2026.06.13 2026.06.13

AIF-C01 模擬問題 30 問 — ドメイン配点比例で「解答力」を仕上げる

ゲンキ

AIF-C01 模擬問題 30 問 — ドメイン配点比例で「解答力」を仕上げる

AIF-C01（AWS Certified AI Practitioner）の全 5 ドメインの知識整理は、AIF-C01 Domain 4+5 完全攻略（2026-06-12 公開）までで完了した。しかし知識があることと、65 問 90 分の本番で正解し切ることは別物だ。本記事はドメイン配点に比例させた模擬問題 30 問（Domain 1: 6 問 / Domain 2: 7 問 / Domain 3: 9 問 / Domain 4: 4 問 / Domain 5: 4 問）で、知識を解答力に変換する。全問、実在する AWS サービスと公式試験ガイドの出題範囲のみで構成している。

解く前に — ドメイン横断の解法 3 原則
模擬問題 30 問
ケーススタディ演習 — 1 シナリオで 3 問に答える
解答と解説
採点と弱点補強の進め方
まとめ — 本番形式での総仕上げへ
参照

忍者AdMax

解く前に — ドメイン横断の解法 3 原則

30 問に入る前に、AIF-C01 のシナリオ問題を貫く解法原則を 3 つ確認しておく。

原則 1: コスト勾配の最下段から検討する。「プロンプト調整で済むか → RAG が要るか → ファインチューニングまで踏み込むか」の順に安い手段から評価する。いきなりファインチューニングや事前学習を選ばせる選択肢は、多くの場合オーバースペックの誤答だ。

原則 2: 動詞で見分ける。紛らわしいサービスペアは、要件文の動詞で判別できる。「測りたい・検出したい」なら Clarify、「防ぎたい・ブロックしたい」なら Guardrails。「探したい」なら Kendra、「薦めたい」なら Personalize。名詞（サービス名）ではなく動詞（やりたいこと）を起点に選ぶ。

原則 3: 確定結果が必要なら AI を選ばない。税計算や在庫引き当てのような決定論的処理に ML・生成 AI を適用する選択肢は誤答になる。「予測でよいのか、正解が必須なのか」を最初に判定する。

時間配分の感覚も、この 30 問で養っておきたい。本番は 65 問 90 分で 1 問あたり約 1.4 分。本記事の 30 問なら 42 分が同等ペースになる。タイマーを置いて解き、超過した問題に印を付けてほしい。時間を食う問題には共通点がある — 選択肢を 1 つずつ精読してから問題文に戻る読み方をしている場合だ。先に問題文の要件キーワードを確定させ、選択肢は「要件に合うか」だけで走査する。この順序を体に入れるのが、模擬演習の隠れた目的になる。

新形式（ordering / matching / case study）への対処も再確認しておく。ordering はプロセスを「リズム」で覚えているかが勝負で、部分点はない。matching は 1 ペアの取り違えで 0 点になるため、確信のないペアから消去法で詰める。case study はシナリオを 1 回読んで複数問に答えるため、読みながら「要件キーワード」（コスト最優先、即時性、説明義務など）に印を付ける読み方が効く。

模擬問題 30 問

各問、最も適切な選択肢を 1 つ選んでほしい。解答と解説は次のセクションにある。

Domain 1: AI/ML の基礎（6 問）

Q1. ラベルのない顧客の購買履歴データから、似た傾向のグループを自動で発見したい。適切な ML 手法は。A) 回帰 B) 分類 C) クラスタリング D) 強化学習

Q2. 小売チェーンが毎晩、翌日の全店舗の需要予測をまとめて算出したい。即時応答は不要で、コスト効率を最優先する。適切な推論形態は。A) リアルタイム推論 B) バッチ推論 C) エッジ推論 D) ストリーミング推論

Q3. 学習済みモデルが訓練データでは高精度だが、新しいデータでは精度が大きく落ちる。この状態は。A) 過小学習 B) 過学習 C) データドリフト D) バイアス

Q4. コールセンターの通話録音をテキスト化して分析の入力にしたい。適切な AWS サービスは。A) Amazon Polly B) Amazon Translate C) Amazon Transcribe D) Amazon Comprehend

