この記事の狙いはユースケースから逆算して整理すること
AIF-C01は、モデル開発の細部よりも「どんな課題にAIを当てると効果的か」「どの種類のAIなのか」を、言葉の混同なく説明できることが重要になりがちです。そこで本記事は、代表的ユースケースを「入力データ」「やりたいこと」「出力」「AWSでの実装イメージ」の順で並べ、試験対策としても実務の整理としても使える地図を作ります。
最初に、ざっくりの対応表を置きます。
- CV 画像や動画から意味を取り出す
例 物体や人物の検出、ラベル付け、顔の分析、検査、監視 - NLP 文章から意味を取り出す
例 感情分析、分類、固有表現抽出、要約、検索の精度向上 - 音声 音声を文字へ、文字を音声へ、会話体験へ
例 議事録、字幕、コールセンター分析、読み上げ、ボイスボット - 推薦 ユーザー行動から次の提案を出す
例 商品推薦、コンテンツ推薦、検索順位のパーソナライズ - 不正検知 イベントの中から怪しいものを見つける
例 決済不正、アカウント乗っ取り、新規登録不正 - 予測 時系列の未来を当てる
例 需要予測、在庫、要員計画、売上、アクセス数
ここから先は、各カテゴリごとに「何を入力して、何を出すのか」を丁寧に揃えます。
AIF-C01対策で評価の高いUdemy講座をまとめて確認できます。👇
セール時は1,500円前後で購入できることもあります。
CVは画像と動画を意味に変換する
CVは「目で見て判断していることを、機械にやらせる」領域です。画像や動画が入力で、ラベル、検出結果、類似度、抽出データが出力になります。
まず、王道の発想は次の2つです。
- 既成の機能で分析する
例 画像に何が写っているか、顔があるか、テキストがあるか - 自社の用途に合わせて検出したい対象を学習させる
例 自社製品の型番、工場の不良パターン、特定の部品
AWSでこの整理をすると、入口として分かりやすいのが Amazon Rekognition です。画像・動画分析のマネージドサービスとして位置づけられ、S3上の画像や動画をAPIで分析できる、という理解でまず困りません。
画像認識の典型パターン
- 入力 商品画像、監視カメラ映像、SNS投稿画像
- やりたいこと ラベル付け、物体検出、人物の検出、モデレーション
- 出力 タグ、座標、信頼度、メタデータ
- 実装イメージ S3に置いた画像を解析し、結果をDBや検索に保存して活用
ここで混乱しやすい点は、「CV＝画像分類だけ」ではないことです。現場では、分類よりも「検出して座標を返す」「しきい値でワークフロー分岐する」ほうが価値が出る場面が多いです。
文書理解という近い仲間
CVの隣に置くと覚えやすいのが、スキャン文書やPDFの読み取りです。単なるOCRではなく、表やフォーム構造まで取り出したいなら Amazon Textract が候補になります。Textractは、テキスト、手書き、レイアウト要素、フォームやテーブルのデータ抽出を支援するサービスとして説明されています。
- 入力 請求書、申込書、領収書、契約書のスキャン
- やりたいこと 項目を抜き出して業務システムへ取り込む
- 出力 テキスト、フォームのキーと値、テーブル構造
- 実装イメージ 抽出結果を後段のNLPへ渡して分類や要約につなげる
この「CVで取り出す → NLPで理解する」の流れは、試験でも実務でも筋が良い整理になります。
NLPは文章を構造化して検索と判断を強くする
NLPは「人が読んで理解していることを、機械が扱える形にする」領域です。メール、問い合わせ、SNS、議事録、社内文書など、文字が入力になります。
代表例として Amazon Comprehend は、文章からエンティティ、キーフレーズ、言語、感情などを抽出して洞察を得るNLPサービスとして説明されています。
分類と抽出の典型パターン
- 入力 問い合わせ文、レビュー、チャットログ、社内文書
- やりたいこと
- 感情分析 クレームの早期検知
- 分類 問い合わせ種別の自動振り分け
- 固有表現抽出 人名、会社名、製品名、地名
