模擬問題集一覧

AIP-C01 模擬問題集（練習問題）

AWS Generative AI Developer – Professional 合格に向けた本番形式の模擬問題集。すべての問題に詳しい解説と、ドメイン別の弱点分析つき。

2 練習テスト 100 問 合格ライン 70% 各 120 分

この模擬問題集で身につくこと

  • 本番と同じ形式・難易度の問題で実力を確認
  • 制限時間つきの試験モードで時間配分を体得
  • 演習モードで1問ずつ解説を読みながら学習
  • すべての問題に正解の根拠つきの詳しい解説
  • ドメイン別スコアで弱点分野をひと目で把握
  • 完了後も何度でも復習して本番前に仕上げ

練習テストの内容

2 テスト · 全 100 問
1
模擬問題集①先頭 15 問 無料
50 問 120 分 合格 70%
2
模擬問題集② プラン限定
50 問 120 分 合格 70%

説明

AIP-C01（AWS Generative AI Developer – Professional）の合格に向けた、本番形式の模擬問題集です。全 100 問を2 回の練習テストに分割し、 試験モード／演習モードで受験できます。各問題には正解の根拠と誤答の理由を記した詳しい解説が付き、受験後はドメイン別のスコアで弱点を把握できます。 各試験は先頭の問題から無料でお試しいただけます。

月額 ¥980 で全 100 問＋全解説が受け放題

模試プラン（¥980/月）なら、ロックされた練習テストと詳しい解説、ドメイン別の弱点分析がすべて使い放題。本番に向けて実力を仕上げましょう。

AIP-C01 の出題範囲（カバーしている分野）

全 100 問を、本番の試験ガイドに沿った次の分野から出題しています。 受験後はドメイン別の正答率が表示され、弱点が特定できます。 難易度・学習時間・合格までの進め方はAIP-C01 の学習ガイドにまとめています。

AIP-C01 の無料練習問題（15 問・解説つき）

会員登録なしで、全 100 問のうち 15 問を正解と解説つきでご覧いただけます。 問題をクリックすると選択肢と解説が開きます。

問題 1（2つ選択してください。実装と統合
問題
ある金融サービス企業は、Amazon Bedrock の基盤モデル（FM）を使用してコールセンターの通話録音を分析したいと考えています。通話が終了すると、コールセンターは録音を MP3 ファイルとして Amazon S3 バケットに保存します。同社は、新しいファイルが作成されたらすぐに、録音の要約と感情分析を構造化された形式で生成する必要があります。録音の平均サイズは 20 MB です。 これらの要件を満たすソリューションの組み合わせはどれですか？（2つ選択してください。）

選択肢と解説

  • 1
    AWS Step Functions を使用して録音を処理するワークフローをオーケストレーションする。Amazon Transcribe を呼び出して音声をテキストに変換し、ジョブの完了を検証し、AWS Lambda 関数を呼び出して Amazon Bedrock の FM を使用してテキストを処理し、構造化された分析出力を生成するステップを構成する。
  • 2
    AWS Step Functions を使用して録音を処理するワークフローをオーケストレーションする。Amazon Transcribe を呼び出して音声をテキストに変換し、ジョブの完了を検証し、Amazon Bedrock の FM を直接呼び出して JSON 形式で要約と感情分析を生成するステップを構成する。
  • ✓
    AWS Step Functions を使用して録音を処理するワークフローをオーケストレーションする。Amazon Transcribe を呼び出して音声をテキストに変換し、ジョブの完了を検証し、AWS Lambda 関数を呼び出してプロンプトを作成し、そのプロンプトで Amazon Bedrock の FM を呼び出して構造化された分析出力を生成するステップを構成する。
  • ✓
    ソースの S3 バケットが Amazon EventBridge にイベントを送信するように構成する。バケットにオブジェクトが作成されたときに Step Functions ワークフローを起動する EventBridge ルールを作成する。
  • 5
    バケットにオブジェクトが作成されたときに、ソースの S3 バケットから Step Functions ワークフローへ直接通知を送信するように構成する。

解説

【正解】C、D

【0からの解説】
この問題は「S3 に音声ファイルが置かれたら、自動で文字起こし→AI 分析する」イベント駆動アーキテクチャの設計問題です。登場するサービスを整理しましょう。
・Amazon Transcribe：音声をテキストに変換（文字起こし）するマネージドサービス。
・Amazon Bedrock：Claude などの基盤モデル（FM）を API で呼び出せるマネージドサービス。要約や感情分析が得意。
・AWS Step Functions：複数の処理ステップ（文字起こし→完了確認→AI 分析）を順序立てて実行するワークフローサービス。
・Amazon EventBridge：「S3 にファイルが作成された」などのイベントを受け取り、ルールに従って別サービスを起動するイベントバス。

処理の流れは「(D) S3 → EventBridge → Step Functions 起動」→「(C) Transcribe で文字起こし → Lambda がプロンプト（FM への指示文）を組み立てて Bedrock を呼び出し、構造化された要約・感情分析を生成」となります。

【C が正解の理由】
FM から「構造化された形式」の出力を確実に得るには、文字起こし結果をそのまま渡すのではなく、「以下の通話記録を要約し、感情を JSON 形式で出力してください」といったプロンプトを組み立てる工程が不可欠です。Lambda 関数でプロンプトを作成してから FM を呼び出す C は、この要件を最も直接的に満たします。

【D が正解の理由】
S3 のイベントを EventBridge に送信し、ルールで Step Functions をターゲットに指定するのは、「新しいファイルが作成されたらすぐに処理を開始する」ための AWS 標準パターンです。EventBridge は Step Functions ステートマシンをネイティブにターゲット指定できます。

【誤りの選択肢】
A：C と似ていますが「テキストを処理する」とあるだけで、構造化出力に必要なプロンプトの作成が含まれていません。要約と感情分析を所定の構造で得るにはプロンプト設計が必要なため、C のほうが要件に合致します。
B：Step Functions には Bedrock の最適化統合（InvokeModel）がありますが、ステート間で受け渡せるペイロードサイズには上限（256 KB）があり、20 MB の録音から生成される長大な文字起こしテキストを直接渡すと失敗する可能性があります。また、プロンプトを組み立てる工程がなく、構造化出力の品質を担保できません。
E：S3 のイベント通知（S3 Event Notifications）が直接送信できる宛先は SNS・SQS・Lambda のみで、Step Functions へ直接通知を送ることはできません。Step Functions を起動するには EventBridge を経由する必要があります。

【参考】
Amazon EventBridge を使用した Amazon S3 イベント通知
AWS Step Functions とは
Amazon Transcribe とは
この問題のページを開く →
問題 2最も少ない運用負荷でこれらの要件を満たすソリューションはどれですか？AIの安全性・セキュリティ・ガバナンス
問題
ある金融サービス企業は、Amazon Bedrock を使用して、カスタマーサービス担当者が顧客にパーソナライズされた投資アドバイスを提供するのを支援する生成 AI（GenAI）アプリケーションをデプロイしようとしています。同社は、責任ある AI のプラクティスに従い、規制要件を満たす包括的なガバナンスソリューションを実装しなければなりません。 このソリューションは、レコメンデーションにおけるハルシネーション（幻覚）を検出・防止しなければなりません。顧客とのやり取りに対する安全制御を備えていなければなりません。また、モデルの挙動のドリフトをリアルタイムで監視し、規制当局のレビューに備えてすべてのプロンプトと応答のペアの監査証跡を保持しなければなりません。 同社は 60 日以内にソリューションをデプロイする必要があります。ソリューションは同社の既存のコンプライアンスダッシュボードと統合し、200 ミリ秒以内に顧客へ応答しなければなりません。 最も少ない運用負荷でこれらの要件を満たすソリューションはどれですか？

選択肢と解説

  • ✓
    Amazon Bedrock ガードレールを構成して、カスタムコンテンツフィルターと毒性検出を適用する。Amazon Bedrock モデル評価を使用してハルシネーションを検出する。プロンプトと応答のペアを Amazon DynamoDB に保存して監査証跡を取得し、TTL を設定する。Amazon CloudWatch カスタムメトリクスを既存のコンプライアンスダッシュボードと統合する。
  • 2
    Amazon Bedrock をデプロイし、AWS PrivateLink を使用してアプリケーションに安全にアクセスする。AWS Lambda 関数を使用してカスタムのプロンプト検証を実装する。プロンプトと応答のペアを Amazon S3 バケットに保存し、S3 ライフサイクルポリシーを構成する。カスタムの Amazon CloudWatch ダッシュボードを作成してモデルのパフォーマンスメトリクスを監視する。
  • 3
    Amazon Bedrock エージェントと Amazon Bedrock ナレッジベースを使用して応答を根拠付ける。Amazon Bedrock ガードレールでコンテンツの安全性を強制する。Amazon OpenSearch Service を使用してプロンプトと応答のペアを保存・インデックス化する。OpenSearch Service を Amazon QuickSight と統合してコンプライアンスレポートを作成し、モデルの挙動ドリフトを検出する。
  • 4
    Amazon SageMaker Model Monitor を使用してモデルの挙動ドリフトを検出する。AWS WAF を使用してコンテンツをフィルタリングする。顧客とのやり取りを暗号化された Amazon RDS データベースに保存する。Amazon API Gateway を使用してカスタム HTTP API を作成し、コンプライアンスダッシュボードと統合する。

