AWS Certified Machine Learning Engineer Associate
275問の練習問題
最終確認：April 2026
学習のための個人ノートとリソースリンク
認定でフィルター
AWS Certified Machine Learning Engineer Associate (MLA-C01)は、従来のMachine Learning Specialtyの実務者向け資格として2024年8月にリリースされました。これは、AWS上でMLワークロードを構築、デプロイ、監視、および保守する能力を検証します。Amazon SageMaker、MLOpsツール、および本番モデルのライフサイクルに重点が置かれています。この試験は、キャリア初期から中期のMLエンジニア、エンジニアリング分野に進出するデータサイエンティスト、およびMLプラットフォームに領域を広げるDevOpsエンジニアを対象としています。特徴パイプライン、モデルレジストリ、デプロイパターン、ドリフト検出、コストを考慮した推論に関するシナリオベースの質問が出題されます。この試験は概念的で実習は伴いませんが（ラボなし）、受験者が実際にモデルを本番環境にデプロイした経験があることを前提としています。
28%を占める最大のドメインです。SageMaker Data Wrangler、Feature Store、Glue、およびS3データレイクパターン。不均衡データの処理、データリーク、エンコーディング戦略、および大規模な特徴量エンジニアリングに関する質問が出題されます。
SageMakerトレーニングジョブ、組み込みアルゴリズムとBYOC（持ち込みコンテナ）の比較、JumpStart、ハイパーパラメータチューニング、モデル評価。一般的な課題：SageMaker Autopilot、Canvas、カスタムトレーニングの選択。
SageMakerエンドポイント（リアルタイム、非同期、サーバーレス、バッチ変換）、Pipelines、Model Registry、およびCodePipelineによるCI/CD。受験者は、デプロイモードとそれらのコストトレードオフ間の微妙な違いを見落としがちです。
SageMaker Model Monitor、Clarify（バイアスと説明可能性）、ドリフト検出、およびMLワークロード向けIAM/VPCパターン。理論よりも実用的なMLOpsの流暢さをテストします。
試験で出会うサービスと、それぞれが重要な理由。
ノートブック、トレーニングジョブ、ハイパーパラメータチューニング、処理ジョブ、マネージド推論エンドポイント、MLOps パイプラインを一気通貫でカバーする ML プラットフォームです。
試験に出題される理由： SageMaker は MLA-C01 の 4 ドメインすべてにまたがる中核サービスであり、トレーニングインフラの選定、推論デプロイ方式、マネージド対セルフホストのトレードオフが頻出します。
Jupyter ノートブック、Experiments、Pipelines、Model Registry、JumpStart、Canvas を単一ワークスペースに統合した ML 向け Web ベース IDE です。
試験に出題される理由： ドメイン 2 (ML モデル開発) では、モデルの反復、トレーニングのデバッグ、アーティファクトの昇格を行う統合 UI として Studio が問われます。
ワンクリックでデプロイ可能な事前学習済みの基盤モデル/タスク特化モデルのカタログで、転移学習ノートブックやファインチューニングワークフローが揃っています。
試験に出題される理由： 「ゼロからトレーニングするのではなく、事前構築モデルから始める方法」を問うドメイン 2 の設問では JumpStart が定番の正解になります。
表形式モデルや基盤モデルを対象に、SHAP による特徴量寄与度とトレーニング前後のバイアス指標を算出するバイアス検出/説明可能性ツールです。
試験に出題される理由： 責任ある AI、モデル説明可能性、公平性監査を扱うドメイン 2/ドメイン 4 の設問では、AWS ネイティブな解として Clarify が指名されます。
デプロイ済みエンドポイントを継続的に監視し、ベースラインに対するデータ品質、モデル品質、バイアス、特徴量寄与度のドリフトを検出します。
試験に出題される理由： ドメイン 4 (モニタリング、保守、セキュリティ) では本番ドリフトの検知と対応が繰り返し問われ、その名指しサービスが Model Monitor です。
