削減。
❌ A：JSONは行指向で冗長、スキャンは減らない
✅ B：列指向＋パーティション＝要件に一致
❌ C：gzipでも行指向のままで列指向に劣る
❌ D：DynamoDBは列集計分析に不向き
Q3. クリックストリームを、運用コードを最小限に抑えてS3にParquetで保存したい。保存前に各レコードへ派生フィールドを付与する軽い変換も必要。最も適切な構成はどれですか。
A. Data Firehoseの配信ストリームでLambda変換を有効化し、Parquetに変換してS3へ配信する。
B. Kinesis Data Streams＋自作KCLコンシューマでParquet変換しS3へ書く。
C. SQSでバッファしEC2ワーカーで変換してS3へ保存する。
D. MSKと自前運用のKafka Connectで書き込む。
正解：A Firehoseはコード最小でS3へ配信、Lambda変換とParquet変換にも対応。
✅ A：マネージドで変換＋配信＝要件に一致
❌ B：コンシューマ実装が必要でコード最小に反する
❌ C：SQS＋EC2は運用が重い
❌ D：自前Kafka Connectは運用負荷大
Q4. 不正検知の学習データは不正がわずか1%で、「すべて正常」と予測してもAccuracyが高く出てしまう。少数の不正クラスを学習させたい。最も適切な前処理はどれですか。
A. 入力特徴量に標準化を適用してスケールをそろえる。
B. 正常クラスをさらに大量に追加して件数を増やす。
C. 少数クラスのオーバーサンプリングや合成データ生成でクラスのバランスを取る。
D. モデルの層を増やして表現力を高める。
正解：C クラス不均衡（CI）の定石はリサンプリングや合成データでバランス調整。
❌ A：標準化はスケール調整で不均衡対策ではない
❌ B：多数クラス追加は不均衡を悪化させる
✅ C：リサンプリング/合成データ＝要件に一致
❌ D：モデル複雑化では不均衡は解消しない
Q5. バッチ学習したモデルをリアルタイム推論で使っているが、学習時と推論時で特徴量の計算がずれて精度が劣化した。学習用の履歴と低レイテンシ推論で一貫した特徴量を使いたい。最も適切な仕組みはどれですか。
A. 学習用と推論用で別々に特徴量計算を実装し各チームが最適化する。
B. SageMaker Feature Storeで、オフライン（学習）とオンライン（推論）に同じ特徴量定義を共有する。
C. 特徴量をCSVでS3に保存し都度読み込んで使う。
D. 推論用特徴量だけDynamoDBに自前で保持し学習は別途再計算する。
正解：B Feature Storeは定義を共有し、学習と推論のズレ（training-serving skew）を防ぐ。
❌ A：個別実装はズレの原因
✅ B：オフライン/オンラインで定義共有＝要件に一致
❌ C：CSV手運用は一貫性・低レイテンシに弱い
❌ D：二重管理でズレが残る
Q6. 47種類あり大小の順序を持たない「都道府県」という名義カテゴリを線形モデルに入れたい。整数を割り当てると順序を誤って学習する懸念がある。最も適切なエンコーディングはどれですか。
A. 連番の整数を割り当てるラベルエンコーディングをそのまま使う。
B. 都道府県名の文字列をそのまま入力する。
C. min-max正規化で0〜1にそろえる。
D. カテゴリごとに0/1の列を作るワンホットエンコーディングを使う。
正解：D ワンホットは順序を持ち込まず、順序のない名義カテゴリに安全。
❌ A：ラベルは0<1<2の順序を暗示し誤学習を招く
❌ B：多くのモデルは文字列を直接扱えない
❌ C：正規化はカテゴリの数値化ではない
✅ D：順序を持ち込まない＝要件に一致
ドメイン2：モデル開発
Q7. ユーザー数・商品数が非常に多く、購買行列が極端に疎なECで、特徴量の交互作用を捉えた推薦をSageMakerの組み込みアルゴリズムで作りたい。最も適したアルゴリズムはどれですか。
A. K-Meansでユーザーをクラスタに分けて人気商品を推薦する。
B. Linear Learnerで各商品の購入有無を独立に線形予測する。
C. Factorization Machinesで疎な行列の中の特徴量交互作用を捉える。
D. 画像分類用のアルゴリズムを流用する。
正解：C Factorization Machinesは疎な高次元データの交互作用に強く、推薦の定番。
❌ A：K-Meansは個別推薦に弱い
❌ B：Linear Learnerは交互作用を捉えにくい
✅ C：疎データ＋交互作用＝要件に一致
❌ D：画像用は本課題に不適
Q8. 社内文書の要約機能を、大規模言語モデルをゼロから学習せずに素早く立ち上げ、必要なら自社データで微調整して使いたい。最も適したアプローチはどれですか。
A. SageMaker JumpStartで事前学習済みの基盤モデルを選び、デプロイして必要に応じ微調整する。
B. 大規模言語モデルを自前でゼロから設計・学習する。
C. XGBoostで文章を分類して要約を生成する。
D. K-Meansで文をまとめて要約とする。
