みなみの風物詩
ホーム
過去記事まとめ
記事カテゴリ
記事タグ
アーカイブ
合格経験談
国家資格
公的資格
民間資格
不動産関連
宅建学習ポータル
賃管学習ポータル
about me
プロフィール
コンセプト
study vlog
2026
南式TOEIC鬼特訓
Article
546
Category
6
Tags
34
ホーム
過去記事まとめ
記事カテゴリ
記事タグ
アーカイブ
合格経験談
国家資格
公的資格
民間資格
不動産関連
宅建学習ポータル
賃管学習ポータル
about me
プロフィール
コンセプト
study vlog
2026
南式TOEIC鬼特訓
民間資格勉強
02究極のAWS認定 AI 実践者 AIF-C01 - 学習メモ
Post on: Jan 23, 2025
Last edited: Aug 23, 2025
Views
AWS AIF
AI
学習ノート
Catalog
0%
AIとは？
AIの仕組み
AIの歴史
AIの実用例
今後のAI
クラウドコンピューティングの紹介
ウェブサイトの基本的な動作
サーバーの構成
伝統的なITインフラとクラウドの違い
クラウドの登場
AWSの歴史
現在のAWS
グローバルインフラ
講義内容概要
ポイントまとめ
受講者に向けた提案
1. ジェネレーティブAI（Gen AI）とは
2. 基盤モデル（Foundation Model）
3. ラージ・ランゲージ・モデル（LLM）
4. 画像生成AI
5. AIの出力の非決定論性
6. 活用と応用
概要
1. 環境準備
2. モデル選択
3. 使用例の確認
4. テキストプレイグラウンドでの実践
5. メトリクス確認
6. コストと注意点
ポイント
基盤モデルの選択基準
主要なモデルと特徴
トークン数の違いと用途
価格設定
選択のポイント
注意点
まとめ
モデルの違いと比較ポイント
モデルのカスタマイズ
注意点と費用
Amazon Bedrockの微調整とは？
微調整のポイント
微調整の方法
微調整のメリット
微調整の注意点
トランスファー学習との違い
試験に向けて覚えておくべきポイント
1. モデル評価の概要
2. 評価の方法
3. 評価の指標
ROUGE-Nの例（n-gramの一致を測る）
例文
1-gram（単語単位）の一致を数える
2-gram（連続する2単語）の一致を数える
ROUGE-Lの例（最長共通部分列 LCS を測る）
例文
最長共通部分列（Longest Common Subsequence）を探す
簡単なまとめ
4. 人間による評価
5. ビルトインタスクとカスタムタスク
6. フィードバックループの活用
7. その他のポイント
データセット
評価結果
人間ベースの評価
まとめ
2. 知識ベースとRAGの活用方法
3. 知識ベースの構築
4. RAGとAWSのデータソース
5. Amazon Bedrockの使用例
6. データベースの選択肢
まとめ
1. IAMユーザーの作成
2. ナレッジベースの作成
3. S3バケットの作成
4. データソースの設定
5. OpenSearchの使用
6. 知識ベースのテスト
初心者向けの注意点
トークン化
コンテクスト・ウィンドウ
埋め込み（エンベディング）
ベクトル・データベースと検索
ガードレールの役割
ガードレールの機能
ガードレールの作成と設定
ガードレールのテスト
結論
最終的な成果
Amazon Bedrockエージェントで実現できること
実際の例
プロンプト・エンジニアリングとは
プロンプト設計の4つの要素
詳細なプロンプト設計例
ネガティブ・プロンプティング
ネガティブ・プロンプトを含めた設計例
プロンプト・エンジニアリングのポイント
まとめ
1. プロンプトの重要性
2. プロンプト作成のフレームワーク
3. 具体例：旅行の旅程作成
4. ネガティブ・プロンプティング
5. ネガティブ・プロンプティングの効果
6. プロンプト設計のポイント
7. まとめ
1. LLMのテキスト生成プロセスの基本
2. パフォーマンス最適化の重要なパラメーター
温度（Temperature）
トップP（Top-P）
トップK（Top-K）
違いの比較
組み合わせのポイント
3. レイテンシ（遅延）について
1. ゼロショット・プロンプティング (Zero-shot Prompting)
2. 数ショット・プロンプティング (Few-shot Prompting)
数ショット・プロンプティングの簡単な例
例1：算数の問題
例2：翻訳
例3：日常会話
ポイント
3. 思考の連鎖 (Chain-of-thought Prompting)
4. リトリーバル・オーグメンテッド・ジェネレーション (RAG)
