AWS認定資格 WEB問題集＆徹底解説

生成AIデベロッパー-プロフェッショナル

正解 B問題
分野2：実装と統合 分野1：基盤モデルの統合、データ管理、コンプライアンス タスクステートメント2.2：モデルデプロイ戦略の実装 タスクステートメント1.2：FM の選定と設定
要復習（もう一度解きたい問題） 1 2 3 4
次の問題前の問題
合格に向けて、もっと深く学習する
豊富な問題と詳細なAWSサービス解説を、24時間無料でお試しいただけます
プレミアム会員機能を無料で試す ❯
問題文と選択肢
ある製薬会社の研究部門は、社内の臨床試験レポートを使ってオープンソースの大規模言語モデルをファインチューニングした。このカスタムモデルを本番環境にデプロイするにあたり、推論に使う GPU インスタンスタイプ（例: ml.g5、ml.p4d 系列）を明示的に選択し、独自のオートスケーリングポリシーを細かく設定できることが要件となっている。

この要件を満たしてカスタムモデルをホストできる AWS サービスはどれか。
  • Amazon Bedrock でカスタムモデルインポート機能を使い、基盤モデル API 経由でホストする。基盤となるコンピューティングリソースの管理は AWS 側に委ねる
  • Amazon SageMaker AI のリアルタイム推論エンドポイントを構築し、GPU インスタンスタイプを明示的に選択したうえで、独自のオートスケーリングポリシーを設定する
  • AWS Lambda 上にモデルをコンテナイメージとしてデプロイし、Lambda の同時実行数の設定のみでスケーリングを制御する
  • Amazon Comprehend のカスタム分類機能でモデルを登録し、そのまま推論エンドポイントとして公開する
解説 頻出度★★★★★
この問題は、「ファインチューニング済みのカスタム LLM × GPU インスタンスタイプを明示的に選ぶ × 独自のオートスケーリングポリシー」という要件で、インフラを自分で制御できるホスティング先を選べるかがポイント

A. Amazon Bedrock でカスタムモデルインポート機能を使い、基盤モデル API 経由でホストする。基盤となるコンピューティングリソースの管理は AWS 側に委ねる

Amazon Bedrock のカスタムモデルインポートは、外部で学習・ファインチューニングしたモデルの重みを取り込み、Amazon Bedrock の統一 API から呼び出せるようにする機能で、カスタムモデルの活用先としては有力な選択肢である。
しかしホスティングはサーバーレスで提供され、GPU インスタンスタイプの指定もオートスケーリングポリシーの定義もできない。
選択肢自身が「コンピューティングリソースの管理は AWS 側に委ねる」と明言しており、本問の「明示的に選択し、細かく設定できること」という要件と真っ向から矛盾する。

正解

B. Amazon SageMaker AI のリアルタイム推論エンドポイントを構築し、GPU インスタンスタイプを明示的に選択したうえで、独自のオートスケーリングポリシーを設定する

正解。Amazon SageMaker AI のリアルタイム推論エンドポイントは、エンドポイント設定で ml.g5 系・ml.p4d 系などの GPU インスタンスタイプとインスタンス数を明示的に指定できる。
スケーリングは Application Auto Scaling と統合されており、ターゲット追跡やステップスケーリングなど独自のポリシーをメトリクス単位で細かく定義できる。
オープンソースの大規模言語モデルをファインチューニングした成果物をコンテナ（推論イメージ）としてデプロイでき、GPU の選定・スケーリング・エンドポイント運用まで自社の要件どおりに作り込める、唯一の適合案である。

C. AWS Lambda 上にモデルをコンテナイメージとしてデプロイし、Lambda の同時実行数の設定のみでスケーリングを制御する

AWS Lambda は GPU をサポートしていないため、GPU インスタンスタイプの選択という要件を最初から満たせない。
コンテナイメージのサイズ上限（10 GB）やメモリ上限の制約もあり、大規模言語モデルの重みを載せて推論すること自体が現実的でない。
同時実行数の設定は流量の制御にはなるが、インスタンスタイプを選ぶ・独自のスケーリングポリシーを組むという要件の代替にはならない。

D. Amazon Comprehend のカスタム分類機能でモデルを登録し、そのまま推論エンドポイントとして公開する

Amazon Comprehend のカスタム分類は、ラベル付きテキストを与えるとマネージドに分類モデルを学習してくれるサービスであり、外部で学習したモデルの重みを持ち込む仕組みではない。
大規模言語モデルをホストする用途にも対応していない。
「カスタム」という語の印象だけで選ぶと外す、役割を取り違えさせるディストラクタである。

