はじめに
AWS Certified Machine Learning Engineer - Associate（MLA-C01）に合格しました。スコアは 789/1000（合格ライン：720）。
昨年12月に AWS Certified AI Practitioner（AIF-C01）をスコア721で取得しており、その流れでAI/ML系の上位資格として MLA-C01 に挑戦しました。
ソーイではAWSを活用したシステム開発を行っており、ML/AI領域の知見を深めるためにも、現在AWS12冠取得を目指し学習中です。
この記事は、AWSのAI/ML系資格に興味があるエンジニア、特にML未経験からMLA-C01の取得を目指す方に向けて書いています。
この記事では、2週間の学習方法・使ったツール・AI Practitioner との試験の違いを共有します。
MLA-C01 の概要
- 試験コード: MLA-C01
- カテゴリ: Associate（中級）
- 合格スコア: 720/1000
- 問題数: 65問
- 試験時間: 130分
- 問題形式: 単一選択、複数選択、順序付け、マッチング、ケーススタディ
試験ドメインと配点
| ドメイン | 配点 |
|---|---|
| Domain 1: Data Preparation for ML | 28% |
| Domain 2: ML Model Development | 26% |
| Domain 3: Deployment and Orchestration of ML Workflows | 22% |
| Domain 4: ML Solution Monitoring, Maintenance, and Security | 24% |
配点トップはデータ準備（28%）。SageMaker を中心に、データ取り込み・前処理・特徴量エンジニアリング・パイプライン設計が問われます。
AI Practitioner（AIF-C01）との違い
AWS のAI/ML系資格の立ち位置を整理しておきます。
| 項目 | AI Practitioner（AIF-C01） | ML Engineer - Associate（MLA-C01） |
|---|---|---|
| カテゴリ | Foundational（入門） | Associate（中級） |
| 合格スコア | 700/1000 | 720/1000 |
| 筆者スコア | 721 | 789 |
| 問題数 | 65問 | 65問 |
| 試験時間 | 90分 | 130分 |
| 対象者 | AI/ML概念を理解したい全職種 | SageMakerでMLを実装するエンジニア |
| 問われること | 概念・ユースケース・生成AIの基礎・責任あるAI | SageMakerでの実装・MLOps・CI/CD・モニタリング |
AI Practitioner は「AIとは何か・どう使うか」を問う試験でした。
MLA-C01 は「SageMaker で実際に何を使ってどう実装するか」にフォーカスしており、ハイパーパラメータチューニング・モデル管理・SageMaker Pipelines による CI/CD など、実務的な知識が問われます。
学習方法：Cloud License で2週間
学習ツールとして選んだのは Cloud License です。
選んだ理由
- 日本語で解説が読める
- 問題を繰り返し解くのに特化した UI
- スマホでスキマ時間に解ける
2週間の取り組み方
特別なスケジュールは組まず、毎日問題を解き続けることだけを守りました。
- 平日: 毎日、1問ずつ
- 週末: まとまった時間で35問
- 間違えた問題は解説を読んで即日復習
- 同じ問題セットを2〜3周するまで繰り返す
ノートツールとして UpNote を利用しており、MLA用のノートでわからなかった単語・間違った問題の解説をまとめていき、試験用の情報を貯めました。
試験の所感
スコアパフォーマンスの結果です。
改善が必要な項目はありませんでしたが、点数から全体的にぎりぎりライン越えで取れたのかと推測されます。
AI Practitioner のときはBedrockサービスについて回答し続けた記憶ですが、今回は SageMakerについて回答し続けました。GlueとSageMaker Data Wranglerそれぞれの役割と出来ることを把握することが試験のポイントでした。
| 観点 | AWS Glue | SageMaker Data Wrangler |
|---|---|---|
| 主な用途 | 大規模なETLパイプライン（抽出・変換・ロード） | データの探索・可視化・特徴量エンジニアリング |
| 操作方法 | PySpark / Glue Studio（ビジュアル） | GUIベースのノーコード・ローコード操作 |
| 典型的なシナリオ | S3のデータをカタログ化し、定期的にETLジョブで変換 | MLモデル学習前のデータ確認・特徴量の作成・変換 |
また、機械学習について基本的な知識が求められており、チューニング時のアルゴリズムとしてベイズ最適化・Hyperband・ランダムフォレストなどを把握しておく必要があり、AWSとは別の角度の知識が必要でした。
普段から機械学習に慣れ親しんでいる人にはボーナス問題となりますが、自分の場合は「回帰モデル・分類問題とは何か」から始まる状態で、Cloud Licenseの解説を読みながら都度調べる形で補いました。ML基礎に不安がある方は、事前にAWS Skill Builderの無料コースで概要を掴んでおくと効率的です。実利用には基本知識の習得が必要だと痛感しています。
IAMについての問題や、デプロイ方式（ローリング・一括）などは普段からAWSサービスを触っているため、そこはわかりやすい問題でした。
ドメイン別の体感難易度
| ドメイン | 体感難易度 | コメント |
|---|---|---|
| Domain 1: Data Preparation | ★★★☆☆ | Glue・Data Wrangler・Feature Storeの整理ができていれば対応可能 |
| Domain 2: ML Model Development | ★★★★☆ | ML固有の知識（アルゴリズム・チューニング）が必要で、AWS以外の学習が要る |
| Domain 3: Deployment and Orchestration | ★★★☆☆ | 普段AWSを触っている人はデプロイ・CI/CDの感覚で対応しやすい |
| Domain 4: Monitoring, Maintenance, Security | ★★★☆☆ | IAM・モニタリングは他のAWS資格と重複する部分が多く取りやすい |
Domain 2（MLモデル開発）が最も苦戦しました。AWS固有のサービス知識だけでなく、ML全般の基礎理論が求められるため、Cloud Licenseだけでは足りない部分がありました。
参考リンク
まとめ
学習期間2週間・Cloud License のみ・スコア789で合格できました。
試験を通じた気づきを整理するとこうなります。
- AIF-C01 が「Bedrockを中心とした概念・ユースケース」の試験なら、MLA-C01 は「SageMakerを中心とした実装・運用」の試験
- Glue と SageMaker Data Wrangler の役割の違いを理解しておくことが特に重要
- ハイパーパラメータチューニング（ベイズ最適化・Hyperbandなど）はAWS固有ではなくML全般の知識が問われる
- 普段からAWSを触っている人はIAMやデプロイ方式の問題は取りやすい。その分ML基礎知識の補強に時間をかけるとスコアが伸びやすい
AWS 12冠取得を目指して引き続き学習していきます。次の資格についてはまた記事にまとめる予定です。
お知らせ
技術ブログを週1〜2本更新中、ソーイをフォローして最新記事をチェック！
https://qiita.com/organizations/sewii