AWS認定資格 WEB問題集＆徹底解説

会員登録/ログイン

1. サービス概要

Amazon Augmented AI (Amazon A2I)は、機械学習の予測結果に人間レビューを組み込むためのHuman-in-the-loopサービスです。 モデルの信頼度が低い場合、規制上の確認が必要な場合、誤判定の影響が大きい場合に、人間が結果を確認・修正するワークフローを構築できます。

A2IはSageMaker AIのHuman review workflowsとして扱われます。 試験では、Textractの帳票抽出、Rekognitionのコンテンツモデレーション、SageMaker AIのカスタム推論などで、低信頼度または重要ケースだけを人間レビューへ回すサービスとして整理します。

2. 主な特徴と機能

2.1 Human-in-the-loop

A2Iは、機械学習モデルの出力を自動処理だけで完結させず、必要なケースだけ人間レビューに送る仕組みです。 信頼度しきい値、業務ルール、ランダムサンプリング、重要項目などを条件にしてレビューを開始できます。

2.2 Flow definition

Flow definitionは、人間レビューをどのワーカーへ割り当て、どのUIで作業し、結果をどこへ出力するかを定義する中心リソースです。 ワークチーム、Worker task template、出力S3、IAMロールなどを関連付けます。

2.3 Human loop

Human loopは、1件のレビュー作業インスタンスです。 TextractやRekognitionの組み込み条件、またはSageMaker AI/独自アプリからのStartHumanLoop APIで開始できます。

2.4 Worker task templateとUI

Worker task templateは、レビューワーカーに表示するHTML/Liquidベースの作業画面です。 文書項目の確認、画像ラベルの承認、不正判定の確認など、タスクに応じてUIをカスタマイズできます。

2.5 ワークフォース

ワーカーは、Private workforce（社内担当者）、Vendor workforce（AWS Marketplaceのベンダー）、Amazon Mechanical Turkから選択できます。 機密データや専門判断が必要な場合はPrivate workforceを選ぶのが一般的です。

2.6 組み込み連携とカスタム連携

TextractとRekognitionにはA2I連携の組み込みワークフローがあり、信頼度条件などで自動的にレビューを開始できます。 SageMaker AIや任意のMLアプリケーションでは、カスタムHuman loopをAPIで開始します。

3. アーキテクチャおよび技術要素

1. Textract、Rekognition、SageMaker AI、または独自アプリがML推論結果と信頼度を生成する。
2. 信頼度しきい値や業務ルールに合致した場合、Flow definitionに基づきHuman loopを開始する。
3. ワーカーがWorker task templateのUIで入力データとモデル結果を確認し、承認・修正・ラベル付けを行う。
4. A2Iがレビュー結果をS3に出力し、アプリケーションやStep Functions/Lambdaが後続処理に利用する。
5. レビュー済みデータをモデル改善、監査証跡、コンプライアンス確認に活用する。
6. IAM、KMS、S3、CloudTrail、CloudWatchでアクセス制御、暗号化、監査を行う。

高リスク処理では、すべてを人間レビューに回すのではなく、自動処理、レビュー、拒否の3段階に分けるとコストと品質を両立しやすくなります。

4. セキュリティと認証・認可

• IAM最小権限: Flow definition作成、StartHumanLoop、S3出力、SageMaker AI/A2Iリソース操作を用途別に制限する。
• S3/KMS: 入力データ、レビュー結果、作業UI関連データをS3ブロックパブリックアクセスとKMS暗号化で保護する。
• Private workforce: 機密データ、医療/金融/本人確認などでは社内ワーカーを使い、外部ワーカーへの露出を避ける。
• データ最小化: レビューUIには判断に必要な情報だけを表示し、不要な個人情報や機密属性を隠す。
• 監査: CloudTrailでAPI操作を記録し、S3出力とレビュー履歴を監査証跡として保持する。
• リージョン整合: TextractやRekognitionなど連携サービスとA2Iリソースは同じリージョンに作成する。

5. 料金形態

A2Iのコストは、レビュー対象件数、ワーカー費用、関連AWSサービスの利用料で構成されます。

• Human loop: レビュー作業の開始数や処理量がコストに影響する。
• ワーカー費用: Private workforceは社内人件費、Vendor/Mechanical Turkは外部ワーカー料金を考慮する。
• 連携サービス: Textract、Rekognition、SageMaker AI、Lambda、Step Functions、S3、KMS、CloudWatchの料金も発生する。
• コスト最適化: 信頼度しきい値やサンプリングでレビュー件数を絞り、重要ケースだけを人間に回す。
• 品質コスト: レビュー人数、合意ルール、再レビュー条件を増やすほど品質は上がるがコストも増える。

6. よくあるアーキテクチャ・設計パターン

• Textract帳票レビュー: 請求書や申込書の低信頼度フィールドだけを人間が確認し、結果をDBへ登録する。
• Rekognitionモデレーション: 不適切コンテンツ判定が曖昧な画像をワーカーがレビューし、公開/非公開を判断する。
• 不正検知レビュー: MLモデルが中リスクと判定した取引を審査担当者へ送り、承認/拒否を決める。
• 医療/金融の確認: 自動判定だけではリスクが高い結果を専門家レビューへ回す。
• モデル改善ループ: 人間レビュー結果を教師データとして蓄積し、SageMaker AIで再学習する。
• 監査ワークフロー: 重要判断の根拠とレビューワーカーの操作を保存し、後から説明可能にする。

7. 設定・デプロイ手順（ハンズオン例）

1. SageMaker AI/A2IでPrivate workforceまたは利用するワークフォースを作成する。
2. Worker task templateを作成し、レビューワーカーに表示する入力、モデル結果、入力欄を定義する。
3. Flow definitionにワークチーム、テンプレート、出力S3、IAMロールを設定する。
4. Textract/Rekognitionの組み込み条件、またはStartHumanLoop APIでレビュー開始条件を実装する。
5. レビュー結果をS3から取得し、Lambda/Step Functions/アプリケーションで後続処理に渡す。
6. CloudTrail、S3暗号化、KMS、ログ保持、レビュー権限を確認する。

8. 試験で問われやすいポイント