はじめに
AWS Certified AI Practitioner（AIF-C01）で問われる用語・サービス・評価指標を、試験直前に一気に見直せるように圧縮したチートシートです。
各セクションの末尾にある「引っかけ」は、問題文のキーワードから答えを引くためのものです。最後の「総合引っかけ」だけでも、直前の確認に使えます。
| 項目 |
目安 |
| 試験コード |
AIF-C01 |
| 問題数／時間 |
65問／90分 |
| 合格スコア |
700／1000 |
※ 問題数・時間・配点は改定されることがあります。受験前に公式の試験ガイドで最終確認してください。
01. 学習の種類
| 種類 |
ラベル |
目的 |
代表例 |
| 教師あり学習 |
あり |
予測（回帰・分類） |
Linear Learner, XGBoost, k-NN, DeepAR |
| 教師なし学習 |
なし |
パターン発見（クラスタリング・異常検知） |
K-means, Random Cut Forest |
| 半教師あり学習 |
少量あり＋大量なし |
両方を組み合わせて学習 |
— |
| 強化学習 |
報酬のみ |
試行錯誤で行動を最適化 |
ゲームAI、ロボット制御 |
| 問われ方 |
タスク |
| 「いくら」「何度」「何個」など数値 |
回帰 |
| 「YES / NO」の二択 |
2値分類 |
| 「A / B / C のどれ」 |
多クラス分類 |
| ラベルなしで「グループ分け」 |
クラスタリング |
| ラベルなしで「変なデータを見つける」 |
異常検知 |
引っかけ
- 「分類」（教師あり・決まったカテゴリに予測）と「クラスタリング」（教師なし・データからグループを発見）は別物。
- ロジスティック回帰は名前に「回帰」とあるが分類アルゴリズム。確率を出してしきい値で判定。
02. SageMaker 組み込みアルゴリズム
| アルゴリズム |
種類 |
用途 |
一言イメージ |
| Linear Learner |
教師あり |
回帰・分類（線形回帰／ロジスティック回帰） |
1本の直線・平面でパターンを引く。速い・解釈しやすい・ベースライン向き |
| XGBoost |
教師あり |
回帰・分類（勾配ブースティング） |
木を積み重ねて誤差を少しずつ修正。表形式データで高精度、過学習に注意 |
| k-NN |
教師あり |
回帰・分類 |
近い仲間 k 個の多数決・平均。学習フェーズがほぼ無く、データが多いと予測が遅い |
| DeepAR |
教師あり |
時系列予測 |
需要予測・売上予測。複数の時系列をまとめて学習できる |
| K-means |
教師なし |
クラスタリング |
似た者同士を K 個のグループに。K は事前に指定 |
| Random Cut Forest (RCF) |
教師なし |
異常検知 |
森の中で浮いている（すぐ切り離せる）データ＝異常。異常スコアを出力 |
選び方フロー
ラベルあり？
├ YES → 何を予測？
│ ├ 表形式の数値・カテゴリ → Linear Learner / XGBoost / k-NN
│ │ 精度重視 → XGBoost ／ シンプル・解釈性 → Linear Learner
│ └ 時系列の将来値 → DeepAR
└ NO → グループ分け → K-means ／ 異常を見つける → RCF
引っかけ
- k-NN と RCF はどちらも「近さ」を使うが、k-NN は仲間の正解を借りる（教師あり）、RCF は孤立していること自体が異常（教師なし）。
- Linear Learner / XGBoost / k-NN は表形式データ向け。画像・音声・テキストはディープラーニング系。
- 「勾配ブースティング」は手法名、XGBoost はその代表的な実装。木を順番に積み重ねる（独立に作って多数決するランダムフォレストとは別）。
- 「時系列」「季節性」「需要予測」→ DeepAR。「取引ネットワークの不正」→ Neptune ML（関係性）。「単体データの異常」→ RCF。
03. 評価指標
混同行列（分類の土台）
|
実際＝陽性 |
実際＝陰性 |
| 予測＝陽性 |
TP 的中 |
FP 誤検知 → 適合率が下がる |
| 予測＝陰性 |
FN 見逃し → 再現率が下がる |
TN 的中 |
| 指標 |
式・意味 |
使いどころ |
| 正解率 Accuracy |
(TP+TN) ÷ 全体 |
データに偏りがない時。不均衡データでは誤解を招く |