各テクニックの適用場面
プロンプト・テンプレートって何？
どうやって使うの？
どういう時に使うの？
注意点：プロンプト・テンプレートの弱点
まとめ
プロンプト・テンプレートの具体例
例1：クイズ作成のテンプレート
例2：映画脚本作成のテンプレート
例3：日常業務用テンプレート
例4：旅行プラン作成のテンプレート
ポイント
1. Amazon Q Business とは？
2. 具体的な利用例
3. 技術基盤
4. アクセスと認証
5. 管理者コントロール
6. 主なポイント
共通点と違い
Amazon Q Apps とは？
主要な特徴
活用例
初心者でも始めやすいポイント
Amazon Q Developer とは？
具体的な活用例
初心者向けのポイント
Amazon Qの制限
今後の展望
簡単なまとめ：
Amazon QuickSight
Amazon Q for EC2
Amazon Q for AWS Chatbot
Amazon Q for Glue
まとめ
人工知能（AI）
AIの使用例
AIの機能構造
機械学習（ML）
ディープラーニング（DL）
GPUの利用
ニューラルネットワーク
GenAI（生成AI）
1. GPT (Generative Pre-trained Transformer)
2. BERT (Bidirectional Encoder Representations from Transformers)
3. RNN (リカレント・ニューラル・ネットワーク)
4. ResNet (残差ネットワーク)
5. SVM (サポートベクターマシン)
6. WaveNet
7. GAN (Generative Adversarial Network)
8. XGBoost (Extreme Gradient Boosting)
試験準備のポイント
1. トレーニングデータの重要性
2. データの種類
3. データ形式の種類
4. 機械学習での活用
教師あり学習とは
教師あり学習の分類
データセットの分割
特徴量エンジニアリング
定義
方法
応用例とアルゴリズム
まとめ
教師なし学習とは
主な手法と応用
半教師あり学習の概要
半教師あり学習とは
手順
まとめ
1. 基本概念
2. RLHFの目的
3. 実装プロセス（4つのステップ）
4. 自動化と応用
5. 応用例
6. 学習のポイント
1. オーバーフィッティング（過学習）
2. アンダーフィッティング（未学習）
3. バイアス（偏り）
4. 分散（変動）
5. バランス
結論：
1. 二値分類（例：スパムメール判定）
2. 回帰分析（例：テストの得点予測）
3. AUC-ROC（分類問題用）
4. データセットの種類
5. 指標選択の基準
まとめ:
リアルタイム推論
バッチ推論
エッジでの推論
エッジデバイスでの推論の利点
リモートサーバーでの推論
まとめ
主なハイパーパラメーター
ハイパーパラメーターの調整目的
オーバーフィッティングとは？
オーバーフィッティングを防ぐ方法
まとめ
機械学習が適切な場合
最善の解決策
まとめ
AWS AIマネージドサービスの紹介
主なサービス
サービス利用のメリット
試験に向けて
具体的なユースケース
高度な設定
主な機能
使用方法
まとめ
概要
主な機能と使い方
カスタム分類器の作成
応用例
ポイント
概要
主な機能と特徴
用途と応用例
利用の流れ
ポイント
Amazon Translateの技術的基盤
主な機能
カスタマイズオプション
使用シナリオ
Amazon Translateの利便性
精度向上のためのカスタマイズ
毒性検出
Amazon Transcribe を使うメリット
主な機能
利用シナリオ
まとめ
概要
主な機能
ユースケース
実装の流れ
注意点
講義まとめ
概要
ユースケース
Amazon Forecastの機能と流れ
概要
主な特徴
利用の流れ
メリット
次回の講義内容
概要
Amazon Lexのボット構築方法
ボット構築の流れ
ビジュアルビルダー
まとめ
主な用途
使用事例
特徴
レシピ（アルゴリズム）
メリット
試験の観点
主な機能
ユースケース
特徴
サポートされている文書形式
特徴
ユースケース
ユースケース
使用方法
AIとの関連
メリット
ワーカーの例
仕組み
人間の役割
その他の特徴
Amazon Augmented AI (A2I)とは？
どう使うのか？
使い方の例：
A2Iのメリット：
Amazon Mechanical Turkとの連携：
まとめ：
特徴:
2. Amazon Comprehend Medical
特徴:
3. これらのサービスの活用例
