AWS認定AIプラクティショナー（AIF-C01）試験対策
ドメイン5：AIのセキュリティ、コンプライアンス、ガバナンス（14%）
xdev.asia
1. 試験概要 — AIF-C01
| 項目 | 値 |
|---|
| 試験コード | AIF-C01 |
| 問題数 | 65問（採点対象）+ 15問（採点対象外）= 計80問 |
| 試験時間 | 90分 |
| 合格点 | 700 / 1000 |
| 受験料 | $100 USD |
| 形式 | 択一問題 + 複数選択問題 |
| 受験方法 | Pearson VUE（テストセンターまたはオンライン監督） |
| 有効期間 | 3年 |
2. ドメインの配分
ドメイン1：AIとMLの基礎 ████████████ 20% （約13問）
ドメイン2：生成AIの基礎 █████████████████ 24% （約16問）
ドメイン3：基盤モデルの応用 ████████████████████ 28% （約18問）
ドメイン4：責任あるAIのガイドライン █████████ 14% （約9問）
ドメイン5：セキュリティ、コンプライアンス █████████ 14% （約9問）
戦略：ドメイン3（28%）が最大 — Bedrock、RAG、プロンプトエンジニアリング、ファインチューニングに最も注力。ドメイン1+2（44%）は基礎 — 概念の理解で十分。
3. 時間管理戦略
80問 / 90分 = 1問あたり約67秒
戦略：
┌─────────────────────────────────────────────┐
│ パス1（0-60分）：簡単な問題に回答 │
│ → 難しい問題はスキップ（レビュー用にフラグ） │
│ → 目標：60問以上回答 │
├─────────────────────────────────────────────┤
│ パス2（60-85分）：フラグ付き問題をレビュー │
│ → まず誤答を消去 │
│ → 消去法を使用 │
├─────────────────────────────────────────────┤
│ パス3（85-90分）：最終レビュー │
│ → 未回答の問題は絶対に残さない │
│ → 推測してもペナルティなし │
└─────────────────────────────────────────────┘
4. ドメイン1チートシート — AI/MLの基礎
| 概念 | キーポイント |
|---|
| AI vs ML vs DL | AI ⊃ ML ⊃ DL。DLはニューラルネットワークを使用。 |
| 教師あり学習 | ラベル付きデータ → 分類（離散）または回帰（連続） |
| 教師なし学習 | ラベルなしデータ → クラスタリング、次元削減 |
| 強化学習 | エージェント + 環境 + 報酬 → 試行錯誤で学習 |
| 過学習 | トレーニングでは良好、テストでは不良 → データ増加、正則化、ドロップアウト |
| 過少適合 | 両方で不良 → より複雑なモデル、特徴量追加、長時間トレーニング |
| 適合率 | 予測された正例のうち、正しいものの割合（偽陽性を回避） |
| 再現率 | 実際の正例のうち、見つけたものの割合（偽陰性を回避） |
| F1スコア | 適合率と再現率の調和平均 |
| AUC-ROC | クラスを区別するモデルの能力（高い = 良い） |
5. ドメイン2チートシート — 生成AI
| 概念 | キーポイント |
|---|
| 基盤モデル | 広範なデータで訓練された大規模モデル、多くのタスクに適応可能 |
| Transformer | エンコーダーのみ（BERT、分類）、デコーダーのみ（GPT、生成）、両方（T5、翻訳） |
| トークン | 約4文字 = 1トークン。コンテキストウィンドウ = 最大トークン数。料金 = トークン単位。 |
| Temperature | 低（0）= 決定論的/事実重視。高（1）= 創造的/多様。 |
| Top-p | 核サンプリング。0.1 = 集中。0.9 = 多様。 |
| ハルシネーション | モデルが虚偽の情報を生成。緩和策：RAG、ガードレール、低温度。 |
| エンベディング | テキスト → ベクトル。類似の意味 = 近いベクトル。検索、RAGに使用。 |
| 拡散モデル | ノイズ除去による画像生成。Stable Diffusion、Titan Image Generator。 |
| マルチモーダル | 複数データタイプを処理。Claude 3（テキスト+画像）、Titan MMエンベディング。 |
6. ドメイン3チートシート — 応用
| 概念 | キーポイント |
|---|
| Zero-shot | 例なし。モデルは学習済み知識を使用。 |
| Few-shot | 2-5の例。パターン追従。 |
| Chain-of-Thought | 「ステップバイステップで考えて」→ 推論/数学の精度向上。 |
| RAG | 文書検索 → プロンプト拡張 → 生成。ハルシネーション削減。 |
| Bedrock Knowledge Bases | マネージドRAG：S3文書 → 自動チャンク → 埋め込み → ベクトルストア → 検索。 |
| ファインチューニング | 自社データでFMをさらにトレーニング。1000+のラベル付き例が必要。LoRA = 低コスト。 |
| Bedrock Agents | 複数ステップタスク：計画 → API呼び出し → 結果返却。アクショングループを使用。 |
| Bedrock Guardrails | コンテンツフィルタ、禁止トピック、PIIフィルタ、ワードフィルタ、グラウンディングチェック。 |
| PartyRock | 無料、ノーコードのBedrockプレイグラウンド。AWSアカウント不要。 |
| Amazon Q Developer | AIコードアシスタント（旧CodeWhisperer）。IDE統合。 |
| Amazon Q Business | 企業データへのQ&A。ACLを尊重。 |
7. ドメイン4チートシート — 責任あるAI
| 概念 | キーポイント |
|---|
| バイアスの種類 | 選択、サンプリング、測定、ラベル、アルゴリズム、確証。 |
| SageMaker Clarify | トレーニング前バイアス + トレーニング後バイアス + SHAP説明可能性。 |
| Amazon A2I | ヒューマンインザループ。信頼度が低い場合に人間レビューをトリガー。 |