これだけ覚える（記憶フック）
インスタンスタイプを自分で選びたいなら SageMaker AI。Amazon Bedrock はインフラを隠すのが売り。
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
社内データでファインチューニングしたオープンソース LLM をホストする 自前のモデル成果物を持ち込めるのは SageMaker AI と Amazon Bedrock のカスタムモデルインポート。学習をサービス任せにする方式は対象外
→選択肢（B・A）は候補／選択肢（D）を消す
推論に使う GPU インスタンスタイプ（ml.g5、ml.p4d など）を明示的に選択したい インスタンスタイプを指定できるのはエンドポイントの背後にインスタンスを持つ SageMaker AI のみ。GPU を持たない実行基盤は即除外
→選択肢（B）が正解／選択肢（C）を消す
独自のオートスケーリングポリシーを細かく設定したい SageMaker AI のエンドポイントは Application Auto Scaling でターゲット追跡・ステップスケーリングを定義できる
→選択肢（B）が正解
「インフラの管理は AWS 側に委ねる」という記述の扱い サーバーレス提供は運用は楽だが、インスタンスタイプもスケーリングポリシーも選べない。本問ではこれが失格条件になる
→選択肢（A）を消す
ひっかけポイント
  • 選択肢 A の Amazon Bedrock カスタムモデルインポートは「カスタムモデルをホストできる」点だけ見ると正しく、本問で最も引っかかりやすい。しかし「基盤となるコンピューティングリソースの管理は AWS 側に委ねる」という一文が、そのまま要件違反の自白になっている
  • 「マネージドの方が常に良い」という試験のセオリーが通用しない問題。インフラを明示的に制御したいと問題文が言っている以上、制御できない方式は不正解になる
  • AWS Lambda には GPU が無い。コンテナイメージでデプロイできるという記述に引きずられないこと（イメージ上限 10 GB・実行時間 15 分の制約もある）
  • Amazon Comprehend の「カスタム分類」は自分でラベルを与えて学習させる機能であって、外部の LLM を持ち込む機能ではない。「カスタム」の語だけで結び付けない
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
「インフラ管理はしたくない。統一 API で他の FM と同じように呼びたい」 Amazon Bedrock のカスタムモデルインポートが正解に反転する。
「推論リクエストが断続的で、アイドル時のコストを抑えたい」 SageMaker AI のサーバーレス推論／非同期推論（ゼロスケール）が正解軸に。
「複数のファインチューニング済みモデルを1 つのエンドポイントに同居させたい」 マルチモデルエンドポイント／推論コンポーネントによるモデル集約が正解軸に。
「モデルのバージョン管理と承認フロー付きの昇格を行いたい」 Amazon SageMaker Model Registry でのバージョニングと承認ステータス管理が正解軸に。
「新モデルを少しずつ本番トラフィックに流して検証したい」 SageMaker AI の本番稼働バリアント（カナリア／リニアのデプロイガードレール）が正解軸に。
関連サービスの解説 Amazon Bedrock
Amazon SageMaker
AWS Lambda
＋ 質問 / コメント
解答・解説に疑問がある場合や、よりよい解説がある場合など、お気軽にコメントください。ただし、短文コメントは表示されません。また、中傷などコメントの内容によっては、会員機能を停止させて頂きます。教え学び合える場になれば嬉しいです。（コメント投稿にはログインが必要です）
正答率 0%
No.14 解説
ある製薬会社の研究部門は、社内の臨床試験レポートを使ってオープンソースの大規模言語モデルをファインチューニングした。このカスタムモデルを本番環境にデプロイするにあたり、推論に使う GPU インスタンスタイプ（例: ml.g5、ml.p4d 系列）を明示的に選択し、独自のオートスケーリングポリシーを細かく設定できることが要件となっている。

この要件を満たしてカスタムモデルをホストできる AWS サービスはどれか。
  • Amazon Bedrock でカスタムモデルインポート機能を使い、基盤モデル API 経由でホストする。基盤となるコンピューティングリソースの管理は AWS 側に委ねる
  • Amazon SageMaker AI のリアルタイム推論エンドポイントを構築し、GPU インスタンスタイプを明示的に選択したうえで、独自のオートスケーリングポリシーを設定する
  • AWS Lambda 上にモデルをコンテナイメージとしてデプロイし、Lambda の同時実行数の設定のみでスケーリングを制御する
  • Amazon Comprehend のカスタム分類機能でモデルを登録し、そのまま推論エンドポイントとして公開する

次の問題前の問題


(会員限定)当問題の評価をお願いします。改善に活用します。
広告

会員機能

お役立ち情報

姉妹サイト

アンケート

サイト情報