👋

AWS Certified AI Practitionerに合格しました[2025.10.09]

に公開
AWS
idea

生成AI時代の学び直しとして、AWS Certified AI Practitionerの資格取得をしました。

https://aws.amazon.com/jp/certification/certified-ai-practitioner/

試験範囲と得点配分は次の通り。

  • 第1分野: AI と ML の基礎 20%
  • 第2分野: 生成 AI の基礎 24%
  • 第3分野: 基盤モデルの応用 28%
  • 第4分野: 責任ある AI に関するガイドライン 14%
  • 第5分野: 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%

https://d1.awsstatic.com/onedam/marketing-channels/website/aws/en_US/certification/approved/pdfs/docs-ai-practitioner/AWS-Certified-AI-Practitioner_Exam-Guide.pdf

学習方法

まず最初に試験問題セットを解いて試験レベルを把握します。G検定を取得していたためAI関連は把握できており、学習前時点で17/20正解しました。

次に、

で学習しました。学習時間の目安は次の通りで、勉強期間は2-3週間です。

項目 コスト 時間
Bedrockのハンズオン 無料 2時間程度
AWS SkillBuilder 無料 10時間程度
CloudLicense 有料 20時間程度
合計学習時間 - 30-35時間程度

AWSの場合はAWSサービスに関連してくるので、まずAIのみの知識を学ぶためならG検定の取得をオススメします。
また、CloudLicenseのみだと試験合格のための勉強となってしまいがちなので、Skill BuilderなどAWS公式のコンテンツで学習すると体系的に学べるかと思います。

学習のポイント

学習の中で学んだことをまとめます。

第1分野: AI と ML の基礎

項目 人工知能 (AI: Artificial Intelligence) 機械学習 (ML: Machine Learning)
内容 人間の知能を模倣する機械ベースのアプリケーションの広義の用語です。すべての AI ソリューションが ML であるとは限りません。 人工知能の手法のひとつです。ML ソリューションはすべて AI ソリューションです。
こんな方に最適 複雑な人間のタスクを効率的に完了するのに最適です。 大量のデータからパターンを特定して特定の問題を解決するのに最適です。
Methods (手法) ルールベース、ニューラルネットワーク、コンピュータービジョンなど、さまざまな方法を使用する場合があります。 生データから手動で特徴を選択・抽出し、重みを割り当ててモデルをトレーニングします。
実装 実装はタスクによって異なります。多くの場合、AI は事前に構築され、API を介してアクセスされます。 特定のユースケースに合わせて新規または既存の ML モデルをトレーニングします。構築済みの ML API も利用可能です。

  • コンピュータビジョンと画像認識の違い

    • コンピュータビジョン
      • 視覚データ（画像や動画）を理解・解釈し、判断や行動に繋げること。
      • 例. 画像認識、物体検出、物体追跡、セグメンテーション、シーン理解、顔認証、行動解析など。
        • 「子どもがバットでボールを打とうとしている。ボールはバットの手前にある」という状況を理解し、その後の動きを予測したり、自動運転車であればその情報に基づいて次の動作（ブレーキ、ハンドル操作など）を決定したりする。
    • 画像認識
      • 画像内の特定の物体やパターンを識別・分類すること。
      • 例. 画像分類（例：これは犬である）、物体検出（例：画像内の犬と猫を特定する）。
    • 画像認識は「識別」が主な目的。コンピュータビジョンは「識別」の結果を含めて「理解」し、さらにその「理解」に基づいてシステムを「制御・応用」する

  • 回帰モデルの誤差

    • 平均二乗誤差(MSE)
      • 誤差の二乗の平均
      • Mean: 平均
      • Squared: 二乗
      • Error: 誤差
      • 常に正の値
    • 二乗平均平方根誤差(RMSE)
      • MSEの平方根
      • Root: 平方根
      • 単位が元の単位と一致することが嬉しい
      • 身長の予測（単位: cm）の場合、二乗すると単位は cm^2 になるが、平方根を取ることで再び cm に戻り、元のデータと同じ単位で誤差を評価できる
      • 誤差が強調される→ハズレ値の影響が強調される。予測の大きな誤りがすこしあるだけで強調される
    • 平均絶対誤差(MAE)
      • 誤差の絶対値を平均するだけなので、誤差は強調されない

第2分野: 生成 AI の基礎

  • ベクトルとは

    • 数値の順序付きリスト
      • 文字データのままではAIは理解できない
    • 項目間の関係を捉えられることができる。
    • 空間内の位置を示す。ExcelやSpreadSheetなどのイメージ

  • 埋め込み

    • テキスト、画像などあらゆるエンティティをベクトル化して数値で表現したもの
    • トークンのセマンティックス上の意味を捉えたタイプの数値ベクトル表現
      • セマンティックス: 言葉が持つ本来の意味。
    • 人間の言葉を統計的に表して理解する。
    • ベクトル空間でお互いに近ければ近いほど本来の言葉の意味合いが近い

  • 生成AIのパフォーマンスメトリクス

    • 機械学習の出力は決定論的
    • 生成AIの出力は非決定論的
      • Recall-Oriented Understudy for Gisting Evaluation(ROUGE)
      • 主に自動生成された要約を人間が生成した参照要約と比較することで、その品質を評価するために使用
      • Bilingual Evaluation UnderStudy(BLEU)
        • 機械翻訳されたテキストを人間が生成した翻訳と比較することで、その品質を評価するように設計されたアルゴリズム
      • BERTScore (BERTスコア)
        • 自然言語処理（NLP）におけるテキスト生成タスクの自動評価指標。
        • 機械翻訳や文書要約などで生成された文章が、正解文（参照文）とどれだけ意味的に類似しているかを定量的に評価するために使用。
        • 従来の評価指標（BLEUやROUGEなど）が単語の表面的な一致（N-gramの一致）に基づいて評価していたのに対し、BERTScoreは単語の持つ意味的な近さを考慮できる。

結果スコア

885/1000で合格しました。
合格に必要なスケーリングは700点。

まとめ

AWS Certified AI Practitioner の試験学習は、事前に G検定 や AWS Cloud Practitioner などを取得してAIやAWSの初歩を学習しておくと、試験の主要分野（生成AIと基盤モデルの応用/Bedrock/SageMaker）に集中的に取り組むことができました。

他に

zennのAIレビューを実施したのですが、見出しレベルの推奨は知りませんでした。

Zennではアクセシビリティの観点から、記事の最上位見出しを##から始めることを推奨しています。# 学習方法を## 学習方法に修正することをおすすめします。

https://zenn.dev/zenn/articles/markdown-guide#見出し

Discussion