解説

【正解】A

【0からの解説】
この問題では「ハルシネーション検出」「安全制御」「ドリフト監視」「監査証跡」「既存ダッシュボード統合」という 5 つの要件を、最小の運用負荷（＝できるだけマネージド機能の組み合わせ）で満たす構成を選びます。
・ハルシネーションとは、AI が事実に基づかないもっともらしい誤情報を生成してしまう現象です。
・Amazon Bedrock ガードレールは、有害コンテンツのフィルタリングや毒性検出、機密情報のマスキングなどをマネージドで提供する安全制御機能です。
・Amazon Bedrock モデル評価（Model Evaluation）は、モデルの出力品質（正確性・堅牢性・毒性など）を評価できる組み込み機能です。

【A が正解の理由】
A はすべての要件を Bedrock と AWS のマネージド機能だけで満たします。
・安全制御 → ガードレールのコンテンツフィルター＋毒性検出。
・ハルシネーション検出 → Bedrock モデル評価。
・監査証跡 → プロンプト/応答ペアを DynamoDB に保存（TTL で保持期間も自動管理。低レイテンシなので 200 ミリ秒要件にも影響しにくい）。
・ダッシュボード統合とドリフト監視 → CloudWatch カスタムメトリクス。
独自開発がほぼ不要なため、60 日以内のデプロイと最小運用負荷を両立できます。

【誤りの選択肢】
B：PrivateLink はネットワーク接続を閉域化する機能であり、ハルシネーション検出・安全制御・ドリフト監視のどれも提供しません。Lambda によるカスタムプロンプト検証は自前実装で、運用負荷が高くなります。
C：技術的には成立し得ますが、エージェント＋ナレッジベース＋OpenSearch＋QuickSight という多層構成は構築・運用負荷が大きく、「最小の運用負荷」に反します。また QuickSight でのドリフト検出はレポートベースで「リアルタイム監視」要件に合いません。エージェント経由の応答は 200 ミリ秒の応答要件にも不利です。
D：SageMaker Model Monitor は SageMaker エンドポイントにデプロイしたモデルの監視機能であり、Bedrock のマネージド FM には適用できません。AWS WAF は Web リクエスト（SQL インジェクション等）のフィルタであり、生成 AI のコンテンツ安全制御（毒性・不適切表現）には使えません。

【参考】
Amazon Bedrock のガードレール
Amazon Bedrock のモデル評価
Amazon Bedrock のモニタリング
この問題のページを開く →
問題 3最も少ない運用負荷でこれらの要件を満たすソリューションはどれですか？実装と統合
問題
ある企業が、マネージドモデルサービスでホストされている基盤モデル（FM）を使用する生成 AI（GenAI）アプリケーション向けの API を設計しています。この API は、レイテンシを低減するために応答をストリーミングし、コンピューティングリソースの使用量を管理するためにトークン制限を適用し、モデルのタイムアウトや部分的な応答に対処するための再試行ロジックを実装しなければなりません。 最も少ない運用負荷でこれらの要件を満たすソリューションはどれですか？

選択肢と解説

  • 1
    Amazon API Gateway HTTP API を AWS Lambda 関数と統合して Amazon Bedrock を呼び出す。Lambda レスポンスストリーミングを使用して応答をストリーミングする。Lambda 関数内でトークン制限を適用する。Lambda と API Gateway のタイムアウト設定を使用してモデルタイムアウトの再試行ロジックを実装する。
  • 2
    Amazon API Gateway HTTP API を Amazon Bedrock に直接接続する。クライアント側のポーリングによってストリーミングをシミュレートする。フロントエンドでトークン制限を適用する。API Gateway の統合設定を使用して再試行動作を構成する。
  • 3
    Amazon API Gateway WebSocket API を、コンテナ化された推論サーバーをホストする Amazon ECS サービスに接続する。WebSocket プロトコルを使用して応答をストリーミングする。Amazon ECS 内でトークン制限を適用する。ECS タスクのライフサイクルフックと再起動ポリシーを使用してモデルタイムアウトに対処する。
  • ✓
    Amazon API Gateway REST API を、Amazon Bedrock を呼び出す AWS Lambda 関数と統合する。Lambda レスポンスストリーミングを使用して応答をストリーミングする。Lambda 関数内でトークン制限を適用する。Lambda と API Gateway のタイムアウト設定を使用して再試行ロジックを実装する。

解説

【正解】D

【0からの解説】
生成 AI アプリでは、モデルが応答を生成し終わるまで待つと数十秒かかることがあるため、生成されたそばからテキストを順次返す「レスポンスストリーミング」が重要です。本問は「ストリーミング」「トークン制限」「再試行」の 3 要件を、API Gateway ＋ Lambda ＋ Bedrock というマネージド構成で満たす設計を問うています。
・AWS Lambda レスポンスストリーミングは、Lambda が応答を一括ではなくチャンク（断片）単位で順次返せる機能です。
・Amazon Bedrock には InvokeModelWithResponseStream API があり、FM の生成結果をストリーミングで受け取れます。

【D が正解の理由】
API Gateway の REST API はレスポンスストリーミングに対応しており（2025 年に対応を発表）、Lambda レスポンスストリーミングと組み合わせることで、Bedrock からのストリーミング応答をクライアントまでエンドツーエンドで中継できます。トークン制限の適用（リクエストごとの max_tokens 指定や入力の検証）と再試行ロジックは Lambda 関数内に集約でき、すべてマネージドサービスの設定範囲で完結するため運用負荷が最小です。

【誤りの選択肢】
A：HTTP API はレスポンスストリーミングをサポートしていません（応答がバッファリングされるため、Lambda 側でストリーミングしてもクライアントには一括で届きます）。ストリーミング要件を満たせない点が D との決定的な違いです。
B：クライアント側ポーリングは本物のストリーミングではなく、レイテンシ低減という目的に反します。また、トークン制限をフロントエンドで適用するのは、クライアント側のコードは改ざん可能なため、リソース使用量の管理（サーバー側の統制）として機能しません。
C：マネージドモデルサービス（Bedrock）を使う前提にもかかわらず、ECS で自前のコンテナ化推論サーバーを運用する構成であり、インフラの構築・パッチ適用・スケーリング管理が必要になるため「最小の運用負荷」に明確に反します。

【参考】
AWS Lambda レスポンスストリーミング
Amazon Bedrock InvokeModelWithResponseStream API
Amazon API Gateway とは
この問題のページを開く →
問題 4これらの要件を満たすソリューションはどれですか？実装と統合
問題
ある保険会社は、顧客が自分の保険料を予測できる Web ベースのアプリケーションを支えるために、既存の Amazon SageMaker AI インフラストラクチャを使用しています。同社は、SageMaker AI モデルのトレーニングに使用する顧客データを Amazon S3 バケットに保存しています。このデータセットは急速に増加しています。同社は、モデルを継続的に再トレーニングするソリューションを求めています。このソリューションは、従業員が新しい顧客データファイルを S3 バケットにアップロードしたときに、自動的にモデルを再トレーニングし、アプリケーションへ再デプロイしなければなりません。 これらの要件を満たすソリューションはどれですか？

選択肢と解説

  • 1
    AWS Glue を使用してアップロードされた各ファイルに対して ETL ジョブを実行する。ETL ジョブが AWS SDK を使用して SageMaker AI モデルエンドポイントを呼び出すように構成する。エンドポイントのリアルタイム推論を使用して、更新された顧客データセットで再トレーニングされたモデルを再デプロイする。
  • 2
    従業員が新しいファイルをアップロードしたときにイベントを生成する AWS Lambda 関数と Webhook ハンドラーを作成する。更新された顧客データセットで再トレーニングされたモデルを再デプロイするように SageMaker Pipelines を構成する。Amazon EventBridge を使用してイベントバスを作成する。Lambda 関数のイベントをソースに、SageMaker Pipelines をターゲットに設定する。
  • 3
    従業員が新しいファイルを S3 バケットにアップロードしたときに、S3 バケットから顧客データを取得する AWS SDK 統合を備えた AWS Step Functions Express ワークフローを作成する。SageMaker Data Wrangler フローを使用して S3 バケットから SageMaker Autopilot へデータをエクスポートする。SageMaker Autopilot を使用して、更新された顧客データセットで再トレーニングされたモデルを再デプロイする。
  • ✓
    AWS Step Functions Standard ワークフローを作成する。最初のステートで AWS Lambda 関数を呼び出し、従業員が新しいファイルを S3 バケットにアップロードしたときに応答するように構成する。SageMaker Pipelines のパイプラインを使用して、更新された顧客データセットで再トレーニングされたモデルを再デプロイする。最初のステートが応答を受け取ったら、ワークフローの次のステートでパイプラインを実行する。