正解：A JumpStartは事前学習モデルを素早く展開し、ファインチューニングにも対応。
✅ A：素早い展開＋微調整＝要件に一致
❌ B：ゼロから学習はリソース要件に反する
❌ C：XGBoostは生成要約に不適
❌ D：K-Meansは要約生成の手段でない
Q9. 分類モデルが学習データで98%、検証データで72%の精度となり、学習データを丸暗記している。汎化性能を改善したい。最も適切な対策はどれですか。
A. エポック数を大幅に増やす。
B. 層やパラメータを増やしてモデルを複雑にする。
C. 学習率を大きくして速く収束させる。
D. dropoutやL1/L2などの正則化、早期終了、データ拡張を適用する。
正解：D 学習だけ高く検証が低い＝過学習。正則化・早期終了・データ拡張が定石。
❌ A：エポック増は過学習を悪化
❌ B：複雑化は過学習を悪化
❌ C：学習率調整は根本対策でない
✅ D：正則化等＝過学習対策。要件に一致
Q10. 木の本数・深さ・学習率など多数のハイパーパラメータを、できるだけ少ない試行回数で最適化したい。最も適切なアプローチはどれですか。
A. すべての組み合わせを総当りするグリッドサーチを行う。
B. SageMaker 自動モデルチューニング（AMT）のベイズ最適化で有望点を効率的に探索する。
C. 勘で1つの組み合わせを決めて確定する。
D. すべてデフォルト値のままにする。
正解：B ベイズ最適化は過去の結果から有望点を推定し、少ない試行で良い解に到達しやすい。
❌ A：グリッド総当りは試行回数が膨大
✅ B：AMTのベイズ最適化＝要件に一致
❌ C：勘の1点は最適化でない
❌ D：デフォルト固定では改善できない
Q11. 重大疾患のスクリーニングモデルでは、陽性の見逃しが命に関わるため絶対に減らしたい。誤検知は追加検査で許容できる。最も重視すべき評価指標はどれですか。
A. Recall（再現率）を重視し、見逃し（FN）を最小化する。
B. Precision（適合率）を最大化し、誤検知を最優先で減らす。
C. Accuracy（正解率）だけで判断する。
D. RMSEで予測誤差を評価する。
正解：A Recallは見逃しの少なさを表す。見逃しが致命的な場面ではrecall重視。
✅ A：見逃し最小化＝recall重視。要件に一致
❌ B：precision最大化は見逃しを許す方向
❌ C：accuracyは見逃しを直接表さない
❌ D：RMSEは回帰用
ドメイン3：デプロイと運用自動化
Q12. 高解像度画像の推論で、入力ペイロードが大きく1件あたり数十秒かかる。利用側は即時応答を必要とせず、結果はあとで受け取れればよい。最も適切な推論方式はどれですか。
A. リアルタイム推論エンドポイントで同期応答する。
B. サーバーレス推論で同期応答する。
C. 非同期推論エンドポイントでキューに入れ、結果はあとでS3等から受け取る。
D. すべてLambda関数だけで同期処理する。
正解：C 非同期推論は大ペイロード・長時間処理に向き、結果をあとで受け取れる。
❌ A：常時リアルタイムは大ペイロード長時間に不向き
❌ B：サーバーレスは断続トラフィック向け
✅ C：キュー処理＋後で結果＝要件に一致
❌ D：Lambda単体は実行時間・ペイロードに制約
Q13. 社内ツールの推論は日中にときどき呼ばれる程度で利用が読みにくく、アイドル時にコストを払いたくない。初回のコールドスタートは許容できる。最も適切な推論方式はどれですか。
A. リアルタイム推論を24時間プロビジョニングして常時待機する。
B. サーバーレス推論で需要に応じて自動スケールし、アイドル時のコストを抑える。
C. 高性能インスタンスを複数台、常時冗長構成で運用する。
D. 大量データを夜間に一括処理するバッチ変換を使う。
正解：B サーバーレス推論は断続トラフィックに向き、アイドル時のコストを抑えられる。
❌ A：常時プロビジョニングはアイドルコストが無駄
✅ B：断続＋アイドル低コスト＝要件に一致
❌ C：常時冗長はコスト過大
❌ D：バッチは即時推論の用途でない
Q14. 推論サービスを新バージョンへ素早く切り替え、問題があれば即座に旧バージョンへ戻してダウンタイムを最小化したい。最も適切なデプロイ戦略はどれですか。
A. ロールバック手段を用意せず本番を直接上書きする。
B. 一定割合ずつ何日もかけて少しずつ移行する。
C. 旧環境を削除してから新環境を一から構築する。
D. blue/greenで新旧2環境を用意して一気に切り替え、問題時は即座に旧へ戻す。
正解：D blue/greenは2環境で一気に切替でき、問題時は即ロールバック可能。
❌ A：ロールバックなしの上書きは危険
❌ B：段階移行は素早い切替に合わない（canary/linear寄り）
❌ C：旧環境削除では即ロールバックできない
✅ D：2環境切替＋即ロールバック＝要件に一致
Q15. リアルタイム推論エンドポイントのトラフィックが日中急増し夜間はほぼ来ない。固定台数だとピークで遅延、閑散時に無駄が出る。性能とコストを両立したい。最も適切な対策はどれですか。
