[{"data":1,"prerenderedAt":225},["ShallowReactive",2],{"topic-page:\u002Fit\u002Faws\u002Faws-certified-ai-practitioner\u002Fai-ml-fundamentals\u002Faws-ai-lifecycle-mlops-and-evaluation":3},{"topic":4,"category":183,"seo":187,"breadcrumbs":192,"prerequisites":202,"nextTopics":203,"relatedTopics":214},{"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":27,"learningGoal":30,"keyTerms":31,"blocks":99},"it-aws-aws-certified-ai-practitioner-ai-ml-fundamentals-aws-ai-lifecycle-mlops-and-evaluation","aws-ai-lifecycle-mlops-and-evaluation","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","\u002Fit\u002Faws\u002Faws-certified-ai-practitioner\u002Fai-ml-fundamentals","beginner","cert_candidate",6,"2026-08-06","ai_generated",[17,18,19,20,21,22,23,24,25,26],"AWS Certified AI Practitioner","AIF-C01","AI・機械学習の基礎","MLOps","Amazon Bedrock","SageMaker AI","適合率","再現率","F1","ROI",[28,29],"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","AWSのAIライフサイクル・MLOps・評価について、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。",[32,36,39,43,47,51,55,62,65,68,72,78,82,87,91,95],{"id":33,"label":20,"shortDefinition":34,"role":35},"mlops","機械学習の実験・データ・モデル・展開・監視を継続管理する考え方です。","primary",{"id":37,"label":21,"shortDefinition":38,"role":35},"amazon-bedrock","複数の基盤モデルと生成AI構築機能を提供するAWSのマネージドサービスです。",{"id":40,"label":41,"shortDefinition":42,"role":35},"amazon-q","Amazon Q","業務情報やAWS開発を支援する生成AIアシスタント群です。",{"id":44,"label":45,"shortDefinition":46,"role":35},"amazon-quick","Amazon Quick","調査・業務分析・自動化などを支援するAIアシスタントです。",{"id":48,"label":49,"shortDefinition":50,"role":35},"kiro","Kiro","仕様作成からコード・テストまでを支援するエージェント型開発サービスです。",{"id":52,"label":53,"shortDefinition":54,"role":35},"amazon-sagemaker-ai","Amazon SageMaker AI","機械学習モデルの構築・学習・展開・運用を広く支えるAWSサービスです。",{"id":56,"label":57,"shortDefinition":58,"supplement":59,"role":35},"accuracy","正解率","全予測のうち、正しく判定できた割合です。",{"kind":60,"text":61},"misconception","不均衡データでは、高い正解率だけで目的達成を判断できません。",{"id":63,"label":23,"shortDefinition":64,"role":35},"precision","陽性と予測したもののうち、実際に陽性だった割合です。",{"id":66,"label":24,"shortDefinition":67,"role":35},"recall","実際の陽性のうち、陽性として見つけられた割合です。",{"id":69,"label":70,"shortDefinition":71,"role":35},"f1-score","F1スコア","適合率と再現率の調和平均で、両者の均衡を表す指標です。",{"id":73,"label":26,"shortDefinition":74,"supplement":75,"role":35},"roi","投資に対して得られた利益や効果の大きさを表す指標です。",{"kind":76,"text":77},"usage","導入費・運用費・確認費用も含めて評価します。",{"id":79,"label":80,"shortDefinition":81,"role":35},"reproducibility","再現性","同じ条件と手順を使ったとき、同等の結果を再現できる性質です。",{"id":83,"label":84,"shortDefinition":85,"role":86},"model-monitoring","モデル監視","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。","contextual",{