解説

【正解】D

【0からの解説】
この問題は「S3 へのファイルアップロードをトリガーに、モデルの再トレーニング→再デプロイを自動化する MLOps パイプライン」の設計問題です。
・SageMaker Pipelines は、データ前処理→トレーニング→評価→デプロイという ML の一連の工程を定義・自動実行できるマネージドの ML パイプライン機能です。再トレーニングと再デプロイの自動化はこの機能の中核ユースケースです。
・AWS Step Functions には Standard と Express の 2 種類があります。Standard は最長 1 年間実行でき、長時間かかる処理（モデルのトレーニングなど）のオーケストレーションに適しています。Express は最長 5 分で、短時間・大量実行のイベント処理向けです。

【D が正解の理由】
D は「ファイルアップロードの検知（Lambda）→ SageMaker Pipelines によるモデルの再トレーニング・再デプロイ」を Step Functions Standard ワークフローで順序立てて実行します。モデルのトレーニングは数十分〜数時間かかることが多いため、長時間実行に対応する Standard ワークフローが適切であり、要件をすべて満たします。

【誤りの選択肢】
A：「リアルタイム推論を使用してモデルを再デプロイする」という記述が概念的に誤っています。リアルタイム推論エンドポイントは予測（推論）を返すためのものであり、モデルの再トレーニングや再デプロイを行う仕組みではありません。
B：S3 へのアップロードは S3 と EventBridge の組み込み統合で直接検知できるため、Webhook ハンドラーを自前で実装するのは不要に複雑です。また「Lambda 関数のイベントをソースに設定する」という構成は EventBridge の標準的な使い方ではなく、アーキテクチャとして成立しません。
C：Express ワークフローは最長 5 分しか実行できないため、時間のかかる再トレーニング処理のオーケストレーションには不適です。また SageMaker Data Wrangler はデータ準備用の対話的ツール、Autopilot は AutoML（自動モデル構築）サービスであり、「既存モデルを継続的に再トレーニングして再デプロイする」自動化パイプラインの構成要素としては要件に合いません。

【参考】
SageMaker Pipelines の概要
Standard ワークフローと Express ワークフロー
この問題のページを開く →
問題 5最も少ない運用負荷でこれらの要件を満たす追加の手順はどれですか？実装と統合
問題
ある企業が、さまざまな専門ツールと統合する必要がある新しい AI 搭載アプリケーションを開発しています。これらのツールは現在、開発者のローカルマシン上で Model Context Protocol（MCP）サーバーとして実行されており、呼び出し間で状態を保持しません。同社は、本番アプリケーションをサポートするために、各 MCP サーバーを AWS Lambda 関数としてデプロイする予定です。 このソリューションは、社内アプリケーションと認可されたサードパーティパートナーの両方からアクセスできなければなりません。また、厳格な認証および認可の制御を使用しなければなりません。 最も少ない運用負荷でこれらの要件を満たす追加の手順はどれですか？

選択肢と解説

  • 1
    Lambda Invoke API を使用してカスタムの Lambda 呼び出しトランスポートを作成する。IAM 認証を実装し、認可されたユーザーとロールに InvokeFunction 権限を付与する。
  • 2
    Amazon API Gateway REST API エンドポイント経由で Lambda 関数を公開する。認証には API キーを実装する。MCP サーバーへのアクセスが必要なアプリケーションを、MCP プロトコルではなく標準の HTTP リクエストを使用するように構成する。
  • ✓
    Lambda 関数 URL を作成し、カスタムの Streamable HTTP トランスポートと SigV4 を有効にする。AWS IAM 認証を実装する。認可されたユーザーとロールに InvokeFunctionUrl 権限を付与する。
  • 4
    Streamable HTTP トランスポートを使用する Amazon API Gateway HTTP API エンドポイント経由で Lambda 関数を公開する。Amazon Cognito を使用して OAuth 認証を実装する。OAuth トークンを検証するように API Gateway を構成する。

解説

【正解】C

【0からの解説】
MCP（Model Context Protocol）は、AI アプリケーションが外部ツールやデータソースと通信するためのオープンなプロトコルです。リモートの MCP サーバーとは「Streamable HTTP」というトランスポート（通信方式）で通信するのが標準です。本問は、ステートレスな MCP サーバーを Lambda 化し、厳格な認証認可つきで内外に公開する構成を問うています。
・Lambda 関数 URL は、API Gateway を介さずに Lambda 関数へ直接 HTTPS エンドポイントを割り当てられる機能で、AWS_IAM 認証タイプを設定すると SigV4 署名（IAM 認証）による厳格なアクセス制御ができます。

【C が正解の理由】
Lambda 関数 URL を使えば、追加のインフラ（API Gateway 等）を構築・運用することなく、MCP 標準の Streamable HTTP トランスポートで MCP サーバーを公開できます。認証は AWS IAM（SigV4 署名）で行い、lambda:InvokeFunctionUrl 権限を社内のユーザー・ロールや、クロスアカウントのサードパーティパートナーのロールに付与することで、厳格な認証認可を最小の運用負荷で実現できます。

【誤りの選択肢】
A：Lambda Invoke API を使った独自トランスポートは AWS 専用の呼び出し方式であり、MCP 標準の HTTP トランスポートではありません。すべての MCP クライアント側にカスタム実装が必要になり、開発・運用負荷が増大します。
B：API キーは「クライアントの識別」には使えますが、それ単体では厳格な認証認可とは言えません（キーが漏えいすると誰でもアクセス可能）。さらに「MCP プロトコルではなく標準 HTTP を使うようにアプリを構成する」は、MCP サーバーとして統合するという前提そのものを壊しています。
D：API Gateway ＋ Cognito ＋ OAuth の構成は技術的には可能ですが、API Gateway と Cognito ユーザープールという追加コンポーネントの構築・運用が必要になり、関数 URL ＋ IAM 認証で完結する C と比べて運用負荷が大きくなります。

【参考】
Lambda 関数 URL
Lambda 関数 URL のアクセス制御と認証
この問題のページを開く →
問題 6（2つ選択してください。AIの安全性・セキュリティ・ガバナンス
問題
ある企業は、研究者の助成金申請を支援するアプリケーションを Amazon Bedrock を使用して設計しています。このアプリケーションは Amazon Nova Pro 基盤モデル（FM）をベースにしています。アプリケーションには 4 つの必須入力があり、一貫したテキスト形式で応答を提供しなければなりません。同社は、応答にいじめ（ブリング）の言葉が含まれている場合に Amazon Bedrock で通知を受け取りたいと考えています。ただし、フラグが付いた応答をすべてブロックすることは望んでいません。 同社は、入力プロンプトを受け取って Amazon Nova Pro FM に送信する Amazon Bedrock フローを作成しました。Amazon Nova Pro FM が応答を返します。 これらの要件を満たすために、同社が追加で実施しなければならない手順はどれですか？（2つ選択してください。）

選択肢と解説

  • ✓
    Amazon Bedrock プロンプト管理を使用して、必須入力を変数として指定する。Amazon Nova Pro FM を選択する。応答の出力形式を指定する。プロンプトをフローのプロンプトノードに追加する。
  • 2
    憎悪（hate）コンテンツフィルターを適用する Amazon Bedrock ガードレールを作成する。フィルターの応答をブロック（block）に設定する。ガードレールをフローのプロンプトノードに追加する。
  • 3
    Amazon Bedrock プロンプトルーターを作成する。Amazon Nova Pro FM を指定する。必須入力を変数としてフローの入力ノードに追加する。プロンプトルーターをプロンプトノードに追加する。出力形式を出力ノードに追加する。
  • ✓
    侮辱（insults）コンテンツフィルターを適用する Amazon Bedrock ガードレールを作成する。フィルターの応答を検出（detect）に設定する。ガードレールをフローのプロンプトノードに追加する。
  • 5
    Amazon Nova Pro FM を指定する Amazon Bedrock アプリケーション推論プロファイルを作成する。応答の出力形式を説明（description）に指定する。各入力変数のタグを含める。プロファイルをフローのプロンプトノードに追加する。

