シナリオ問題応用

セキュリティ企業が Azure Anomaly Detector を使用して、ネットワークトラフィック量の異常検知を実施しています。正常時は日中 500 Mbps、夜間 100 Mbps ですが、DDoS 攻撃時は 2000 Mbps 以上になります。既存モデルが夜間の急増(300 Mbps)を正常な変動として誤分類している場合、改善方法はどれですか?

A.Anomaly Detector の感度パラメータを最大にして、すべての変動を異常として検出する
✗ 感度最大化は、偽陽性を大量に生成し、運用チームに無駄なアラートで負担を強います。
B.時系列データに曜日・時間帯・季節性を反映したメタデータを追加し、モデルの学習期間を延長する← 正解
✓ 正解です。時間帯別・曜日別パターンをコンテキスト変数として追加することで、季節性を考慮した正確な学習が可能になります。
C.過去 1 週間のデータのみでリトレーニングして、ノイズを減らす
✗ 短期間のデータでは統計的信頼性が低く、むしろ誤分類リスクが増加します。
D.固定閾値(例:600 Mbps 以上)を設定し、Anomaly Detector を廃止する
✗ 固定閾値は DDoS 検出に対応できず、ビジネス変動にも柔軟に適応できません。

この問題のポイント

時間帯別・曜日別パターンをコンテキスト変数として追加することで、季節性を考慮した正確な学習が可能になります。

AI-900:Microsoft Azure AI Fundamentals の問題一覧