| 適合率 Precision |
TP ÷ (TP+FP)。「陽性と言った時の信頼度」 |
誤検知が困る（迷惑メール判定） |
| 再現率 Recall |
TP ÷ (TP+FN)。「見逃しの少なさ」 |
見逃しが致命的（がん検診） |
| F1スコア |
適合率と再現率の調和平均 |
不均衡データ（不正検知）。正解率の代わり |
| AUC-ROC |
しきい値を全て動かした時の陽性・陰性の分離能力。1 が最良、0.5 はランダム |
しきい値を決める前にモデル自体を比較 |
| MSE |
(予測−実際)² の平均。小さいほど良い |
回帰。単位が2乗で直感的でない |
| RMSE |
MSE の平方根（元の単位に戻る） |
回帰 |
| R²（決定係数） |
ばらつきをどれだけ説明できるか。0〜1、1 が最良 |
回帰。直感的な「当てはまりの良さ」 |
生成AI（テキスト）の評価指標
| 指標 |
見るもの |
主な用途 |
正解データ |
| Exact Match |
完全一致か（最も厳格） |
答えが1つに決まる質問応答 |
必要 |
| F1スコア |
単語レベルの重なり |
質問応答（部分点あり） |
必要 |
| ROUGE |
単語・語順の重なり（再現率寄り） |
要約 |
必要 |
| BLEU |
単語の並びの一致（適合率寄り） |
翻訳 |
必要 |
| BERTScore |
意味的な近さ（BERT の埋め込みで比較） |
言い回しが違っても内容重視 |
必要 |
| Perplexity |
モデルの次単語予測の自信度。低いほど良い |
流暢さ・自然さ |
不要 |
引っかけ
- 不正10件／正常990件で「全部正常」と答えると正解率99%。→ 不均衡データは F1。
- F1 は「1つのしきい値でのスナップショット」、AUC-ROC は「全しきい値の総合評価」。
- 適合率と再現率はトレードオフ。しきい値を厳しくすると適合率↑再現率↓。
- 要約→ROUGE、翻訳→BLEU、正解データ不要→Perplexity。
04. 学習の落とし穴
| 問題 |
学習データの精度 |
新データの精度 |
原因・対策 |
| オーバーフィット（過学習） |
非常に高い |
低い |
覚えすぎ。エポック多すぎ。早期終了・正則化・データ追加 |
| アンダーフィット |
低い |
低い |
学び足りない。モデルが単純すぎ・エポック少なすぎ |
| クラス不均衡 |
少数クラスを予測できない |
正解率では見抜けない |
オーバー／アンダーサンプリング、F1 で評価、Clarify で事前検出 |
| データリーケージ |
異常に高い |
使い物にならない |
「未来の情報」「正解に直結する列」が学習データに混入。列の見直し・分割の見直し |
| 勾配消失 |
勾配が0に近づき学習が停滞
|
— |
層が深い・シグモイド。ReLU、初期化の工夫、Debugger で検知 |
| 勾配爆発 |
勾配が巨大化し学習が発散
|
— |
学習率高すぎ。勾配クリッピング、Debugger で検知 |
05. 基本用語（何に手を加えるか）
| 用語 |
何に手を加える？ |
誰が・いつ |
例 |
| 特徴量 (Feature) |
モデルへの入力項目 |
— |
築年数・広さ・駅距離 |
| ラベル / ターゲット |
予測したい答え |
教師ありのみ |
価格、迷惑メールか |
| 特徴量エンジニアリング |
入力データ |
人・学習前 |
生年月日→年齢、one-hot、欠損値処理 |
| ハイパーパラメータ |
学習の設定値 |
人・学習前 |
木の本数、学習率、k、エポック数、バッチサイズ |
| 重み (Weights) |
—（学習の結果） |
モデルが自動獲得 |
特徴量の影響度。LLM なら数百億〜数千億個 |
| モデル |
アルゴリズム＋学習済みの重み |
— |
「家の価格を予測する XGBoost モデル」 |
| エポック |
学習データ全体を何周するか |
— |
1,000件÷バッチ100 → 1エポック＝10イテレーション |
| 事前トレーニング |
ゼロからモデルを作る |
モデル提供元 |
Claude / Titan の誕生 |
| 継続的な事前トレーニング |
基礎知識の拡張 |
企業・ラベルなし大量データ |
医療・法律の専門知識を追加 |
| ファインチューニング |
学習済みモデルの重み |
企業・ラベル付き少量データ |
応答のトーン・フォーマットに特化 |
| 転移学習 |
既存の知識を別タスクに転用（考え方） |
