AIF-C01 対策：2026 年改訂の試験ガイド v1.1 で変わった出題範囲と学習の進め方（練習問題 5 問付き）

Daniel（シニアフルスタックエンジニア）です。AWS Certified AI Practitioner（AIF-C01）の試験ガイドが 2026 年 4 月 30 日にバージョン 1.1 に改訂され、エージェンティック AI、モデルコンテキストプロトコル（MCP）、コンテキストエンジニアリング、トークンベースの価格設定などを扱う対象が追加されました。AWS の公式情報をもとに、試験の形式、出題範囲と v1.1 の変更点、AWS Certified AI Business Strategist（AIB-C01）との違いを整理し、3〜4 週間の学習計画と練習問題 5 問を紹介します。

• 本記事と問題は AI の支援を受けて作成し、AWS 公式ドキュメントで確認しています。
• 練習問題はすべてオリジナルです。実際の試験問題ではありません。
• 2026 年 10 月 20 日時点の情報です（試験ガイドはバージョン 1.1）。

1. 日程・試験の形式

試験ガイドの改訂ページと認定ページによる日程です。

日付	内容
2026 年 3 月 26 日	試験ガイド バージョン 1.0 の公開日（改訂ページの変更履歴）
2026 年 4 月 30 日	試験ガイド バージョン 1.1 の公開日
2026 年 10 月 15 日	イタリア語とドイツ語の試験を廃止（認定ページ）

改訂ページによると、試験ガイドの更新版は「更新内容が試験に反映される約 1 か月前に公開されます」。v1.1 の公開から 5 か月以上たっているので、これから受験する方は v1.1 の範囲で準備してください。

認定ページと試験ガイドによる試験の形式です（10 月 20 日確認）。

• カテゴリ：Foundational
• 90 分・65 問。このうちスコアに影響する設問は 50 問で、残りの 15 問は採点対象外です（どの設問が採点対象外かは受験者にはわかりません）
• 出題形式：択一選択問題、複数選択問題、並べ替え、内容一致
• 受験料：100 USD。円建ての料金表では、Foundational は 15,000 円です（税が適用される場合あり）
• 言語：アラビア語、英語、フランス語（フランス）、ドイツ語、イタリア語、日本語、韓国語、ポルトガル語（ブラジル）、スペイン語（ラテンアメリカ）、スペイン語（スペイン）、中国語（簡体字）、中国語（繁体字）。イタリア語とドイツ語は 2026 年 10 月 15 日をもって廃止されました（認定ページの記載による）
• ピアソン VUE テストセンターまたはオンライン監督付き試験
• 有効期間は 3 年です。有効期限が切れる前にこの試験の最新バージョンに合格するか、AWS Certified Machine Learning Engineer - Associate を取得すると再認定されます

試験ガイドによると、結果は 100～1,000 の換算スコアで報告され、合格スコアは 700 です。補整スコアリングモデルなので、セクションごとの合否ラインはなく、試験全体のスコアで合否が決まります。未解答の設問は不正解とみなされ、推測による解答にペナルティはありません。

試験前のポリシーによると、試験結果は試験終了後 5 営業日以内に入手できます。また、英語がネイティブでない受験者が英語で受験する場合は、リクエストに応じて 30 分間の試験時間の延長を利用できます（10 月 14 日確認）。

2. 出題範囲と比率（v1.1 で変わったこと）

試験ガイドによると、受験対象者は「AWS の AI/ML テクノロジーに携わった経験が 6 か月以下の方」で、AWS で AI/ML ソリューションを使用しますが、必ずしも構築している必要はありません。AI/ML モデルの開発やコーディング、ハイパーパラメータのチューニング、AI/ML ソリューションのガバナンスフレームワークとポリシーの開発と実装などは試験の範囲外です。