低レイテンシのオンラインストアとバッチ向けオフラインストアを同期させたマネージドな ML 特徴量リポジトリで、Point-in-Time の整合性とモデル横断の再利用を実現します。
試験に出題される理由： ドメイン 1 (データ準備) では、トレーニング/サービング間のスキューを防ぎ、チーム横断で特徴量を共有する標準解として Feature Store が問われます。
SageMaker ネイティブな MLOps オーケストレーターで、前処理、トレーニング、評価、モデル登録、条件付きデプロイをバージョン管理された DAG として連結します。
試験に出題される理由： ドメイン 3 (デプロイとオーケストレーション) では再現可能な E2E パイプラインが重視され、SageMaker 中心スタックでは汎用オーケストレーターよりも Pipelines が AWS ネイティブの選択肢になります。
Studio に組み込まれたビジュアルなデータ準備ツールで、S3、Athena、Redshift、Snowflake からデータを取り込み、300 以上の組み込み変換をワンクリックで適用できます。
試験に出題される理由： ドメイン 1 の特徴量エンジニアリングや探索的データ分析の設問では、表形式データのローコード前処理として Data Wrangler が頻出します。
トレーニングデータセット、モデルアーティファクト、推論の入出力、SageMaker Feature Store のオフラインデータなどを格納するデータレイクとして機能するオブジェクトストレージです。
試験に出題される理由： MLA-C01 のデータ準備とモデルデプロイのあらゆるシナリオが S3 を前提としており、ストレージクラス、ライフサイクル、アクセスパターンがドメイン 1 と 4 で問われます。
マネージド Spark ランタイム、Data Catalog、スキーマ自動検出のためのクローラ、ローコード変換用の Glue DataBrew を備えたサーバーレス ETL サービスです。
試験に出題される理由： ドメイン 1 では、SageMaker トレーニングが期待する形式へ生データを整える標準の ETL/データカタログとして Glue が指名されます。
Glue Data Catalog をスキーマソースとし、S3 (および連携データソース) に対して従量課金で SQL を実行するサーバーレスのインタラクティブクエリエンジンです。
試験に出題される理由： クラスターを立ち上げずに S3 上のトレーニングデータへアドホック SQL を投げる方法を問うドメイン 1 の設問では Athena が想定解となります。
Spark MLlib、Hive、Presto、SageMaker Studio EMR 連携をサポートし、大規模データ処理を行うためのマネージド Hadoop/Spark プラットフォームです。
試験に出題される理由： Glue の規模を超える、あるいは SageMaker 外で Spark MLlib パイプラインが必要なドメイン 1 のシナリオで EMR が登場します。
クリックストリーム、IoT、ログイベントを大規模にリアルタイム取り込みでき、保持期間内であれば再生可能なデータストリーミングサービスです。
試験に出題される理由： 不正検知やレコメンドの鮮度向上などストリーミング特徴量取り込みを問うドメイン 1 の設問では、AWS ネイティブな解として Kinesis が挙がります。
イベント駆動の推論、軽量な前処理、S3 イベントトリガー、SageMaker 呼び出しを業務ワークフローに組み込む用途に使えるサーバーレスコンピュートです。
試験に出題される理由： ドメイン 3 のデプロイ設問では「SageMaker エンドポイントでホストする」か「Lambda でラップする」かのトレードオフ (コスト、コールドスタート、ペイロードサイズ) が頻出します。
SageMaker のトレーニングジョブ、処理ジョブ、推論エンドポイントが実行時に取得する Docker イメージを保管するマネージドコンテナレジストリです。
試験に出題される理由： カスタムなトレーニング/推論を行う BYOC ワークフローがドメイン 3 で問われ、IAM 統合された保管先として ECR が指名されます。
トレーニング、バッチ変換、エンドポイントデプロイ、Lambda ステップ合成といった SageMaker ネイティブな統合を備えたサーバーレスのワークフローオーケストレーターです。