— |
ファインチューニングはその一手法 |
| モデル蒸留 |
大→小の別モデルに知識を移す |
先生／生徒 |
軽量化・低コスト化 |
特徴量エンジニアリング → ハイパーパラメータ設定 → 学習（Training Job） → 重みが決まる → 必要ならファインチューニング
引っかけ
- ハイパーパラメータ＝人が決める「ダイヤル」。重み＝学習の結果。混同しない。
- ファインチューニング＝ラベル付きでタスク特化。継続事前学習＝ラベルなしで知識拡張。
- 転移学習は「1人が新しいスキルを覚える」、蒸留は「先生から新人へ伝授（2つのモデル）」。
- In-context 学習・プロンプトエンジニアリング・推論パラメータは重みを変えない。
06. 生成AIの仕組み
ニューラルネットワーク
- 入力層→隠れ層（複数）→出力層。ニューロン同士のつながりの強さが重み
- 隠れ層が多い＝ディープラーニング。非構造化データ（画像・音声・テキスト）に強い
- テンソル＝内部を流れる数値データ全般。勾配＝重みの調整方向
Transformer / 自己注意機構
- 文中の各単語が他のどの単語と関連が深いかを計算
- RNN と違い単語を同時処理 → 長い文脈に強い、並列化で高速
- GPT・BERT・Claude の土台
BERT vs GPT
-
BERT：Encoder のみ、双方向、文章の理解（分類・抽出）。生成しない
-
GPT：Decoder のみ、単方向、文章の生成
- 「チャットボット」→ GPT系、「分類・理解」→ BERT
GAN vs 拡散モデル
-
GAN：Generator（偽物を作る）と Discriminator（見破る）が競う。学習が不安定になりやすい
-
拡散モデル（Stable Diffusion）：ノイズを徐々に除去して画像を復元。安定・高品質・現在主流
埋め込み (Embeddings)
- 文章を意味ベクトルに変換。意味が近いほどベクトルも近い
- Titan Text Embeddings は生成しない、変換専用
- RAG・意味検索・類似度比較で使う
In-context 学習
- 重みを変えずプロンプト内の例だけでタスクを理解
- Zero-shot（例0）／One-shot（例1）／Few-shot（例複数）
- 低コスト・すぐ試せる
07. 推論パラメータ vs 学習パラメータ
| パラメータ |
いつ |
何を調整 |
覚え方 |
| temperature |
推論 |
確率分布の尖り具合。低＝堅実、高＝創造的 |
差の強弱 |
| topK |
推論 |
上位 K 個の単語だけ候補 |
個数で絞る |
| topP |
推論 |
累積確率 P **%**までの単語を候補 |
%で絞る、候補数は変動 |
| maxTokens |
推論 |
生成する長さの上限 |
コスト・速度 |
| epochCount |
ファインチューニング |
データを何周するか |
多すぎ→過学習 |
| batchSize |
ファインチューニング |
1回にまとめて処理する件数 |
大＝速いがメモリ必要 |
引っかけ
- 「一貫性・正確さ」→ temperature / topP を低く。「多様性・創作」→ 高く。
- 推論パラメータは重みを変えず、毎回指定できる設定。学習パラメータ（epoch, batch）とは別レイヤー。
08. Amazon Bedrock
基盤モデル活用の4段階（軽い順）
| 段階 |
重み |
必要なもの |
コスト |
こんな時 |
| ① プロンプトエンジニアリング |
変えない |
プロンプトの工夫（Few-shot 等） |
最小 |
まず試す |
| ② RAG（Knowledge Bases） |
変えない |
Embeddings＋ベクトルDB |
低〜中 |
社内の最新・独自データを根拠に答えたい |
| ③ ファインチューニング |
変える |
ラベル付きデータ |
中〜高 |
トーン・フォーマットに特化 |
| ④ 継続的な事前トレーニング |
変える（大規模） |
ラベルなし大量データ |
最高 |
分野知識そのものが足りない |
原則：軽い方から試し、足りなければ重い方へ。
Bedrock の機能
| 機能 |
内容 |
| Knowledge Bases |
RAG をフルマネージドで（チャンク化・ベクトル化・ベクトルDB・検索まで自動） |
| Agents |
複数ステップの処理・API 呼び出しを自律実行 |
| Guardrails |
有害な出力・機密情報漏洩を防ぐフィルタ。ジェイルブレイク対策 |
