[{"data":1,"prerenderedAt":189},["ShallowReactive",2],{"topic-page:\u002Fit\u002Faws\u002Faws-certified-ai-practitioner\u002Fai-ml-fundamentals\u002Fai-ml-pipeline-model-sources-and-serving":3},{"topic":4,"category":148,"seo":152,"breadcrumbs":157,"prerequisites":167,"nextTopics":168,"relatedTopics":178},{"id":5,"slug":6,"title":7,"summary":8,"canonicalPath":9,"categoryPath":10,"difficulty":11,"targetAudience":12,"estimatedMinutes":13,"generatedAt":14,"publishedAt":14,"updatedAt":14,"reviewStatus":15,"tags":16,"expectedKnowledge":25,"learningGoal":28,"keyTerms":29,"blocks":63},"it-aws-aws-certified-ai-practitioner-ai-ml-fundamentals-ai-ml-pipeline-model-sources-and-serving","ai-ml-pipeline-model-sources-and-serving","AI\u002FMLパイプラインとモデル提供","AI\u002FMLパイプラインとモデル提供を、AIF-C01の公式objective 1.3.1・1.3.2・1.3.3に沿って、用語、判断順序、例、誤解修正で整理します。","\u002Fit\u002Faws\u002Faws-certified-ai-practitioner\u002Fai-ml-fundamentals\u002Fai-ml-pipeline-model-sources-and-serving","\u002Fit\u002Faws\u002Faws-certified-ai-practitioner\u002Fai-ml-fundamentals","beginner","cert_candidate",6,"2026-08-06","ai_generated",[17,18,19,20,21,22,23,24],"AWS Certified AI Practitioner","AIF-C01","AI・機械学習の基礎","AI\u002FMLパイプライン","事前学習モデル","管理API","自己ホスト","モデル監視",[26,27],"AWSクラウドの基本用語を聞いたことがある","AIを使う業務例を日常的な言葉で考えられる","AI\u002FMLパイプラインとモデル提供について、試験で問われる違いと選択基準を説明し、短い業務例へ適用できる。",[30,34,37,41,44,47,51,56],{"id":31,"label":20,"shortDefinition":32,"role":33},"ai-ml-pipeline","データ準備からモデル選択・学習・評価・展開・監視までを結ぶ工程です。","primary",{"id":35,"label":21,"shortDefinition":36,"role":33},"pretrained-model","利用前に大規模なデータで学習され、追加利用や調整が可能なモデルです。",{"id":38,"label":39,"shortDefinition":40,"role":33},"managed-api","マネージドAPI","提供者が基盤を管理し、利用者がAPI経由でモデル機能を使う方式です。",{"id":42,"label":23,"shortDefinition":43,"role":33},"self-hosting","利用者側の環境へモデル実行基盤を配置し、その運用を管理する方式です。",{"id":45,"label":24,"shortDefinition":46,"role":33},"model-monitoring","本番モデルの入力・出力・品質・費用の変化を継続して追う活動です。",{"id":48,"label":49,"shortDefinition":50,"role":33},"deployment","展開","評価済みモデルを、利用者が推論へ使える環境に配置する工程です。",{"id":52,"label":53,"shortDefinition":54,"role":55},"inference","推論","学習済みモデルへ新しい入力を与え、予測や生成の出力を得る処理です。","contextual",{"id":57,"label":58,"shortDefinition":59,"supplement":60,"role":55},"foundation-model","基盤モデル","大規模なデータで事前学習され、多様な下流タスクへ適応できるモデルです。",{"kind":61,"text":62},"misconception","すべての定型予測を、基盤モデルへ置き換える必要はありません。",[64,69,77,86,95,101,107,113,129,138],{"id":65,"type":66,"title":7,"subtitle":67,"