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
問題文と選択肢
数万点に及ぶ教材画像（特定の図形、実験器具、歴史的建造物など）を詳細に分類し、メタデータを付与して検索性を向上させたいと考えていますが、汎用的な画像ラベルでは識別精度が不足しています。
また、ユーザーがアップロードするプロフィール写真や投稿画像がコミュニティガイドラインに沿っているかを自動的にチェックし、不適切なコンテンツを検出する仕組みも必要です。
これらの要件を効率的に満たすため、Amazon Rekognitionの各機能をどのように組み合わせるのが最も適切でしょうか。
- 教材画像の詳細な分類にはRekognition Custom Labelsを用いてカスタムモデルをトレーニングし、ユーザーアップロード画像の監視にはRekognitionのDetectModerationLabels APIを利用する。
- 教材画像の詳細な分類にはRekognition Custom Labelsを用いるが、ユーザーアップロード画像の監視にはRekognitionのDetectFaces APIを使用する。
- 教材画像の詳細な分類とタグ付けにはRekognitionのDetectLabels APIを使用し、ユーザーアップロード画像の監視にはRekognitionのCompareFaces APIを使用する。
- 教材画像の詳細な分類とユーザーアップロード画像の不適切コンテンツ検出の両方に、RekognitionのDetectLabels APIのみを使用する。
A. 教材画像の詳細な分類にはRekognition Custom Labelsを用いてカスタムモデルをトレーニングし、ユーザーアップロード画像の監視にはRekognitionのDetectModerationLabels APIを利用する。
要件は 2 つあり、それぞれに専用の機能が対応します。
教材画像の「特定の図形・実験器具・歴史的建造物」といった独自ドメインの詳細分類は、汎用ラベル検出では精度が足りません。Rekognition Custom Labels なら自社の画像でカスタムモデルをトレーニングでき、業務固有のラベルを高精度に付与してメタデータ化・検索性向上につなげられます。
ユーザー投稿画像の監視は、DetectModerationLabels API が「不適切・望ましくない・不快なコンテンツ」を検出する専用機能として設計されており、コミュニティガイドライン違反の自動チェックにそのまま使えます。
2 つの要件に対して過不足なく専用機能を割り当てた、唯一の正解です。
B. 教材画像の詳細な分類にはRekognition Custom Labelsを用いるが、ユーザーアップロード画像の監視にはRekognitionのDetectFaces APIを使用する。
前半の Custom Labels は正しい選択です。しかし後半の DetectFaces は「画像内の顔を検出し、年齢範囲・感情・目の開閉などの顔属性を分析する」API であり、コンテンツの適切性を判定する機能ではありません。
顔が写っているかどうかと、その画像が不適切かどうかは無関係です（顔のない不適切画像は検出できず、健全なプロフィール写真は顔があるだけで違反にはなりません）。
不適切コンテンツ検出には DetectModerationLabels を使う必要があります。
C. 教材画像の詳細な分類とタグ付けにはRekognitionのDetectLabels APIを使用し、ユーザーアップロード画像の監視にはRekognitionのCompareFaces APIを使用する。
DetectLabels は汎用のラベル検出で、「人物」「建物」「机」といった一般的なオブジェクト・シーンしか返せません。問題文が明示している「汎用的な画像ラベルでは識別精度が不足している」という前提に真っ向から反します。
さらに CompareFaces は 2 枚の画像に写る顔の類似度を比較する API（本人確認・同一人物判定用）であり、不適切コンテンツの検出には使えません。
前半・後半とも要件を満たしません。
D. 教材画像の詳細な分類とユーザーアップロード画像の不適切コンテンツ検出の両方に、RekognitionのDetectLabels APIのみを使用する。
DetectLabels のみで両方をまかなう構成です。詳細分類の精度不足という前提を無視しているうえ、DetectLabels には不適切コンテンツを判定する機能がありません（返るのは中立的な一般ラベルであり、ガイドライン違反の判断はできません）。
「1 つの API で済ませる」構成はシンプルに見えますが、2 つの要件のどちらも満たせない最も不適切な選択肢です。
