MLA-C01 练习题 — MLA-C01：机器学习工程师 - 助理级

题目要求以最小运维开销实现中央模型注册表，同时适配Amazon SageMaker机器学习全生命周期（实验、训练、部署、监控）的训练数据安全隔离要求。SageMaker模型注册表是AWS原生托管的专属机器学习模型管理服务，无需用户自行搭建基础设施，与SageMaker全链路组件原生兼容，可直接对接S3训练数据的IAM权限管控保障数据隔离。其中模型组功能可将同一模型的所有版本统一归类编目，自动维护版本元数据、版本溯源、权限控制等能力，无需额外开发或运维工作，完全满足需求且运维开销最低。 各选项分析： A. 错误。Amazon ECR是容器镜像存储服务，并非专门的机器学习模型注册表，无法直接管理模型元数据、版本审批、部署关联等机器学习专属能力，且为每个模型单独创建ECR仓库会大幅提升运维管理成本，也无法与SageMaker全机器学习生命周期原生集成，不符合要求。 B. 错误。ECR的核心作用是存储容器镜像，即使为模型版本设置唯一标签，也无法实现机器学习模型所需的版本追溯、状态管理、与训练/部署任务自动关联等能力，需要用户自行开发大量适配逻辑，运维开销极高，不满足最小运维开销的要求。 C. 正确。SageMaker模型注册表是AWS官方提供的托管式中央模型管理服务，原生适配SageMaker的实验、训练、部署、监控全链路能力，可通过IAM权限控制实现S3训练数据的安全隔离。模型组功能可对不同模型的多个版本进行分类编目，自动完成版本管理、元数据维护等工作，无需额外运维投入，完全满足题目所有要求。 D. 错误。仅为模型版本设置唯一标签而不使用模型组，会导致不同业务线、不同用途的模型版本混杂在注册表中，无法实现分类管理、分模型权限控制等需求，无法高效管理多模型的多版本，不符合中央模型注册表的管理要求。 关键知识点： 1. SageMaker模型注册表核心能力：是AWS托管的专属机器学习模型管理服务，支持模型版本控制、元数据管理、审批流配置，与SageMaker全机器学习生命周期组件原生集成，无需额外基础设施运维。 2. SageMaker模型组作用：用于将同一业务场景下的所有模型版本统一归类管理，支持按模型维度设置权限、追溯版本迭代历史，简化多模型多版本的中央管理复杂度。 3. 机器学习架构最优选型原则：在基于SageMaker构建机器学习全链路系统时，优先选择原生托管服务，可最大程度降低运维开销，同时保障各组件间的兼容性和安全性。 参考资料： Manage Machine Learning Models with Amazon SageMaker Model Registry, https://docs.aws.amazon.com/sagemaker/latest/dg/model-registry.html Amazon SageMaker Model Groups, https://docs.aws.amazon.com/sagemaker/latest/dg/model-registry-model-group.html

本题属于MLA-C01认证中SageMaker训练效率优化模块的考点，核心需求是缩短连续训练作业的基础设施启动时间，SageMaker托管的温水池（Warm Pools）功能专门用于解决训练作业的冷启动问题，它会在单次训练作业完成后保留计算实例的运行状态，无需为每一次连续运行的训练作业重新执行EC2实例申请、运行环境配置、训练镜像拉取等冷启动步骤，可将基础设施启动时间从数分钟缩短到数秒，完全匹配连续训练场景下的启动提速需求，符合题目要求。 各选项分析： A. 集中式训练是指将训练数据、计算资源统一部署管理的训练架构模式，主要解决的是训练资源的统一调度、数据权限管控问题，和缩短基础设施启动时间没有直接关联，因此该选项错误。 B. SageMaker管理的温水池通过保留预热的训练计算资源，消除了连续训练作业的冷启动开销，直接实现了基础设施启动时间的大幅缩短，完全满足题目需求，因此该选项正确。 C. SageMaker训练编译器的作用是优化模型训练过程中的计算执行逻辑，减少训练作业本身的运行时长，并不涉及基础设施启动环节的优化，因此该选项错误。 D. SageMaker分布式数据并行（SMDDP）库是用于优化多节点分布式训练场景下的节点间数据通信效率，降低分布式训练的通信开销，和基础设施启动时间无关，因此该选项错误。 关键知识点： 1. SageMaker温池功能核心特性：SageMaker温池通过保留训练作业使用的计算实例处于运行状态，可消除训练作业的冷启动延迟，适用于超参数调优、连续训练等高频作业场景。 2. SageMaker训练优化类功能的场景区分：需明确基础设施启动优化、训练计算效率优化、分布式训练通信优化三类功能的适用场景，是MLA-C01考试的高频考点。 3. ML生命周期效率优化要点：连续训练场景下的启动开销优化核心是减少重复的资源初始化操作，资源预热是实现该目标的主流方案。 参考资料： 1. Use Warm Pools for Training, https://docs.aws.amazon.com/sagemaker/latest/dg/train-warm-pools.html 2. AWS Certified Machine Learning - Associate (MLA-C01) Exam Guide

