Google Cloud Professional Machine Learning Engineer
最終確認：2026年5月
PMLE 試験で問われるアーキテクチャパターンのスキャン可能なリファレンス。上から順に読むか、セクションへジャンプ。
大規模な表形式データセットに対して、SQLスキルに長けたチームのために、BigQueryで分類、回帰、またはレコメンデーションモデルを構築する。
SQL構文でBigQuery MLを使用する（例: `CREATE MODEL ... OPTIONS(model_type='BOOSTED_TREE_CLASSIFIER')`）。`EXPLAIN_PREDICT`で説明可能性を有効にする。
理由: データ移動を避け、既存のSQLスキルを活用して迅速な開発を実現する。BigQuery内でデータガバナンスを維持し、統合された説明可能性を提供する。
MLの専門知識をほとんど必要とせずに、フォームや請求書のような非構造化ドキュメントから構造化データ（例: 名前、日付、コード）を抽出する。
事前トレーニング済みまたはカスタムプロセッサでDocument AIを使用する。特殊なレイアウトのために、ラベル付けされたサンプルドキュメントを使用してカスタムプロセッサをトレーニングする。
理由: カスタムOCRと解析ロジックを一から構築するよりも優れた、ドキュメント解析のための特化されたマネージドサービス。
カスタムモデルをトレーニングすることなく、音声やテキストのような非構造化データを感情、エンティティ、またはトピックについて分析する。
事前トレーニング済みAPIを連携させる。例: 転写のためにSpeech-to-Text APIを使用し、続いてエンティティと感情分析のためにNatural Language APIを使用する。
理由: 一般的なユースケースにおいて最速の市場投入時間を実現する。データラベリングやモデルトレーニングを必要とせずに、Googleがトレーニングしたモデルを活用する。
ラベル付きデータはあるがMLコーディングの専門知識が限られている場合に、高品質なカスタム画像、動画、または表形式モデルを構築する。
Vertex AI AutoML（例: AutoML Vision Object Detection）を使用する。ラベル付きデータを提供し、サービスがアーキテクチャ検索とトレーニングを処理するようにする。
理由: カスタムモデルのニーズと使いやすさのバランスをとる。カスタムタスク（例: 特定の製品の識別）において、汎用的な事前トレーニング済みAPIよりも優れた性能を発揮する。
大規模な独自のドキュメントコーパスに基づいて質問に答える対話型AIまたは知識アシスタントを構築する。
Retrieval-Augmented Generation（RAG）パターンを実装する。Vertex AI Vector Searchを使用して関連するドキュメントチャンクを見つけ、それらをコンテキストとしてGeminiモデルに渡し、根拠のある応答を生成する。
理由: LLMの応答を事実データに基づいて根拠づけ、ハルシネーションを減らし、引用を提供する。知識のためのファインチューニングよりもスケーラブルで最新の状態に保てる。
Cloud StorageやBigQueryのような内部データソースに接続された、最小限のコードでエンタープライズグレードのチャットボットまたは検索エンジンを作成する。
Vertex AI Agent Builderを使用する。ナレッジベースへのデータストアコネクタを設定し、リアルタイムのデータ検索のためにツール（関数呼び出し）を使用する。
理由: ドキュメント解析、チャンク分割、埋め込み、検索を含むRAGパイプラインの作成を自動化するローコードソリューションで、迅速なデプロイを可能にする。
製造カメラからの大容量ビデオストリームに対して、サブ秒のレイテンシでリアルタイムの欠陥検出を実行する。
Vertex AI Edge Managerを使用して、最適化されたモデルをエッジデバイスにデプロイする。推論をローカルで実行し、欠陥メタデータのみを監視のためにクラウドに送信する。
理由: クラウドのみのアプローチでは実行不可能またはコスト的に見合わない、高帯域幅と低レイテンシの要件を処理する。
ML機能を管理し、バッチトレーニングとリアルタイムサービング間の一貫性を確保し、トレーニング・サービングスキューを防ぐ。