汎用ラベルで足りなければ Custom Labels、不適切画像の検出は Moderation。顔系 API（DetectFaces / CompareFaces）は無関係。
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 |
|---|---|
| 教材画像（図形・実験器具・歴史的建造物）を詳細に分類したい | 独自ドメインの分類は自社データでトレーニングする Custom Labels が定石 →選択肢（A・B）は候補 |
| 「汎用的な画像ラベルでは識別精度が不足している」と明記 | この一文が DetectLabels を使う選択肢を除外する指示になっている →選択肢（C・D）を消す |
| 不適切コンテンツを自動検出したい | 不適切・不快なコンテンツ検出の専用 API は DetectModerationLabels ただ 1 つ →選択肢（A）が正解 |
| 検出対象は「コミュニティガイドライン違反」であって人物特定ではない | DetectFaces（顔属性分析）・CompareFaces（顔の照合）はいずれも用途違い →選択肢（B・C）を消す |
ひっかけポイント
- 選択肢 B は前半（Custom Labels）が正しいため正解に見えるが、後半の DetectFaces が用途違い。2 要件を問う設問は「両方が正しい選択肢」だけが正解
- 「顔を扱う API」＝安全性チェック、という思い込みが罠。DetectFaces は顔属性の分析、CompareFaces は顔の照合で、どちらもモデレーションとは無関係
- 「汎用的な画像ラベルでは識別精度が不足」という一文はDetectLabels を消すための出題者からの明示的なヒント。読み飛ばすと C・D を残してしまう
- 「数万点の教材画像」という規模感に引きずられないこと。件数ではなく「汎用ラベルか、独自ラベルか」が API 選択の分岐点
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 |
|---|---|
| 「教材画像に写る文字（板書やラベル）を読み取りたい」 | DetectText（画像内テキスト検出）や Amazon Textract（文書解析）が正解軸に。 |
| 「投稿された動画の不適切コンテンツを検出したい」 | StartContentModeration（動画向けの非同期 API）が正解に。画像用 API は使えない。 |
| 「不適切なテキスト投稿やコメントを検出したい」 | Amazon Comprehend（毒性検出・感情分析）が正解軸に。Rekognition は画像・動画専用。 |
| 「モデレーション結果を人間のレビュアーに回して最終判断させたい」 | Amazon A2I（Augmented AI） との連携が正解軸に。 |
| 「ラベル付き学習データがほとんど用意できない／すぐに使い始めたい」 | まずは DetectLabels（学習不要の事前学習モデル）で始める構成が現実解になる。 |
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 |
|---|---|
| 不適切コンテンツの自動検出（DetectModerationLabels） | コンテンツのモデレーション - Amazon Rekognition |
数万点に及ぶ教材画像（特定の図形、実験器具、歴史的建造物など）を詳細に分類し、メタデータを付与して検索性を向上させたいと考えていますが、汎用的な画像ラベルでは識別精度が不足しています。
また、ユーザーがアップロードするプロフィール写真や投稿画像がコミュニティガイドラインに沿っているかを自動的にチェックし、不適切なコンテンツを検出する仕組みも必要です。
これらの要件を効率的に満たすため、Amazon Rekognitionの各機能をどのように組み合わせるのが最も適切でしょうか。
- 教材画像の詳細な分類にはRekognition Custom Labelsを用いてカスタムモデルをトレーニングし、ユーザーアップロード画像の監視にはRekognitionのDetectModerationLabels APIを利用する。
- 教材画像の詳細な分類にはRekognition Custom Labelsを用いるが、ユーザーアップロード画像の監視にはRekognitionのDetectFaces APIを使用する。
- 教材画像の詳細な分類とタグ付けにはRekognitionのDetectLabels APIを使用し、ユーザーアップロード画像の監視にはRekognitionのCompareFaces APIを使用する。
- 教材画像の詳細な分類とユーザーアップロード画像の不適切コンテンツ検出の両方に、RekognitionのDetectLabels APIのみを使用する。