分野	比率	50 問に換算した目安	主に問われること（試験ガイドの対象から）
1. AI と ML の基礎	20%	10 問	AI・ML・深層学習・GenAI・エージェンティック AI の違い、推論の種類（バッチ、リアルタイム、非同期、サーバーレス）、学習の種類、AI/ML が適切でない場合、従来の ML モデルと基盤モデル（FM）の使い分け、AI/ML パイプライン、MLOps、評価メトリクス（正解率、適合率、再現率、F1 スコア）
2. GenAI の基礎	24%	12 問	トークン、チャンク化、埋め込み、トランスフォーマーベースの LLM、拡散モデル、FM のライフサイクル、トークンベースの価格設定、コンテキストエンジニアリング、エージェンティック AI と MCP、GenAI の利点とデメリット、モデル選択の要素、GenAI 向けの AWS のサービス
3. 基盤モデルの応用	28%	14 問	FM の選択基準、推論パラメータ、RAG（Amazon Bedrock ナレッジベース）、ベクトルデータベース、カスタマイズのコスト（事前トレーニング、ファインチューニング、コンテキスト内学習、RAG、モデル蒸留）、AI エージェント、プロンプトエンジニアリングと Amazon Bedrock Prompt Management、FM の評価（ROUGE、BLEU、BERTScore、LLM-as-a-judge）
4. 責任ある AI に関するガイドライン	14%	7 問	責任ある AI の特徴、Amazon Bedrock のガードレール、責任あるモデル選択、法的リスク、データセットの特徴、バイアスと分散、透明性と説明可能性、人間中心設計
5. AI ソリューションのセキュリティ、コンプライアンス、ガバナンス	14%	7 問	IAM、暗号化、Amazon Macie、AWS PrivateLink、責任共有モデル、Amazon Bedrock AgentCore Identity、AgentCore のポリシー、データリネージュ、プロンプトインジェクション、ハルシネーション検出とグラウンディング、AWS Config・Amazon Inspector・AWS Artifact・AWS CloudTrail・AWS Trusted Advisor、データガバナンス、生成 AI セキュリティスコーピングマトリックス

「50 問に換算した目安」は、スコアに影響する 50 問に比率を掛けた計算値です。AWS が分野ごとの問題数を公表しているわけではありません。

v1.1 で追加された 7 つの対象

改訂ページの「追加された対象」です（改訂ページでは目標を「対象 x.y.z」と番号付きで呼んでいますが、各分野のページの箇条書きには番号がありません）。

対象	内容
1.2.6	従来の ML モデルまたは基盤モデル（FM）が特定のユースケースに適する場合を、規制上の懸念、説明可能性の要件、運用上の制約などに基づいて特定する
2.1.4	トークンベースの価格設定モデルと、推論のコストとパフォーマンスに及ぼすその影響を説明する
2.1.5	FM アプリケーションにおけるコンテキストエンジニアリングの役割を説明する
2.1.6	エージェンティック AI の基本的な概念（マルチエージェントシステムパターン、エージェントを外部システムに接続する際の MCP とその役割、マルチエージェント通信パターン、メモリ管理、ツールの使用、ワークフローオーケストレーションなど）を定義する
3.2.5	Amazon Bedrock Prompt Management を使用するプロンプトのバージョン管理と管理戦略を説明する
3.4.5	AI アプリケーションのビジネス目標整合指標（タスク完了率、ユーザー満足度、インタラクションあたりのコストなど）を特定する
5.1.5	出力精度を向上させるためのハルシネーション検出方法とグラウンディング手法（RAG グラウンディング、出力検証、信頼度スコアリングなど）を説明する

例示や表現が変わった主な対象

• 1.1.1・1.1.2：1.1.1 で定義する用語に生成 AI とエージェンティック AI が、1.1.2 の比較の対象にエージェンティック AI が加わりました。
• 1.1.3：推論の種類の例に、非同期とサーバーレスが加わりました。
• 1.3.1：パイプラインの構成要素の例示（探索的データ分析 (EDA)、データ前処理、特徴量エンジニアリングなど）がなくなり、「AI/ML パイプラインのコンポーネントを説明し、区別する」になりました。
• 1.3.6：モデルのパフォーマンスメトリクスの例から曲線下面積 (AUC) がなくなり、適合率と再現率が加わりました。
• 2.2.3：モデル選択の要素に、コスト、レイテンシー、モデルの複雑さが加わりました。
• 2.3.1：サービスの例が Amazon Bedrock、Amazon SageMaker AI、SageMaker JumpStart、Amazon Quick、Kiro、Strands Agents、Amazon Bedrock AgentCore になり、Amazon Bedrock PartyRock、Amazon Q、Amazon Bedrock Data Automation は例から外れました。
• 3.1.5：カスタマイズのコスト面のトレードオフに、モデル蒸留が加わりました。
• 3.1.6：「マルチステップのタスクにおけるエージェントのロール」から「AI エージェントの役割を定義し、ビジネスにおける AI エージェントの活用方法を説明する」になりました。
• 3.4.1・3.4.2：評価手法の例の「人間による評価」が「ヒューマンインザループによる評価」になり、メトリクスに LLM-as-a-judge が加わりました。
• 5.1.1：Amazon Bedrock AgentCore Identity、AgentCore のポリシー、Amazon Bedrock Guardrails が加わりました。
• 5.1.4：データリークの防止、出力のフィルタリングと検証、AI インタラクションの監査証跡とログ要件、毒性が加わりました。