- 出力 カテゴリ、感情ラベル、抽出エンティティ
- 実装イメージ 「担当部署を決める」「優先度を上げる」など業務判断に直結
ポイントは、NLPの価値が「正解ラベルを当てる」だけではなく、後段の意思決定や検索体験を良くすることにある点です。たとえば問い合わせを分類してルーティングするだけでも、現場の運用はかなり変わります。
会話という出口
文章の理解を「対話体験」に変換するなら、Amazon Lex を軸に考えると整理しやすいです。Lexは音声やチャットでの自然言語対話インターフェースを作るためのサービスとして説明されています。
- 入力 ユーザーの発話やチャット文
- やりたいこと 意図の判定、スロットの収集、対話フローでの完了
- 出力 ユーザーの意図、収集済みパラメータ、応答文
- 実装イメージ 注文、予約、FAQ、社内ヘルプデスク
生成AIの位置づけ
最近は「分類や抽出」だけでなく「文章を生成する」ニーズが増えています。AIF-C01の文脈でも、生成AIをユースケースとして説明できると理解が安定します。
Amazon Bedrock は、複数の基盤モデルを統合APIで利用でき、生成AIアプリを構築するための機能を提供するフルマネージドサービスとして説明されています。
- 入力 プロンプト、社内文書、FAQ、手順書
- やりたいこと 要約、下書き、社内ナレッジの検索補助、エージェント化
- 出力 生成テキスト、回答、手順提案
- 実装イメージ RAGで「社内ルールに沿った回答」を返す
ここでのコツは、生成AIを「NLPの拡張」として置くことです。抽出と生成は違いますが、読者の頭の中の地図としては同じ棚に置いたほうが迷いません。
音声は文字化と読み上げで業務導線を作る
音声領域は、入口と出口が分かりやすいです。
- 入口 音声を文字にする
- 出口 文字を音声にする
- そして 会話体験に統合する
入口側の代表が Amazon Transcribe です。Transcribeは、音声をテキストに変換する自動音声認識のサービスとして説明されています。
出口側の代表が Amazon Polly で、テキストを音声に変換するサービスとして説明されています。
音声を文字にするユースケース
- 入力 会議録音、コールセンター音声、動画
- やりたいこと 議事録作成、字幕生成、全文検索、品質管理
- 出力 文字起こしテキスト、タイムスタンプ
- 実装イメージ Transcribeで文字化→NLPで要約や分類→ダッシュボード化
実務でよくある流れは、「音声だけ」では終わらず、文字化した後にNLPで分析することです。コールセンターなら、感情や問い合わせ種別の可視化につながります。
文字を音声にするユースケース
- 入力 記事、マニュアル、通知文
- やりたいこと 読み上げ、アクセシビリティ対応、多言語展開
- 出力 音声ストリーム
- 実装イメージ Pollyで音声化→アプリやIVRへ配信
「音声は難しそう」に見えますが、試験対策としては 入口はTranscribe、出口はPolly、対話はLex と三角形で覚えると安定します。
推薦と不正検知と予測は行動と時系列を扱う
ここからは「画像や文章」ではなく、行動ログやイベント、時系列データを扱うカテゴリです。システム設計問題で、要件から自然に想起できると強い領域でもあります。
推薦はユーザーの次の一手を提案する
推薦は「ユーザー×アイテム×行動ログ」が基本材料です。Amazon Personalize は、リアルタイムでパーソナライズされた推薦を提供するためのサービスとして説明されています。
- 入力 閲覧、クリック、購入、視聴などのインタラクション
- やりたいこと 関連商品、次に見る動画、メールの出し分け
- 出力 ランキング、レコメンドリスト
- 実装イメージ イベントを蓄積→モデル更新→アプリで取得して表示
推薦で覚えておくと便利なのは、「正解は一つではない」という点です。目的はCVRや継続率などのビジネス指標で、評価も相対比較になります。なので暗記よりも「どのログが必要か」「リアルタイム性が要るか」を説明できることが大事です。