Vertex AI Feature Storeを使用する。異なる同期スケジュール（バッチ、ストリーミング）を持つ特徴グループを定義する。時点正確なトレーニングデータのためにタイムトラベルクエリを使用する。
理由: 集中型の特徴リポジトリを提供し、一貫した特徴定義を保証し、トレーニングデータに対する時点正確性の問題を解決する。
バージョン管理、承認ワークフロー、監査可能なデプロイ履歴を備えたモデルガバナンスを実装する。
Vertex AI Model Registryを使用してモデルをバージョン管理し、保存する。実験やデータセットにリンクする。IAMとバージョンエイリアス（例: "production"）を使用してデプロイ承認を管理する。
理由: モデル管理を一元化し、ガバナンス、再現性、安全なロールバック機能を実現する。CI/CDパイプラインと統合する。
ハイパーパラメータ、メトリクス、アーティファクトを含むML実験を体系的に追跡および比較し、再現性を確保する。
Vertex AI Experimentsを使用する。トレーニングジョブからパラメータとメトリクスを自動的にログに記録する。アーティファクトとデータセットをリンクして完全な系統追跡を行う。
理由: 実験管理のための構造化され、クエリ可能なシステムを提供し、スプレッドシートや手動ログを超えてより良いコラボレーションを実現する。
厳格なデータ所在性およびセキュリティ要件を満たしながら、機密データ（例: PHI, PII）でモデルをトレーニングし、提供する。
VPC Service Controls境界内でVertex AIを構成する。ネットワーク分離のためにプライベートエンドポイントを使用し、保存データの暗号化のために顧客管理暗号化キー（CMEK）を使用する。
理由: データ漏洩を防ぎ、すべての処理とデータ転送が管理された境界内で発生することを保証するセキュアなネットワーク境界を作成する。
トレーニングデータをバージョン管理し、実験の再現性を確保し、モデルがトレーニングに使用された正確なデータスナップショットに遡れるようにする。
バージョン管理付きのVertex AI Managed Datasetsを使用する。重要なデータ変更のために新しいデータセットバージョンを作成し、特定のバージョンをトレーニング実行にリンクする。
理由: ML Metadataでの自動系統追跡により、不変のバージョン管理されたデータスナップショットを提供し、コンプライアンスとデバッグに不可欠である。
人間のアノテーションのための限られた予算で、モデルトレーニングのために大規模な未ラベルデータセットにラベル付けする。
アクティブラーニングループを実装する。小さなラベル付きサブセットで初期モデルをトレーニングし、その不確実性スコアを使用して、人間によるラベル付けのために最も情報量の多いサンプルを優先する。
理由: 各人間がラベル付けしたサンプルの価値を最大化し、ランダムサンプリングや網羅的なラベリングと比較して、ラベリングコストと時間を削減する。
複数のGPUまたはノードにスケールすることで、大規模なデータセット上の大規模モデルのトレーニング時間を短縮する。
TensorFlowの`MultiWorkerMirroredStrategy`のような同期データ並列化戦略を使用する。トレーニングコードをパッケージ化し、マルチワーカー構成でVertex AI Trainingに送信する。
理由: ほとんどのトレーニングジョブをスケーリングするための標準的で効果的な方法。Vertex AIがクラスタ設定と同期を管理するため、コードの変更が最小限で済む。
単一アクセラレータのメモリに収まらない（例: 500億以上のパラメータを持つ）基盤モデル（LLM）をトレーニングする。
3D並列化を使用する: Tensor Parallelism（ノード内でレイヤーをシャードする）、Pipeline Parallelism（ノード間でレイヤーをステージングする）、およびData Parallelism（ポッド全体でレプリケートする）。TPUポッドでトレーニングする。
理由: 単一デバイスのメモリを超えるモデルをトレーニングする唯一の実現可能な方法。各並列化ディメンションは、異なるスケーリングボトルネック（メモリ、計算、ネットワーク）に対処する。
長時間実行されるフォールトトレラントなトレーニングジョブ（例: 12時間以上）のコストを最小限に抑える。