対象の AWS サービスでは、Amazon Aurora、Amazon Bedrock AgentCore、Kiro、Strands Agents、Amazon Q、Amazon SageMaker JumpStart、AWS Transform が追加され、Amazon MemoryDB が削除されました（改訂ページより）。

公式ページの間で食い違っている箇所があります（10 月 14 日確認）。

• 改訂ページは、対象リストに Amazon Q を追加し、対象 1.3.4 の例にも Amazon Q を入れたとしています。日本語版の「対象の AWS サービス」のリストには Amazon Q がありますが、英語版のリストと、第 1 分野のページ（日本語版・英語版）の該当箇所には Amazon Q がなく、Amazon Quick が載っています。
• 日本語版の第 4 分野のページは、バイアス、信頼性、真実性を検出・モニタリングするツールの例に Amazon SageMaker Clarify、SageMaker Model Monitor、Amazon Augmented AI (Amazon A2I) を挙げ、透明性の高いモデルを識別するツールの例にも SageMaker Clarify を挙げています。英語版の同じ箇所にはこれらはありません（ただし、改訂ページは日本語版・英語版とも、対象 4.2.2 の例に SageMaker Clarify と Amazon Bedrock のモデル評価が加わったとしています）。また、この 3 つのサービスは、いずれも AWS のドキュメントで「no longer open to new customers」（新規のお客様の受け付けを終了）と案内されています。

3. AIF-C01 と AIB-C01 の違い

ベータ試験が行われている新試験 AIB-C01 は、AIB-C01 の記事で詳しくまとめています。各認定ページと試験ガイドによる比較です（10 月 20 日確認）。

	AIF-C01（AI Practitioner）	AIB-C01（AI Business Strategist）
カテゴリ	Foundational	Business
対象者	AWS の AI/ML テクノロジーに携わった経験が 6 か月以下の方	AI イニシアチブを評価・推進し、組織全体へスケーリングするビジネス担当者
分野	5 分野（20% / 24% / 28% / 14% / 14%）	4 分野（24% / 28% / 24% / 24%）
形式	90 分・65 問（採点対象 50 問）。択一選択、複数選択、並べ替え、内容一致	ベータ試験は 170 分・85 問、標準は 130 分。択一選択、複数選択
合格スコア・受験料	700 点・100 USD	700 点・100 USD（ベータ試験は 50 USD）
言語	12 言語（イタリア語とドイツ語は 10 月 15 日で廃止）	英語、日本語（ベータ試験）

AIF-C01 の認定ページのよくある質問は、AI Practitioner は「AI、機械学習、生成 AI の概念と AWS AI サービスに関する基本的な知識を有していることを証明します」と説明しています。一方、AIB-C01 の認定ページは、AI Business Strategist が「AI に関する意思決定に求められるビジネス判断力を証明します」としています。AIF-C01 の試験ガイドには「AWS のサービスと機能を特定する」対象が複数あり（1.3.4、2.3.1、5.1.1、5.2.1 など）、サービスの使い分けも問われます。

4. 3〜4 週間の学習計画

平日 1 時間・週末 2〜3 時間で、4 週間で組みました。AI/ML の業務経験がある方は、1 週目と 2 週目を 1 週間にまとめて 3 週間にできます。v1.1 で追加・変更された対象は、各週の「重点」に含めています。