shortDefinition":68},"hero","HeroBlock","データから評価、提供、監視までを一続きで見る","データ準備、学習またはモデル選択、評価、展開、推論、監視と改善を再現可能な流れとして結んだものです。",{"id":70,"type":71,"term":20,"definition":72,"plainExplanation":73,"presentation":74,"supportLabel":75,"keywords":76},"definition","DefinitionBlock","[[cloze:ai-ml-pipeline|AI\u002FMLパイプライン]]とは、データ準備からモデル選択・学習・評価・展開・監視までを結ぶ工程です。","モデルは作って終わりではありません。入力データを選び品質を確かめ、既存の[[term:pretrained-model|事前学習モデル]]を選ぶか独自に学習し、評価後に利用者へ提供し、[[term:inference|推論]]時と運用中の品質変化を監視します。[[term:foundation-model|基盤モデル]]はオープンな事前学習済みモデル、提供事業者の管理モデル、独自学習モデルなどから選べます。提供方法は[[term:managed-api|管理API]]と[[term:self-hosting|自己ホスト]]で責任範囲が変わります。","natural","イメージすると",[21,22,23,24],{"id":78,"type":79,"steps":80,"title":85},"decision-steps","StepBlock",[81,82,83,84],"業務目的と利用可能データを定義する。","既存モデル選択か学習かを決め、評価基準を置く。","評価後にモデルを[[term:deployment|展開]]し、管理APIか自己ホストかを統制・運用能力・費用で選ぶ。","本番で[[term:model-monitoring|モデル監視]]を行い、入力変化、品質、費用を改善へ戻す。","ライフサイクルを追う順序",{"id":87,"type":88,"title":89,"points":90,"body":94},"exam-cues","KeyPointBlock","判断で押さえる境界",[91,92,93],"データから監視までが一つの循環","モデルの入手元と学習有無を分ける","提供方式で責任範囲が変わる","試験では、学習前のデータ準備と本番後の監視が抜けやすい点に注意します。管理APIは基盤運用の負担を減らしますが、データ利用条件やモデル更新の統制を確認します。自己ホストは制御を増やせる一方、容量、可用性、パッチ、監視の責任も増えます。",{"id":96,"type":97,"src":98,"alt":99,"caption":100},"diagram","DiagramBlock","\u002Fassets\u002Fit\u002Faws\u002Faws-certified-ai-practitioner\u002Fai-ml-fundamentals\u002Fai-ml-pipeline-model-sources-and-serving\u002Fai-ml-pipeline-model-sources-and-serving.svg","AI\u002FMLパイプラインとモデル提供について目的・データ、選択・学習、評価、提供・推論、監視・改善の関係を文字ラベルと矢印で示した図","データ準備から監視結果を次の改善へ戻す循環図です。モデル入手元と提供方式は途中の選択点として捉えます。",{"id":102,"type":103,"scenario":104,"explanation":105,"result":106},"worked-example","ExampleBlock","社内FAQモデルを事前学習済みFMから選び、管理APIで提供します。","まずFAQの正確さと根拠提示を評価し、管理APIへ安全に接続します。本番後は質問傾向、誤回答、遅延、利用量を監視します。自己ホストしないため基盤運用は軽くなりますが、アクセス制御、入力データ、アプリ側の検証は利用者の責任として残ります。","『モデルを選ぶ』を全工程の一地点として位置付け、前後の責任を説明できます。",{"id":61,"type":108,"warningTitle":109,"message":110,"severity":111,"action":112},"WarningBlock","展開はライフサイクルの終点ではない","本番データは時間とともに変わり、品質や費用も変化します。監視と再評価がなければ、開始時に良かったモデルでも事業目的からずれます。","warning","問題文でデータ、選択・学習、評価、提供、監視の欠けている段階を探します。",{"id":114,"type":115,"title":116,"questions":117},"quiz","QuizBlock","AIF-C01 判断チェック",[118],{"question":119,"choices":120,"answerIndex":124,"choiceExplanations":125},"モデルを本番提供した直後に次に必要な活動として最も適切なのはどれですか。",[121,122,123],"品質・入力変化・費用を継続監視する","評価記録を削除してモデルを固定する","すべての責任がAPI提供者へ移ったと考える",0,[126,127,128],"正解です。