| Model Evaluation |
複数 FM の出力品質を比較。自動評価（ベンチマークデータセット・指標）＋人間による評価 |
| Custom Model Import |
Bedrock の外で学習済みのモデルを持ち込み、Bedrock の推論基盤で使う |
| Model Distillation |
Bedrock 上の大モデルから小モデルへ知識を移す |
| Playground（コンソール） |
開発者がプロンプトを試し、モデルの応答やパラメータを検証する画面 |
| PartyRock |
AWS アカウント不要、ノーコードで生成AIミニアプリを作って学ぶ遊び場 |
モデルのラインナップ
| モデル |
提供元 |
用途 |
| Titan Text / Titan Text Embeddings / Titan Image Generator |
AWS純正（初期世代） |
テキスト生成／埋め込み／画像生成（透かし機能） |
| Nova Micro / Lite / Pro / Premier |
AWS純正（新世代） |
テキスト（軽量→高性能の順）。Lite 以上はマルチモーダル入力 |
| Nova Canvas |
AWS純正 |
画像生成 |
| Nova Reel |
AWS純正 |
動画生成（この中で唯一） |
| Stable Diffusion XL |
Stability AI |
画像生成（拡散モデル） |
| Claude / Llama / Cohere など |
サードパーティ |
テキスト・マルチモーダル |
引っかけ
- 「独自データを反映したいがモデルを再学習したくない」→ RAG（Knowledge Bases）、ファインチューニングではない。
- 「動画を生成」→ Nova Reel だけ。「Stability AI 製」→ Stable Diffusion。
- Model Evaluation は「どのモデルが上手か」の横並び比較。Clarify は「公平か・説明できるか」。別次元。
- Model Evaluation はモデル選定段階、Model Monitor はデプロイ後の監視。
09. RAG とベクトルDB
① 文書をチャンク化（小さすぎ→文脈喪失、大きすぎ→検索精度低下。オーバーラップで補う）
② Titan Text Embeddings で各チャンクをベクトル化
③ ベクトルDB に保存
④ 質問もベクトル化
⑤ 意味的に近いチャンクを検索（k-NN の考え方を検索に応用）
⑥ 検索結果をプロンプトに入れて LLM が回答
| ベクトルDB の選択肢 |
特徴 |
| Amazon OpenSearch Service |
検索エンジン。k-NN 機能でベクトル検索。大規模検索・ログ分析向き |
| Aurora (PostgreSQL) + pgvector |
既存の RDB に拡張機能でベクトル列を追加。SQL で検索できる |
| Neptune（グラフDB） |
「つながり・関係性」のデータ。Neptune ML で不正ネットワーク検知・関係性ベースの推薦 |
| Pinecone / Redis 等 |
サードパーティ製ベクトルストア |
引っかけ
- 「SageMaker の k-NN」（予測アルゴリズム）と「OpenSearch の k-NN」（ベクトル検索機能）は文脈が違う。考え方は同じ。
- 「pgvector」→ Aurora PostgreSQL の拡張機能。
10. SageMaker エコシステム
誰が使う？（コードを書くか）
| ツール |
コード |
利用者 |
目的 |
| Canvas |
不要 |
ビジネスアナリスト |
画面操作だけで予測モデルを作る（裏で Autopilot） |
| Autopilot |
不要〜任意 |
誰でも |
AutoML。前処理〜アルゴリズム選定〜チューニングを全自動 |
| Studio |
書く |
データサイエンティスト |
ML 開発の統合環境（IDE） |
| Notebook インスタンス |
書く |
データサイエンティスト |
Jupyter でコード実行 |
データ準備〜人の関与
| サービス |
タイミング |
何をする |
| Data Wrangler |
学習前 |
ノーコードで前処理・特徴量エンジニアリング（欠損値、エンコーディング、可視化） |
| Ground Truth |
学習前 |
正解ラベル付け（アノテーション）。自動ラベリングあり。Ground Truth Plus は作業ごと委託 |