4. システムの連携
まとめ
1. Amazon EC2の概要
特徴:
2. EC2のAIにおける利用
GPUベースのEC2インスタンス:
AWS TrainiumとAWS Inferentia:
3. 試験に関する重要な点
まとめ
機能と利便性
フィーチャーエンジニアリングの例
結論
SageMaker Clarifyの特徴
SageMaker Ground Truthの特徴
SageMakerの主要機能とツール
1. SageMakerモデルカード
2. モデル・ダッシュボード
3. SageMaker Role Manager
4. モデルモニタリング
5. SageMaker Model Registry
6. SageMakerパイプライン
まとめ
1. SageMaker JumpStart
2. SageMaker Canvas
3. SageMaker Autopilot
4. SageMaker Studioとの統合
5. SageMakerでMLFlowの活用
まとめ:
主な機能
メリット
1. ネットワーク・アイソレーション・モード
2. DeepAR予測アルゴリズム
1. 責任あるAI
2. セキュリティ
3. ガバナンス
4. コンプライアンス
ポイント
核心的な側面
AWSが提供する責任あるAI向けサービス
解釈可能性と説明可能性
具体的な例
1. 毒性 (Toxicity)
2. 幻覚 (Hallucination)
3. 剽窃・不正行為
4. プロンプトの誤用
5. データ漏洩 (Exposure)
6. 透明性と責任
1. コンプライアンスの必要性
2. AIにおけるコンプライアンスの課題
3. 規制の状況
4. AWSとコンプライアンス
5. モデルカードとサービスカード
6. コンプライアンス実施のポイント
7. まとめ
重要ポイント
効果的な学習方法
1. 脅威の検出
2. 脆弱性管理
3. インフラ保護
4. プロンプトインジェクション対策
5. データ暗号化
6. AIシステムのモニタリング
7. AWSの責任共有モデル
8. 安全なデータエンジニアリング
9. データアクセスコントロール
10. データ完全性
1. このフレームワークの目的
2. アプリを5つのスコープに分類
3. スコープに応じたリスクと管理ポイント
4. 知っておくべきこと
1. MLOpsとは？
2. MLOpsの重要な原則
3. MLOpsのプロセス
4. MLOpsで必要なリポジトリ
5. MLOpsの利点
1. IAMとは？
2. IAMの基本概念
3. IAMポリシー
4. 最小権限の原則
5. IAMの設定例
6. IAMの利点
1. IAMポリシーの概要
2. ポリシーの適用例
3. IAMポリシーの構造
4. ステートメントの重要な要素
5. ポリシーの運用例
6. 試験や実務での注意点
1. IAMロールとは？
2. IAMロールの利用例
3. IAMロールの仕組み
4. EC2インスタンスとIAMロール
5. 次回講義について
Amazon S3 のコア概念
1. Amazon S3 Standard - General Purpose
2. Amazon S3 Standard-IA (Infrequent Access)
3. Amazon S3 One Zone-IA
4. Amazon S3 Glacier
サブクラス
5. Amazon S3 Intelligent-Tiering
耐久性と可用性
ライフサイクル管理
主な機能
使い方のステップ
実用例
注意点
評価プロセスと結果の管理
特徴とメリット
CloudTrailの役割
CloudTrailで追跡可能なアクティビティ
データの保存先
CloudTrailの機能と設定
利用シーン
要約
AWS Artifactとは？
AWS Artifactの用途
AWS Artifactの特徴
AWS Artifactの利用シナリオ
要約
AWS Audit Managerとは？
AWS Audit Managerの特徴
AWS Audit Managerの使用例
要約
AWS Trusted Advisorとは？
Trusted Advisorのチェック項目
利用するためのサポートプラン
利用可能なチェックセット
実際の利用例
まとめ
シナリオ 1: Amazon Bedrockからの暗号化されたS3バケットへのアクセス
シナリオ 2: SageMakerモデルとVPC内のS3データへのアクセス
シナリオ 3: CloudTrailによるAPIアクセスの監視
試験に出題される可能性のある質問
minami
みなみの成長 🐝
Article
546