運用結果を改善へ戻します。","再現性と統制を失います。","アプリとデータの責任は残ります。",{"id":130,"type":131,"title":132,"points":133},"summary","SummaryBlock","まとめ",[134,135,136,137],"パイプラインはデータから監視までを結ぶ","既存FMと独自学習を目的で選ぶ","管理APIと自己ホストで責任が変わる","運用結果を評価と改善へ戻す",{"id":139,"type":140,"title":141,"nextTopics":142,"relatedKeywords":144},"next-action","NextActionBlock","次は「AWSのAIライフサイクル・MLOps・評価」へ",[143],"it-aws-aws-certified-ai-practitioner-ai-ml-fundamentals-aws-ai-lifecycle-mlops-and-evaluation",[145,146,147],"MLOps","Amazon Bedrock","SageMaker AI",{"path":10,"title":19,"description":149,"parentPath":150,"accentToken":151},"AI、機械学習、学習方式、代表ユースケース、開発ライフサイクルを、AIF-C01の判断問題に沿って整理します。","\u002Fit\u002Faws\u002Faws-certified-ai-practitioner","cloud-amber",{"title":153,"description":154,"canonicalUrl":155,"ogImage":156},"AI\u002FMLパイプラインとモデル提供 | AWS Certified AI Practitioner","AIF-C01対策としてAI\u002FMLパイプラインとモデル提供の定義、判断軸、具体例、誤解しやすい境界を公式試験範囲に沿って学びます。","https:\u002F\u002Fzeqnilo.com\u002Fit\u002Faws\u002Faws-certified-ai-practitioner\u002Fai-ml-fundamentals\u002Fai-ml-pipeline-model-sources-and-serving","https:\u002F\u002Fzeqnilo.com\u002Fassets\u002Fsite\u002Fdefault-og.svg",[158,161,164,165,166],{"title":159,"path":160},"IT","\u002Fit",{"title":162,"path":163},"AWS","\u002Fit\u002Faws",{"title":17,"path":150},{"title":19,"path":10},{"title":7,"path":9},[],[169],{"id":143,"title":170,"summary":171,"canonicalPath":172,"categoryPath":10,"categoryTitle":19,"difficulty":11,"targetAudience":12,"estimatedMinutes":13,"publishedAt":14,"updatedAt":14,"reviewStatus":15,"tags":173},"AWSのAIライフサイクル・MLOps・評価","AWSのAIライフサイクル・MLOps・評価を、AIF-C01の公式objective 1.3.4・1.3.5・1.3.6に沿って、用語、判断順序、例、誤解修正で整理します。","\u002Fit\u002Faws\u002Faws-certified-ai-practitioner\u002Fai-ml-fundamentals\u002Faws-ai-lifecycle-mlops-and-evaluation",[17,18,19,145,146,147,174,175,176,177],"適合率","再現率","F1","ROI",[179],{"id":180,"title":181,"summary":182,"canonicalPath":183,"categoryPath":10,"categoryTitle":19,"difficulty":11,"targetAudience":12,"estimatedMinutes":13,"publishedAt":14,"updatedAt":14,"reviewStatus":15,"tags":184},"it-aws-aws-certified-ai-practitioner-ai-ml-fundamentals-traditional-ml-vs-foundation-models","従来型MLと基盤モデルの選択","従来型MLと基盤モデルの選択を、AIF-C01の公式objective 1.2.6に沿って、用語、判断順序、例、誤解修正で整理します。","\u002Fit\u002Faws\u002Faws-certified-ai-practitioner\u002Fai-ml-fundamentals\u002Ftraditional-ml-vs-foundation-models",[17,18,19,58,185,186,187,188],"従来型機械学習","説明可能性","運用制約","モデル選択",1787370539416]