試験に出題される理由： マルチサービスを束ねる Step Functions と SageMaker ネイティブな MLOps である Pipelines の使い分けは、ドメイン 3 の頻出ディストラクターです。
ユーザー、ロール、ポリシー、フェデレーションを管理するアカウント全体のアクセス制御で、SageMaker、S3、パイプラインの全アクションに最小権限を適用します。
試験に出題される理由： ドメイン 4 (セキュリティ) では、トレーニング/推論用 IAM 実行ロール、クロスアカウントなモデル共有、データレイクへのリソースベースポリシーが問われます。
トレーニングデータ、モデルアーティファクト、トレーニングインスタンスの EBS ボリューム、エンドポイントペイロードの暗号化に用いる暗号鍵をマネージドに作成・制御します。
試験に出題される理由： カスタマー管理キーによる保存時暗号化は、機微なトレーニングコーパスやモデル IP の保護を問うドメイン 4 の定番回答です。
SageMaker エンドポイント呼び出し、トレーニングジョブの進捗、カスタムモデルメトリクス、パイプラインステップの実行時間などのメトリクス、ログ、アラームを提供します。
試験に出題される理由： ドメイン 4 では、エンドポイントのレイテンシ/エラーアラーム、トレーニングジョブのログ調査、Model Monitor の検出結果の運用チーム連携が CloudWatch を通じて行われます。
トレーニングジョブの起動、エンドポイントの更新、S3 からのモデルアーティファクトのダウンロードといったすべての API 呼び出しを記録するアカウント全体の監査ログです。
試験に出題される理由： ドメイン 4 のコンプライアンスシナリオでは「このモデルを誰がデプロイしたか」「トレーニングデータにいつアクセスされたか」に答える不変な記録として CloudTrail が引かれます。
$120k–$165k–$230k USD 年収
この範囲は、AWSの習熟度が求められる米国拠点の中堅からシニアのMLE職を対象としています。FAANG / ユニコーン企業のシニアMLEは、しばしば30万ドルを超えるTC（総報酬）を獲得します。エントリーレベルや沿岸部以外の市場では傾向として低くなります。この資格単独で給与が上がるわけではありませんが、実際にデプロイされたMLシステムのポートフォリオを補完するものです。
出典: levels.fyi 2025–2026 MLエンジニア職、米国労働統計局 OEWS 2024年5月 (15-2051 data scientists, 15-1252 software developers)。数値は概算であり、実際の報酬は職務、地域、経験によって異なります。
企業がGenAIと古典的なMLワークロードを運用し始めた2024年から2026年にかけて、ノートブックでモデルをトレーニングするだけでなく、モデルを本番環境に投入できるMLエンジニアへの需要が加速しました。MLA-C01は、候補者がSageMakerをエンドツーエンドで理解し、MLOpsのトレードオフを乗り越えることができるという信頼できるシグナルとして機能します。AWS中心の企業（金融サービス、ヘルスケア、小売のデータチーム）の採用担当者は、PythonおよびPyTorch/TensorFlowの経験と並んで、この資格をスクリーニングフィルターとして使用しています。これは、AI Practitioner (AIF-C01)およびData Engineer Associate (DEA-C01)と組み合わせることで、より幅広いデータとMLのプロファイルに自然に適合します。これだけでは、ML研究職、ディープラーニングスペシャリスト職、またはMLプラットフォームアーキテクトの職務には応募できません。これらの職務には、複数年にわたるシステムデプロイ経験と、多くの場合、大学院の学位が期待されます。
正式な前提条件はありません。AWSは、SageMakerおよびMLワークフローでの1年以上の実務経験に加え、Python、一般的なMLライブラリ（scikit-learn、pandas、PyTorchまたはTensorFlow）、および基本的な統計学の知識を推奨しています。
