第1回 問題集（全般）
全120問 ／ すべての問題の解答・解説を無料で閲覧できます
GCP PMLE 問題集 おすすめの使い方
目次
BigQuery MLを使って顧客の月間売上額（連続値）を予測するモデルを構築したい。最も適切なモデルタイプはどれか。
解答・解説を見る
正解: A. A. 線形回帰（linear regression）
正解の根拠・詳細解説
売上額のような連続値を予測するタスクは回帰問題であり、BigQuery MLの線形回帰（LINEAR\_REG）モデルが適切です。二項分類は0/1のラベル予測、K-meansは教師なしクラスタリング、マトリックス因数分解はレコメンデーション用途に使われます。
BigQuery ML内でモデルの学習前に特徴量エンジニアリングを行いたい。最も簡便な方法はどれか。
解答・解説を見る
正解: A. A. TRANSFORM句をCREATE MODEL文に含める
正解の根拠・詳細解説
BigQuery MLはCREATE MODEL文にTRANSFORM句を指定することで、学習時・予測時に同じ前処理ロジックを自動適用できます。これにより学習-推論間の前処理の一貫性（training-serving skew回避）を確保できます。
BigQuery MLで学習済みモデルを使って新しいデータに対する予測を生成する標準的なSQL関数はどれか。
解答・解説を見る
正解: A. A. ML.PREDICT
正解の根拠・詳細解説
ML.PREDICTはBigQuery MLモデルを使って新しい入力データに対する予測値を生成する関数です。ML.EVALUATEはモデル評価、ML.TRAINING\_INFOは学習履歴、ML.FEATURE\_IMPORTANCEは特徴量重要度の確認に使われます。
Model Gardenが提供するML APIを使ってアプリケーションを構築する主なメリットは何か。
解答・解説を見る
正解: A. A. 事前学習済みモデルをコードを書かずに、またはほぼ書かずに呼び出して利用できる
正解の根拠・詳細解説
Model GardenはGoogleや第三者が提供する事前学習済み基盤モデルやAPIのカタログであり、低コードでAIソリューションを構築できる点が最大のメリットです。
契約書や請求書などの非構造化文書からテキストを抽出・構造化したい場合に最も適したGoogle CloudのAPIはどれか。
解答・解説を見る
正解: A. A. Document AI API
正解の根拠・詳細解説
Document AI APIは請求書・契約書・レシートなどの文書を解析し、構造化データとして抽出することに特化したサービスです。Retail APIは商品レコメンデーション、他のAPIは画像・自然言語処理の汎用用途です。
小売業向けに商品レコメンデーションをすぐに実装したい場合、低コードで活用できる業界特化APIはどれか。
解答・解説を見る
正解: A. A. Retail API
正解の根拠・詳細解説
Retail APIはGoogle検索・ショッピングの技術を活用したレコメンデーション・検索機能を、独自モデルを構築せずに利用できる業界特化APIです。
社内ドキュメントを検索・要約できる生成AIアプリケーション（RAG）を低コードで構築したい場合、最も適したサービスはどれか。
解答・解説を見る
正解: A. A. Vertex AI Agent Builder
正解の根拠・詳細解説
Vertex AI Agent BuilderはRetrieval Augmented Generation（RAG）アプリケーションの構築を支援するサービスで、独自データソースに基づいた回答生成エージェントを低コードで構築できます。
AutoMLで画像分類モデルを学習する前に行うべきデータ準備として最も重要なものはどれか。
解答・解説を見る
正解: A. A. 十分な量のラベル付き画像データを用意する
正解の根拠・詳細解説
AutoMLは内部でアーキテクチャ探索を自動化しますが、高品質なモデルを得るには十分な量・バランスの取れたラベル付きデータを準備することが不可欠です。
AutoML Tabular Workflowsを使う主な目的は何か。
解答・解説を見る
正解: A. A. 表形式データに対するAutoMLパイプラインを、カスタマイズ可能なKubeflowベースの構成でオーケストレーションする
正解の根拠・詳細解説
Tabular WorkflowsはAutoMLの表形式データ向けパイプラインをKubeflow Pipelinesベースで提供し、特定のコンポーネントをカスタマイズできる柔軟性を持ちます。
時系列データから将来の需要を予測するモデルをAutoMLで構築したい場合、使用すべき機能はどれか。
解答・解説を見る