A. エンドポイントのオートスケーリングで、呼び出し数などの指標に応じて台数を自動増減する。
B. ピークに合わせて常時最大台数で固定する。
C. 最小1台に固定して遅延は許容する。
D. 担当者が負荷に応じて毎回手動で台数を変える。
正解：A オートスケーリングは指標連動で台数を自動調整し、性能とコストを両立する。
✅ A：指標連動の自動増減＝要件に一致
❌ B：常時最大は閑散時に無駄
❌ C：1台固定はピークで遅延
❌ D：手動は遅く属人的
ドメイン4：監視・保守・セキュリティ
Q16. 本番モデルの精度が数か月かけて静かに低下してきた。エラーは出ず、入力データの傾向変化が疑われる。こうした劣化を自動で継続検知したい。最も適切なアプローチはどれですか。
A. 監視せず、利用者から不満が来たら対応する。
B. 担当者が思い出したときにダッシュボードを目視する。
C. SageMaker Model Monitorでベースラインからの逸脱を継続監視し、ドリフトを検知する。
D. 監視せず1年に1回だけ再学習する。
正解：C Model Monitorは本番モデルを継続監視し、ベースラインからの逸脱（ドリフト）を検知する。
❌ A：苦情ベースは手遅れ
❌ B：たまの目視は継続・自動でない
✅ C：継続監視でドリフト検知＝要件に一致
❌ D：年1回では早期検知できない
Q17. 監査のため、あるエンドポイント設定をいつ・どのユーザーが変更したかなど、誰がいつどのAWS APIを呼んだかを記録・追跡したい。最も適切なサービスはどれですか。
A. CloudWatchのメトリクスでCPU使用率を見る。
B. X-Rayで分散トレースを確認する。
C. QuickSightでダッシュボードを作る。
D. CloudTrailのAPI監査ログで、誰がいつどの操作をしたかを追跡する。
正解：D CloudTrailはAPI呼び出しの監査ログを記録し、操作者と日時を追跡できる。
❌ A：CloudWatchは状態監視
❌ B：X-Rayは遅延追跡
❌ C：QuickSightは可視化
✅ D：API操作の監査＝CloudTrail。要件に一致
Q18. 大量のバッチ学習ジョブは途中で中断されてもチェックポイントから再開できる。学習コストをできるだけ大きく削減したい。最も適切な購入オプションはどれですか。
A. すべてオンデマンドで実行する。
B. スポットインスタンスを使い、余剰容量を安価に活用する（中断は再開で対応）。
C. 1〜3年のリザーブドインスタンスを常時確保する。
D. 最も高性能なインスタンスを常時起動する。
正解：B スポットは余剰容量を大幅割引で使え、中断耐性のある学習に最適。
❌ A：オンデマンドは割高
✅ B：中断OKのコスト削減＝スポット。要件に一致
❌ C：リザーブドは常時稼働向け
❌ D：常時高性能はコスト削減に反する
Q19. 大量のデータが入ったS3バケットに、個人情報（PII）が意図せず含まれていないかを自動で検出・分類し、機微なデータの所在を把握したい。最も適切なサービスはどれですか。
A. 担当者がファイルを1つずつ開いて目視確認する。
B. CloudTrailのAPIログからPIIの有無を判断する。
C. Amazon MacieでS3内の個人情報（PII）を自動的に検出・分類する。
D. CloudWatchのメトリクスでPIIを検出する。
正解：C MacieはS3内のPIIを自動で検出・分類し、機微データの所在を把握できる。
❌ A：目視は大量データに非現実的
❌ B：CloudTrailはAPI監査でデータ内容のPII検出はしない
✅ C：S3のPII自動検出＝Macie。要件に一致
❌ D：CloudWatchは監視用
Q20. SageMakerの学習ジョブ用IAMロールを設定する。ジョブが必要とするのは特定S3バケットの読み書きと一部APIだけ。ベストプラクティスに沿った設定はどれですか。
A. 最小権限に従い、必要なS3バケットと必要なAPIへの権限だけを与える。
B. 管理者権限（フルアクセス）を付与する。
C. すべてのジョブで同じ広い権限を共有する。
D. 認証情報をコードに直接書いて権限管理を回避する。
正解：A 最小権限は必要な分だけ権限を与え、漏えい時の被害範囲を最小化する。
✅ A：必要な分だけ＝最小権限。要件に一致
❌ B：フルアクセスは過剰権限
❌ C：広い権限の共有は被害を広げる
❌ D：認証情報の直書きは重大リスク
結果の振り返り 採点後、間違えた問題のドメインを確認し、該当記事で復習しましょう。各ドメインの解説は シラバスマップ からたどれます。正答率8割以上 が安定したら、AWSの無料ハンズオンでSageMakerを実際に触り、本番に備えてください。
※本模試は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がオリジナルに作成した演習問題です。実際の試験問題とは異なります。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