Category
6
Tags
34
Latest posts
TOKYO自習島
Jul 10, 2026
小南伴你学-応用情報-第10期：企业统治
Apr 6, 2026
Study vlog 2026
Apr 6, 2026
生成AIパスポート試験
Mar 2, 2026
小南伴你学-応用情報-第4期：応用情報技術者過去問題令和2年秋期午後問5
Feb 24, 2026
小南伴你学-応用情報-第8期：系统开发之面向对象
Feb 14, 2026
Announcement
🎉 ブログへようこそ 🎉
名前:
みなみ一人会社
性別:
男
国籍:
China 🇨🇳
完全独学で
基本情報技術者
をはじめ、
32個の資格
を仕事をしながら取得。
現在はIT会社で技術担当として働きながら、ブログ執筆や学習支援にも取り組んでいます。
独学で合格できる学習法や勉強法、試験対策を発信中！
📚 発信内容
💻 IT・システム開発
🏠 不動産 × 宅建士
🎓 MBA 学習記録
Catalog
0%
AIとは？
AIの仕組み
AIの歴史
AIの実用例
今後のAI
クラウドコンピューティングの紹介
ウェブサイトの基本的な動作
サーバーの構成
伝統的なITインフラとクラウドの違い
クラウドの登場
AWSの歴史
現在のAWS
グローバルインフラ
講義内容概要
ポイントまとめ
受講者に向けた提案
1. ジェネレーティブAI（Gen AI）とは
2. 基盤モデル（Foundation Model）
3. ラージ・ランゲージ・モデル（LLM）
4. 画像生成AI
5. AIの出力の非決定論性
6. 活用と応用
概要
1. 環境準備
2. モデル選択
3. 使用例の確認
4. テキストプレイグラウンドでの実践
5. メトリクス確認
6. コストと注意点
ポイント
基盤モデルの選択基準
主要なモデルと特徴
トークン数の違いと用途
価格設定
選択のポイント
注意点
まとめ
モデルの違いと比較ポイント
モデルのカスタマイズ
注意点と費用
Amazon Bedrockの微調整とは？
微調整のポイント
微調整の方法
微調整のメリット
微調整の注意点
トランスファー学習との違い
試験に向けて覚えておくべきポイント
1. モデル評価の概要
2. 評価の方法
3. 評価の指標
ROUGE-Nの例（n-gramの一致を測る）
例文
1-gram（単語単位）の一致を数える
2-gram（連続する2単語）の一致を数える
ROUGE-Lの例（最長共通部分列 LCS を測る）
例文
最長共通部分列（Longest Common Subsequence）を探す
簡単なまとめ
4. 人間による評価
5. ビルトインタスクとカスタムタスク
6. フィードバックループの活用
7. その他のポイント
データセット
評価結果
人間ベースの評価
まとめ
2. 知識ベースとRAGの活用方法
3. 知識ベースの構築
4. RAGとAWSのデータソース
5. Amazon Bedrockの使用例
6. データベースの選択肢
まとめ
1. IAMユーザーの作成
2. ナレッジベースの作成
3. S3バケットの作成
4. データソースの設定
5. OpenSearchの使用
6. 知識ベースのテスト
初心者向けの注意点
トークン化
コンテクスト・ウィンドウ
埋め込み（エンベディング）
ベクトル・データベースと検索
ガードレールの役割
ガードレールの機能
ガードレールの作成と設定
ガードレールのテスト
結論
最終的な成果
Amazon Bedrockエージェントで実現できること
実際の例
プロンプト・エンジニアリングとは
プロンプト設計の4つの要素
詳細なプロンプト設計例
ネガティブ・プロンプティング
ネガティブ・プロンプトを含めた設計例
プロンプト・エンジニアリングのポイント
まとめ
1. プロンプトの重要性
2. プロンプト作成のフレームワーク
3. 具体例：旅行の旅程作成
4. ネガティブ・プロンプティング
5. ネガティブ・プロンプティングの効果
6. プロンプト設計のポイント
7. まとめ
1. LLMのテキスト生成プロセスの基本
2. パフォーマンス最適化の重要なパラメーター
温度（Temperature）
トップP（Top-P）
トップK（Top-K）
違いの比較
組み合わせのポイント
3. レイテンシ（遅延）について
1. ゼロショット・プロンプティング (Zero-shot Prompting)
2. 数ショット・プロンプティング (Few-shot Prompting)
数ショット・プロンプティングの簡単な例
例1：算数の問題
例2：翻訳
例3：日常会話
ポイント
3. 思考の連鎖 (Chain-of-thought Prompting)