Q5. 本番デプロイ済みの ML モデルについて、データ品質やバイアスのドリフトを継続検出したい。適切なサービスは。A) SageMaker Clarify B) SageMaker Model Monitor C) SageMaker JumpStart D) SageMaker Canvas

Q6. 不正取引が全体の 0.1% しかないデータで不正検出モデルを評価する。正解率（Accuracy）が不適切な理由は。A) 計算コストが高すぎる B) 全件を正常と予測しても高い正解率が出てしまう C) 回帰問題には使えない D) ラベルなしデータに適用できない

Domain 2: 生成 AI の基礎（7 問）

Q7. テキストの意味を数値ベクトルとして表現し、意味の近さを距離で扱えるようにしたものは。A) トークン B) 埋め込み C) プロンプト D) パラメータ

Q8. ノイズだらけの状態から段階的にノイズを除去して画像を生成するモデルは。A) LLM B) 拡散モデル C) 決定木 D) クラスタリングモデル

Q9. 基盤モデルのライフサイクルとして正しい順序は。A) 事前学習 → データ選択 → 評価 → デプロイ B) データ選択 → モデル選択 → 事前学習 → ファインチューニング → 評価 → デプロイ → フィードバック C) ファインチューニング → 事前学習 → データ選択 → デプロイ D) モデル選択 → デプロイ → 事前学習 → 評価

Q10. 同じプロンプトを入力しても、実行のたびに異なる出力が返る生成 AI の性質は。A) ハルシネーション B) 非決定性 C) 過学習 D) バイアス

Q11. コードを書かずに生成 AI アプリのプロトタイプを作って感触を掴みたい学習者に適した AWS の環境は。A) SageMaker トレーニングジョブ B) PartyRock C) AWS CloudTrail D) Amazon Macie

Q12. 複数プロバイダーの基盤モデルを、統一された API とセキュリティ境界で切り替えて使いたい。適切なサービスは。A) Amazon Bedrock B) Amazon Lex C) Amazon Kendra D) AWS Config

Q13. 生成 AI アプリの本番トラフィックが安定して大量にある。Bedrock のコスト最適化として検討すべき購入形態は。A) トークン従量課金のまま B) プロビジョンドスループット C) スポットインスタンス D) リザーブドインスタンス

Domain 3: 基盤モデルの応用（9 問）

Q14. 毎週更新される社内規程に基づいて回答するチャットボットを作りたい。モデルの重みは変更せず、回答の根拠も示したい。適切なアプローチは。A) ファインチューニング B) RAG C) 事前学習 D) temperature の調整

Q15. RAG の処理フローとして正しい順序は。A) 検索 → チャンキング → 埋め込み → 生成 B) 文書のチャンキングと埋め込み → 質問の埋め込み → 類似チャンクの検索 → プロンプトへ注入し生成 C) 生成 → 埋め込み → 検索 → チャンキング D) 質問の埋め込み → 文書のチャンキング → 生成 → 検索

Q16. RAG の埋め込みベクトルの保存先として、公式試験ガイドが例示する AWS サービスは。A) Amazon DynamoDB B) Amazon OpenSearch Service C) AWS Lambda D) Amazon SQS

Q17. モデルの出力形式を毎回厳密に揃えたい。モデルの重みは変えたくない。適切なプロンプト技法は。A) zero-shot B) few-shot（出力例の提示） C) ネガティブプロンプト D) 事前学習

Q18. 複数ステップの論理推論が必要な問題で、推論過程を出力させて精度を上げる技法は。A) chain-of-thought B) プロンプトテンプレート C) チャンキング D) バッチ推論

Q19. ユーザーが入力欄に細工した指示を入れ、システムプロンプトの指示を上書きして意図しない動作をさせる攻撃は。A) Exposure B) Poisoning C) Hijacking（プロンプトインジェクション） D) 過学習

Q20. 汎用の基盤モデルを、法務分野の専門文書に強くするために追加学習させたい。該当する手法は。A) ドメイン適応ファインチューニング B) in-context learning C) チャンキング D) バッチ変換

