はじめに
AWS Certified AI Practitioner（AIF-C01）に合格しました。
AIのことは少し分かるものの、業務でAWSを触ったことはほぼゼロ。用語も分からず、模擬試験は5割前後で伸び悩んでいました。
そこから合格できたのは、AIに用語カード・事例集・模擬問題を作ってもらい、自分専用の教材で勉強したからです。この記事では、つまずいたポイントと、AIをどう使って乗り越えたかをまとめます。
同じように「AWSを日常で触っていないけど、AI系の資格を取りたい」という方の参考になればうれしいです。
受験前の私
- AI・生成AIは、開発業務で使っているので多少は分かる
- AWSは日常でほぼ触らない。AWSのAIサービスは使ったことがない
- 資格勉強は、Web講座と民間の模擬問題集（Udemyなど）から始めた
最初につまずいたのは、この3つでした。
- 用語がそもそも分からない
- 用語を暗記しても、使い分け・用途が分からない
- 模擬問題の点数が伸びない。解説を読んでもピンとこない
つまずき1：用語が分からない → AIに用語カードを作ってもらった
模擬問題の誤答をAIに読ませて分析してもらうと、「サービスの守備範囲」と「概念・用語の混同」による間違いが全体の6割以上でした。
そこで、一問一答の用語カードを作ってもらいました。ポイントは、カードの裏に 「間違えやすい相手との違い」 を必ず入れたことです。
| 表（問い） | 裏（答え） | 間違えやすい相手 |
|---|---|---|
| Word2Vecやテキスト分類に使うSageMakerのアルゴリズムは？ | BlazingText | Object2Vecはペアの関係、Seq2Seqは文章の変換 |
| Amazon Macieとは？ | S3の個人情報・機密データを見つけて報告する | ブロック・マスクはしない。止めるのはGuardrails |
| CloudTrailとは？ | 誰が・いつ・どのAPIを操作したかの記録 | プロンプトや応答の中身は残らない（中身はBedrockの呼び出しログ） |
実際にやってみると、四択ならなんとなく選べるのに、自分で説明しようとすると出てこない用語ばかりでした。最初の10枚は、ほぼゼロ。
「なんとなく知っている」と「自分で言える」の差を自覚できたのが、一番の収穫でした。
つまずき2：使い分けが分からない → 事例集で劇的に理解が進んだ
用語を覚えても、「このサービスを、なぜここで使うのか」が分かりませんでした。サービスがそれぞれ単独の知識のままだったのです。
そこで、1つの業務の流れの中に、サービスを並べた事例を作ってもらいました。
事例1：コールセンターの電話1本の流れ
電話を受ける（Amazon Connect）
→ 声を文字にする（Transcribe）
→ 用件を判断する（Lex）
→ マニュアルを検索して回答を作る（Bedrock＋ナレッジベース）
→ 言ってはいけないことを止める（Guardrails）
→ 回答を声にする（Polly）
→ 通話後に要約する（Bedrock）
→ 記録・監視する（呼び出しログ、CloudTrail）
「なぜファインチューニングではなくRAGなのか？ → 料金プランは頻繁に変わるから。文書を更新するだけで済むRAGが合う」のように、場面と理由がセットになったとたん、腹落ちしました。
事例2：需要予測モデルを作って運用する
SageMakerの機能は、動詞1つで段階に分けると整理できました。
集める → 整える → 作る → 確かめる → 登録する → 出す → 見張る → 回す
（S3） （Data Wrangler／Feature Store）（Training／AMT）（Clarify）（Model Registry）（推論方式）（Model Monitor）（Pipelines）
推論方式も「毎晩、全店舗の予測をまとめて出す → バッチ変換」「店長がタブレットでその場で見る → リアルタイム推論」と、同じモデルでも使う場面で方式が変わることが分かりました。
事例3：社内文書の問い合わせボット