4. リトリーバル・オーグメンテッド・ジェネレーション (RAG)
各テクニックの適用場面
プロンプト・テンプレートって何？
どうやって使うの？
どういう時に使うの？
注意点：プロンプト・テンプレートの弱点
まとめ
プロンプト・テンプレートの具体例
例1：クイズ作成のテンプレート
例2：映画脚本作成のテンプレート
例3：日常業務用テンプレート
例4：旅行プラン作成のテンプレート
ポイント
1. Amazon Q Business とは？
2. 具体的な利用例
3. 技術基盤
4. アクセスと認証
5. 管理者コントロール
6. 主なポイント
共通点と違い
Amazon Q Apps とは？
主要な特徴
活用例
初心者でも始めやすいポイント
Amazon Q Developer とは？
具体的な活用例
初心者向けのポイント
Amazon Qの制限
今後の展望
簡単なまとめ：
Amazon QuickSight
Amazon Q for EC2
Amazon Q for AWS Chatbot
Amazon Q for Glue
まとめ
人工知能（AI）
AIの使用例
AIの機能構造
機械学習（ML）
ディープラーニング（DL）
GPUの利用
ニューラルネットワーク
GenAI（生成AI）
1. GPT (Generative Pre-trained Transformer)
2. BERT (Bidirectional Encoder Representations from Transformers)
3. RNN (リカレント・ニューラル・ネットワーク)
4. ResNet (残差ネットワーク)
5. SVM (サポートベクターマシン)
6. WaveNet
7. GAN (Generative Adversarial Network)
8. XGBoost (Extreme Gradient Boosting)
試験準備のポイント
1. トレーニングデータの重要性
2. データの種類
3. データ形式の種類
4. 機械学習での活用
教師あり学習とは
教師あり学習の分類
データセットの分割
特徴量エンジニアリング
定義
方法
応用例とアルゴリズム
まとめ
教師なし学習とは
主な手法と応用
半教師あり学習の概要
半教師あり学習とは
手順
まとめ
1. 基本概念
2. RLHFの目的
3. 実装プロセス（4つのステップ）
4. 自動化と応用
5. 応用例
6. 学習のポイント
1. オーバーフィッティング（過学習）
2. アンダーフィッティング（未学習）
3. バイアス（偏り）
4. 分散（変動）
5. バランス
結論：
1. 二値分類（例：スパムメール判定）
2. 回帰分析（例：テストの得点予測）
3. AUC-ROC（分類問題用）
4. データセットの種類
5. 指標選択の基準
まとめ:
リアルタイム推論
バッチ推論
エッジでの推論
エッジデバイスでの推論の利点
リモートサーバーでの推論
まとめ
主なハイパーパラメーター
ハイパーパラメーターの調整目的
オーバーフィッティングとは？
オーバーフィッティングを防ぐ方法
まとめ
機械学習が適切な場合
最善の解決策
まとめ
AWS AIマネージドサービスの紹介
主なサービス
サービス利用のメリット
試験に向けて
具体的なユースケース
高度な設定
主な機能
使用方法
まとめ
概要
主な機能と使い方
カスタム分類器の作成
応用例
ポイント
概要
主な機能と特徴
用途と応用例
利用の流れ
ポイント
Amazon Translateの技術的基盤
主な機能
カスタマイズオプション
使用シナリオ
Amazon Translateの利便性
精度向上のためのカスタマイズ
毒性検出
Amazon Transcribe を使うメリット
主な機能
利用シナリオ
まとめ
概要
主な機能
ユースケース
実装の流れ
注意点
講義まとめ
概要
ユースケース
Amazon Forecastの機能と流れ
概要
主な特徴
利用の流れ
メリット
次回の講義内容
概要
Amazon Lexのボット構築方法
ボット構築の流れ
ビジュアルビルダー
まとめ
主な用途
使用事例
特徴
レシピ（アルゴリズム）
メリット
試験の観点
主な機能
ユースケース
特徴
サポートされている文書形式
特徴
ユースケース
ユースケース
使用方法
AIとの関連
メリット
ワーカーの例
仕組み
人間の役割
その他の特徴
Amazon Augmented AI (A2I)とは？
どう使うのか？
使い方の例：
A2Iのメリット：
Amazon Mechanical Turkとの連携：
まとめ：
特徴:
2. Amazon Comprehend Medical