最大80%のコスト削減を提供するSpot VM（プリエンプティブ）をトレーニングに使用する。Cloud Storageへの頻繁なチェックポイントを実装し、自動再起動のためにジョブを構成する。
理由: トレーニングコストを大幅に削減する。チェックポイントにより、プリエンプション時に進行状況が最小限しか失われないため、緊急でないジョブにとって信頼性の高い戦略となる。
大規模で複雑な探索空間を持つモデルの最適なハイパーパラメータを効率的に見つける。
ベイズ最適化を使用してVertex AI Hyperparameter Tuning（Vizier）を使用する。探索空間と目的メトリクスを定義する。有望でない試行を削除するために早期停止を有効にする。
理由: ベイズ最適化は、グリッドサーチやランダムサーチよりもサンプル効率が高く、少ない試行でより良い構成を見つけ、時間とコストを節約する。
トレーニングジョブが特定のライブラリバージョン、カスタムCUDAカーネル、または事前構築済みコンテナで利用できないプライベートパッケージを必要とする。
すべての依存関係を固定したカスタムDockerコンテナを構築する。コンテナをArtifact Registryにプッシュし、Vertex AI Trainingジョブで参照する。
理由: 実行環境を完全に制御し、再現性を確保し、事前構築済みコンテナでは対応できない複雑な依存関係を処理する。
非常に大きなBigQueryデータセットでモデルをトレーニングする際に、Cloud Storageへのエクスポートの遅延やコストなしで実現する。
トレーニングコンテナからBigQuery Storage Read APIを直接使用する。これにより、TensorFlowまたはPyTorchのデータローダーへの高スループット、並列ストリーミングデータが可能になる。
理由: トレーニングのために大規模なBigQueryデータセットを読み込む最も速く効率的な方法。中間ストレージとI/Oボトルネックを回避する。
高いまたは変動するトラフィック（例: ピーク時10,000 RPS）を持つモデルを、低レイテンシを維持しつつコストを最適化して提供する。
モデルをGPUマシンタイプを持つVertex AI Endpointにデプロイする。トラフィックまたは利用率に基づいて最小および最大レプリカ数でオートスケーリングを構成する。
理由: 需要に合わせてリソースを自動的にスケーリングし、ピーク時のパフォーマンスを確保し、閑散期のコストを節約する。GPUは複雑なモデルに低レイテンシを提供する。
各リージョンで最小限のレイテンシで、グローバルなユーザーベースにモデル予測を提供する。
各ターゲット地域（例: 米国、EU、APAC）のリージョナルVertex AI Endpointにモデルをデプロイする。グローバルロードバランサーを使用して、ユーザーを最寄りのエンドポイントにルーティングする。
理由: ユーザーに近いインフラストラクチャからリクエストを提供することで、ネットワークレイテンシを最小限に抑える。レイテンシに敏感なグローバルアプリケーションに不可欠。
パフォーマンスを監視しながら段階的にトラフィックをシフトすることで、新しいモデルバージョンを安全にデプロイする。
新しいバージョンを現在のモデルと同じVertex AI Endpointにデプロイする。トラフィックスプリッティングを使用して、トラフィックの少ない割合（例: 5%）を新しいバージョンに送信し、徐々に増加させる。
理由: カナリアデプロイメントとA/Bテストを可能にする。実際のプロダクショントラフィック下で新しいモデルを安全に検証し、即座にロールバックできる機能を提供する。
数百万のアイテムのカタログから、50ms未満のレイテンシでリアルタイムのレコメンデーションを提供する。
2段階アーキテクチャを実装する: 1) Vertex AI Vector Search（ANN）を使用して上位K個の候補を見つける高速な検索ステージ。2) 小さな候補セットに対してより複雑なモデルを適用する精密なランキングステージ。
理由: 精度とレイテンシのバランスをとる。高速なANN検索は広大なアイテム空間を剪定し、計算コストの高いランカーが管理可能なサブセットで操作できるようにする。
厳格なリアルタイム要件（20ms未満）を満たすために、モデル推論のレイテンシを削減する。