| Mechanical Turk |
— |
人手作業をクラウドワーカーに発注。Ground Truth / A2I の作業員調達先 |
| Augmented AI (A2I) |
推論後 |
自信度が低い予測だけ人がレビュー。運用中のセーフティネット |
学習〜運用
| 機能 |
タイミング |
何をする |
| Training Job |
学習 |
1回の学習の実行単位。データ・アルゴリズム・インスタンス・ハイパーパラメータを指定 |
| Automatic Model Tuning |
学習 |
ハイパーパラメータを自動探索（ベイズ最適化が効率的）。範囲と目的指標は人が指定 |
| Experiments |
学習 |
実験結果を記録・比較する「ノート」。Tuning の全試行が自動記録される |
| Debugger |
学習中 |
テンソル（勾配・損失）をリアルタイム監視。勾配消失・爆発を検知 |
| Clarify |
学習前後 |
バイアス検出（Pre-training：データの偏り／Post-training：予測の偏り）＋説明可能性（SHAP） |
| Model Cards |
デプロイ前・監査 |
モデルの目的・性能・リスク・バイアス情報を1枚に文書化 |
| Model Monitor |
デプロイ後 |
本番の精度劣化・データドリフトを継続監視 |
| Neo |
デプロイ |
学習済みモデルをハードウェア向けに最適化。エッジ・IoT で高速化 |
| AWS 独自チップ |
用途 |
| Trainium |
学習（Train） |
| Inferentia |
推論（Infer） |
引っかけ
- Autopilot＝モデル作成全体を自動化。Automatic Model Tuning＝ハイパーパラメータ探索だけ。
- Experiments＝記録係（受け身）。Tuning＝探索エンジン（能動的）。
- Debugger＝学習中の健康診断。Model Monitor＝デプロイ後の定期検診。
- Ground Truth＝学習前にラベルを付ける。A2I＝運用中に予測を人が確認。
- Data Wrangler＝データを加工する。Ground Truth＝ラベルを付ける。Canvas＝モデルを作る。
- Clarify＝検査する。Model Cards＝結果を文書化する。
- Neo は精度を上げない。実行速度・サイズの最適化。蒸留（学習段階・別モデル）とは別。
11. AI サービス
| サービス |
内容 |
| Transcribe Medical |
医療会話の文字起こしのみ
|
| HealthScribe |
文字起こし＋臨床ノートを自動生成（生成AI）。根拠の引用も提示 |
| QuickSight |
BI ツール（ダッシュボード・可視化） |
| QuickSight Q |
自然言語でデータに質問できる生成AI機能 |
| QuickSight トピック |
Q が業務用語を正しく理解するための語彙・データの紐付け設定 |
| QuickSight 異常検知 |
内部で RCF を使う異常検知（※旧 Lookout for Metrics はサービス終了。古い問題文では名前だけ出ることがある） |
12. 責任あるAI・ガバナンス
| Clarify のバイアス検出 |
いつ |
指標例 |
| Pre-training Bias |
学習前（データ） |
Class Imbalance、DPL（属性ごとのラベル割合差） |
| Post-training Bias |
学習後（予測結果） |
Disparate Impact、Accuracy / Recall Difference |
| サービス |
スコープ |
何を |
| SageMaker Clarify |
モデル単位 |
公平性・説明可能性の検査
|
| SageMaker Model Cards |
モデル単位 |
情報の文書化（透明性・説明責任） |
| Bedrock Guardrails |
生成AIの出力 |
有害出力・機密漏洩の防止 |
| AWS Audit Manager |
AWS 環境全体 |
自社の使い方が GDPR / HIPAA / PCI DSS 等を満たすか継続評価、証跡を自動収集 |
| AWS Artifact |
AWS 側 |
AWS 自身の認証書・監査レポート（SOC, ISO, PCI）を無料でダウンロード |
責任共有モデル