本题属于AWS MLA-C01认证中MLOps工作流编排与模型治理的核心考点，题目要求同时满足机器学习全生命周期训练数据安全隔离、以及人工审批的模型生产部署两个核心需求。SageMaker Pipelines是AWS原生的机器学习工作流编排服务，支持对实验、训练、模型注册、部署、监控全流程的可视化编排，可通过配置细粒度IAM权限和S3访问控制策略保障训练数据在整个流程中的安全隔离。同时SageMaker Pipelines支持内置人工审批步骤，当模型训练完成注册到模型注册表后，可触发审批流程，审批通过后可通过AWS SDK将模型注册表中的对应模型版本状态更新为已批准，只有状态为已批准的模型才可被部署到生产端点，完全匹配题目全部要求。 各选项分析： A. 错误，SageMaker Experiments的核心作用是跟踪机器学习实验的超参数、评估指标、训练产物等实验元数据，不具备内置的模型审批工作流能力，无法满足人工审批部署的要求。 B. 错误，SageMaker ML血缘跟踪的作用是记录机器学习生命周期中数据、模型、训练作业等资源的上下游依赖关系，用于问题溯源和合规审计，本身无法实现人工审批的工作流逻辑，不符合需求。 C. 错误，SageMaker模型监视器的功能是在模型部署后监控生产环境中的数据漂移、概念漂移、模型性能偏差等运行状态，属于部署后的运维工具，不负责模型部署前的审批流程管理，不满足要求。 D. 正确，SageMaker Pipelines支持全机器学习生命周期工作流编排，可通过权限配置保障训练数据的安全隔离，同时支持人工审批步骤，模型注册到注册表后，审批通过即可通过SDK将模型状态修改为已批准，只有已批准的模型可部署到生产端点，完全符合题目所有要求。 关键知识点： 1. SageMaker Pipelines是AWS托管的机器学习工作流编排服务，支持自定义训练、模型注册、人工审批、部署等全流程步骤，可实现MLOps自动化和流程合规控制。 2. SageMaker模型注册表用于集中管理所有模型版本，支持为模型版本设置待审批、已批准、已拒绝等状态，可限制只有已批准的模型才能部署到生产环境，满足模型治理要求。 3. SageMaker可通过IAM角色、S3存储桶策略、VPC配置等方式控制训练数据、模型资源的访问权限，保障机器学习生命周期内的数据安全。 参考资料： 1. Automate MLOps with SageMaker Pipelines, https://docs.aws.amazon.com/sagemaker/latest/dg/pipelines.html 2. Use the SageMaker Model Registry, https://docs.aws.amazon.com/sagemaker/latest/dg/model-registry.html

本题核心需求包括三点，一是按需运行工作流，二是监控SageMaker实时端点的模型偏差漂移，三是全流程满足训练数据的安全隔离要求。SageMaker Clarify是AWS官方提供的专门用于机器学习偏差检测、可解释性分析的托管服务，原生支持对部署后的实时端点做偏差漂移检测。通过Lambda函数按需触发Clarify作业的架构，既可以实现按需运行的要求，又可以通过IAM权限精细化管控Lambda、Clarify对S3训练数据的访问权限，保证数据的安全隔离，完全匹配题目所有要求。 各选项分析： A. 该选项正确，SageMaker Clarify原生支持对部署到SageMaker实时端点的模型进行偏差漂移检测，通过AWS Lambda函数按需触发Clarify作业，既满足按需工作流的要求，又可以通过IAM角色配置严格管控作业对S3训练数据的访问权限，符合安全隔离的要求，完全匹配题目需求。 B. 该选项错误，sagemaker-model-monitor-analyzer内置镜像是SageMaker模型监控用于数据质量、模型质量漂移检测的镜像，不支持偏差漂移检测功能，偏差漂移检测属于SageMaker Clarify的能力范畴，且用户无需自行拉取镜像运行，可直接使用托管的Clarify作业，不符合要求。 C. 该选项错误，AWS Glue数据质量是用于监控数据湖、数据仓库中静态数据集的质量如字段完整性、格式合规性等的服务，无法对部署在SageMaker实时端点的运行中模型做偏差漂移监控，适用场景不匹配。 D. 该选项错误，SageMaker笔记本是交互式开发环境，用于实验、代码调试等场景，无法实现自动化按需运行的工作流，生产环境监控也不会采用手动操作笔记本的方式，不符合题目要求。 关键知识点： 1. SageMaker Clarify的核心能力：支持机器学习全生命周期的偏差检测、可解释性分析，可对部署后的实时端点执行偏差漂移检测，是AWS ML栈中处理偏差相关需求的首选服务。 2. SageMaker模型监控的分类：包含数据质量监控、模型质量监控、偏差漂移监控、特征归属漂移监控四类，其中偏差漂移和特征归属漂移由SageMaker Clarify提供支持。 3. 按需ML工作流的实现：AWS Lambda作为无服务器事件驱动服务，可按需触发SageMaker各类作业，是实现轻量按需ML工作流的常用方案。 参考资料： Monitor Bias Drift for Models in Production, https://docs.aws.amazon.com/sagemaker/latest/dg/clarify-drift-detect-bias.html Amazon SageMaker Model Monitor, https://docs.aws.amazon.com/sagemaker/latest/dg/model-monitor.html

" target="_blank" rel="nofollow noopener">https://img.examtopics.com/aws-certified-machine-learning-engineer-associate-mla-c01/image2.png">