モデル最適化技術を適用する。GPU向けにはTensorRT、CPU向けにはOpenVINOでモデルをコンパイルする。量子化（例: INT8）を使用して精度を下げ、スループットを向上させる。
理由: これらの技術はモデルグラフを最適化し、ハードウェア固有の高速化を活用することで、精度を大幅に損なうことなく、しばしば2〜5倍のレイテンシ削減を実現する。
それぞれに専用のリソースをプロビジョニングすることなく、数十の低トラフィックモデルをコスト効率よく提供する。
マルチモデルエンドポイントを使用して、共有のサービングリソースセット上に複数のモデルを共存させる。Vertex AIは受信リクエストに基づいてモデルを動的にロードする。
理由: 専用の単一モデルエンドポイントと比較してリソース利用率を向上させることで、トラフィックが少ない多数のモデルを提供するコストを劇的に削減する。
インタラクティブなアプリケーション向けに、大規模言語モデル（LLM）生成のレイテンシを削減する。
投機的デコーディングを実装する。より小さく高速な「ドラフト」モデルを使用して候補トークンを生成し、それらをより大きく正確なモデルによって単一パスで検証する。
理由: シーケンシャルデコーディングを並列検証に置き換えることで、トークン生成を大幅に高速化し、LLMサービングの主要なボトルネックを軽減する。
データ検証、前処理、トレーニング、評価、条件付きデプロイを含む多段階MLワークフローを自動化する。
Kubeflow Pipelines（KFP）SDKを使用するVertex AI Pipelinesで、ワークフローをDAGとして定義する。各ステップに事前構築済みまたはカスタムコンポーネントを使用する。
理由: 組み込みのアーティファクト追跡、系統、キャッシング、および条件付き実行を備えた、ML向けのマネージドなサーバーレスオーケストレーションサービスを提供する。
不良データがトレーニングパイプラインに投入され、モデル品質の低下を引き起こすのを防ぐ。
パイプラインの初期段階にTensorFlow Data Validation (TFDV) コンポーネントを追加する。入力データの統計をベースラインスキーマと比較し、ドリフトや異常が検出された場合はパイプラインを停止する。
理由: 自動化された品質ゲートとして機能し、計算リソースを浪費し、欠陥のあるモデルを生み出す前にデータの問題を事前に捕捉する。
新しいデータが到着したとき、またはモデルドリフトが検出されたときに、モデルの再トレーニングを自動的にトリガーする。
イベント駆動型アーキテクチャを使用する。Pub/Subメッセージ（例: Cloud Storageの更新やドリフトアラートから）がCloud FunctionまたはEventarcトリガーを起動し、Vertex AI Pipelineの実行を開始する。
理由: 必要に応じてのみモデルを再トレーニングする、応答性が高く効率的なシステムを作成し、無駄なスケジュール実行なしにモデルの鮮度を確保する。
新しいモデルが主要なビジネス指標において現在のプロダクションモデルを上回る場合にのみ、プロダクションへのモデル昇格を自動化する。
Vertex AI Pipelineで、新しいモデルをプロダクションベースラインと比較する評価コンポーネントを追加する。新しいモデルがパフォーマンスしきい値を満たすか超える場合にのみデプロイコンポーネントを実行するために`dsl.Condition`を使用する。
理由: MLOpsパイプラインにおける最終品質ゲートを自動化し、パフォーマンスの低下を防ぎ、優れたモデルのみがデプロイされることを保証する。
複数のMLパイプラインおよびチーム間で、共通タスク（例: 特徴量エンジニアリング、評価）を標準化する。
共有ロジックをバージョン管理されたコンテナ化されたカスタムコンポーネントにパッケージ化する。それらをArtifact Registryに保存し、プロジェクト間で共有する。
理由: コードの再利用を促進し、一貫性を確保し、メンテナンスを簡素化する。チームは信頼できる標準化されたコンポーネントのライブラリから複雑なパイプラインを構成できる。
繰り返し実行時の冗長な計算を回避することで、パイプライン開発を加速し、コストを削減する。
Vertex AI Pipelinesで実行キャッシングを有効にする。サービスは、コンポーネントの入力と実装が変更されていない場合、その出力を自動的に再利用する。