AWS 側（クラウド自体）の証明 → AWS Artifact ／ ユーザー側（クラウドの中の使い方）の評価 → Audit Manager
13. AI への攻撃
| 攻撃 |
タイミング |
何を狙う |
対策 |
| ジェイルブレイク |
運用中（推論） |
プロンプトで安全対策を回避させる |
Guardrails |
| データポイズニング |
学習前（データ準備） |
悪意あるデータを混入し判断を歪める |
データソースの検証・異常検出 |
| モデル反転攻撃 |
運用中（推論） |
出力から学習データ（個人情報）を逆算 |
差分プライバシー、アクセス制限 |
クラス不均衡（自然に生じた偏り）とデータポイズニング（悪意ある混入）は別物。
14. 総合引っかけ：キーワード → 答え
| 問題文のキーワード |
答え |
| ラベルなし・変なデータを見つけたい |
Random Cut Forest |
| ラベルなし・グループ分け |
K-means |
| 来月の売上・需要予測 |
DeepAR |
| 表形式で精度重視 |
XGBoost |
| シンプル・解釈性・ベースライン |
Linear Learner |
| 不均衡データの評価 |
F1スコア（正解率ではない） |
| 見逃しが致命的 |
再現率を重視 |
| 要約の評価／翻訳の評価 |
ROUGE／BLEU
|
| 学習データでは高精度、本番で低精度 |
過学習 or データリーケージ
|
| 学習が進まない／発散する |
勾配消失／勾配爆発 → Debugger |
| 木の本数・学習率を自動で最適化 |
Automatic Model Tuning |
| 前処理からアルゴリズム選定まで全自動 |
Autopilot |
| 非エンジニアがノーコードでモデル作成 |
SageMaker Canvas |
| ノーコードでデータ加工 |
Data Wrangler |
| 正解ラベルを作りたい |
Ground Truth |
| 自信のない予測を人が確認 |
Augmented AI (A2I) |
| 本番でのデータドリフト監視 |
Model Monitor |
| バイアス・説明可能性 |
SageMaker Clarify |
| モデル情報の文書化・監査 |
Model Cards |
| 独自データを根拠に回答、再学習なし |
RAG / Knowledge Bases |
| プロンプトに例を入れるだけ |
In-context 学習（Few-shot） |
| トーン・フォーマットに特化（ラベル付き） |
ファインチューニング |
| 分野知識を根本から（ラベルなし大量） |
継続的な事前トレーニング |
| 軽量化・低コスト化、性能は維持 |
モデル蒸留 |
| エッジ・IoT で高速に動かす |
SageMaker Neo |
| 学習用チップ／推論用チップ |
Trainium／Inferentia
|
| 堅実な出力／創造的な出力 |
temperature 低／高
|
| 外で学習したモデルを Bedrock で使う |
Custom Model Import |
| 複数 FM から最適なものを選ぶ |
Bedrock Model Evaluation |
| 動画生成 |
Nova Reel |
| 文章を理解・分類（生成しない） |
BERT |
| 2つのモデルが競い合って生成 |
GAN |
| ノイズ除去で画像生成 |
拡散モデル（Stable Diffusion） |
| 有害出力の防止・ジェイルブレイク対策 |
Bedrock Guardrails |
| 出力から学習データを逆算 |
モデル反転攻撃 |
| AWS 自身の SOC / ISO レポート |
AWS Artifact |
| 自社環境の規制準拠を継続評価 |
AWS Audit Manager |
| 取引ネットワークの不正・関係性ベース推薦 |
Neptune ML |
| 医療会話からカルテを自動生成 |
HealthScribe |
| データに話し言葉で質問 |
QuickSight Q |
おわりに
このチートシートは、AIF-C01 の主要トピックを「問題文のキーワードから答えを引く」形に圧縮したものです。試験形式・配点・各サービスの最新仕様は、受験前に公式の試験ガイドとドキュメントで最終確認してください。
📩 AWS認定の学習Tips・「試験に出ないが現場で必須」の知識をX（naoto@クラウドエンジニア）で毎日発信中 👉 https://x.com/naoto_tech_AI
