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（MLA）

会員登録/ログイン

1. サービス概要

Amazon Mechanical Turk（MTurk）は、画像の分類、テキストの判定、アンケート回答など、コンピューターだけでは処理しにくい小さな作業（マイクロタスク）を、世界中の不特定多数の作業者（ワーカー）に依頼できるクラウドソーシングサービスでした。 機械学習の分野では、学習データのラベリングや推論結果の人手レビューを大量・短期間でこなす「パブリックワークフォース」として使われてきました。

重要: Amazon Mechanical Turkは2026年9月30日に完全に終了しました。 2026年7月30日に新規顧客の受付を終了し、9月30日にタスク（HIT）の提出も締め切られています。あわせて、Amazon SageMaker Ground TruthとAmazon Augmented AI（A2I）でワーカー種別「Amazon Mechanical Turk」を選ぶこともできなくなりました。 なお、Ground TruthとA2Iそのものも2026年7月30日から新規顧客の受付を終了しています（既存顧客は継続利用可）。 現在の代替は、プライベートワークフォース（自社の従業員や契約者）とベンダーワークフォース（AWS Marketplaceのラベリング事業者）です。 MLA-C01の試験ガイドにはデータラベリングの選択肢として掲載が残っているため、本ページでは試験対策として従来の仕組みと使い分けを整理します。

2. 主な特徴と機能

2.1 基本用語

• リクエスター: 作業を依頼する側（企業・研究者など）。
• ワーカー: 作業を引き受けて報酬を受け取る個人。独立した請負人として世界中に分布する。
• HIT（Human Intelligence Task）: 依頼する作業の単位。1件のHITに何人のワーカーを割り当てるか（アサインメント数）を指定できる。
• 資格（Qualification）: 作業できるワーカーを、事前テストの成績や過去の承認率などで絞り込む条件。

2.2 SageMaker Ground Truthでの利用

Ground Truthのラベリングジョブでワーカー種別にMechanical Turkを選ぶと、タスクが自動的にMTurkのワーカーへ配信され、MTurkの料金はGround Truthの請求にまとめられていました（MTurkアカウントの個別作成は不要）。 1つのデータに複数のワーカーを割り当て、結果を統合（アノテーション統合）してラベルの品質を高めます。自動データラベリング（能動学習）と組み合わせると、モデルが自信を持てないデータだけを人に回してコストを下げられます。

2.3 Amazon A2Iでの利用

A2Iのヒューマンレビューワークフローでも、レビュー担当としてMTurkのワーカーを指定できました。 推論の確信度が低い結果だけを人に回す「ヒューマンループ」で、レビュー件数を抑えながら品質を保つ構成が典型です。

2.4 ワークフォースの3つの選択肢

• パブリック（Mechanical Turk）: 人数が多く、24時間稼働で最速。ただし機密データは扱えない。現在は利用不可。
• プライベート: 自社の従業員や契約者で構成。機密データや専門知識が必要な作業に向く。
• ベンダー: AWS Marketplaceで提供されるラベリング専門事業者。品質や機密保持の契約を結んで外部委託する。

3. アーキテクチャおよび技術要素

1. ラベリング対象のデータと入力マニフェストをAmazon S3に配置する。
2. Ground Truthのラベリングジョブ（またはA2Iのフロー定義）を作成し、ワーカー種別としてMechanical Turkのパブリックワークチームを指定する。
3. 1タスクあたりの報酬、タスクの制限時間、タスクの公開期間、データ1件あたりのワーカー数を設定する。
4. 入力データに個人を特定できる情報（PII）が含まれないことを宣言する（未宣言だとジョブは失敗する）。
5. ワーカーの回答を統合してラベルを確定し、出力マニフェストとしてS3に書き出す。
6. 確定したラベルで学習し、必要に応じてA2Iで本番推論の人手レビューを行う。

動画フレームや3D点群のラベリングジョブ、PIIを含むデータ、一部の特殊リージョンでは、もともとMechanical Turkを使えず、プライベートかベンダーのワークフォースが必要でした。

4. セキュリティと認証・認可

• 機密データの禁止: MTurkのワーカーは世界中の独立した請負人であり、機密情報、個人情報、保護対象の医療情報（PHI）を渡してはならない。
• PIIフリーの宣言: APIではFreeOfPersonallyIdentifiableInformationを指定する必要があり、指定しないジョブやヒューマンループは失敗する。
• 成人向けコンテンツ: 含まない場合はFreeOfAdultContentを宣言する。含む可能性があると、作業できるワーカーが制限される。
• HIPAA対象ワークロード: Amazon TextractやAmazon RekognitionとA2Iを組み合わせてPHIを扱う場合は、MTurkを使ってはならない。
• 代替の選択: 機密データにはプライベートワークフォース（Amazon Cognitoや既存のOIDC IdPでワーカーを認証）を使う。

5. 料金形態

サービス終了前のMTurkは、ワーカーへの報酬に加えて、Amazonへの手数料を支払う仕組みでした。

• ワーカー報酬: リクエスターが1タスクあたりの金額を決める。Ground TruthやA2Iでは「1タスクあたりの価格」として指定した。
• 手数料: 報酬に対する一定割合の手数料が加算され、1件のHITに多数のワーカーを割り当てる場合や、上位ワーカー（Masters）に限定する場合は追加の手数料がかかった。
• Ground Truth経由の場合: Ground Truthのラベル付きオブジェクト単位の料金に加えて、MTurkワーカーへの支払いが同じ請求にまとめられた。
• コスト最適化: 自動データラベリングで人手に回す件数を減らし、データ1件あたりのワーカー数をタスクの難易度に合わせて調整する。
• 終了後の扱い: 前払い残高は閉鎖後30日以内に返金され、取引履歴は2027年1月28日まで参照できる。

6. よくあるアーキテクチャ・設計パターン

• 大規模な一般画像のラベリング: 機密性のない大量の画像を、Ground Truth＋自動データラベリングで効率よくラベル付けする（現在はプライベートまたはベンダーのワークフォースで構成する）。
• 機密データの分離: PIIを含むデータは社内のプライベートワークフォースだけに回し、公開して問題のないデータだけを外部の作業者に回す。
• 低確信度の推論だけを人がレビュー: A2Iのヒューマンループで、モデルの確信度がしきい値を下回った結果だけをレビューに回す。
• 独自ワークフローの調整: 作業の割り当て、合意形成、再割り当てなど複数ステップの処理をAWS Step Functionsでオーケストレーションする。
• 移行: MTurkを使っていたジョブは、ワーカー種別をプライベートまたはベンダーに切り替える。

7. 設定・デプロイ手順（ハンズオン例）

MTurkは終了したため、ここでは同等のラベリングジョブを現在の選択肢で構成する手順を示します（Ground Truthの既存顧客を想定）。

1. ラベリング対象の画像をS3に配置し、入力マニフェストを作成する。
2. SageMaker AIコンソールのGround Truthでプライベートワークチームを作成し、作業者を招待する（Cognitoまたは自社のOIDC IdPで認証）。
3. ラベリングジョブを作成し、タスクの種類（画像分類など）とラベルの候補を定義する。
4. ワーカー種別にプライベート（またはAWS Marketplaceのベンダー）を選び、データ1件あたりのワーカー数とタスクの制限時間を設定する。
5. 必要に応じて自動データラベリングを有効にし、人手に回す件数を減らす。
6. 出力マニフェストを確認し、学習ジョブの入力として利用する。

8. 試験で問われやすいポイント