週	重点	やること
1	第 1 分野：AI・ML・深層学習・GenAI・エージェンティック AI の違い、推論の種類、データと学習の種類、AI/ML が適切でない場合、従来の ML と FM の使い分け、パイプラインと MLOps、評価メトリクス	AWS Well-Architected の Machine Learning Lens のデータ処理を読み、EDA、データ前処理、特徴量エンジニアリングの違いを、自分の業務データを例に書き出す
2	第 2 分野：トークン、埋め込み、チャンク化、FM のライフサイクル、トークンベースの価格設定、コンテキストエンジニアリング、エージェンティック AI と MCP、GenAI の利点とデメリット、GenAI 向けの AWS のサービス	Amazon Bedrock の料金ページで、100 万入力トークンあたりと 100 万出力トークンあたりの料金が別々に載っていることと、Standard、Flex、Priority、Reserved の階層を確認する。Amazon Bedrock AgentCore の概要で、Runtime、Memory、Gateway、Identity、Policy などの役割を 1 行ずつ書く
3	第 3 分野：FM の選択基準、推論パラメータ、RAG とベクトルデータベース、カスタマイズのコスト、AI エージェント、プロンプトエンジニアリングと Prompt Management、FM とアプリケーションの評価、ビジネス目標整合指標	推論パラメータのページを読み、温度、トップ K、トップ P、レスポンスの長さ、停止シーケンスについて、「どの症状にどのパラメータが効くか」を表にする
4	第 4・5 分野と総仕上げ：責任ある AI、Amazon Bedrock Guardrails、透明性と説明可能性、AI システムのセキュリティ、ハルシネーション検出とグラウンディング、ガバナンスとコンプライアンスのサービス	責任ある AI Lens が挙げる 10 の観点（Controllability、Privacy、Security、Safety、Veracity、Robustness、Fairness、Explainability、Transparency、Governance）を自分の言葉で 1 行ずつ説明する。本番と同じ 90 分で模擬試験を解き、正解した問題も含めて解説を読む

• 第 5 分野のガバナンスのサービス（AWS Config、Amazon Inspector、AWS Artifact、AWS CloudTrail、AWS Trusted Advisor）は、試験ガイドではサービス名が並んでいるだけなので、「何を記録・評価・提供するサービスか」を 1 行ずつ対にして覚えます。
• 認定ページには、AWS Skill Builder の「4 ステップのプラン」、AWS Certification Official Practice Question Set、Official Pretest、Official Practice Exam などが紹介されています。また、IT と AWS クラウドの経験が浅い方は、まず AWS Cloud Practitioner Essentials または AWS Technical Essentials から始めるよう案内されています（10 月 14 日確認）。

5. 練習問題 5 問

各分野から 1 問ずつ出題しています。答えと解説は折りたたんでいます。

問題 1（第 1 分野：AI/ML パイプラインのコンポーネント）

ある銀行のデータチームは、ローンの債務不履行を予測するモデルを構築するために、2 年分のローン申込記録を収集しました。データに手を加える前に、アナリストは各列の分布をグラフにし、値の範囲と列どうしの相関を確認し、欠損値や外れ値がある列を一覧にしています。目的は、データを理解し、その品質を確認することです。アナリストが行っているのは、ML パイプラインのどのコンポーネントですか。

• A. データ前処理
• B. 探索的データ分析 (EDA)
• C. 特徴量エンジニアリング
• D. ハイパーパラメータのチューニング

正解と解説

正解：B

• A：不正解。データ前処理は、クリーニング、欠損値の補完、外れ値の除去、データの分割、スケーリングなどによって、データをトレーニングに適した形と品質に変える工程です。アナリストはデータを調べているだけで、まだ何も変えていません。
• B：正解。探索的データ分析は、データの可視化を使って、データの理解、サニティチェック、データ品質の検証を行う工程です。ここで欠損値や外れ値を見つけておくと、次にどのような前処理が必要かがわかります。
• C：不正解。特徴量エンジニアリングは、たとえば生の値から新しい列を作るなど、モデルに使う変数を選択・変換する工程です。アナリストは変数を作成も変換も選択もしていません。
• D：不正解。ハイパーパラメータのチューニングは、ハイパーパラメータの値を変えながら多数のトレーニングジョブを実行し、指定したメトリクスで最も性能の良いモデルを選ぶ工程です。まだモデルはトレーニングされていません。

ポイント：AWS Well-Architected の Machine Learning Lens は、データ処理をデータ収集とデータ準備に分け、データ準備ではデータの可視化を使って探索的データ分析 (EDA) を行うとしています。EDA の焦点は、データの理解、サニティチェック、データ品質の検証です。データを変えずに「見る・グラフにする」のが EDA、データを変えるのがデータ前処理と特徴量エンジニアリングです。試験ガイド v1.0 の対象 1.3.1 は EDA をパイプラインの構成要素の例に挙げており、v1.1 では「AI/ML パイプラインのコンポーネントを説明し、区別する」になりました。