解説

【正解】A、D

【0からの解説】
この問題は Amazon Bedrock の 2 つの機能の理解を問うています。
・Bedrock プロンプト管理（Prompt Management）：プロンプトのテンプレートを作成・バージョン管理できる機能。テンプレートには {{変数}} を埋め込め、モデルや出力形式の指定も含めて再利用できます。Bedrock フロー（処理の流れを GUI で組み立てる機能）のプロンプトノードから参照できます。
・Bedrock ガードレール：有害コンテンツを制御する機能。コンテンツフィルターには「憎悪（hate）」「侮辱（insults）」「性的」「暴力」などのカテゴリがあり、検出時のアクションとして「ブロック（block：応答を遮断）」と「検出（detect：遮断せずフラグ付けのみ）」を選べます。

【A が正解の理由】
「4 つの必須入力」と「一貫したテキスト形式での応答」という要件は、プロンプト管理で必須入力を変数として定義し、出力形式をプロンプトに指定し、それをフローのプロンプトノードに組み込むことで満たせます。

【D が正解の理由】
いじめの言葉は、ガードレールのコンテンツフィルターでは「侮辱（insults）」カテゴリに該当します。フィルターのアクションを「検出（detect）」に設定すれば、応答をブロックせずにフラグ付け（通知）だけを行えるため、「通知は欲しいがブロックはしたくない」という要件に合致します。

【誤りの選択肢】
B：カテゴリの選択とアクションの両方が誤りです。いじめの言葉に対応するのは hate（人種・宗教等への憎悪表現）ではなく insults です。さらに block に設定するとフラグ付き応答がすべて遮断されてしまい、「すべてブロックしたくない」という要件に反します。
C：プロンプトルーターは、リクエストの内容に応じて複数のモデル間でコストと品質のバランスを取りながら振り分ける機能であり、入力変数の定義や出力形式の管理を行う機能ではありません。
E：アプリケーション推論プロファイルは、コスト配分タグの付与や使用状況の追跡のための機能です。説明欄に出力形式を書いてもモデルの出力には反映されず、要件を満たせません。

【参考】
Amazon Bedrock プロンプト管理
ガードレールでの有害な単語と会話のブロック（コンテンツフィルター）
Amazon Bedrock フロー
この問題のページを開く →
問題 7最も少ないカスタム開発工数でこれらの要件を満たすソリューションはどれですか？AIの安全性・セキュリティ・ガバナンス
問題
ある小売企業は、Amazon Bedrock を使用した生成 AI（GenAI）商品レコメンデーションアプリケーションを運用しています。このアプリケーションは、閲覧履歴と人口統計属性（デモグラフィック）に基づいて顧客に商品を提案します。同社は、2 つのプロンプトアプローチ間のレコメンデーションにおけるバイアスを検出・測定するために、複数の人口統計グループにまたがる公平性評価を実装する必要があります。同社は公平性メトリクスをリアルタイムで収集・監視したいと考えています。人口統計グループ間で公平性メトリクスに 15% を超える乖離が見られた場合には、アラートを受け取らなければなりません。また、2 つのプロンプトアプローチのパフォーマンスを比較する週次レポートを受け取らなければなりません。 最も少ないカスタム開発工数でこれらの要件を満たすソリューションはどれですか？

選択肢と解説

  • 1
    Amazon Bedrock API 呼び出しのデフォルトメトリクスを表示する Amazon CloudWatch ダッシュボードを構成する。モデル出力に基づくカスタムメトリクスを作成する。Amazon EventBridge ルールを設定して AWS Lambda 関数を起動し、モデル応答の後処理分析を実行してカスタム公平性メトリクスを発行する。
  • 2
    Amazon Bedrock プロンプト管理で 2 つのプロンプトバリアントを作成する。Amazon Bedrock フローを使用して、定義したトラフィック配分でプロンプトバリアントをデプロイする。人口統計の公平性を監視するコンテンツフィルターを備えた Amazon Bedrock ガードレールを構成する。GuardrailContentSource ディメンションの InvocationsIntervened メトリクスを使用する Amazon CloudWatch アラームを設定し、レコメンデーションの乖離のしきい値違反を検出する。
  • ✓
    Amazon SageMaker Clarify を設定してモデル出力を分析する。公平性メトリクスを Amazon CloudWatch に発行する。SageMaker Clarify のバイアスメトリクスと Amazon Bedrock のレイテンシメトリクスを組み合わせた CloudWatch 複合アラームを作成し、包括的な公平性評価ダッシュボードを提供する。
  • 4
    2 つのプロンプトバリアント間の公平性を比較する Amazon Bedrock モデル評価ジョブを作成する。Amazon CloudWatch でモデル呼び出しログを有効にする。人口統計グループごとのディメンションを持つ InvocationsIntervened メトリクスの CloudWatch アラームを設定する。

解説

【正解】C

【0からの解説】
「公平性（fairness）評価」とは、AI の出力が性別・年齢・地域などの人口統計グループによって不当に偏っていないか（バイアスがないか）を測定することです。AWS でバイアス検出・公平性メトリクスの計算を担う専用サービスが Amazon SageMaker Clarify です。Clarify はデータやモデル出力のバイアスを多数の統計指標で算出でき、結果を Amazon CloudWatch にメトリクスとして発行すれば、しきい値アラート（15% の乖離検出）やダッシュボード化が標準機能だけで実現できます。

【C が正解の理由】
・バイアス測定 → SageMaker Clarify（公平性評価の専用機能であり、自前のバイアス計算ロジックを開発する必要がない）。
・リアルタイム監視と 15% 乖離アラート → Clarify のメトリクスを CloudWatch に発行し、アラーム（複合アラーム含む）を設定。
・週次レポート／比較 → CloudWatch のダッシュボードとメトリクスで対応。
専用機能の組み合わせで完結するため、カスタム開発工数が最小になります。

【誤りの選択肢】
A：Bedrock のデフォルトメトリクス（呼び出し回数・レイテンシ等）には公平性に関する指標は存在しません。Lambda で後処理分析（バイアス計算）を自前実装することになり、「最小のカスタム開発工数」に反します。
B・D：いずれもガードレールの InvocationsIntervened メトリクスを公平性の監視に流用しようとしていますが、これは「ガードレールが介入（ブロック等）した回数」を表すメトリクスであり、人口統計グループ間のレコメンデーションの乖離やバイアスを測定するものではありません。またガードレールのコンテンツフィルターは有害表現の制御機能であって公平性測定機能ではなく（B）、Bedrock モデル評価ジョブはオンデマンドで実行するオフライン評価であり「リアルタイムで収集・監視」という要件を満たせません（D）。

【参考】
SageMaker Clarify による公平性・モデル説明可能性
Amazon CloudWatch アラームの使用
この問題のページを開く →
問題 8これらの要件を満たすソリューションはどれですか？実装と統合
問題
ある企業が、Amazon Bedrock の基盤モデル（FM）を使用する生成 AI（GenAI）搭載のカスタマーサポートアプリケーションを開発しています。このアプリケーションは、同一ユーザーとの複数回のやり取りにわたって会話のコンテキストを維持しなければなりません。また、曖昧なユーザークエリに対処するための明確化ワークフロー（聞き返しの確認フロー）を実行しなければなりません。同社は、パーソナライゼーションに使用するために、各ユーザーの会話の暗号化された記録を保存しなければなりません。アプリケーションは、数千の同時ユーザーに対応しながら、各ユーザーに迅速に応答できなければなりません。 これらの要件を満たすソリューションはどれですか？

選択肢と解説

  • 1
    AWS Step Functions Express ワークフローを使用して会話フローをオーケストレーションする。AWS Lambda 関数を呼び出して明確化ロジックを実行する。会話履歴を Amazon RDS に保存し、セッション ID を主キーとして使用する。
  • ✓
    AWS Step Functions Standard ワークフローを使用して明確化ワークフローをオーケストレーションする。コールバック待機（Wait for a Callback）パターンを組み込んでワークフローを管理する。会話履歴を Amazon DynamoDB に保存する。オンデマンドキャパシティを購入し、サーバー側暗号化を構成する。
  • 3
    Amazon API Gateway REST API を使用してアプリケーションをデプロイし、ユーザーリクエストを AWS Lambda 関数にルーティングして会話コンテキストを更新・取得する。会話履歴を Amazon S3 に保存し、サーバー側暗号化を構成する。各やり取りを個別の JSON ファイルとして保存する。
  • 4
    AWS Lambda 関数を使用して Amazon Bedrock の推論 API を呼び出す。Amazon SQS キューを使用して明確化ステップをオーケストレーションする。会話履歴を Amazon ElastiCache（Redis OSS）クラスターに保存する。保存時の暗号化を構成する。

