AWS認定資格 WEB問題集＆徹底解説

会員登録/ログイン

1. サービス概要

Amazon Forecastは、統計アルゴリズムと機械学習を使って需要、売上、在庫、Webトラフィック、リソース需要などを予測するフルマネージドの時系列予測サービスです。 Amazon.comで使われる時系列予測技術をベースに、機械学習の専門知識が少なくても予測モデルを作成できるように設計されています。

重要な注意点として、2026年6月時点でAmazon Forecastは新規顧客には提供されていません。既存顧客は通常どおり利用できます。 認定試験では、旧来の「時系列予測に特化したマネージドサービス」として問われる可能性がある一方、新規設計ではSageMaker AIや他の分析/予測機能を検討する判断も重要です。

2. 主な特徴と機能

2.1 時系列予測に特化

Forecastは履歴データに含まれるトレンド、季節性、周期性、外れ値、欠損値を考慮して将来値を予測します。 小売需要、在庫、サプライチェーン、リソース計画、Webトラフィック、AWS使用量、IoTセンサー利用量などに適します。

2.2 データセットの種類

Target Time Seriesは予測対象の履歴値で必須です。 Related Time Seriesは価格、プロモーション、天候、祝日など予測対象に影響する関連時系列、Item Metadataは商品カテゴリ、ブランド、地域など静的属性を表します。

2.3 AutoMLとアルゴリズム選択

ForecastはAutoMLにより、データセットに合うアルゴリズムやハイパーパラメータを選択できます。 統計手法からディープラーニングまでを扱い、ユーザーはデータ準備と予測解釈に集中できます。

2.4 PredictorとForecast

Predictorは学習済みの予測モデルで、ForecastはPredictorから生成される将来の予測結果です。 予測期間、頻度、分位点（P10/P50/P90など）を指定し、需要の不確実性を含めて計画できます。

2.5 Explainabilityと評価

Forecast Explainabilityは、関連時系列やメタデータが予測に与える影響を把握するための機能です。 精度評価ではWAPE、RMSE、分位損失などのメトリクスを確認し、バックテストで予測性能を評価します。

2.6 新規設計時の代替

新規顧客が時系列予測を構築する場合は、SageMaker AIのAutoML/組み込みアルゴリズム/独自モデル、Amazon QuickSightの予測機能、Redshift ML、またはドメイン別の分析基盤を検討します。 既存Forecast利用環境では、継続利用と移行計画の両方を整理します。

3. アーキテクチャおよび技術要素

1. S3にTarget Time Series、必要に応じてRelated Time SeriesとItem MetadataをCSVなどで配置する。
2. Dataset GroupとDatasetを作成し、S3からデータをインポートする。
3. 予測対象のドメイン、頻度、予測期間、欠損値処理、AutoML/アルゴリズム設定を指定してPredictorを作成する。
4. バックテストと評価メトリクスを確認し、必要に応じてデータ品質や関連時系列を改善する。
5. Forecastを作成し、予測結果をS3にエクスポートして、在庫計画、BI、アプリケーションへ連携する。
6. CloudTrail、KMS、IAM、S3バケットポリシーでデータと操作を保護する。

本番では、Glue/Step Functions/Lambda/EventBridgeで定期データ更新、再学習、予測エクスポート、下流システム連携を自動化します。

4. セキュリティと認証・認可

• IAM最小権限: Forecastリソース作成、S3インポート/エクスポート、KMS利用権限を用途別に限定する。
• S3/KMS: 学習データ、関連時系列、予測結果、評価結果をS3ブロックパブリックアクセスとKMS暗号化で保護する。
• 転送時暗号化: AWS API通信とS3アクセスはTLSで保護する。
• 監査: CloudTrailでForecast API呼び出しを記録し、CloudWatch/EventBridgeでパイプライン失敗を監視する。
• データ最小化: 需要予測に不要な個人情報を含めず、集計データや匿名化データを使う。
• 移行計画: 新規顧客向け提供終了を踏まえ、既存顧客はSageMaker AIなどへの移行時にも同等の暗号化・監査を設計する。

5. 料金形態

Amazon Forecastは既存顧客向けに、利用した予測生成、データ保存、トレーニング時間などに基づく従量課金です。

• トレーニング: Predictor作成やAutoMLのトレーニング時間に応じて課金される。
• 予測生成: 生成したForecastや予測対象数に応じて課金される。
• データ保存: Dataset、Predictor、Forecastなどの保存量が課金対象になる。
• 周辺コスト: S3、Glue、Lambda、Step Functions、CloudWatch、KMS、QuickSightなどの利用料も合算する。
• コスト最適化: 不要なForecast/Predictor/Dataset削除、予測粒度の見直し、再学習頻度の最適化を行う。

6. よくあるアーキテクチャ・設計パターン

• 小売需要予測: 商品/店舗ごとの売上履歴、価格、プロモーション、祝日を使って需要を予測する。
• 在庫最適化: P50/P90などの分位予測を使い、欠品リスクと過剰在庫をバランスする。
• リソース計画: コールセンターの通話量、スタッフ需要、Webトラフィック、サーバー容量を予測する。
• サプライチェーン計画: 原材料や物流需要を予測し、発注・製造計画へ連携する。
• BI連携: 予測結果をS3に出力し、Athena/QuickSightで実績と予測を可視化する。
• 移行パターン: 既存Forecastのデータセットと評価指標を整理し、SageMaker AIで同等または改善した予測パイプラインへ移行する。

7. 設定・デプロイ手順（ハンズオン例）

1. 既存顧客環境で、予測対象のTarget Time SeriesをS3に用意する。
2. 必要に応じてRelated Time SeriesとItem Metadataを追加し、Dataset Groupへインポートする。
3. 予測頻度、予測期間、AutoML設定、欠損値処理を指定してPredictorを作成する。
4. バックテストと評価メトリクスを確認し、関連データや粒度を調整する。
5. Forecastを生成し、結果をS3へエクスポートしてBIや業務システムへ連携する。
6. 新規設計ではForecastが新規顧客に提供されていない点を踏まえ、SageMaker AIなどの代替で同様の手順を設計する。

8. 試験で問われやすいポイント