変更要約: in-scope サービス網羅: 第1章2節にデータ・基盤の in-scope サービス節を追加（Athena/Glue/EMR/Lake Formation/Redshift/OpenSearch/QuickSight/Data Exchange/Lambda/ECS/EKS/EC2/RDS/Aurora/ElastiCache/Neptune/DocumentDB/DynamoDB/CloudFront）
1.2機械学習の学習スタイルと AWS の AI/ML サービス
教師あり・教師なし・強化学習の3つの学習スタイルと、Amazon SageMaker などの AWS の AI/ML サービスの位置づけを理解します。
機械学習は「どう学ぶか」で大きく3つに分かれます。AWS はこれらを支えるマネージドなサービスを提供します。
1.2.13つの学習スタイル
- 教師あり学習：ラベル付きデータで学ぶ。回帰（数値）・分類（カテゴリ）。
- 教師なし学習：ラベルなしデータから構造を見つける。クラスタリングなど。
- 強化学習：報酬と罰を通じて試行錯誤で行動を学ぶ。
| スタイル | データ | 代表タスク | 例 |
|---|---|---|---|
| 教師あり | ラベル付き | 回帰・分類 | 価格予測・スパム判定 |
| 教師なし | ラベルなし | クラスタリング | 顧客セグメント化 |
| 強化学習 | 報酬と罰 | 行動方針の学習 | ロボット制御・ゲーム |
1.2.2AWS の AI/ML サービス
AWS の AI/ML サービスは、抽象度で3層に整理すると覚えやすくなります。
①用途別 AI サービス（最上位・すぐ使える）：学習済みモデルを API で呼ぶだけで画像・テキスト・音声などを扱える。
②Amazon SageMaker（中位・自分で作る）：自分のデータで ML モデルを構築・学習・デプロイする統合環境。
③ML フレームワーク/インフラ（最下位）：TensorFlow 等を自前で動かす。AIF-C01 では主に
①と
②、「汎用タスクは既製サービス／独自モデルは SageMaker」の使い分けが問われます。
- Amazon SageMaker：ML モデルの構築・学習・デプロイを一気通貫で行うマネージド環境（自分のデータで独自モデル）。
- Amazon Rekognition：画像・動画の分析（物体・顔・不適切コンテンツ検出）。
- Amazon Comprehend：テキストの分析（感情・エンティティ・キーフレーズ）。
- Amazon Transcribe（音声→テキスト）／Amazon Polly（テキスト→音声）／Amazon Translate（翻訳）／Amazon Textract（書類からテキスト抽出）。
- Amazon Lex：チャットボット（会話 AI）／Amazon Kendra：インテリジェント検索。
| やりたいこと | AWS サービス |
|---|---|
| 自分のデータで独自モデルを作る | Amazon SageMaker |
| 画像/動画を分析 | Amazon Rekognition |
| テキストの感情/エンティティ | Amazon Comprehend |
| 音声の文字起こし／読み上げ | Amazon Transcribe / Polly |
| 書類から項目を抽出 | Amazon Textract |
| チャットボットを作る | Amazon Lex |
シナリオ：問い合わせ自動化。 顧客の音声を Transcribe で文字起こし→Comprehend で感情・要点を分析→Lex でチャットボット応答→必要なら Translate で翻訳、Polly で音声化。自社特有の不良品判定など既製サービスにないモデルは SageMaker で独自に構築。汎用は既製、独自は SageMaker、と切り分けます。
混同に注意：
①学習スタイルは「ラベルの有無・報酬の有無」で見分ける（ラベルあり＝教師あり／報酬＝強化学習／どちらもなし＝教師なし）。
②SageMaker（独自モデルを作る基盤）と用途別 AI サービス（学習不要の既製 API）を取り違えない。
③Rekognition＝画像、Comprehend＝テキスト、Transcribe＝音声認識、Polly＝音声合成、と対象を区別。
Q. SageMaker と用途別 AI サービスはどちらを使う？ 汎用タスク（一般的な画像/テキスト/音声）なら既製の AI サービス、自社固有の予測・分類など独自モデルが要るなら SageMaker。Q. 教師あり/なしの簡単な見分けは？ 正解（ラベル）が与えられていれば教師あり、与えられず構造を見つけるなら教師なし。Q. Comprehend と Translate の違いは？ Comprehend はテキストの「分析」（感情・エンティティ）、Translate は言語間の「翻訳」です。
「教師あり/教師なし/強化学習」の区別と、「独自モデル＝SageMaker」「用途別の既製 AI＝Rekognition（画像）/Comprehend（テキスト）/Transcribe・Polly（音声）/Translate（翻訳）/Textract（書類）/Lex（チャットボット）」の対応が頻出です。
1.2.3データ・基盤の in-scope サービス
AI/ML の土台はデータです。AIF-C01 では、分析/データ基盤のサービスも問われます。S3 へのサーバーレス SQL は Amazon Athena、サーバーレス ETL とデータカタログは AWS Glue（ノーコード準備は AWS Glue DataBrew）、大規模分散処理は Amazon EMR、データレイクの細粒度権限は AWS Lake Formation。列指向の分析は Amazon Redshift、全文/ベクトル検索は Amazon OpenSearch Service、可視化は Amazon QuickSight、外部データの購読は AWS Data Exchange。 実行基盤は AWS Lambda（サーバーレス）、コンテナの Amazon Elastic Container Service／Amazon Elastic Kubernetes Service、計算は Amazon EC2。データストアは目的別に Amazon RDS/Amazon Aurora（RDBMS）、低遅延キャッシュの Amazon ElastiCache、グラフの Amazon Neptune、ドキュメントの Amazon DocumentDB、キーバリューの Amazon DynamoDB、配信の Amazon CloudFront を選びます。長期保管が目的の学習データは、低コストなアーカイブストレージの Amazon S3 Glacier に置きます。
1.2.4この節のまとめ
- 学習スタイル：教師あり（ラベル）／教師なし（構造発見）／強化学習（報酬）
- SageMaker（独自モデルを構築・学習・デプロイ）／用途別 AI サービス（既製 API）
- 用途別：Rekognition＝画像、Comprehend＝テキスト、Transcribe/Polly＝音声、Translate＝翻訳、Textract＝書類、Lex＝チャットボット
- データ基盤＝Athena/Glue/EMR/Lake Formation/Redshift/OpenSearch、実行＝Lambda/ECS/EKS、ストア＝RDS/Aurora/DynamoDB 他
進捗の記録にはログインが必要です。
理解度チェック
（軽い確認用）Q1. 報酬と罰を通じて試行錯誤で行動を学ぶ機械学習の学習スタイルはどれですか？
Q2. ML モデルの構築・学習・デプロイを一気通貫で行える AWS のマネージドサービスはどれですか？
Q3. 画像の分析（物体やラベルの検出）に適した AWS の用途別 AI サービスはどれですか？