Q21. 人間がモデル出力の良し悪しを評価し、その評価を報酬としてモデルの応答品質を調整する手法は。A) 教師なし学習 B) RLHF C) クラスタリング D) ネガティブプロンプト

Q22. 要約タスクの出力品質を、参照要約との重なりで自動評価したい。適切な指標は。A) BLEU B) ROUGE C) RMSE D) AUC

Domain 4: 責任ある AI（4 問）

Q23. ML の判定のうち、信頼度スコアが低いケースだけを人間のレビューに回すワークフローを構築したい。適切なサービスは。A) Amazon A2I（Amazon Augmented AI） B) Amazon Inspector C) AWS Artifact D) Amazon Personalize

Q24. モデルの学習前に、学習データに属性間の偏りがないかを定量的に分析したい。適切なサービスは。A) SageMaker Model Monitor B) SageMaker Clarify C) AWS Trusted Advisor D) Amazon Polly

Q25. モデルの意図された用途、学習データ、評価結果、制約事項を文書化し、監査やレビューで共有したい。適切な機能は。A) SageMaker Model Cards B) AWS CloudTrail C) Amazon Kendra D) S3 バージョニング

Q26. 顧客向けチャットボットが有害な話題に応答しないよう、モデルの外側でフィルタを適用したい。適切な機能は。A) SageMaker Feature Store B) Amazon Bedrock Guardrails C) AWS Audit Manager D) Amazon Translate

Domain 5: セキュリティ・コンプライアンス・ガバナンス（4 問）

Q27. S3 に置いた学習データに個人情報が混入していないかを、機械学習ベースで自動検出したい。適切なサービスは。A) Amazon Macie B) AWS Config C) Amazon Lex D) AWS Batch

Q28. VPC 内のアプリケーションから、推論トラフィックをインターネットに出さずに AWS の AI サービスへ接続したい。適切な仕組みは。A) パブリックサブネット経由 B) AWS PrivateLink C) Amazon CloudFront D) Route 53

Q29. 監査人から AWS 自体の SOC レポートの提出を求められた。入手先は。A) AWS CloudTrail B) AWS Artifact C) Amazon Inspector D) AWS Cost Explorer

Q30. 「誰が・いつ・どのモデル API を呼び出したか」を監査ログとして記録したい。適切なサービスは。A) Amazon CloudWatch のみ B) AWS CloudTrail C) AWS Trusted Advisor D) Amazon Comprehend

ケーススタディ演習 — 1 シナリオで 3 問に答える

本番の case study 形式を体験するため、1 つのシナリオに 3 問をぶら下げる。シナリオを 1 回だけ精読し、要件キーワードに印を付けてから設問に入る読み方を試してほしい。

シナリオ: 中堅の受託製造企業が、10 台の 3D プリンターで構成される造形ファームに AI を導入する。目的は 3 つ。(1) 印刷失敗の自動検出 — 過去 2 年分のラベル付き失敗画像が社内に蓄積されている。(2) オペレーター向けの社内ナレッジボット — 装置マニュアルと作業手順書は月次で改訂され、回答には根拠箇所の提示が求められる。(3) 月次の材料需要予測 — 翌月の材料使用量を毎月末にまとめて算出できればよい。ML の専門チームはなく、運用負荷の最小化が全体方針である。

CQ1. 印刷失敗の自動検出について、最初に検討すべきアプローチは。A) ゼロから深層学習モデルを設計・学習する B) Amazon Rekognition Custom Labels で既存ラベル付き画像から検出モデルを作る C) 基盤モデルの事前学習を行う D) ルールベースの画素比較で実装する

CQ2. ナレッジボットの実現方式として最も適切なのは。A) マニュアル全文でファインチューニングし、改訂のたびに再学習する B) Amazon Bedrock Knowledge Bases で RAG を構成し、文書更新はデータソースの差し替えで反映する C) マニュアルを全文プロンプトに貼り込む D) 汎用チャットボットをそのまま導入する

CQ3. 材料需要予測の設計として適切な組み合わせは。A) 分類モデル + リアルタイム推論 B) 回帰モデル + バッチ推論 C) クラスタリング + ストリーミング処理 D) 生成 AI による自由記述の予測文生成