| SHAP | 予測ごとの特徴量重要度。「なぜ否認されたのか？」 |
| AIサービスカード | AWS公開文書：AWS AIサービスの想定用途、制限、公平性。 |
| モデルカード | SageMaker：自社モデルの詳細、指標、倫理を文書化。 |
| 毒性検出 | Guardrailsコンテンツフィルタ + Amazon Comprehend毒性。 |
8. ドメイン5チートシート — セキュリティとコンプライアンス
| 概念 | キーポイント |
|---|
| IAM | 最小権限。bedrock:InvokeModel + リソースARN = モデル制限。 |
| 保存時の暗号化 | Bedrock、SageMaker、S3用KMSキー。コンプライアンスにはカスタマーマネージド。 |
| VPCエンドポイント | PrivateLink = インターネットなし。Bedrock + SageMaker対応。 |
| PII検出 | Comprehend（テキスト）、Macie（S3）、Guardrails（FM入出力）。 |
| CloudTrail | 誰がいつ何のAPIを呼び出したか。監査証跡。 |
| モデル呼び出しログ | 実際のプロンプトとレスポンスをログ（S3/CloudWatchへ）。 |
| Bedrockデータプライバシー | お客様のデータはベースFMのトレーニングに使用されない。リージョン内に保持。暗号化。 |
| 共有責任 | お客様：データ、バイアス、IAM、コンプライアンス。AWS：インフラ、サービスセキュリティ。 |
9. 「どのAWSサービス？」クイックリファレンス
| 必要なこと | 使うサービス |
|---|
| 単一APIで複数FMにアクセス | Amazon Bedrock |
| 社内ドキュメントでRAG構築 | Bedrock Knowledge Bases |
| APIを呼び出すAIを作成 | Bedrock Agents |
| 有害/PIIコンテンツをブロック | Bedrock Guardrails |
| FMのファインチューニング | BedrockカスタムモデルまたはSageMaker |
| カスタムMLモデルをトレーニング | Amazon SageMaker |
| Auto-ML（ノーコード） | SageMaker CanvasまたはSageMaker Autopilot |
| モデルのバイアスを検出 | SageMaker Clarify |
| AI予測の人間レビュー | Amazon A2I |
| ドキュメントからテキスト抽出 | Amazon Textract |
| 画像/動画分析 | Amazon Rekognition |
| テキスト翻訳 | Amazon Translate |
| 音声からテキスト | Amazon Transcribe |
| テキストから音声 | Amazon Polly |
| NLP（感情分析、エンティティ） | Amazon Comprehend |
| チャットボット構築 | Amazon Lex |
| エンタープライズ検索 | Amazon Kendra |
| レコメンデーション | Amazon Personalize |
| 時系列予測 | Amazon Forecast |
| 不正検出 | Amazon Fraud Detector |
| コードアシスタント | Amazon Q Developer |
| 企業データへのQ&A | Amazon Q Business |
| ノーコードGenAIプレイグラウンド | PartyRock |
| S3内のPII検出 | Amazon Macie |
10. よくある試験の罠
注意すべきポイント：
- 「最も適切」/「最良」：複数の回答が機能する可能性 — すべての制約に最も合うものを選択。
- RAG vs ファインチューニング：「最新データ」「社内ドキュメント」→ RAG。「特定のスタイル」「文体パターン」→ ファインチューニング。
- システムプロンプト vs Guardrails：「保証する」「強制する」→ Guardrails（システムプロンプトはバイパス可能）。
- 教師あり vs 教師なし：「ラベル」= 教師あり。「ラベルなし」= 教師なし。「報酬」= 強化学習。
- SageMaker vs Bedrock：ゼロからカスタムMLモデル → SageMaker。既存FMの使用/カスタマイズ → Bedrock。
- Comprehend vs Macie：テキスト中のPII（ランタイム）→ Comprehend。S3ファイル中のPII（発見）→ Macie。
- Clarify vs Guardrails：バイアス検出 → Clarify。コンテンツ安全性 → Guardrails。
- Temperature：「一貫した回答」→ 低Temperature。「クリエイティブな回答」→ 高Temperature。
- 「最小限の労力」/「最小のオーバーヘッド」：通常はマネージドサービス（Bedrock > SageMaker）。
- CloudTrail vs CloudWatch vs 呼び出しログ：API監査 → CloudTrail。メトリクス → CloudWatch。プロンプト/レスポンスログ → 呼び出しログ。
11. 試験当日のヒント
- 質問全体を読む — 回答を見る前に
- キーワードを特定：「最も」「最小」「最良」「最初に」「保証する」
- 誤答をまず消去 — 通常2つは明らかに間違い
- 考えすぎない — 答えがわかったら選択して次へ
- フラグを立ててスキップ — 難しい問題はパス2で戻る
- 未回答にしない — 推測してもペナルティなし
- 15問の採点対象外問題 — どれかわからないのですべて真剣に回答
- 時間を管理 — 1問あたり平均67秒
12. 次のステップ
- このシリーズの全11レッスンを復習
- 「模擬試験」セクションで模擬試験を受験
- AWS Skill Builder：AIF-C01の無料「Exam Prep」コース
- AWS PartnerCast：追加の試験対策リソース
- Bedrockで実践：AWS無料利用枠 / PartyRockを使用
- 試験を予約：aws.amazon.com/certification
覚えておくこと：実践経験は必要ありません — これはプラクティショナーレベルの試験です。概念、ユースケース、適切なAWSサービスの選択に集中してください。