参考：https://docs.aws.amazon.com/wellarchitected/latest/machine-learning-lens/data-processing.html

問題 2（第 2 分野：Amazon Quick）

ある消費財メーカーの戦略チームには開発者がいません。チームは、ある市場トレンドについての詳しいレポートを必要としています。レポートでは公開されているウェブの情報と社内ドキュメントを組み合わせ、各調査結果に出典を示す必要があります。チームは、アプリケーションを構築せずに、自然言語のチャットで使えるフルマネージド型の AI サービスを使いたいと考えています。チームはどの機能を使用すべきですか。

• A. Amazon Quick Sight
• B. Amazon Quick Flows
• C. Amazon Quick Research
• D. Amazon SageMaker JumpStart

正解と解説

正解：C

• A：不正解。Amazon Quick Sight は、データソースに接続してダッシュボードを構築するなど、インタラクティブなデータ可視化とビジネスインテリジェンスのための機能です。ウェブを調査して出典付きのレポートを作成するものではありません。
• B：不正解。Amazon Quick Flows は、データを使い、接続されたアプリケーションでアクションを実行する AI ワークフローによって、反復タスクを自動化する機能です。求められているのは詳しい調査レポートであり、タスクの自動化ではありません。
• C：正解。Amazon Quick Research は、ウェブとデータ全体を対象に詳しい調査を行い、その結果を出典付きのレポートとして提供します。Quick はフルマネージド型で、プロビジョニングするインフラストラクチャ、ホストするモデル、ML の専門知識は必要ありません。
• D：不正解。SageMaker JumpStart は、事前トレーニング済みのオープンソースモデルを提供し、デプロイ前にトレーニングやチューニングを行えるようにするものです。チームが避けたいアプリケーションの構築が必要になります。

ポイント：Amazon Quick は、タスクの自動化、データの分析、ウェブアプリケーションの構築、調査を行うための AI を活用したサービスで、自然言語のチャットで使います。主な機能は Quick Sight（データ可視化と BI）、Quick Flows（反復タスクの自動化）、Quick Automate（AI エージェントによるビジネスプロセスの自動化）、Quick Index（組織のドキュメントとデータソースの接続）、Quick Research（出典付きの詳しい調査）、自然言語で作るアプリです。Quick は Amazon QuickSight から進化したサービスで、QuickSight は Quick Sight として続いています。v1.1 の試験ガイドでは、対象 1.3.4 と 2.3.1 の例に Amazon Quick が入っています。

参考：https://docs.aws.amazon.com/ja_jp/quick/latest/userguide/what-is.html

問題 3（第 3 分野：推論パラメータ）

あるオンライン小売企業は、Amazon Bedrock の基盤モデルを使用して、1 回のリクエストで買い物客の質問 1 件に回答しています。プロンプトには、「顧客:」の行の後に「回答:」の行が続く形式で、やり取りの例が含まれています。回答の内容は正しいのですが、モデルは回答の後も書き続けて、新しい「顧客:」の行とその回答を作り出すことが多く、アプリケーションはそれをそのまま表示しています。正しい回答の長さは、1 文から数段落までさまざまです。この問題を解決するために最も適した推論パラメータの変更はどれですか。

• A. レスポンスの長さ（最大トークン数）を約 100 トークンに下げる。
• B. 応答が決定論的になるように、温度を 0 に設定する。
• C. モデルがより多くの候補トークンを考慮するように、トップ P の値を上げる。
• D. リクエストの停止シーケンスに「顧客:」を追加する。

正解と解説

正解：D

• A：不正解。最大長を短くすると、正しい長い回答が途中で切れます。また、短い回答の後には、上限の範囲内で作り出された行が続くこともあります。レスポンスの長さは返すトークン数を決めるものであり、回答がどこで終わるかを決めるものではありません。
• B：不正解。温度は、モデルが確率の低い出力を選択する可能性に影響します。温度を 0 にすると出力はより決定論的になりますが、モデルが例の形式を続けて架空のやり取りを書くことは防げません。
• C：不正解。トップ P を上げると、モデルは確率分布のより大きな部分を考慮するため、可能性の低い出力も選ばれやすくなります。どこで生成を止めるかには影響しません。
• D：正解。停止シーケンスは、モデルがそれ以上トークンを生成しないようにする文字シーケンスです。モデルが新しいやり取りを始めようとして「顧客:」を生成すると、そのシーケンスの後で生成が止まるため、回答の長さにかかわらず、本来の回答の後に架空のやり取りが続かなくなります。