Bedrockの機能（モデル選択、ナレッジベース、プロンプト、推論パラメータ、Guardrails、ログ）を1本の流れで整理しました。
「ナレッジベース＝AWSが用意してくれるRAG」と分かったときは、「今さらだけど、そういうことか！」と声が出ました。
事例で学ぶのは、日常でAWSを触っていない人にとって、触っている人の経験を補う方法だと感じています。
つまずき3：民間の模擬問題 → AIに模擬問題を作ってもらった
民間の模擬問題集は、問題数が多く、弱点を見つけるのには役立ちました。ただ、私が使ったものには、
- 本番より難しく感じる問題がある
- 解説がやや分かりにくい
- 提供が終了したサービスや、言葉づかいの気になる問題が混ざる
といった点があり、「どこまで深く理解すればいいのか」で迷いました。
そこで、問題集は弱点を見つけるための診断用と割り切り、内容の理解はAIに頼ることにしました。
AIで作る模擬問題の良いところ
- 難易度を調整できる：「本番レベルに」「選択肢をもっと紛らわしく」と頼める
- 解説が分かりやすい。分からなければ、その場で質問できる
- 弱い分野に絞って作れる：D1が弱ければD1を多めに
- 「最大の誤答（一番引っかかりやすい選択肢）がなぜダメか」まで解説させると、判断の力がつく
つまずき4：丸暗記してしまう → 初見問題を作ってもらった
原因は、同じ問題を繰り返して、答えを覚えてしまったことでした。まさに、試験勉強の過学習（オーバーフィッティング） です。
対策も、機械学習と同じでした。
| 機械学習の過学習の対策 | 試験勉強では |
|---|---|
| データを増やす | AIに初見の問題を作ってもらう |
| 正則化（覚えすぎを抑える） | 答えではなく「なぜほかの選択肢が違うか」を覚える |
| 検証データで確かめる | 解いたことのない問題で実力を測る |
AIに作ってもらった初見の模擬テストでは、最初は73%。間違いの多くは急いで読み飛ばしたことが原因だったので、丁寧に解くようにしたところ、85%、95%と上がりました（AIが作った問題なので、公式より易しめだった可能性はあります）。
逆に、AIに「意地悪な問題を」と頼みすぎると、トンチ合戦のような問題になり、深読みの癖がつきそうになりました。難しさは「本番で出そうな判断軸（運用の手間、コスト、即時性など）」に絞るのがおすすめです。
本番で効いた解き方
最後は、この4つに絞って本番に臨みました。
- 問題文の条件の1語を探す（「専門家がいない」「コードを書けない」「最も少ない構成で」）
- 選択肢は最後まで読む（自信があっても）
- 「できる・できない」の向きと、複数選択の数を確かめる（複数選択は部分点なし）
- 極端な言葉（だけ、必ず、常に）は怪しいと思って確かめる
さらに、条件が2〜3個ある問題は、全部の条件を満たす選択肢を選びます。「動くけれど、制約を1つ満たさない」選択肢が、一番の引っかけでした。
もう1つ、生成AIの選択肢に飛びつかないこと。表データや数値の予測なら、従来のMLのほうが答えになることが多いです。
AIで勉強するときの注意点
- AIが作った問題は公式ではありません。難しさも本番と完全には一致しないので、最終確認は公式の練習問題で
- AIの解説にも、不正確なところがありました（問題文にない条件を解説に書いていたなど）。おかしいと思ったら、AIに聞き返すか、AWSの公式ドキュメントで確認
- 便利なルールを自分で作るときは、一般化しすぎない。私は「FMと出たらSageMaker」と覚えかけましたが、基本はBedrockで、SageMaker JumpStartは「オープンソースのモデルを自分でデプロイする」場合でした
おわりに
AWSを触ったことがなく、用語も分からないところからのスタートでしたが、
- 用語カードで「なんとなく」を「自分で言える」に
- 事例で「単独の知識」を「場面と理由のつながり」に
- 初見の問題で「丸暗記」を「判断できる力」に
と、段階を踏むことで合格できました。
AIは、自分の弱点に合わせて教材を作り、分からないところをその場で説明してくれる家庭教師として、とても頼りになりました。同じように悩んでいる方の参考になればうれしいです。