シナリオ中の「ラベル付き画像が蓄積」「月次改訂 + 根拠提示」「毎月末にまとめて」という 3 つのキーワードが、それぞれ CQ1〜CQ3 の解答を直接決めている。case study 形式は長文に見えるが、実は設問ごとに対応する条件文が 1 つずつ埋め込まれている。読みながら条件と設問の対応を取る癖をつければ、読解時間はむしろ短縮できる。

解答と解説

Q1. 正解: C。ラベルなし + グループ発見 = 教師なし学習のクラスタリング。回帰・分類はラベル付きデータの教師あり学習。

Q2. 正解: B。即時性不要 + まとめて処理 + コスト優先はバッチ推論の典型条件。リアルタイム推論はエンドポイント常時稼働のコストがかかる。

Q3. 正解: B。訓練データに適合しすぎて汎化しない状態が過学習。過小学習は訓練データすら捉えられない状態。

Q4. 正解: C。音声 → テキストは Transcribe。Polly は逆方向（テキスト → 音声）、Comprehend はテキストの意味分析、Translate は翻訳。

Q5. 正解: B。本番運用中のドリフト監視は Model Monitor。Clarify は開発時のバイアス検出・説明可能性が主戦場。時間軸で見分ける。

Q6. 正解: B。不均衡データでは「全部正常」と予測しても 99.9% の正解率が出る。再現率・適合率・F1 で評価すべき場面。

Q7. 正解: B。意味の数値ベクトル表現は埋め込み。トークンは処理単位、プロンプトは入力指示。

Q8. 正解: B。段階的ノイズ除去は拡散モデルの生成原理。LLM はトークンの逐次予測で生成する。

Q9. 正解: B。データ選択 → モデル選択 → 事前学習 → ファインチューニング → 評価 → デプロイ → フィードバックの 7 段階。ordering 形式の本命。

Q10. 正解: B。実行ごとに出力が変わる性質は非決定性。ハルシネーションは「もっともらしい誤情報の生成」で別概念。

Q11. 正解: B。ノーコードの生成 AI 実験環境は PartyRock（Amazon Bedrock Playground）。

Q12. 正解: A。複数モデルを統一 API で提供するのは Bedrock の中核価値。

Q13. 正解: B。安定大量負荷にはプロビジョンドスループット。スポット/リザーブドインスタンスは EC2 の購入形態で、Bedrock には適用されない。

Q14. 正解: B。「更新頻度の高い知識 + 重み変更なし + 根拠提示」は RAG の 3 条件が揃った典型問題。ファインチューニングは更新のたびに再学習が必要になる。

Q15. 正解: B。準備（チャンキング・埋め込み）→ 質問の埋め込み → 検索 → 注入生成。フローの順序ごと暗記する。

Q16. 正解: B。公式ガイドのベクトル DB 例示は OpenSearch Service / Aurora / RDS for PostgreSQL / Neptune / DocumentDB。DynamoDB は例示に含まれない。

Q17. 正解: B。形式を揃えるには出力例を見せる few-shot が最短。zero-shot は例示なし。

Q18. 正解: A。「段階的に考えさせる」chain-of-thought は多段推論の定番技法。

Q19. 正解: C。指示の上書きは Hijacking。Exposure は機密情報の露出、Poisoning はデータ汚染。

Q20. 正解: A。特定分野への適応はドメイン適応。in-context learning は重みを変えない手法なので「追加学習」の要件に合わない。

Q21. 正解: B。人間のフィードバックを報酬に使う強化学習が RLHF。

Q22. 正解: B。要約は ROUGE、翻訳は BLEU、回帰の誤差は RMSE。用途と指標の対応で覚える。

Q23. 正解: A。低信頼度のみ人間レビューに回すヒューマンインザループは A2I の役割そのもの。

Q24. 正解: B。学習前のデータバイアス定量化は Clarify。Model Monitor は本番運用後の監視。

Q25. 正解: A。モデルの仕様書化は SageMaker Model Cards。CloudTrail は API ログで用途が違う。

Q26. 正解: B。モデルの外側で有害応答をブロックするのは Bedrock Guardrails。「防ぐ」という動詞が決め手。

Q27. 正解: A。S3 上の機密データの ML ベース自動検出は Macie の専門領域。

Q28. 正解: B。インターネットを経由しない私設接続は PrivateLink。CloudFront は配信、Route 53 は DNS。

Q29. 正解: B。AWS 自体のコンプライアンスレポート（SOC 等）の入手窓口は Artifact。

Q30. 正解: B。API 呼び出しの監査記録は CloudTrail。CloudWatch はメトリクス・ログの監視で、「誰が呼んだか」の監査証跡とは役割が異なる。