"id":88,"label":89,"shortDefinition":90,"role":35},"technical-debt","技術的負債","短期的な選択により、将来の変更・保守負担が積み上がった状態です。",{"id":92,"label":93,"shortDefinition":94,"role":35},"model-retraining","モデル再学習","新しいデータや要件を使って、運用中のモデルを再び学習する活動です。",{"id":96,"label":97,"shortDefinition":98,"role":86},"business-value","事業価値","技術の利用が、収益・費用・時間・品質などの業務成果へ生む価値です。",[100,105,113,122,131,137,143,149,164,173],{"id":101,"type":102,"title":7,"subtitle":103,"shortDefinition":104},"hero","HeroBlock","サービス配置、反復可能性、技術指標と事業成果をつなぐ","機械学習の実験、データ、モデル、展開、監視を再現可能かつ継続的に運用し、品質と変更を管理する考え方です。",{"id":106,"type":107,"term":20,"definition":108,"plainExplanation":109,"presentation":110,"supportLabel":111,"keywords":112},"definition","DefinitionBlock","[[cloze:mlops|MLOps]]とは、機械学習の実験・データ・モデル・展開・監視を継続管理する考え方です。","[[term:amazon-bedrock|Amazon Bedrock]]は基盤モデルを用いた生成AIアプリ、[[term:amazon-sagemaker-ai|Amazon SageMaker AI]]はデータ準備から学習・展開・監視までの広いML工程を支えます。[[term:amazon-q|Amazon Q]]は業務情報やAWS開発、[[term:amazon-quick|Amazon Quick]]は調査・分析・自動化、[[term:kiro|Kiro]]は仕様駆動の開発を支援します。この運用では実験の記録、反復可能な工程、拡張性、技術的負債、モデル監視、モデル再学習を管理します。評価は精度だけでなく[[term:business-value|事業価値]]へ接続します。","natural","イメージすると",[21,22,23,24],{"id":114,"type":115,"steps":116,"title":121},"decision-steps","StepBlock",[117,118,119,120],"工程がデータ、モデル利用、学習、展開、業務アプリのどこかを決める。","AWSサービスを製品名ではなく、その工程の能力で対応付ける。","精度・適合率・再現率・F1など技術指標を誤りの種類に合わせる。","利用者当たり費用、開発費、顧客反応、[[term:roi|ROI]]など事業指標と同時に追う。","評価まで含むサービス配置",{"id":123,"type":124,"title":125,"points":126,"body":130},"exam-cues","KeyPointBlock","判断で押さえる境界",[127,128,129],"サービスは工程の能力で対応付ける","[[term:reproducibility|再現性]]・[[term:technical-debt|技術的負債]]・[[term:model-monitoring|モデル監視]]・[[term:model-retraining|モデル再学習]]をMLOpsで管理","技術指標と事業指標を二層で評価","[[term:accuracy|正解率]]が高くても、少数の重要な不正を見逃すなら業務には合いません。[[term:precision|適合率]]は陽性と判定した中の正しさ、[[term:recall|再現率]]は実際の陽性を拾えた割合、[[term:f1-score|F1]]は両者の調和平均です。ただし最終判断は、検出による損失削減や担当者負荷など事業指標まで見ます。",{"id":132,"type":133,"src":134,"alt":135,"caption":136},"diagram","DiagramBlock","\u002Fassets\u002Fit\u002Faws\u002Faws-certified-ai-practitioner\u002Fai-ml-fundamentals\u002Faws-ai-lifecycle-mlops-and-evaluation\u002Faws-ai-lifecycle-mlops-and-evaluation.svg","AWSのAIライフサイクル・MLOps・評価についてAWSサービス配置、MLOps：再現・監視、精度・適合率・再現率・F1、費用・顧客価値・ROIの関係を文字ラベルと矢印で示した図","サービス、運用、技術指標、事業指標を四層で示す図です。上の成果を下の仕組みが支える関係として読みます。",{"id":138,"type":139,"scenario":140,"explanation":141,"result":142},"worked-example","ExampleBlock","不正取引モデルAは適合率が高く、モデルBは再現率が高い状況を比較します。","調査担当者が少なく誤警報を減らしたいなら適合率を重視する理由があります。見逃し損失が極めて大きいなら再現率を重視します。F1だけで決めず、調査費用、見逃し損失、顧客への影響を事業指標として加え、MLOpsで評価条件と変更履歴を再現可能にします。","指標名を暗記せず、どの誤りを減らし、どの事業成果を守るかから選べます。",{"id":60,"type":144,"warningTitle":145,"message":146,"severity":147,"action":148},"WarningBlock","Accuracyだけでは不均衡データを読めない","正常取引が99%なら、すべて正常と答えてもAccuracyは99%です。