ポイント：推論パラメータは、それぞれ応答の異なる面に影響します。温度、トップ K、トップ P はランダム性と多様性を調整し、値を低くすると確率の高い出力が選ばれやすくなります。レスポンスの長さは、返すトークンの最小数または最大数を指定します。停止シーケンスは、指定した文字シーケンスをモデルが生成した時点で、そのシーケンスの後の生成を止めます。「正しい回答の後に余計なやり取りが続く」なら停止シーケンス、「文の途中で切れる」なら最大長を疑います。

参考：https://docs.aws.amazon.com/ja_jp/bedrock/latest/userguide/inference-parameters.html

問題 4（第 4 分野：Amazon Bedrock Guardrails の検出モード）

ある企業は、ガードレールを使わずに Amazon Bedrock で顧客向けのチャットアシスタントを運用しています。同社は、コンテンツフィルターと拒否トピックを設定した Amazon Bedrock Guardrails のガードレールを追加する予定です。ガードレールで応答を変える前に、チームは 2 週間、実際の本番トラフィックにガードレールを適用し、各ポリシーがどの入力と応答を検出するかを確認して、偽陽性（誤検知）を見つけたいと考えています。その間、顧客が受け取る応答に影響を与えてはなりません。チームは何をすべきですか。

• A. ガードレールのポリシーのアクションを検出（検出モード）に設定し、トレースで検出結果を確認する。
• B. コンテンツフィルターのフィルタ強度を「低」にしてアクションをブロックに設定し、後で強度を上げる。
• C. モデル呼び出しのログ記録を有効にし、記録されたプロンプトと応答をレビュー担当者に読んでもらう。
• D. 自動推論チェックはコンテンツをブロックしないため、ガードレールに自動推論のポリシーを追加する。

正解と解説

正解：A

• A：正解。検出モードでは、ガードレールはアクションを実行せず、検出したコンテンツをトレース（日本語のドキュメントでは「証跡レスポンス」）で返します。カスタマーエクスペリエンスに影響を与えずに、実際のトラフィックでポリシーの組み合わせと強度をテストし、偽陽性や偽陰性を分析できます。期待どおりに動作することを確認してから、アクションをブロックに切り替えます。
• B：不正解。アクションがブロックであれば、フィルタ強度を「低」にしても、フィルターが検出したコンテンツはブロックされ、ブロックされたというメッセージに置き換えられます。そのため、テスト期間中も顧客が受け取る応答が変わってしまいます。
• C：不正解。モデル呼び出しのログ記録は、呼び出しログ、モデルの入力データ、モデルの出力データを収集する機能です。ガードレールを適用しないため、どのコンテンツフィルターや拒否トピックが介入するかはわかりません。
• D：不正解。自動推論チェックは確かに検出モードのみで動作しますが、定義したポリシーのルールに照らして応答を検証するものです。チームがテストしたいコンテンツフィルターや拒否トピックを評価するものではありません。

ポイント：Amazon Bedrock Guardrails のポリシーは、検出したコンテンツを 3 つの方法で処理できます。ブロック（ブロックされたというメッセージに置き換える）、マスク（識別子タグに置き換える。機密情報フィルターのみ）、検出（アクションは実行せず、検出内容をトレースで返す）です。AWS は検出を「検出モード」と呼び、ガードレールが期待どおりに動作しているかを評価する方法として説明しています。調整が終わったら、ポリシーのアクションをブロックまたはマスクに変更します。

参考：https://docs.aws.amazon.com/ja_jp/bedrock/latest/userguide/guardrails-harmful-content-handling-options.html

