MLA-C01 と MLA-C02 の比較

1.1.7 仕様に基づいて AI アプリケーション用にスケーラブルなベクトルデータベース (OpenSearch Service、pgvector を使用する Amazon RDS、Amazon S3 など) を設定する。

1.1.8 AI と ML のアプリケーションのために、さまざまなデータタイプ (テキスト、画像、音声など) を取り込んで保存する。

1.2.5 埋め込みモデルを設定し使用して、テキストデータと画像データを数値表現に変換する。

1.2.6 高度なテキスト前処理手法 (トークン化、ドメイン固有の拡張など) を適用する。

1.2.7 検索拡張生成 (RAG) アプリケーションのためのドキュメント (チャンキング戦略、メタデータ抽出など) を準備する。

1.2.8 データをマスキング、編集、匿名化する。

1.2.9 FM のファインチューニング、継続的な事前トレーニング、モデル蒸留を行うためのデータを準備する。

1.3.4 数値アセット、テキストアセット、画像アセットにバイアスメトリクスを適用して、マルチモーダルなデータ分布を最適化する。

1.3.6 AI トレーニングデータの整合性を検証する (プロンプトと応答のペアの検証、コンテンツの安全性のスクリーニングなど)。

1.3.7 データクリーニングを行う (外れ値の検出、欠損データの補完、重複排除などによる)。

2.1.1 タスク要件とパフォーマンス基準に基づいて Amazon Bedrock から適切な FM を評価して選択する。

2.1.2 ビジネスニーズに合わせて事前トレーニング済み FM のファインチューニング戦略を特定する。

2.1.4 ビジネスニーズに合わせて、カスタムソリューション、マネージドサービス、事前トレーニング済みモデル、FM の間のトレードオフを評価する。

2.1.5 ユースケースの要件に基づいて、検索拡張生成 (RAG) のアーキテクチャパターンを選択する。

2.1.7 AI モデルのパフォーマンス、レイテンシー、コストの間のトレードオフを評価する。

2.2.8 AI ソリューションにカスタマイズ手法を適用する (タスク固有のプロンプトエンジニアリング、ファインチューニングなど)。

2.2.9 検索コンポーネントと埋め込みモデルを最適化する。

2.3.7 統合ヒューマン評価フレームワーク (ヒューマンインザループワークフロー、テキスト生成品質評価など) を実装する。

2.3.8 自然言語処理 (NLP) 評価メトリクス [BiLingual Evaluation Understudy (BLEU)、Recall-Oriented Understudy for Gisting Evaluation (ROUGE)、BERTScore、意味的類似度など] を適用する。

2.3.9 AI 評価を行う (モデル出力評価、コンテンツ品質検証、バイアス検出、LLM-as-a-judge フレームワークなど)。

2.3.10 検索精度の評価を含めた RAG システムモニタリングを設定する。

3.1.4 適切な基盤モデル (FM) デプロイオプションを評価して選択する。

3.1.5 AWS の外部で構築されたモデルを AWS 環境 (Amazon SageMaker AI、Amazon Bedrock Custom Model Import など) にデプロイする。

3.1.6 特定のタスク用のエージェント、他のサービスやツールとの統合、エージェントの通信プロトコルをデプロイして設定する。

3.1.7 FM のデプロイ、モデルホスティング、リソース割り当てを設定する。

3.1.8 検索拡張生成 (RAG) システム設定 (検索戦略、再ランク付けなど) を適用する。

3.2.7 ベクトルデータベース設定、ドキュメントインデックス作成、検索最適化を使用して Amazon Bedrock ナレッジベースを作成および管理する。

3.2.8 ビジネスニーズに合わせて検索パイプラインを実装する。

3.2.9 エージェントステート管理システムを実装する。

3.2.10 GPU ワークロードのための AI 固有のリソーススケーリングを実装する。

3.2.11 エージェントワークフローのインフラストラクチャをデプロイする。

3.3.7 プロンプトを管理する (Amazon Bedrock プロンプトマネジメントなど)。

3.3.8 自動エージェントデプロイパイプラインとエージェントバージョン管理を実装する。

3.3.9 プロンプトテストを含む AI モデルテストフレームワークを実装する。

3.3.10 ファインチューニングされたモデルのバージョニングを使って FM デプロイのオートメーションを設定する。

3.3.11 RAG システムの更新とナレッジベースの更新サイクル用の AI 固有のパイプラインオーケストレーションを設定する。

4.1.5 エージェントのパフォーマンスと調整の管理をモニタリングおよび自動化する (調整障害の検出、切り取られたストリーミング、ツール障害など)。

4.1.6 Amazon Bedrock の評価など、基盤モデル (FM) の AI 固有のパフォーマンスモニタリングを設定する。

4.2.7 本番環境での推論に FM を使用することによるコストへの影響を評価する。

4.2.8 エージェントのリソース消費パターンをモニタリングする。

4.2.9 使用率の最適化により FM 推論コストを管理する。

4.2.10 AI 固有のコストパターン (トークン使用率の最適化、埋め込みコンピューティングコスト、ベクトルデータベースストレージの最適化など) をモニタリングする。

4.3.1 コードとイメージの脆弱性を確認して (Amazon CodeGuru、Amazon Inspector の使用などによる)、継続的インテグレーションおよび継続的デリバリー (CI/CD) パイプラインのセキュリティを確保する。

4.3.8 FM にアクセスするための適切な認証情報タイプ (Amazon Bedrock API キー、IAM 認証情報など) を選択する。

4.3.9 アプリケーション要件と責任ある AI ポリシーを満たすための保護手段と機密データ保護を実装する (Amazon Bedrock Guardrails の使用などによる)。

モデルトレーニングリソース (Amazon EFS、Amazon FSx など) にロードするようにデータを設定する。

カスタムデータセットを使用して、事前トレーニングされたモデル (Amazon Bedrock、SageMaker JumpStart など) をファインチューニングする。

モデルサイズを縮小する (データ型の変更、プルーニング、特徴量選択の更新、圧縮などによる)。

エッジデバイス上のモデルを最適化する方法 (SageMaker Neo など)

SageMaker での独自コンテナ (BYOC) の使用

インフラストラクチャをモニタリングする (Amazon EventBridge イベントの使用などによる)。

コストとパフォーマンスに関係する容量の懸念をトラブルシューティングする (プロビジョニング済み同時実行、サービスクォータ、自動スケーリングなど)。

1.1 データを収集して保存する。

1.2 データ変換、特徴量エンジニアリング、前処理を実行する。

1.3 データ品質を検証し、バイアスを管理する。

2.1 ML と AI のソリューションに適したモデリングアプローチを選択する。

2.2 ML と AI のソリューションのモデルをトレーニング、ファインチューニング、カスタマイズする。

2.3 ML と AI のシステムのパフォーマンスを分析および評価する。

3.1 ML と AI のモデルタイプのデプロイインフラストラクチャを管理する。

3.2 既存のアーキテクチャと要件に基づいて ML と AI のワークロードのリソースをプロビジョニングして設定する。

3.3 MLOps と AI のワークロードのための、自動オーケストレーション、継続的インテグレーションおよび継続的デリバリー (CI/CD) パイプラインを実装する。

4.1 ML と AI のモデルの推論とパフォーマンスをモニタリングする。

4.2 ML と AI のインフラストラクチャのコストとパフォーマンスを最適化および管理する。

4.3 ML と AI のワークロードとモデルエンドポイントのセキュリティを確保する。