AWS認定資格 WEB問題集＆徹底解説

会員登録/ログイン

正解

A. データドリフト

データドリフトは、モデルの学習に使ったデータの分布と、本番で入力される実データの分布が時間とともにズレていく現象です。
顧客の行動変化・季節性・市場環境の変化などで入力の傾向が変わると、モデル自体は変わっていないのに推論精度が徐々に低下します。
対策は本番データのモニタリングと定期的な再学習であり、「デプロイして終わりではない」というMLOpsの基本論点そのものです。

B. オーバーフィッティング

オーバーフィッティング（過学習）は、モデルが訓練データに適合しすぎて、未知のデータに汎化できなくなる現象です。
これは学習（トレーニング）の段階で発生する問題であり、デプロイ直後から精度が出ないという形で現れます。
本問のように「時間の経過とともに」徐々に劣化する現象とは原因もタイミングも異なるため不適です。

C. バッチ処理

バッチ処理は、データをまとめて一括で処理する実行方式（推論やETLの実行形態）を指す用語です。
リアルタイム推論（オンライン推論）と対比される概念であり、モデルの精度が劣化する現象を表す言葉ではありません。
そもそも精度の話題とは無関係な用語であり、消去できます。

D. 正規化

正規化（Normalization）は、特徴量のスケールを一定の範囲（例 0〜1）に揃えるデータ前処理の手法です。
学習を安定させ収束を早めるための工夫であって、精度が低下する「現象」の名称ではありません。
手法名と現象名を取り違えさせる典型的なダミー選択肢です。

正解への思考ルート

問題文から要件を抽出し、選択肢の適否を判断するのがポイントです。

要件	判断ポイント
本番環境で運用しているモデルの話である	学習時ではなくデプロイ後に起きる問題を問うている。学習段階の問題である過学習は土俵が違う →選択肢（B）を消す
時間の経過とともに精度が低下する	入力データの分布が学習時からズレていくデータドリフトの定義そのもの →選択肢（A）が正解
問われているのは「現象の名称」	バッチ処理は実行方式、正規化は前処理手法であり、どちらも現象の名前ではない →選択肢（C・D）を消す
精度低下への対処を考える	本番データの監視と定期的な再学習が答え。前処理や実行方式を変えても分布のズレは埋まらない →選択肢（A）が正解

ひっかけポイント

• 「精度が落ちる」の一語でオーバーフィッティングに飛びつくのが最大の罠。過学習は学習時点で起きており、デプロイ後に「徐々に」進行するものではない
• 「時間の経過とともに」という語句がドリフトの決定的なキーワード。この語があるかどうかで過学習と切り分ける
• バッチ処理・正規化は「現象」ではなく「手法・方式」。問いが名詞として何を求めているか（現象名か手法名か）を読み違えない
• 入力データの分布が変わるデータドリフトと、入力と正解の関係そのものが変わるコンセプトドリフトは別物。試験ではどちらも「ドリフト」として問われる

出題バリエーション

同じ知識が本番では条件を変えて出題されます。

問題文がこう変わったら	正解はこう変わる
「訓練データでは高精度だが、テストデータでは精度が出ない」	オーバーフィッティング（過学習）が正解に変わる。
「モデルの精度劣化を検知して自動で再学習したい」	Amazon SageMaker Model Monitor によるデータ品質・モデル品質の監視が正解軸に。
「特徴量のスケールがバラバラで学習が安定しない」	正規化・標準化などの前処理が正解に変わる。
「訓練データでもテストデータでも精度が低い」	アンダーフィッティング（学習不足）が論点になる。
「入力と正解ラベルの関係性自体が世の中の変化で変わった」	コンセプトドリフトが正解に変わる（データドリフトとの区別が問われる）。