AWS認定資格 WEB問題集＆徹底解説

機械学習エンジニア–アソシエイト

正解 D問題
分野2：ML モデルの開発 タスクステートメント2.1：モデリングアプローチの選択
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
通信インフラ企業は、広範囲に展開するネットワーク機器の安定稼働を最重要視しています。しかし、機器の突発的な故障により、サービスの計画外停止が発生し、運用コストの増加や顧客からの信頼低下が課題となっています。同社は、各機器に搭載されたセンサーから継続的に収集される稼働時間、内部温度、電源電圧、通信エラー率などの膨大な時系列データを活用し、将来の故障時期を事前に把握する予測保守システムを構築することを決定しました。これにより、メンテナンスのタイミングを最適化し、ダウンタイムを最小限に抑えたいと考えています。 この要件を満たすため、Amazon SageMakerの組み込みアルゴリズムの中から最も適切な選択肢を選んでください。
  • K-Meansアルゴリズムを使用して、センサーデータにおける異常な動作パターンをクラスター化し、新たなデータがどのクラスターに属するかで故障リスクを評価する。
  • Random Cut Forest (RCF) アルゴリズムを適用し、センサーデータの異常値をリアルタイムで検出し、これを潜在的な故障の早期兆候としてアラートを生成する。
  • XGBoostなどの分類アルゴリズムを導入し、複数のセンサー値を特徴量として機器の状態を『正常』または『要点検』に分類し、予防保守の必要性を判断する。
  • DeepARアルゴリズムを利用し、多数の機器から収集した関連する時系列データ（センサー値や故障履歴）をまとめて学習させ、各機器の将来のセンサー値の推移を確率的に予測することで、故障が発生する時期を事前に見積もる。
解説 頻出度★★★★★
この問題は、「時系列センサーデータ × 将来の故障“時期”を予測」という要件に対し、クラスタリング・異常検知・分類ではなく時系列予測アルゴリズムである DeepAR を選べるかがポイント

A. K-Meansアルゴリズムを使用して、センサーデータにおける異常な動作パターンをクラスター化し、新たなデータがどのクラスターに属するかで故障リスクを評価する。

K-Means は教師なしのクラスタリングアルゴリズムで、似たデータ点をグループにまとめるものです。センサーデータの動作パターンを類型化して「普段と違う群」を見つける下ごしらえにはなりますが、時間軸を扱う仕組みを持ちません。
「どのクラスターに属するか」が分かっても、それは現在の状態の分類にすぎず、「あと何日で故障するか」という将来の時期には答えられません。本問の中心要件を満たしません。

B. Random Cut Forest (RCF) アルゴリズムを適用し、センサーデータの異常値をリアルタイムで検出し、これを潜在的な故障の早期兆候としてアラートを生成する。

Random Cut Forest（RCF）はストリーミングデータの異常検知に特化した組み込みアルゴリズムで、「今流れてきたデータ点が異常か」に異常スコアを付けます。故障の兆候をリアルタイムに捉える用途としては優秀です。
しかし検知できるのは「すでに異常が現れた瞬間」であり、将来のいつ故障するかを見通すものではありません。本問は「メンテナンスのタイミングを最適化する」ために事前に時期を把握したいので、異常が出てからのアラートでは要件に届きません。

C. XGBoostなどの分類アルゴリズムを導入し、複数のセンサー値を特徴量として機器の状態を『正常』または『要点検』に分類し、予防保守の必要性を判断する。

XGBoost による分類は、現在のセンサー値を特徴量として機器を『正常／要点検』に振り分けるアプローチです。予測保守の実装として現実的な手法ではありますが、この選択肢が返すのは「今この機器がどちらの状態か」という現時点のラベルです。
本問が求めているのは「将来の故障時期」という時間軸上の予測であり、選択肢の説明に「いつ」に相当する要素がありません。時系列データを持ちながら時間軸を捨てて静的な分類に落とす点で、要件に対して最適とは言えません。

正解

D. DeepARアルゴリズムを利用し、多数の機器から収集した関連する時系列データ（センサー値や故障履歴）をまとめて学習させ、各機器の将来のセンサー値の推移を確率的に予測することで、故障が発生する時期を事前に見積もる。

DeepAR は、多数の関連する時系列をまとめて学習し、将来の値を確率的（分位数）に予測する RNN ベースの組み込みアルゴリズムです。「多数の機器から集めた、似た性質の時系列が大量にある」という本問の状況は、DeepAR が ARIMA や ETS などの単一時系列手法より優位になる典型的なケースです。
稼働時間・内部温度・電源電圧・通信エラー率の推移を将来に向けて予測できるため、劣化がしきい値に達する時期＝故障が起こりそうな時期を事前に見積もることができ、メンテナンス計画の最適化に直結します。
4 択の中で唯一、時間軸に沿って「いつ」に答えられるアルゴリズムであり、これが正解です。

