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）
AWSサービスの一つであるAmazon Lookout for Visionはどんな内容なのでしょうか？また、AWS認定資格の機械学習エンジニア-アソシエイト(MLA)に合格するためには、サービスのどんなポイントを押さえておけばよいのでしょうか？
ここでは、そんなあなたの疑問に回答していきたいと思います
1. サービス概要
Amazon Lookout for Visionは、製造ラインで撮影した製品画像から、へこみ・傷・ひび・部品の欠落といった外観上の欠陥をコンピュータービジョンで検出する外観検査向けのサービスでした。 少ない枚数（正常画像30枚程度から）の画像で欠陥検出用のカスタムモデルを自動で作れ、クラウドでもエッジ（工場内の機器）でも推論できる点が特徴でした。
現状（2026年10月時点）: 新規顧客の受付は2024年10月10日に終了し、2025年10月31日に提供を終了しました。終了後はコンソールにもリソースにもアクセスできず、公式ドキュメントも参照できなくなっています。 AWSは移行先として、Amazon SageMaker AI（SageMaker JumpStartの学習済み欠陥検出モデルのファインチューニングを含む）、Amazon Bedrockの基盤モデルによる画像解析（低レイテンシーが不要な用途）、AWSパートナーの外観検査ソリューションを案内しています。
MLA・SAA・AIPの試験ガイドの対象サービス一覧には掲載が続いているため、既存の問題では選択肢として登場します。役割（工業製品の外観異常の検出）と、汎用の画像解析サービスAmazon Rekognitionとの違いを押さえておきましょう。
2. 主な特徴と機能
2.1 プロジェクトとデータセット
検査対象ごとにプロジェクトを作り、画像に「正常」「異常」のラベルを付けたデータセットを用意します。学習用とテスト用を1つのデータセットから自動分割する方法と、別々に用意する方法がありました。 ラベル情報はSageMaker Ground Truth形式のマニフェストファイルとしても扱えました。
2.2 分類モデルとセグメンテーションモデル
画像全体が正常か異常かを判定する画像分類モデルに加え、欠陥の種類と位置をピクセル単位のマスクで示す画像セグメンテーションモデルも作れました。 「欠陥があるか」だけでなく「どこに・どの種類の欠陥があるか」を知りたい場合はセグメンテーションを選びます。
2.3 クラウド推論
学習済みモデルを起動（推論ユニット数を指定）し、DetectAnomalies APIに画像を送ると、異常の有無と信頼度が返りました。使わない時間はモデルを停止して課金を止めます。
2.4 エッジ推論
モデルをAWS IoT Greengrass V2のコンポーネントとして工場内のエッジ機器へ配置し、ネットワーク遅延や帯域の制約がある現場でもその場で判定できました。
2.5 データセットのエクスポート
提供終了に向けて、SDKでプロジェクトの学習データセット（画像とマニフェスト）をS3へ書き出せるようになっており、SageMaker AIやBedrock、パートナー製品への移行に使えるとされていました。
3. アーキテクチャおよび技術要素
- 製造ラインのカメラ画像をS3へ集め、正常・異常のラベルを付けてデータセットを作る。
- プロジェクトでモデルを学習し、テスト結果（適合率、再現率、F1スコア）を確認する。
- クラウドではモデルを起動してDetectAnomalies APIで推論し、エッジではGreengrass V2経由で機器に配置する。
- 異常判定の結果をLambdaやEventBridgeで後続処理（ラインからの除外、通知、記録）へつなぐ。
現在同じ仕組みを作る場合は、SageMaker AIで学習・ホスティングし、エッジにはSageMaker Neoで最適化したモデルをGreengrassで配る、といった構成に置き換えます。
4. セキュリティと認証・認可
- IAM制御: プロジェクト作成、学習、モデルの起動・停止、推論のAPIをIAMポリシーで制御していた。
- 暗号化: 学習画像を置くS3はSSE-S3やSSE-KMSで暗号化し、モデルの学習にはKMSキーを指定できた。