理由: パイプラインを再実行し、変更したコンポーネントのみを実行できるようにすることで、反復的な開発を劇的に加速する。
MLパイプラインコードへの変更を自動的にテストおよびデプロイするためのCI/CDワークフローを実装する。
GitリポジトリへのプッシュによってトリガーされるCloud Buildを使用する。ビルドプロセスはコンポーネントの単体テストを実行し、パイプラインをコンパイルし、ステージングまたはプロダクション環境にデプロイする。
理由: ソフトウェアエンジニアリングのベストプラクティスをMLOpsに適用し、プロダクションMLシステムへの迅速で信頼性の高い自動更新を可能にする。
入力データの変化または予測結果の変化により、プロダクションモデルのパフォーマンスが低下していることを検出する。
Vertex AI Model Monitoringを構成する。トレーニング・サービングスキュー（トレーニングからの入力分布の変化）と予測ドリフト（時間の経過に伴う出力分布の変化）を検出するジョブを設定する。
理由: モデル劣化の自動早期警告システムを提供し、ビジネス指標が大幅に影響を受ける前に、プロアクティブな再トレーニングまたは介入を可能にする。
モデルのパフォーマンスが低下しているが、入力特徴量の分布は安定しているように見える（データドリフトは検出されていない）。
遅延したグランドトゥルースラベルに対する予測結果の監視を実装する。精度または他の評価メトリクスの低下は、特徴量とターゲット間の関係が変化した概念ドリフトを示す。
理由: 特徴量ドリフトの監視だけでは不十分である。概念ドリフトは、基礎となるパターンの変化を検出するために、モデル予測を実績と比較して評価する必要がある。
規制遵守のため、またはステークホルダーの信頼のために、個々のモデル予測に対する説明を提供する。
デプロイされたエンドポイントでVertex AI Explainable AIを有効にする。Sampled ShapleyやIntegrated Gradientsなどのメソッドを使用して、各予測の特徴量アトリビューションを取得する。
理由: 意思決定にどの特徴量が寄与したかを特定するローカルな予測ごとの説明を提供し、「ブラックボックス」モデルの監査とデバッグに不可欠である。
モデルが異なるユーザーセグメント（例: 人口統計）間で公平に機能することを保証し、隠れたバイアスを検出する。
機密属性によって定義されたデータのスライス上でパフォーマンスメトリクス（例: 精度、エラー率）を計算および追跡するようにモデル監視を構成する。
理由: 集計されたメトリクスは、マイノリティサブグループのパフォーマンス低下を隠す可能性がある。スライス分析は、公平性の問題を特定し、軽減するために不可欠である。
トレーニングデータと根本的に異なる入力に対して、モデルが信頼性の低い、過度に自信のある予測を行うのを防ぐ。
メインモデルと並行してout-of-distribution (OOD) 検出モデル（例: オートエンコーダ）を実装する。高い再構成エラーは入力をOODとしてフラグ付けし、フォールバックロジックをトリガーする。
理由: ドメインシフトに対する安全メカニズムを提供し、モデルが専門領域外で動作している時期を特定することでモデルの堅牢性を向上させる。
モデルの意図された用途、制限、トレーニングデータ、および公平性評価を、技術的および非技術的ステークホルダーの両方のために文書化する。
Googleのフレームワークを使用してモデルカードを作成する。モデルの詳細、意図された用途、倫理的考慮事項、定量的分析（スライスされたメトリクスを含む）、および制限に関するセクションを含める。
理由: 組織全体での透明性、説明責任、適切なモデル使用を促進する、責任あるAIドキュメンテーションの標準。
コンプライアンスとデバッグのために、すべての予測リクエストとレスポンスの検索可能で監査可能なログを維持する。
Vertex AI Endpointでアクセスロギングを有効にする。構造化された長期保存と分析のために、ログをBigQueryにエクスポートするように構成する。
理由: BigQueryは、監査証跡の作成、予測トレンドの分析、予測とグランドトゥルースデータの結合のためのスケーラブルでクエリ可能なプラットフォームを提供する。