問題 5（第 5 分野：トレーニングデータのポイズニング対策）

あるオンラインゲーム会社は、Amazon S3 に音声ファイルとして保存している米国英語のボイスチャット（プレイヤー同士の会話）の録音 20,000 件を、ゲーム内の音声 AI アシスタントのトレーニングに使う予定です。セキュリティチームは、データポイズニングを防ぐための AWS のガイダンスに沿って、ヘイトスピーチ、ハラスメント、脅迫を含む部分をトレーニングの前に検出して取り除くよう求めています。検出には、話された言葉だけでなく、トーンやピッチなどの音声そのものの手がかりも使う必要があります。これらの要件を満たすアプローチはどれですか。

• A. 録音を保存している S3 バケットに対して、Amazon Macie の機密データ検出ジョブを実行する。
• B. 録音を文字起こしし、Amazon Comprehend の感情分析で否定的と判定された部分を取り除く。
• C. 録音を Amazon Rekognition のコンテンツモデレーションに送り、検出されたファイルを削除する。
• D. 有害性検出を有効にして Amazon Transcribe のバッチ文字起こしジョブを実行し、検出された部分を取り除く。

正解と解説

正解：D

• A：不正解。Macie は、機械学習とパターンマッチングを使って、Amazon S3 に保存された個人データなどの機密データを検出するサービスです。音声に含まれるヘイトスピーチや脅迫を検出するものではありません。
• B：不正解。感情分析は、テキストが肯定的、否定的、混合、中立のどれかを判定します。否定的であることと有害であることは別なので、有害ではない否定的な発言まで取り除き、有害な発話を見逃すおそれがあります。また、チームが求める音声の手がかりも使いません。
• C：不正解。Rekognition のコンテンツモデレーションは、画像と動画に含まれる不適切、不要、または不快なコンテンツを検出するものです。録音の発話は分析しません。
• D：正解。Amazon Transcribe の有害性検出（Toxicity Detection）は、音声とテキストの両方の手がかりを使い、トーンやピッチも利用して、ヘイトスピーチ、ハラスメントや虐待、暴力または脅しなど 7 つのカテゴリの有害な発話を検出・分類し、発話のセグメントごとに信頼度スコアを付けます。米国英語のバッチ文字起こしで利用できるため、S3 に保存された録音に適しています。

ポイント：データポイズニングは、トレーニングやカスタマイズに使うべきでないデータが使われ、完成したモデルに望ましくない影響が出ることです。AWS Well-Architected の Generative AI Lens は、データの層で対処すること、つまりトレーニングの前にデータを調べて、ポイズニングの原因になりうるコンテンツを取り除くことを勧めており、その例として音声データには Amazon Transcribe の有害性検出、テキストデータには Amazon Bedrock Guardrails の API を挙げています。なお、Transcribe の有害性検出は米国英語（en-US）のバッチ文字起こしでのみ利用でき、日本語の音声には使えません。

参考：https://docs.aws.amazon.com/wellarchitected/latest/generative-ai-lens/gensec06-bp01.html （有害性検出の詳細：https://docs.aws.amazon.com/ja_jp/transcribe/latest/dg/toxicity.html）

6. 模擬試験について

上の 5 問は練習用のサンプルです。本番と同じ 65 問・90 分で通して練習したい方のために、筆者は「AWS 認定 AI プラクティショナー（AIF-C01）模擬試験問題集 3 回分 195 問」をペーパーバック版と Kindle 版で出しています。

• 65 問の模擬試験が 3 回分（上の 5 問とは別の問題です）。各回 13・16・18・9・9 問で、試験ガイド v1.1 の 5 分野の比率に合わせています
• 出題形式は択一選択問題と複数選択問題です（並べ替えと内容一致は含みません）
• すべての選択肢に日本語の解説、各問題に AWS 公式ドキュメントなどの一次情報源の URL
• Kindle 版は Kindle Unlimited でも読めます

問題は AI の支援を受けて作成し、AWS 公式ドキュメントなどの一次情報源と照合する別の工程で確認しています。日本語版も AI の支援を受けて翻訳し、別の工程で確認しています。AWS の公式教材ではありません。

• Kindle 版：https://www.amazon.co.jp/dp/B0HNMGL2F2
• ペーパーバック版：https://www.amazon.co.jp/dp/B0HMXW21RP
• シリーズの他の問題集：https://www.amazon.co.jp/dp/B0HMLTLHGR

---

Amazon Web Services、AWS および関連する名称は、Amazon.com, Inc. またはその関連会社の商標です。本記事は個人の記事であり、AWS とは提携しておらず、AWS による承認も受けていません。