CQ1. 正解: B。ラベル付きデータが既にあり、専門チームはなく、運用負荷最小が方針。マネージド AI サービスのカスタムモデル機能（Rekognition Custom Labels）から検討するのが定石だ。A と C は専門チーム不在・運用最小の方針に反するオーバースペック。D は失敗パターンの多様さにルールベースが追従できず、そもそも「パターンが複雑でルール化困難」という ML 適合条件のシナリオになっている。

CQ2. 正解: B。「月次で改訂」「根拠提示が必要」は RAG の 2 大シグナル。A のファインチューニングは改訂のたびに再学習コストが発生し、根拠箇所の提示もできない。C はマニュアル全文がコンテキストウィンドウに収まらないうえ、毎回全文を送る推論コストが無駄になる。D は社内固有の手順に答えられない。

CQ3. 正解: B。予測対象は材料使用量という連続値なので回帰。「毎月末にまとめて」は即時性不要のバッチ推論の条件そのものだ。リアルタイム推論はエンドポイント常時稼働の費用が方針に反する。

採点と弱点補強の進め方

採点したら、正解数より「間違いのドメイン分布」を見てほしい。Domain 3（Q14〜Q22）で 3 問以上落としているなら、配点 28% の主戦場が弱いということなので、カスタマイズ手法のコスト勾配と RAG フローを最優先で復習する。Domain 1・2 の取りこぼしは用語の定義に戻る。Domain 4・5 はサービス名と役割の対応表を回し直せば短時間で埋まる。

目安として、本記事の 30 問で 24 問（80%）以上を安定して取れるなら、本番の合格ライン（実質 7 割前後）に対して余裕がある状態だ。20 問を切る場合は、該当ドメインの解説記事に戻ってから、市販の模擬試験（Tutorials Dojo 等）で問題数をこなす段階に進むのがいい。

2 回目以降の解き直しにもコツがある。同じ問題を翌日にもう一度解くと、「覚えていたから正解した」のか「判断基準で正解した」のかが区別できる。前者は選択肢の並びを変えられた瞬間に崩れる脆い正解だ。解き直しでは選択肢を見る前に「答えはこういう性質のサービス/手法のはずだ」と先に言ってから選択肢を開く。この一手間が、暗記を判断力に変換する。

間違えた問題の復習では、「正解がなぜ正解か」だけでなく「他の 3 つがなぜ誤りか」を 1 行ずつ言語化する。AIF-C01 の選択肢は紛らわしいサービスペア（Clarify と Model Monitor、Transcribe と Polly、Artifact と CloudTrail）で構成されることが多く、誤答の理由を言えることが、本番での変奏問題への耐性になる。

まとめ — 本番形式での総仕上げへ

模擬 30 問とケーススタディ演習で解答力の現在地が見えたら、残る仕上げは 2 つ。AWS Skill Builder の公式練習問題セットで本番の出題文体に慣れること、そして ordering / matching / case study の新形式を含む模擬試験を時間を計って通すことだ。90 分 65 問のペース配分は、練習でしか身につかない。

最後に一つ。模擬問題の点数は、上下に揺れて当たり前だ。重要なのは点数の絶対値ではなく、「間違いの種類が変わっていくこと」— 用語の取り違えが消え、残る間違いが微妙な設計判断だけになっていけば、合格水準は目前にある。焦らず、間違いの質の変化を観察しながら仕上げてほしい。

ここまで来れば、残るのは申込手続きと当日の運用だけだ。まずは本記事の 30 問を 80% 以上で安定させること。それが、Pearson VUE の申し込みボタンを自信を持って押せる条件になる。