解説

【正解】B

【0からの解説】
この問題のポイントは 2 つあります。
(1) 明確化ワークフロー＝「ユーザーの追加回答を待ってから処理を続行する」フローをどうオーケストレーションするか。AWS Step Functions の「コールバック待機（Wait for a Callback with Task Token）」パターンは、タスクトークンを発行して外部からの応答（ここではユーザーの明確化回答）が返るまでワークフローを一時停止できる仕組みです。ユーザーの応答は数分〜数時間かかる可能性があるため、最長 1 年間実行できる Standard ワークフローが適しています（Express は最長 5 分）。
(2) 会話履歴の保存先。Amazon DynamoDB はミリ秒単位の低レイテンシで自動スケールする NoSQL データベースで、「数千の同時ユーザー」「迅速な応答」に最適です。オンデマンドキャパシティなら負荷予測なしでスケールし、サーバー側暗号化で「暗号化された記録の保存」要件も満たします。

【B が正解の理由】
Standard ワークフロー＋コールバック待機パターンが明確化ワークフローの待ち時間を正しく扱え、DynamoDB（オンデマンド＋暗号化）が大量同時アクセス・低レイテンシ・暗号化のすべてを満たすためです。

【誤りの選択肢】
A：Express ワークフローは最長 5 分の実行制限があり、ユーザーの応答を待つ明確化フローには不適です。また Amazon RDS はリレーショナルデータベースで、数千の同時接続をさばくにはコネクション管理やスケーリングの考慮が必要になり、セッションデータ用途では DynamoDB に劣ります。
C：Amazon S3 はオブジェクトストレージであり、会話のたびに小さな JSON ファイルを読み書きする低レイテンシのセッション管理には不向きです。また、曖昧クエリに対する明確化ワークフローを実行する仕組みがこの構成には含まれていません。
D：Amazon SQS は非同期メッセージキューであり、ユーザーとの対話的なやり取り（応答を待って次の処理へ進む）のオーケストレーションには適しません。ElastiCache はインメモリキャッシュで一時データ向きであり、パーソナライゼーションのために会話記録を永続保存する用途の主データストアとしては不適切です。

【参考】
タスクトークンを使用したコールバック待機（サービス統合パターン）
Standard ワークフローと Express ワークフロー
DynamoDB の保管時の暗号化
この問題のページを開く →
問題 9これらの要件を満たすソリューションはどれですか？基盤モデルの統合・データ管理・コンプライアンス
問題
ある法務リサーチ企業は、Amazon Bedrock と Amazon OpenSearch Service を使用する検索拡張生成（RAG）アプリケーションを運用しています。このアプリケーションは、法令、判例、事件概要を含む 1,500 万件の法的文書について、768 次元のベクトル埋め込みを保存しています。 同社の現在のチャンキング戦略は、テキストを 500 トークンの固定長ブロックに分割しています。この戦略では、法的主張、裁判所の意見、法令の参照といった文脈的に関連する情報が、別々のチャンクに分断されてしまうことがよくあります。研究者からは、生成された出力が重要な文脈を欠いていたり、古い法的情報を引用したりすることが多いと報告されています。 最近のアプリケーションログでは応答時間が 40% 増加しています。p95 レイテンシは 2 秒を超えています。同社は、アプリケーションのストレージ需要が 1 年以内に 90 GB から 360 GB に増加すると見込んでいます。 同社は、大規模環境で検索の関連性とシステムパフォーマンスを改善するソリューションを必要としています。 これらの要件を満たすソリューションはどれですか？

選択肢と解説

  • 1
    既存のチャンキングや前処理の戦略を変更せずに、埋め込みベクトルの次元数を 768 から 4,096 に増やす。
  • 2
    動的な検索を、Amazon S3 に保存した静的な事前作成済み要約に置き換える。Amazon CloudFront を使用して要約を配信し、コンピューティング需要を削減して予測可能性を高める。
  • ✓
    チャンキング戦略を、固定トークン長ではなく、完全な法的主張・条項・セクションなどの意味的な境界（セマンティック境界）を使用するように更新する。新しいチャンク構造に合わせてベクトル埋め込みを再生成する。
  • 4
    OpenSearch Service から Amazon DynamoDB に移行する。法的概念の高速な検索を可能にするキーワードベースのインデックスを実装する。

解説

【正解】C

【0からの解説】
RAG（検索拡張生成）とは、質問に関連する文書を検索（Retrieval）し、その内容をプロンプトに含めてモデルに回答を生成（Generation）させる手法です。文書はそのままでは長すぎるため「チャンク」と呼ばれる小さな断片に分割してから、各チャンクを「埋め込み（ベクトル）」に変換してベクトルデータベースに保存します。

本問の根本原因は「500 トークンの固定長チャンキング」です。固定長で機械的に切ると、1 つの法的主張や条文の途中でチャンクが分断され、検索でヒットしたチャンクに必要な文脈が含まれない（＝関連性の低下、重要文脈の欠落）という問題が起きます。

【C が正解の理由】
セマンティックチャンキング（意味的な境界での分割）に変更すれば、「完全な法的主張」「条項」「セクション」といった意味のまとまりごとにチャンクが作られ、検索でヒットしたチャンクが文脈を完結して含むようになります。チャンク構造を変えたら、埋め込みはチャンク単位で計算されるものなので再生成が必要です。これが検索の関連性低下という根本原因への直接の対処です。

【誤りの選択肢】
A：埋め込みの次元数を 768 から 4,096 に増やしても、チャンクが文脈の途中で分断されている問題は解決しません。むしろベクトルあたりのストレージと計算コストが約 5 倍に増え、ストレージが 360 GB へ成長する見込みやレイテンシ悪化（p95 が 2 秒超）の状況をさらに悪化させます。
B：静的な事前要約への置き換えは RAG の動的検索を放棄するものであり、新しい判例や法改正を反映できなくなります。「古い法的情報を引用する」という既存の問題をむしろ固定化・悪化させます。
D：Amazon DynamoDB はキーバリュー型の NoSQL データベースであり、ベクトル類似検索をネイティブにサポートしません。キーワードベースのインデックスでは「意味的に関連する文書を探す」というセマンティック検索の要件を満たせません。

【参考】
Amazon Bedrock ナレッジベースにおけるコンテンツのチャンキング
Amazon OpenSearch Service の k-NN 検索
この問題のページを開く →
問題 10最も少ない開発工数でこれらの要件を満たすソリューションはどれですか？基盤モデルの統合・データ管理・コンプライアンス
問題
ある企業は、世界中のユーザーが新しいレストランを発見するのを支援するサービスを提供しています。このサービスの月間アクティブユーザーは 5,000 万人です。同社は、2,000 万件のレストランと 2 億件のレビューを含むデータベース全体に対するセマンティック検索ソリューションを実装したいと考えています。現在、データは PostgreSQL データベースに保存されています。 このソリューションは、複雑な自然言語クエリをサポートし、少なくとも 95% のクエリに対して 500 ミリ秒以内に結果を返さなければなりません。1 時間ごとに更新されるレストラン詳細情報のデータ鮮度を維持しなければなりません。また、ピーク時の利用に対して費用対効果の高いスケーリングができなければなりません。 最も少ない開発工数でこれらの要件を満たすソリューションはどれですか？

選択肢と解説

  • 1
    レストランデータを Amazon OpenSearch Service に移行する。カスタムアナライザーと関連性チューニングを使用したキーワードベースの検索ルールを実装し、料理の種類・特徴・場所などの属性に基づいてレストランを検索する。ユーザークエリを構造化された検索パラメータに変換する Amazon API Gateway HTTP API エンドポイントを作成する。
  • ✓
    レストランデータを Amazon OpenSearch Service に移行する。Amazon Bedrock の基盤モデル（FM）を使用して、レストランの説明・レビュー・メニュー項目からベクトル埋め込みを生成する。ユーザーが自然言語クエリを送信したら、同じ FM を使用してクエリを埋め込みに変換する。k 近傍法（k-NN）検索を実行して、意味的に類似した結果を見つける。
  • 3
    レストランデータを PostgreSQL に保持し、pgvector 拡張機能を実装する。Amazon Bedrock の基盤モデル（FM）を使用してレストランデータからベクトル埋め込みを生成する。ベクトル埋め込みを PostgreSQL に直接保存する。同じ FM を使用して自然言語クエリをベクトル表現に変換する AWS Lambda 関数を作成する。この Lambda 関数がデータベース内で類似検索を実行するように構成する。
  • 4
    カスタム取り込みパイプラインを使用して、レストランデータを Amazon Bedrock ナレッジベースに移行する。レストラン情報から埋め込みを自動生成するようにナレッジベースを構成する。組み込みのベクトル検索機能を持つ Amazon Bedrock Retrieve API を使用して、自然言語入力でナレッジベースを直接クエリする。

