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
解説
正解はDです。Factorization Machines（FM）は、高次元でスパースなデータセット、特にレコメンデーションシステムで頻繁に遭遇するユーザーとアイテムのインタラクションデータにおいて非常に効果的です。FMは、線形モデルの一般化として、特徴量間の2次（またはそれ以上）の相互作用をモデル化する能力を持っています。これにより、ユーザーの過去の評価や視聴行動といった明示的なデータだけでなく、「特定のジャンルを好むユーザーは特定の監督の作品も好む」といった、複数の特徴間の隠れた関連性や相互作用を捉えることができ、スパースなデータからでも精度の高い予測を可能にします。
選択肢 A：FMは潜在因子を学習しますが、「潜在的なユーザーグループを自動的に識別し、一貫した推薦を生成する」という表現はクラスタリングや、より単純な行列分解の側面を強調しており、FMの相互作用モデル化の利点を直接的に示すものではありません。
選択肢 B：リアルタイムのデータ処理や動的な推薦リストの更新は、FMアルゴリズム自体の特性ではなく、システム全体の設計や実装によって達成される機能です。FMはモデル推論を高速化できますが、これはアルゴリズムの主要な適用理由ではありません。
選択肢 C：推薦結果の根拠となるルール抽出や高い解釈可能性は、Factorization Machinesの主要な強みではありません。FMは潜在因子を学習するため、完全に人間が解釈できるルールを直接生成するわけではなく、説明可能なAIの領域はさらに高度な技術を必要とします。
選択肢 A：FMは潜在因子を学習しますが、「潜在的なユーザーグループを自動的に識別し、一貫した推薦を生成する」という表現はクラスタリングや、より単純な行列分解の側面を強調しており、FMの相互作用モデル化の利点を直接的に示すものではありません。
選択肢 B：リアルタイムのデータ処理や動的な推薦リストの更新は、FMアルゴリズム自体の特性ではなく、システム全体の設計や実装によって達成される機能です。FMはモデル推論を高速化できますが、これはアルゴリズムの主要な適用理由ではありません。
選択肢 C：推薦結果の根拠となるルール抽出や高い解釈可能性は、Factorization Machinesの主要な強みではありません。FMは潜在因子を学習するため、完全に人間が解釈できるルールを直接生成するわけではなく、説明可能なAIの領域はさらに高度な技術を必要とします。
関連サービスの解説
Amazon SageMaker＋ 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 %
No.3 解説
オンライン動画配信サービス企業が、ユーザーの過去の視聴履歴と評価データに基づいたパーソナライズされた映画推薦機能を強化したいと考えています。既存の推薦システムでは、ユーザーと映画の組み合わせに関するデータが極めてスパースであるため、推薦精度に課題を抱えています。また、ユーザーの好みが映画のジャンルや監督といった複数の特徴の複雑な組み合わせによって決定されるにもかかわらず、これら特徴間の相互作用を十分に捉えきれていないという課題もあります。
この状況において、データサイエンティストチームはAmazon SageMakerが提供するFactorization Machines（FM）アルゴリズムの導入を検討しています。このアルゴリズムが、上記の課題を解決するために特に有効であると判断される最も主要な理由は何ですか。
この状況において、データサイエンティストチームはAmazon SageMakerが提供するFactorization Machines（FM）アルゴリズムの導入を検討しています。このアルゴリズムが、上記の課題を解決するために特に有効であると判断される最も主要な理由は何ですか。
- 潜在的なユーザーグループを自動的に識別し、類似の行動パターンを持つユーザーに一貫した推薦を生成します。
- リアルタイムのストリーミングデータからユーザーの好みの変化を即座に検出し、推薦リストを動的に更新します。
- 推薦結果の根拠となる明確なルールを抽出し、推薦理由を人間が解釈しやすい形で提供します。
- 極めてスパースなデータセットにおいて、ユーザー、アイテム、およびそれらの特徴量間の複雑な相互作用を効率的にモデル化し、予測精度を向上させます。