特徴:
3. これらのサービスの活用例
4. システムの連携
まとめ
1. Amazon EC2の概要
特徴:
2. EC2のAIにおける利用
GPUベースのEC2インスタンス:
AWS TrainiumとAWS Inferentia:
3. 試験に関する重要な点
まとめ
機能と利便性
フィーチャーエンジニアリングの例
結論
SageMaker Clarifyの特徴
SageMaker Ground Truthの特徴
SageMakerの主要機能とツール
1. SageMakerモデルカード
2. モデル・ダッシュボード
3. SageMaker Role Manager
4. モデルモニタリング
5. SageMaker Model Registry
6. SageMakerパイプライン
まとめ
1. SageMaker JumpStart
2. SageMaker Canvas
3. SageMaker Autopilot
4. SageMaker Studioとの統合
5. SageMakerでMLFlowの活用
まとめ:
主な機能
メリット
1. ネットワーク・アイソレーション・モード
2. DeepAR予測アルゴリズム
1. 責任あるAI
2. セキュリティ
3. ガバナンス
4. コンプライアンス
ポイント
核心的な側面
AWSが提供する責任あるAI向けサービス
解釈可能性と説明可能性
具体的な例
1. 毒性 (Toxicity)
2. 幻覚 (Hallucination)
3. 剽窃・不正行為
4. プロンプトの誤用
5. データ漏洩 (Exposure)
6. 透明性と責任
1. コンプライアンスの必要性
2. AIにおけるコンプライアンスの課題
3. 規制の状況
4. AWSとコンプライアンス
5. モデルカードとサービスカード
6. コンプライアンス実施のポイント
7. まとめ
重要ポイント
効果的な学習方法
1. 脅威の検出
2. 脆弱性管理
3. インフラ保護
4. プロンプトインジェクション対策
5. データ暗号化
6. AIシステムのモニタリング
7. AWSの責任共有モデル
8. 安全なデータエンジニアリング
9. データアクセスコントロール
10. データ完全性
1. このフレームワークの目的
2. アプリを5つのスコープに分類
3. スコープに応じたリスクと管理ポイント
4. 知っておくべきこと
1. MLOpsとは？
2. MLOpsの重要な原則
3. MLOpsのプロセス
4. MLOpsで必要なリポジトリ
5. MLOpsの利点
1. IAMとは？
2. IAMの基本概念
3. IAMポリシー
4. 最小権限の原則
5. IAMの設定例
6. IAMの利点
1. IAMポリシーの概要
2. ポリシーの適用例
3. IAMポリシーの構造
4. ステートメントの重要な要素
5. ポリシーの運用例
6. 試験や実務での注意点
1. IAMロールとは？
2. IAMロールの利用例
3. IAMロールの仕組み
4. EC2インスタンスとIAMロール
5. 次回講義について
Amazon S3 のコア概念
1. Amazon S3 Standard - General Purpose
2. Amazon S3 Standard-IA (Infrequent Access)
3. Amazon S3 One Zone-IA
4. Amazon S3 Glacier
サブクラス
5. Amazon S3 Intelligent-Tiering
耐久性と可用性
ライフサイクル管理
主な機能
使い方のステップ
実用例
注意点
評価プロセスと結果の管理
特徴とメリット
CloudTrailの役割
CloudTrailで追跡可能なアクティビティ
データの保存先
CloudTrailの機能と設定
利用シーン
要約
AWS Artifactとは？
AWS Artifactの用途
AWS Artifactの特徴
AWS Artifactの利用シナリオ
要約
AWS Audit Managerとは？
AWS Audit Managerの特徴
AWS Audit Managerの使用例
要約
AWS Trusted Advisorとは？
Trusted Advisorのチェック項目
利用するためのサポートプラン
利用可能なチェックセット
実際の利用例
まとめ
シナリオ 1: Amazon Bedrockからの暗号化されたS3バケットへのアクセス
シナリオ 2: SageMakerモデルとVPC内のS3データへのアクセス
シナリオ 3: CloudTrailによるAPIアクセスの監視
試験に出題される可能性のある質問