解説

【正解】B

【0からの解説】
セマンティック検索とは、キーワードの一致ではなく「意味の近さ」で検索する技術です。仕組みは、(1) テキストを埋め込みモデル（例：Amazon Titan Embeddings）で数値ベクトルに変換して保存し、(2) 検索時はクエリも同じモデルでベクトル化し、(3) k 近傍法（k-NN）でベクトル空間上の距離が近い＝意味が似ている文書を探す、というものです。

【B が正解の理由】
Amazon OpenSearch Service は k-NN ベクトル検索をネイティブサポートする検索特化のマネージドサービスで、2 億件超の大規模データに対しても低レイテンシ（500 ミリ秒以内）の検索を実現できます。インデックスの増分更新により 1 時間ごとのデータ更新にも対応でき、クラスターのスケーリングでピーク時にも費用対効果よく対応できます。Bedrock の FM で埋め込みを生成し、検索基盤は OpenSearch のマネージド機能に任せる構成は、自前実装が最少で済みます。

【誤りの選択肢】
A：カスタムアナライザーを使ってもキーワードベースの検索であることに変わりはなく、「複雑な自然言語クエリ」を意味で理解するセマンティック検索の要件を満たせません。クエリを構造化パラメータに変換する API の開発も追加工数になります。
C：pgvector で PostgreSQL にベクトル検索を追加することは可能ですが、2 億件規模のベクトルに対して 95% のクエリを 500 ミリ秒以内で返すには、インデックス設計・パーティショニング・読み取りレプリカなどの大がかりなチューニングが必要です。既存の業務データベースに検索負荷が同居する点でもスケーラビリティに難があり、「最少の開発工数」になりません。
D：Bedrock ナレッジベースは RAG（モデルの回答の根拠として文書を取得する用途）向けの機能であり、月間 5,000 万ユーザー規模のアプリケーション検索基盤として使う設計ではありません。「カスタム取り込みパイプライン」の開発が必要な時点で開発工数も増え、1 時間ごとの更新へ即時追従する検索プラットフォームとしては不適です。

【参考】
Amazon OpenSearch Service の k-NN 検索
Amazon Titan 埋め込みモデル
この問題のページを開く →
問題 11これらの要件を満たすソリューションはどれですか？基盤モデルの統合・データ管理・コンプライアンス
問題
ある国際企業が、RAG を使用する AI アシスタントを構築しています。同社は、AI アシスタントにニアリアルタイムの低レイテンシなパフォーマンスを求めています。AI アシスタントは複数の地理的エリアにサービスを提供しなければなりません。同社の顧客は、AI アシスタントで自社の専有データを使用します。専有データは、同社が事業を展開するそれぞれの地理的エリアの外に出てはなりません。 これらの要件を満たすソリューションはどれですか？

選択肢と解説

  • 1
    クロスリージョンモデル推論プロファイルを使用して Amazon Bedrock モデルをデプロイする。同社が事業を展開する各 AWS リージョンに Amazon S3 バケットを作成する。それぞれの S3 バケットにナレッジベースを保存する。各リージョンで、それぞれのナレッジベースとやり取りするように Amazon Kendra を構成する。各リージョンで、Kendra と Amazon Bedrock を使用して AI アシスタントのプロンプトを処理する AWS Lambda 関数を構成する。
  • ✓
    同社が事業を展開する各 AWS リージョンに Amazon Bedrock モデルをデプロイする。Amazon Bedrock のクロスリージョンモデル推論プロファイルを構成する。Amazon Bedrock ナレッジベースを使用するベクトルデータベースを構成する。同社が事業を展開する各リージョンの Amazon S3 にナレッジベースを保存する。
  • 3
    AWS Outposts を使用して、同社が事業を展開する各 AWS リージョンにアウトポストをデプロイする。対応する各リージョンにナレッジベースを保存する Amazon S3 バケットを作成する。ベクトルデータベースとして構成した Amazon RDS を各アウトポストにデプロイする。中央のリージョンに、クロスリージョン推論プロファイルを使用する Amazon Bedrock モデルをデプロイする。
  • 4
    同社が事業を展開する各 AWS Local Zone に、Amazon S3 Express One Zone ストレージクラスに保存するナレッジベースを構成する。各 Local Zone に Amazon RDS を使用してベクトルデータベースをデプロイする。各 Local Zone の Amazon EC2 インスタンスに大規模言語モデル（LLM）をデプロイする。それぞれの Local Zone のモデルにプロンプトをルーティングするように AI アシスタントを構成する。

解説

【正解】B

【0からの解説】
この問題のポイントは「データレジデンシー（データ所在地規制）」と「低レイテンシ」の両立です。
・クロスリージョン推論プロファイル：Amazon Bedrock の機能で、推論リクエストを同一地理圏（米国内、欧州内、アジアパシフィック内など）の複数リージョンへ自動的に分散します。地理圏の外にはリクエストが出ないため、地理的エリア内でのデータ保持と、スループット・可用性の向上を両立できます。
・Bedrock ナレッジベース：RAG のための文書取り込み・ベクトル化・検索をマネージドで提供します。データソース（S3）とベクトルデータベースをリージョンごとに置けば、専有データはそのリージョン（地理的エリア）から出ません。

【B が正解の理由】
各リージョンに Bedrock モデル（推論能力）とナレッジベース（S3＋ベクトル DB）を配置することで、顧客の専有データは常に各地理的エリア内に留まります。クロスリージョン推論プロファイルは地理圏単位で構成されるため、推論トラフィックも地理圏内に閉じたままスループットを確保でき、ニアリアルタイムの低レイテンシ要件を満たせます。

【誤りの選択肢】
A：Kendra は全文検索・エンタープライズ検索のサービスであり構成として不可能ではありませんが、単一の Bedrock モデルデプロイにクロスリージョン推論プロファイルを適用する設計のため、プロンプト（専有データを含む）が顧客の地理的エリア外のリージョンに転送される可能性を排除できません。
C：AWS Outposts はオンプレミスに AWS インフラを拡張するサービスであり、「各リージョンにアウトポストをデプロイする」という記述自体が概念的に誤っています。さらに中央リージョンの Bedrock モデルへ推論を送る設計では、専有データが地理的エリアを離れてしまいます。
D：EC2 上に自前で LLM をホストする構成は、モデルの運用・スケーリングの負荷が膨大です。S3 Express One Zone は単一アベイラビリティーゾーンのストレージで耐久性・可用性の面で本番のナレッジベース保存に不適切であり、Local Zone は利用できるサービスが限られるため全体として現実的ではありません。

【参考】
Amazon Bedrock のクロスリージョン推論
Amazon Bedrock ナレッジベース
この問題のページを開く →
問題 12これらの要件を満たすソリューションはどれですか？運用効率と最適化
問題
ある企業が、Amazon Bedrock API を使用して複雑な顧客問い合わせを処理する生成 AI（GenAI）アプリケーションを構築しています。ピーク利用時間帯に、アプリケーションは断続的な API タイムアウトを経験しており、応答チャンクの破損やデータ配信の遅延などの問題を引き起こしています。アプリケーションは、長さがさまざまな複雑な顧客問い合わせを処理する際に、プロンプトをトークン制限内に収めることに苦労しています。ユーザーからは、入力の切り捨てや不完全な応答が報告されています。同社は基盤モデル（FM）の呼び出し失敗も観測しています。 同社は、一時的なサービスエラーを自動的に処理し、ピーク利用時間帯に Amazon Bedrock を過負荷にしない再試行戦略を必要としています。この戦略は、変化するサービスの可用性に適応し、レスポンスストリーミングとトークンを考慮したリクエスト処理もサポートしなければなりません。 これらの要件を満たすソリューションはどれですか？

選択肢と解説

  • 1
    すべてのエラーに対して、試行間の固定 1 秒遅延と最大 3 回の再試行を使用する標準的な再試行戦略を実装する。ストリームを再起動することでストリーミング応答のタイムアウトに対処する。セッションごとにトークン使用量の上限を設定する。
  • 2
    エラー率が事前定義のしきい値を超えたときに再試行を一時的に無効化するサーキットブレーカーパターンと、ジッター付きの指数バックオフを使用する適応型再試行戦略を実装する。チャンク配信のタイムアウトを監視するストリーミング応答ハンドラーを実装する。正常に受信したチャンクをバッファリングし、接続が再確立されたときに最後に受信したチャンクからインテリジェントにストリーミングを再開するようにハンドラーを構成する。
  • ✓
    AWS SDK を使用して標準（standard）モードの再試行戦略を構成する。Amazon Bedrock API 呼び出しを try-catch ブロックでラップしてタイムアウト例外を処理する。失敗したストリーミングリクエストにはキャッシュ済みの完了結果を返す。すべてのユーザーに対してグローバルなトークン制限を適用する。ジッターベースの再試行ロジックと、リクエストごとの軽量なトークントリミングを追加する。失敗時点から欠落したチャンクのみを要求して、切断されたストリームを再開する。直近のチャンクの小さなインメモリバッファを維持して冗長なデータ転送を最小化する。
  • 4
    Amazon Bedrock クライアントのリクエストタイムアウトを 30 秒に設定する。クライアント側の負荷制限（ロードシェディング）を実装する。部分的な結果をバッファリングし、アプリケーションのパフォーマンスが劣化し始めたら新規リクエストを停止する。すべてのリクエストに静的なトークン使用上限を設定する。指数バックオフによる再試行、動的なチャンクサイズ調整、コンテキストを考慮したトークン制限を構成する。