最も効率的なパスは、まずAIF-C01（基礎的なAI用語）に合格し、次に小さなエンドツーエンドのSageMakerプロジェクト（特徴量ストア、トレーニングジョブ、モデルレジストリ、リアルタイムエンドポイント、モニター）を構築してからMLA-C01を受験することです。Cloud Practitioner (CLF-C02)またはSolutions Architect Associate (SAA-C03)のバックグラウンドを持つ候補者は、AWSサービスの質問がはるかに簡単だと感じます。AWSに触れたことのない純粋なデータサイエンスのバックグラウンドは、最も困難な出発点であり、通常80時間以上の追加のサービス固有の学習が必要です。
MLA-C01はアソシエイトレベルと評価されており、実践的なSageMakerの習熟度を前提としているため、AIF-C01よりも著しく難しいです。ML経験はあるがAWSの経験が限られている場合は8～12週間で80～120時間、すでにAWS MLパイプラインで日常的に作業している場合は4～6週間で40～60時間の学習時間を計画してください。試験は170分で65問の採点対象問題が出題されます。選択式および複数回答式で、ラボはありません。
最も一般的なつまずきは、SageMakerのサブサービス（Studio、Pipelines、Feature Store、Model Registry、Clarify、Model Monitor、JumpStart、Canvas、Autopilot、Ground Truth）の広範さです。質問は、特定のシナリオに合った適切なツールを選ぶことに大きく依存します。2つ目の落とし穴はデプロイモードです。リアルタイム、非同期、サーバーレス、バッチ変換のエンドポイントをいつ使用すべきか、そしてそれぞれのコストとレイテンシーのトレードオフを正確に理解しておくことです。
初回一般提供開始。ベータ版試験は2024年中頃に実施されました。エンジニアリングに焦点を当てた候補者向けに、従来のMachine Learning Specialty (MLS-C01)に代わるものです。2026年4月現在の現行バージョン。
MLA-C01 (AWS Certified Machine Learning Engineer Associate) は、実践的な実務経験とベストプラクティスに関するしっかりとした理解を期待される、中程度の難易度の試験 Associateレベルの試験です。ほとんどの受験者は、アソシエイトレベルの試験に6〜12週間かけて80〜150時間の学習を必要とします。 練習試験で合格基準を安定して上回るスコアを獲得している受験者のほとんどは、初回で合格しています。
ほとんどの受験者は、アソシエイトレベルの試験に6〜12週間かけて80〜150時間の学習を必要とします。 合格までの時間は、これまでの経験によって大きく異なります。基礎となるテクノロジーでの実践的な本番経験を持つエンジニアは通常、より少ない時間で済みますが、プラットフォームに初めて触れる受験者は、この範囲の上限を目安に計画を立てる必要があります。
MLA-C01は、AWSエコシステムで認められた資格であり、雇用主、リクルーター、クライアントに検証済みの知識を示します。あなたにとって時間と費用をかける価値があるかどうかは、あなたの役割と目標によります。通常、AWSを日常的に扱っている、またはそのような役割に就きたいと考えているクラウドエンジニア、アーキテクト、コンサルタントにとって最も報われる傾向があります。
MLA-C01の合格点は720 / 1000です。試験には65問の問題が含まれており、所要時間は2 時間 50 分です。
MLA-C01試験の受験料は$150 USDです。受験料はAWSによって設定されており、地域によって異なる場合があります。予約する前に、常にAWSの公式認定ページで現在の価格を確認してください。
AWS認定は3年間有効です。失効前に、同じ試験の現在のバージョンに合格するか、同じパスの上位レベルの試験に合格することで再認定されます。
はい。試験はオンライン（プロバイダーのセキュアブラウザを介して監督され、ほとんどの地域で24時間年中無休で利用可能）または営業時間内のピアソンVUE試験センターで対面で受験できます。どちらの形式も同じ問題、時間制限、合格点を使用します。
CertLabProでは、MLA-C01の練習問題バンクで15の学習モードを提供しています。試験シミュレーションモードは、実際の試験を反映しており、2 時間 50 分で65問、合格基準は720 / 1000と同じです。ブラウズモードでは、すべてのQ&Aを静的に読むことができます。