不正を見つける目的には、陽性クラスの適合率・再現率や事業損失も確認します。","warning","目的、誤りの種類、技術指標、事業指標を一列につないで評価します。",{"id":150,"type":151,"title":152,"questions":153},"quiz","QuizBlock","AIF-C01 判断チェック",[154],{"question":155,"choices":156,"answerIndex":159,"choiceExplanations":160},"実際の不正をできるだけ見逃したくない場合、特に注目する指標はどれですか。",[24,157,158],"モデルのファイルサイズだけ","正常を含む総件数だけ",0,[161,162,163],"正解です。実際の陽性を拾えた割合を見ます。","見逃しの割合を表しません。","予測品質の指標になりません。",{"id":165,"type":166,"title":167,"points":168},"summary","SummaryBlock","まとめ",[169,170,171,172],"AWSサービスは工程上の能力で選ぶ","MLOpsは実験・展開・監視を反復可能にする","指標は誤りの種類に合わせる","技術指標を費用・顧客価値・ROIへつなぐ",{"id":174,"type":175,"title":176,"nextTopics":177,"relatedKeywords":179},"next-action","NextActionBlock","次は「生成AIの構成要素：トークン・埋め込み・モデル」へ",[178],"it-aws-aws-certified-ai-practitioner-generative-ai-fundamentals-genai-primitives-tokens-embeddings-and-models",[180,181,182],"生成AI","トークン","チャンク",{"path":10,"title":19,"description":184,"parentPath":185,"accentToken":186},"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":188,"description":189,"canonicalUrl":190,"ogImage":191},"AWSのAIライフサイクル・MLOps・評価 | AWS Certified AI Practitioner","AIF-C01対策としてAWSのAIライフサイクル・MLOps・評価の定義、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\u002Faws-ai-lifecycle-mlops-and-evaluation","https:\u002F\u002Fzeqnilo.com\u002Fassets\u002Fsite\u002Fdefault-og.svg",[193,196,199,200,201],{"title":194,"path":195},"IT","\u002Fit",{"title":197,"path":198},"AWS","\u002Fit\u002Faws",{"title":17,"path":185},{"title":19,"path":10},{"title":7,"path":9},[],[204],{"id":178,"title":205,"summary":206,"canonicalPath":207,"categoryPath":208,"categoryTitle":209,"difficulty":11,"targetAudience":12,"estimatedMinutes":13,"publishedAt":14,"updatedAt":14,"reviewStatus":15,"tags":210},"生成AIの構成要素：トークン・埋め込み・モデル","生成AIの構成要素：トークン・埋め込み・モデルを、AIF-C01の公式objective 2.1.1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\u002Fgenerative-ai-fundamentals\u002Fgenai-primitives-tokens-embeddings-and-models","\u002Fit\u002Faws\u002Faws-certified-ai-practitioner\u002Fgenerative-ai-fundamentals","生成AIの基礎",[17,18,209,180,181,182,211,212,213],"埋め込み","LLM","マルチモーダル",[215],{"id":216,"title":217,"summary":218,"canonicalPath":219,"categoryPath":10,"categoryTitle":19,"difficulty":11,"targetAudience":12,"estimatedMinutes":13,"publishedAt":14,"updatedAt":14,"reviewStatus":15,"tags":220},"it-aws-aws-certified-ai-practitioner-ai-ml-fundamentals-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",[17,18,19,221,222,223,224,84],"AI\u002FMLパイプライン","事前学習モデル","管理API","自己ホスト",1787370539442]