解説

【正解】C

【0からの解説】
本問の要件を分解すると、(1) 一時的なエラーの自動再試行、(2) ピーク時に Bedrock を過負荷にしない、(3) サービス可用性の変化への適応、(4) レスポンスストリーミングのサポート、(5) トークンを考慮したリクエスト処理、の 5 点です。
・AWS SDK の再試行モード：SDK には standard モード（指数バックオフ＋ジッター付きの自動再試行）が組み込まれており、自前実装なしで一時的エラーを処理できます。「ジッター」とは再試行タイミングを意図的にランダム化することで、多数のクライアントが同時に再試行してサービスを過負荷にする「再試行の嵐」を防ぐ手法です。
・トークントリミング：FM にはコンテキストウィンドウ（一度に扱えるトークン数の上限）があるため、リクエストごとに入力を適切に切り詰めて制限内に収める処理が「トークンを考慮したリクエスト処理」に当たります。

【C が正解の理由】
C は 5 つの要件をすべて満たします。SDK の standard モード＋ジッター付き再試行で (1)(2)(3) を、欠落チャンクのみの再取得とインメモリバッファによるストリーム再開で (4) を、リクエストごとのトークントリミングで (5) をカバーしています。失敗時のキャッシュ済み応答の返却は、障害時にもユーザー体験を維持するグレースフルデグラデーションとして機能します。

【誤りの選択肢】
A：固定 1 秒遅延の再試行は、ピーク時に全クライアントが同じタイミングで再試行を繰り返すため、Bedrock への過負荷を防げません。ストリーム全体の再起動は受信済みデータを捨てる非効率な方法で、「変化する可用性への適応」の仕組みもありません。
B：再試行とストリーミングの設計は優れていますが、「トークンを考慮したリクエスト処理」に関する対策が一切含まれていません。本問では入力の切り捨てやトークン制限超過が明示的な課題として挙げられているため、この要件を欠く B は不完全です。
D：「静的なトークン使用上限」と「コンテキストを考慮したトークン制限」が矛盾しています。また、パフォーマンス劣化時に新規リクエストを停止するロードシェディングは可用性を犠牲にする手段であり、「自動的にエラーを処理して適応する」という要件の解決策としては不適切です。

【参考】
AWS SDK の再試行動作
Amazon Bedrock InvokeModelWithResponseStream API
この問題のページを開く →
問題 13最も少ない運用負荷でこれらの要件を満たすソリューションはどれですか？基盤モデルの統合・データ管理・コンプライアンス
問題
ある企業が、Amazon Bedrock を使用して AI アドバイザリーアプリケーションを構築しています。このアプリケーションは顧客にレコメンデーション（推奨事項）を提供します。同社は、アプリケーションがその推論プロセスを説明し、データの具体的な出典を引用できることを必要としています。アプリケーションは社内のデータソースから情報を取得し、レコメンデーションに至る段階的な推論を示さなければなりません。また、データに関する主張を出典文書にリンクし、応答レイテンシを 3 秒未満に維持しなければなりません。 最も少ない運用負荷でこれらの要件を満たすソリューションはどれですか？

選択肢と解説

  • ✓
    ソース帰属（source attribution）を有効にした Amazon Bedrock ナレッジベースを使用する。Anthropic Claude の Messages API を RAG とともに使用し、出典文書に高い関連性しきい値を設定する。監査のために推論内容と引用を Amazon S3 に保存する。
  • 2
    Amazon Bedrock で Anthropic Claude モデルと拡張思考（extended thinking）を使用する。4,000 トークンの思考予算を構成する。監査のために推論トレースと引用を Amazon DynamoDB に保存する。
  • 3
    カスタムの Anthropic Claude モデルで Amazon SageMaker AI を構成する。モデルの推論パラメータと AWS Lambda を使用して応答を処理する。別の Amazon RDS データベースから出典の引用を追加する。
  • 4
    Amazon Bedrock で Anthropic Claude モデルとチェーンオブソート（chain-of-thought）推論を使用する。Amazon Bedrock ナレッジベース API でカスタムの検索追跡を構成する。Amazon CloudWatch を使用して応答レイテンシのメトリクスを監視する。

解説

【正解】A

【0からの解説】
この問題は「出典の引用（citation）」と「推論の説明」を最小の運用負荷で実現する構成を問うています。
・Amazon Bedrock ナレッジベースは、社内文書を取り込み、RAG の検索部分をマネージドで提供します。応答生成時に「ソース帰属」を返す機能が組み込まれており、生成された回答のどの部分がどの文書チャンクに基づいているかという引用情報を API レスポンスとして自動的に取得できます。
・つまり「主張と出典文書のリンク」を自前で開発する必要がなく、これが「最小の運用負荷」の決め手になります。

【A が正解の理由】
ナレッジベースのソース帰属で出典引用の要件を組み込み機能のまま満たし、Claude の Messages API で段階的な推論の説明を生成できます。高い関連性しきい値の設定により、関連性の低い文書を除外して引用の品質を高められます。推論内容と引用の S3 保存で監査要件にも対応でき、追加のインフラ運用がほとんど発生しません。

【誤りの選択肢】
B：拡張思考は推論の深さを高める機能ですが、社内データソースからの検索（RAG）と出典引用の仕組みが構成に含まれていません。また、長い思考プロセスは応答時間を増加させ、3 秒未満のレイテンシ要件に対するリスクとなります。
C：Anthropic Claude は Amazon Bedrock 経由で提供されるモデルであり、SageMaker AI 上に「カスタム Claude モデル」をデプロイすることはできません。仮に類似構成を組んだとしても、推論処理用の Lambda、引用用の RDS と自前開発の比重が大きく、運用負荷が最大級になります。
D：チェーンオブソートで推論の説明は可能ですが、「カスタムの検索追跡」を自前で構築する必要があり、ソース帰属が組み込まれている A と比べて開発・運用負荷が高くなります。CloudWatch によるレイテンシ監視は計測であって、要件である引用機能そのものを提供しません。

【参考】
Amazon Bedrock ナレッジベース
RetrieveAndGenerate API
この問題のページを開く →
問題 14これらの要件を満たすソリューションはどれですか？AIの安全性・セキュリティ・ガバナンス
問題
ある企業が、Amazon Bedrock の基盤モデル（FM）を搭載した AI アシスタントを使用する顧客コミュニケーションプラットフォームを開発しています。AI アシスタントは顧客メッセージを要約し、初期応答の下書きを生成します。 同社は、Amazon Comprehend を使用して多層的なコンテンツフィルタリングを実装したいと考えています。この多層的なコンテンツフィルタリングは、攻撃的なコンテンツの共有を防止し、顧客のプライバシーを保護し、不適切なアドバイスの要求（インアプロプリエイト・アドバイス・ソリシテーション）の可能性を検出しなければなりません。不適切なアドバイスの要求には、非倫理的な行為、有害な活動、操作的な行動への依頼が含まれます。なお、ソリューションは全体として許容可能な応答時間を維持しなければならないため、すべての前処理フィルターはコンテンツが FM に到達する前に完了しなければなりません。 これらの要件を満たすソリューションはどれですか？

選択肢と解説

  • 1
    非同期 API 呼び出しによる並列処理を使用する。攻撃的なコンテンツには毒性検出を使用する。不適切なアドバイスの要求にはプロンプト安全性分類を使用する。個人を特定できる情報（PII）の検出は、マスキング（リダクション）なしで使用する。
  • 2
    カスタム分類を使用して、攻撃的なコンテンツと不適切なアドバイスの要求を検出する FM を構築する。PII 検出は、メッセージがカスタム分類器を通過した場合にのみ二次フィルターとして適用する。
  • 3
    多段階プロセスをデプロイする。最初にプロンプト安全性分類を使用し、次に安全と判定されたプロンプトのみに毒性検出を、最後にストリーミングモードで個人を特定できる情報（PII）検出を使用するようにプロセスを構成する。フラグ付けされたメッセージは Amazon EventBridge 経由で人間によるレビューにルーティングする。
  • ✓
    すべてのカテゴリに対してしきい値を 0.5 に構成した毒性検出を使用する。プロンプト安全性分類と、エンティティのマスキング（リダクション）を伴う個人を特定できる情報（PII）検出の両方に並列処理を使用する。フィルターメトリクスに Amazon CloudWatch アラームを適用する。