正解: A. A. AutoMLの予測（Forecasting）モデル
正解の根拠・詳細解説
AutoMLには時系列予測に特化したForecastingモデルタイプがあり、季節性やトレンドを考慮した需要予測などに利用できます。
AutoMLで学習したモデルの性能が想定より低い場合、最初に確認すべき項目として最も適切なものはどれか。
解答・解説を見る
正解: A. A. 学習データのラベル品質と特徴量のカバレッジ
正解の根拠・詳細解説
AutoMLは内部アルゴリズムを自動選択しますが、データの品質（ラベル誤り、欠損、偏り）が低いと精度が出ません。まず学習データを精査することが定石です。
BigQuery MLで二項分類モデルを構築する際、ビジネス課題が「顧客が解約するかどうか」を予測する場合に適したモデルタイプはどれか。
解答・解説を見る
正解: A. A. binary classification（ロジスティック回帰）
正解の根拠・詳細解説
解約する/しないという2値ラベルを予測する課題は二項分類問題であり、BigQuery MLではLOGISTIC\_REGモデルタイプ（binary classification）を使用します。
Vertex AI Agent Builderを用いてRAGアプリケーションを構築する際、回答の根拠となる社内文書群を取り込むために必要な処理はどれか。
解答・解説を見る
正解: A. A. 文書をデータストアにインデックス化（embedding）して取り込む
正解の根拠・詳細解説
RAGアプリケーションでは、社内文書をベクトル化（embedding）してデータストアにインデックス化し、検索時に関連文書を取得してLLMに渡す構成が基本となります。
業界特化APIとBigQuery MLを比較した場合の正しい説明はどれか。
解答・解説を見る
正解: A. A. 業界特化APIは事前学習済みモデルをすぐ使えるが、自社データでのカスタム学習の自由度は低い
正解の根拠・詳細解説
Document AI APIやRetail APIのような業界特化APIは即座に利用できる反面、独自データでの深いカスタマイズ性はBigQuery MLや独自学習に比べて限定的です。
AutoMLにおける「特徴量選択（feature selection）」の主な目的は何か。
解答・解説を見る
正解: A. A. モデルの精度向上とオーバーフィッティングの抑制に寄与する特徴量を選ぶこと
正解の根拠・詳細解説
特徴量選択は、予測に有用な特徴量を絞り込むことでモデルの精度を高め、不要な特徴量によるノイズやオーバーフィッティングを抑制する目的で行われます。
Model Gardenから基盤モデルを選定する際に検討すべき観点として最も適切なものはどれか。
解答・解説を見る
正解: A. A. タスクとの適合性、レイテンシ要件、コスト、ライセンス条件
正解の根拠・詳細解説
Model Gardenは、Geminiなどのファーストパーティモデルに加え、パートナー提供モデルやGemma・Llamaといったオープンモデルを一覧・比較し、そのままVertex AI上で検証やチューニング、エンドポイントへのデプロイに進められる入口です。選定では第一にタスクとの適合性（要約・分類・コード生成・マルチモーダル入力の要否）を評価用データセットで検証し、次に実運用のレイテンシ要件とコスト、そしてライセンス条件を確認します。一般にパラメータ数が大きいモデルほど推論の応答時間とトークン単価が上がるため、常に最大のモデルを選ぶのは要件に対して過剰であり、小規模モデルで精度が足りるならそちらが有利です。オープンモデルは商用利用の可否や再配布条件がライセンスごとに異なるため、法務面の確認も欠かせません。実務では複数候補を同じプロンプトと評価指標で比較し、精度・レイテンシ・コストのバランスが最良のものを選びます。
組織内の複数チームが利用する画像・テキスト・音声などの多様なデータを、効率的な学習のために整理・準備したい。最も適切なアプローチはどれか。
解答・解説を見る
正解: A. A. データタイプごとに適切なストレージ（Cloud Storage、BigQueryなど）に整理し、Vertex AIのデータセット機能で管理する
正解の根拠・詳細解説
画像・音声などの非構造化データはCloud Storage、構造化データはBigQuery等、データタイプに適したストレージを選び、Vertex AI Datasetsで一元管理することが推奨されるアプローチです。
大規模なETL処理によりBigQueryから取得したデータをVertex AIでの学習用に前処理したい場合、サーバーレスでスケーラブルなパイプラインを構築できるサービスはどれか。
解答・解説を見る
正解: A. A. Dataflow
正解の根拠・詳細解説