- 監査: API操作はCloudTrailに記録される。
- 移行時の注意: 提供終了後はリソースにアクセスできないため、学習データは自社のS3に保持しておく。
5. 料金形態
提供終了前は、モデルの学習時間、クラウド推論の推論ユニットの稼働時間、エッジで推論する機器の数（エッジ推論の利用料）に応じた課金でした。 クラウド推論はモデルを起動している間ずっと課金されるため、使わない時間帯はモデルを停止するのが基本でした。現在は新たに課金されるサービスではありません。
6. よくあるアーキテクチャ・設計パターン
- 製造ラインの外観検査（当時）: カメラ画像をリアルタイムに判定し、異常品をラインから外して記録する。
- エッジでの即時判定（当時）: ネットワークが不安定な工場ではGreengrass V2でモデルを機器に配置する。
- 後継への移行: 書き出したデータセットを使い、SageMaker JumpStartの学習済みモデルをファインチューニングするか、SageMaker AIの画像分類・セグメンテーション手法でモデルを作る。
- 生成AIでの代替: リアルタイム性が不要な目視検査の補助には、Bedrockのマルチモーダル基盤モデルに画像と検査基準を与えて判定させる。
- 使い分け: 不適切な画像の検出やラベル付け、顔分析など汎用の画像解析はAmazon Rekognitionを使う。
7. 設定・デプロイ手順（ハンズオン例）
提供終了済みのため、現在は新たに構築できません。以下は当時の手順の流れと、移行先での考え方です。
- （当時）プロジェクトを作成し、正常・異常の画像を取り込んでラベルを付ける。
- （当時）モデルを学習してテスト結果を確認し、モデルを起動してDetectAnomalies APIで推論する。
- （移行）学習データセットをS3へ書き出す。
- （移行）SageMaker AIで画像モデルを学習・評価し、エンドポイントへデプロイする。エッジが必要ならSageMaker Neoで最適化してGreengrassで配る。
8. 試験で問われやすいポイント
8.1 サービス選択
- Q: 工業製品の画像から傷やへこみなどの外観欠陥を検出したい場合の旧来の選択肢は？
A: Amazon Lookout for Vision。現在は提供終了しており、SageMaker AI（JumpStartの学習済みモデルの活用を含む）などで実現する。 - Q: ユーザー投稿画像の暴力的・成人向けなど不適切なコンテンツの検出は？
A: Amazon Rekognitionのコンテンツモデレーション。Lookout for Visionは製造品の外観異常向けで、モデレーション用途ではない。 - Q: 機器のセンサー値の異常検知やビジネス指標の異常検知は？
A: それぞれ旧Lookout for Equipment、旧Lookout for Metricsの領域で、画像のLookout for Visionとは別物。
8.2 モデルとデプロイ
- Q: 欠陥の有無だけでなく、位置と種類も知りたい場合は？
A: 画像セグメンテーションモデルを使う。画像全体の正常・異常だけなら分類モデル。 - Q: ネットワークが不安定な工場内で判定したい場合は？
A: エッジ推論（AWS IoT Greengrass V2）を使う。後継ではSageMaker Neoで最適化したモデルをエッジへ配る。 - Q: クラウド推論のコストを抑えるには？
A: 推論が不要な時間はモデルを停止する。
8.3 データの考え方
- Q: 欠陥画像が少ない場合でもモデルは作れる？
A: 作れる。少ない画像からカスタムモデルを作れる設計だった（性能の評価には異常画像も用意する）。後継のSageMaker AIで作る場合は、学習済みモデルを使う転移学習やデータ拡張で少量データを補う。
8.4 提供状況と後継サービス
- Q: Lookout for Visionの提供状況は？
A: 2024年10月10日に新規受付終了、2025年10月31日に提供終了。 - Q: 試験対策上の注意は？
A: 試験ガイドには掲載が残っているが、今後はSageMaker AI（JumpStartのモデルのファインチューニング）やBedrockの画像解析など、後継の手段が正解として問われる可能性がある。「工業製品の外観検査」という要件から適切な手段を選べるようにする。