解説

【正解】D

【0からの解説】
Amazon Comprehend は自然言語処理（NLP）のマネージドサービスで、本問に関係する機能は次の 3 つです。
・毒性検出（Toxicity Detection）：攻撃的・有害な表現をスコア付きで検出。
・プロンプト安全性分類（Prompt Safety Classification）：LLM へ渡すプロンプトが安全か（不正な依頼・操作的な内容を含まないか）を分類。
・PII 検出とマスキング（リダクション）：氏名・住所などの個人情報を検出し、伏せ字に置換。

要件は「攻撃的コンテンツの防止」「プライバシー保護」「不適切なアドバイス要求の検出」を、FM 到達前に、応答時間を維持しながらすべて実施することです。

【D が正解の理由】
D は 3 つの機能をすべて正しく使い分けています。毒性検出（しきい値 0.5）で攻撃的コンテンツを防ぎ、プロンプト安全性分類で不適切なアドバイス要求を検出し、PII 検出をマスキング付きで適用して個人情報が FM に渡る前に除去（＝プライバシー保護）します。さらにフィルターを並列処理することで、すべての前処理を FM 到達前に完了しつつ応答時間への影響を最小化できます。CloudWatch アラームで検出状況の監視も可能です。

【誤りの選択肢】
A：「PII 検出をマスキングなしで使用する」点が誤りです。検出だけでは個人情報がそのまま FM に送られてしまい、顧客のプライバシー保護という要件を満たせません。
B：Comprehend のカスタム分類は分類器を学習させる機能であり、「FM を構築する」という記述は不正確です。さらに PII 検出を「分類を通過した場合のみ」の条件付きにすると、分類段階でブロックされなかったメッセージ以外の PII 保護に漏れが生じ、また直列処理のため遅延も増えます。
C：直列の多段階処理は各ステージの処理時間が積み上がるため、応答時間の要件に不利です。また人間によるレビューを挟む設計は、リアルタイムの顧客コミュニケーションの前処理として遅延が大きすぎます。

【参考】
Amazon Comprehend の毒性検出
Amazon Comprehend による PII の検出
この問題のページを開く →
問題 15これらの要件を満たすソリューションはどれですか？AIの安全性・セキュリティ・ガバナンス
問題
ある企業が AWS 上に動画分析プラットフォームを構築しています。このプラットフォームは、Amazon Rekognition と Amazon Bedrock を使用して大規模な動画アーカイブを分析します。プラットフォームは、事前定義されたプライバシー基準に準拠しなければなりません。また、安全なモデルの入出力（モデル I/O）を使用し、基盤モデル（FM）のアクセスパターンを制御し、誰がいつ何にアクセスしたかの監査を提供しなければなりません。 これらの要件を満たすソリューションはどれですか？

選択肢と解説

  • 1
    Amazon Bedrock のモデル API 呼び出し用に VPC エンドポイントを構成する。Amazon Bedrock ガードレールを実装して、プロンプトと応答に含まれる有害または未認可のコンテンツをフィルタリングする。Amazon Bedrock のトレースイベントを使用して、監査目的ですべてのエージェントとモデルの呼び出しを追跡する。モデル使用の監査記録としてトレースを Amazon CloudWatch Logs にエクスポートする。すべてのプロンプトと出力を、AWS KMS キーによるサーバー側暗号化（SSE-KMS)を使用して Amazon S3 に保存する。
  • ✓
    属性ベースのアクセス制御（ABAC）を備えた IAM を使用して、部門を特定の権限にマッピングするアクセス制御を定義する。Amazon Bedrock のモデル API 呼び出し用に VPC エンドポイントを構成する。IAM 条件キーを使用して、特定の GuardrailIdentifier と ModelId の値を強制する。AWS CloudTrail を構成して、S3 オブジェクトの管理イベントとデータイベント、および KMS キーの使用アクティビティをキャプチャする。S3 サーバーアクセスログを有効にして、動画アーカイブとのファイルレベルの詳細なやり取りを記録する。すべての CloudTrail ログを AWS CloudTrail Lake に送信する。Amazon Bedrock、Amazon Rekognition、AWS KMS からの予期しないアクティビティを検出して警告する Amazon CloudWatch アラームを設定する。
  • 3
    VPC エンドポイントポリシーを使用してサービスへのアクセスを制限する。AWS Config を使用してリソースの変更とセキュリティルールへの準拠を追跡する。AWS KMS キーによるサーバー側暗号化（SSE-KMS）を使用して保管中のデータを暗号化する。モデルの入出力を別々の Amazon S3 バケットに保存する。S3 サーバーアクセスログを有効にしてファイルレベルのやり取りを追跡する。
  • 4
    AWS CloudTrail Insights を構成して、アカウント間の API 呼び出しパターンを分析し、Amazon Bedrock、Amazon Rekognition、Amazon S3、AWS KMS における異常なアクティビティを検出する。Amazon Macie をデプロイして動画アーカイブをスキャン・分類する。AWS KMS キーによるサーバー側暗号化（SSE-KMS）を使用して、保存されるすべてのデータを暗号化する。監査目的で KMS API の使用イベントをキャプチャするように CloudTrail を構成する。CloudTrail Insights の異常と Macie の検出結果を処理する Amazon EventBridge ルールを構成する。潜在的なセキュリティ問題が検出されたときに、CloudWatch アラームで自動通知とセキュリティ対応をトリガーする。

解説

【正解】B

【0からの解説】
本問の要件を分解すると、(1) プライバシー基準への準拠、(2) 安全なモデル I/O（通信の保護）、(3) FM のアクセスパターンの制御（誰がどのモデルをどう使えるか）、(4) 「誰が・いつ・何に」アクセスしたかの監査、の 4 点です。それぞれに対応する AWS の仕組みは次のとおりです。
・VPC エンドポイント（AWS PrivateLink）：Bedrock への API 呼び出しをインターネットを経由しない閉域経路にし、モデル I/O を保護します。
・IAM の ABAC（属性ベースのアクセス制御）と条件キー：Bedrock には bedrock:GuardrailIdentifier や呼び出し対象モデルを制限する条件キーがあり、「特定の部門は特定のモデルを特定のガードレール付きでしか呼べない」というアクセスパターンの制御をポリシーで強制できます。
・AWS CloudTrail の管理イベント＋データイベント：S3 オブジェクトの読み書きや KMS キーの使用まで含めて「誰が・いつ・何に」を記録します。CloudTrail Lake は監査ログの長期保存と SQL 分析を提供します。

【B が正解の理由】
B は上記 4 要件のすべてに対応しています。特に「FM のアクセスパターンの制御」を IAM 条件キー（GuardrailIdentifier / ModelId の強制）で、「誰が・いつ・何に」の監査を CloudTrail のデータイベント＋S3 サーバーアクセスログ＋CloudTrail Lake で実現しており、最も網羅的かつ要件に忠実です。

【誤りの選択肢】
A：ガードレールとトレースは有用ですが、「FM のアクセスパターンの制御」に必要なアクセス制御（IAM）の仕組みがありません。また CloudWatch Logs へのトレースのエクスポートは「誰が・いつ・何に」というユーザー単位の監査記録としては不十分です（CloudTrail のような ID ベースの API 監査が必要です）。
C：暗号化とアクセスログはありますが、IAM によるアクセスパターン制御と CloudTrail による API レベルの監査（誰が・いつ）が欠けています。AWS Config はリソース構成の変更追跡であり、アクセスの監査ではありません。
D：CloudTrail Insights と Macie は「異常検出」と「データ分類」のためのもので、FM へのアクセスパターンを事前に制御する仕組み（IAM）がありません。また Macie は S3 内のテキストデータの機密情報検出が主目的で、動画アーカイブの分類には適しません。

【参考】
Amazon Bedrock と AWS PrivateLink（VPC エンドポイント）
Amazon Bedrock の IAM 条件キー
AWS CloudTrail Lake
この問題のページを開く →

AIP-C01 模擬問題集についてよくある質問

AIP-C01 の練習問題は無料で試せますか？

はい。AIP-C01 は先頭 15 問を会員登録なしで、正解と全選択肢の解説つきでご覧いただけます。16 問目以降は模試プラン（月額 ¥980）または Pro プラン（月額 ¥4,980）でご利用ください。

問題は何問ありますか？

AIP-C01 は本番形式の練習テスト 2 回・全 100 問を収録しています。全問に解説が付いています。

解説は付いていますか？

全ての問題に、正解の理由と各選択肢がなぜ誤りなのかの解説を付けています。ドメイン（出題分野）別の正答率も受験後に確認できます。