これだけ覚える（記憶フック）
「いつ」を問われたら時系列予測＝DeepAR。K-Means は分類の下ごしらえ、RCF は「今おかしい」、XGBoost は「今どっち」。
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
センサーから継続的に収集される膨大な時系列データ 多数の機器＝関連する時系列が大量にある状況。DeepAR が最も力を発揮する前提
→選択肢（D）は候補
「将来の故障時期を事前に把握する」＝いつ壊れるかを予測したい 時間軸上の未来を予測できるのは時系列予測（forecasting）アルゴリズムだけ
→選択肢（D）が正解
メンテナンスのタイミングを最適化したい（事前計画が目的） 異常が出てからのアラートでは遅い。RCF は「今の異常」しか教えない
→選択肢（B）を消す
求めているのは現在の状態判定ではない K-Means（クラスタリング）・XGBoost（分類）はいずれも現時点のラベル付けにとどまる
→選択肢（A・C）を消す
SageMaker の「組み込みアルゴリズム」から選ぶ 時系列予測の組み込みアルゴリズムは DeepAR（サービスなら Amazon Forecast 系）
→選択肢（D）が正解
ひっかけポイント
  • 選択肢 B の RCF は「予測保守＝異常検知」という連想で最も選ばれやすい罠。RCF が答えるのは「今おかしいか」であって「いつ壊れるか」ではない
  • 選択肢 C の XGBoost 分類も実務では有力だが、この選択肢の記述は『正常』か『要点検』かという現在の 2 値分類にとどまり、問題文の「故障時期」に答えていない
  • 「異常検知」「クラスタリング」「分類」「時系列予測」の 4 タスクを 1 問で並べるアルゴリズム選定の定番構成。問題文の動詞（検知する／分類する／予測する）で要求タスクを見極める
  • DeepAR が出力するのは将来値の確率的予測（分位数）であり、「故障確率」というラベルを直接吐くわけではない。予測した値としきい値を突き合わせて故障時期を見積もる点を押さえる
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
「稼働中のセンサーストリームから今この瞬間の異常を即座に検知したい」 Random Cut Forest（RCF） が正解に。Kinesis Data Analytics との組み合わせも頻出。
「過去の故障ラベル付きデータから30 日以内に故障するか否かを判定したい」 XGBoost などの二値分類が正解軸に。時間窓を切ればタスクは分類になる。
「アルゴリズムを自分で選ばず、マネージドサービスで設備の異常を検知したい」 Amazon Monitron / Amazon Lookout for Equipment が正解軸に。
「小売の商品需要を将来 3 か月分予測したい」 同じ時系列予測でも、組み込みなら DeepAR、フルマネージドなら Amazon Forecast 系が候補。
「ラベルの無いセンサーデータをまず類型化して傾向を掴みたい」 K-Means によるクラスタリングが正解軸に。探索的分析のフェーズの話になる。
関連サービスの解説 Amazon SageMaker
リファレンス この問題を解くために必要な知識を扱う公式ドキュメントです。
知識項目 公式ドキュメント
時系列予測の組み込みアルゴリズム（複数の関連時系列の確率的予測） SageMaker AI DeepAR 予測アルゴリズムを使用する - Amazon SageMaker AI
＋ 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 59%
No.14 解説
通信インフラ企業は、広範囲に展開するネットワーク機器の安定稼働を最重要視しています。しかし、機器の突発的な故障により、サービスの計画外停止が発生し、運用コストの増加や顧客からの信頼低下が課題となっています。同社は、各機器に搭載されたセンサーから継続的に収集される稼働時間、内部温度、電源電圧、通信エラー率などの膨大な時系列データを活用し、将来の故障時期を事前に把握する予測保守システムを構築することを決定しました。これにより、メンテナンスのタイミングを最適化し、ダウンタイムを最小限に抑えたいと考えています。 この要件を満たすため、Amazon SageMakerの組み込みアルゴリズムの中から最も適切な選択肢を選んでください。
  • K-Meansアルゴリズムを使用して、センサーデータにおける異常な動作パターンをクラスター化し、新たなデータがどのクラスターに属するかで故障リスクを評価する。
  • Random Cut Forest (RCF) アルゴリズムを適用し、センサーデータの異常値をリアルタイムで検出し、これを潜在的な故障の早期兆候としてアラートを生成する。
  • XGBoostなどの分類アルゴリズムを導入し、複数のセンサー値を特徴量として機器の状態を『正常』または『要点検』に分類し、予防保守の必要性を判断する。
  • DeepARアルゴリズムを利用し、多数の機器から収集した関連する時系列データ（センサー値や故障履歴）をまとめて学習させ、各機器の将来のセンサー値の推移を確率的に予測することで、故障が発生する時期を事前に見積もる。

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