第6章 · SageMaker エコシステムと AI サービス·v2.0.0·更新 2026/6/28·読了目安 約10分
変更要約: MLS-C01 第6章を深掘り（コンポーネント役割分担/スポット学習/Experiments/Debugger/Pipelines・AIサービスのCustom機能と判断/Textract vs Rekognition/Forecast vs DeepAR・Ground Truthワークフォース3種/自動ラベリング/作る使うスペクトラム＋比較表・シナリオ・FAQ・ひっかけ、図ja化）
6.3データラベリングと構築方針
この節の要点
最後の判断——Ground Truth（ラベリング）、AI サービス vs カスタム、コストと労力のトレードオフ、適切な選択——を理解します。作るか使うかを賢く選びます。
教師あり学習にはラベル付きデータが要ります。ラベリングには Ground Truth を使い、そもそも自作すべきかは AI サービスで足りるかで判断します。
6.3.1ラベリングと作る/使うの判断
- SageMaker Ground Truth：学習データのラベリングを人手＋自動ラベリングで効率化する。
- AI サービス優先：要件がマネージド API で満たせるなら、学習不要で最速・最小労力。
- カスタムは必要時のみ：固有の問題やデータには SageMaker でカスタムモデル（全制御・労力大）。
- 判断軸：コスト・労力・必要な精度/制御を踏まえ、使う（AI サービス）か作る（SageMaker）かを選ぶ。
試験ポイント
「学習データのラベリング＝SageMaker Ground Truth」「一般的な課題はまず AI サービス（学習不要）」「固有の要件はカスタムモデル＝SageMaker」 は MLS-C01 で頻出です。「すぐ・低労力で」なら AI サービス、「独自データで作り込む」なら SageMaker、と判断します。