不正検知は怪しいイベントをリアルタイムに見つける
不正検知は、決済、ログイン、新規登録などの「イベント」が入力になります。Amazon Fraud Detector は、オンライン上の不正行為を検知するフルマネージドサービスとして説明されています。
- 入力 決済イベント、サインアップ、ログイン、端末情報、IPなど
- やりたいこと 不正スコアリング、追加認証の出し分け、ブロック
- 出力 スコア、判定、ルール結果
- 実装イメージ リクエストの都度評価→閾値で「許可・追加認証・拒否」を分岐
不正検知は「精度を上げる」よりも、誤検知を減らして運用を回す視点が重要です。過検知で業務が崩れると意味がないので、ルール併用や段階的な対応が現実的になります。
予測は時系列の未来を当てる
予測は「時間の並び」が入力です。Amazon Forecast は、統計と機械学習アルゴリズムで時系列予測を提供するフルマネージドサービスとして説明されています。
- 入力 日別売上、週別需要、在庫推移、アクセス数などの時系列
- やりたいこと 需要予測、在庫最適化、要員計画、予算計画
- 出力 将来の予測値と信頼区間など
- 実装イメージ 過去データ投入→予測生成→業務計画に組み込み
ここでのコツは、予測が「単発の当てもの」ではなく、運用に組み込む前提だということです。モデル更新の頻度、外部要因の取り込み、欠損値など、データの話が効いてきます。AIF-C01では、これらを深掘りしすぎる必要はありませんが、「時系列は普通の分類と違う」ことを言語化できると混乱しにくいです。
試験対策としての覚え方は入力データで棚を作る
ここまでを、もう一段シンプルにします。迷ったら「入力は何か」を見ます。
- 画像や動画が入力ならCV
Rekognition、Textractなど - 文章が入力ならNLP
Comprehend、生成AIならBedrock - 音声が入力ならTranscribe、音声が出力ならPolly
対話ならLex - 行動ログが入力なら推薦
Personalize - イベントが入力で怪しさ判定なら不正検知
Fraud Detector - 時系列が入力で未来推定なら予測
Forecast
この棚が作れると、用語問題でも設計問題でも、選択肢を読んだ瞬間に「あ、これはこの棚だ」と戻れるようになります。
学習の進め方の一例
- まずは各ユースケースを自分の仕事や身近なサービスに当てはめる
例 ネット通販、社内ヘルプデスク、会議、請求書処理 - 次に「入力」「出力」「成功指標」を一行で説明できるようにする
例 不正検知なら「ログインイベントから怪しさをスコア化し、追加認証を出し分ける」 - 最後にAWSサービス名を当てていく
ここで初めてサービスを覚えると、暗記の負担が減ります
体系的に学ぶ教材の一例としては、AIF-C01向けに「ユースケース→サービス→設計の考え方」を一気通貫で扱うUdemy講座のような動画教材も相性が良いです。書籍や公式ドキュメントと組み合わせて、理解の穴を潰す用途で使うのが現実的です。
AIF-C01対策で評価の高いUdemy講座をまとめて確認できます。👇
セール時は1,500円前後で購入できることもあります。
まとめ
代表的なAIユースケースは、CV、NLP、音声、推薦、不正検知、予測の6つに大きく分けると整理が一気に楽になります。コツは、サービス名から入るのではなく「入力データは何か」「何を出力したいのか」を先に決めて棚を作ることです。
画像や動画ならCV、文章ならNLP、音声なら文字化と読み上げ、行動ログなら推薦、イベントなら不正検知、時系列なら予測、という順で当てはめれば、AIF-C01で混乱しやすい用語も落ち着いて説明できるようになります。
AWSの代表サービスとしては、RekognitionやTextract、Comprehend、Transcribe、Polly、Lex、Personalize、Fraud Detector、Forecast、そして生成AIの入口としてBedrockを押さえると、ユースケースの地図が途切れません。