Dataflowはサーバーレスのストリーム/バッチ処理サービスで、Apache Beamベースの大規模データ前処理パイプラインを構築できます。TensorFlow Extended（TFX）と組み合わせて学習用データの前処理にも利用されます。
学習時と推論時で異なる前処理ロジックが適用されることによる精度劣化を防ぐために、TFXが提供する代表的な仕組みはどれか。
解答・解説を見る
正解: A. A. tf.Transformによる一貫した前処理グラフの保存と再利用
正解の根拠・詳細解説
TFXのtf.Transformコンポーネントは前処理ロジックを学習グラフに組み込んで保存し、推論時にも同じ変換を再利用できるため、training-serving skewを防止できます。
複数チームが同じ特徴量（feature）を再利用し、学習と推論で一貫した特徴量を提供したい場合に適したVertex AIの機能はどれか。
解答・解説を見る
正解: A. A. Vertex AI Feature Store
正解の根拠・詳細解説
Vertex AI Feature Storeは特徴量の集中管理・共有・サービングを行う機能で、チーム間での特徴量の一貫性確保と再利用性向上に役立ちます。
学習データに個人を特定できる情報（PII）が含まれる場合に、データ利用前に検討すべき適切な対応はどれか。
解答・解説を見る
正解: A. A. 匿名化・マスキングなどのプライバシー保護処理を実施し、ガバナンス要件を満たす
正解の根拠・詳細解説
PII/PHIを含むデータを利用する場合は、匿名化・トークナイズ・アクセス制御などのプライバシー保護策と社内ガバナンス・コンプライアンス要件への準拠が必須です。
テキスト文書を推論用にVertex AIへ取り込む際、検索拡張生成（RAG）の文脈でよく行われる処理はどれか。
解答・解説を見る
正解: A. A. 文書をチャンクに分割し、embeddingを生成してベクトルデータストアに格納する
正解の根拠・詳細解説
RAG用途では文書を適切なサイズのチャンクに分割し、embeddingモデルでベクトル化した上でベクトル検索可能なデータストアに格納するのが一般的な前処理です。
対話的にコードを実行しながらモデルのプロトタイピングを行う際、マネージドなJupyterノートブック環境として適切なGoogle Cloudサービスはどれか。
解答・解説を見る
正解: A. A. Vertex AI Workbench
正解の根拠・詳細解説
Vertex AI WorkbenchはマネージドなJupyterノートブック環境で、Google Cloudのデータ・ML サービスとシームレスに統合されたモデルプロトタイピングが可能です。
コラボレーション型のノートブック環境で、インフラ管理の手間を最小化しつつチームで共同編集したい場合に適した選択肢はどれか。
解答・解説を見る
正解: A. A. Colab Enterprise
正解の根拠・詳細解説
Colab EnterpriseはGoogle Cloudと統合されたマネージド型のコラボレーションノートブック環境で、インフラ管理を最小化しながらチームでの共同作業に適しています。
Vertex AI Workbenchでセキュリティのベストプラクティスとして推奨される設定はどれか。
解答・解説を見る
正解: A. A. サービスアカウントの権限を最小化し、VPC Service Controlsの利用を検討する
正解の根拠・詳細解説
最小権限の原則に基づきサービスアカウント権限を絞り、VPC Service Controlsでネットワーク境界を制御することがセキュリティのベストプラクティスです。
大規模なSparkベースの分散データ処理を、ノートブックから対話的に実行したい場合に利用できる仕組みはどれか。
解答・解説を見る
正解: A. A. Sparkカーネルを使ったノートブック（Dataproc連携）
正解の根拠・詳細解説
DataprocのSparkカーネルをノートブックに接続することで、大規模な分散データ処理を対話的に実行・検証できます。
ノートブック上のコードをGitなどでバージョン管理し、チーム開発のワークフローに組み込みたい。Vertex AI Workbenchで推奨される方法はどれか。
解答・解説を見る
正解: A. A. コードリポジトリ（Cloud Source RepositoriesやGitHub等）と統合する
正解の根拠・詳細解説
Vertex AI Workbenchはコードリポジトリ統合をサポートしており、Gitベースのバージョン管理・チームでのコラボレーションが可能です。
TensorFlow・PyTorch・scikit-learnなど複数フレームワークを使い分けてモデルを開発したい場合、Vertex AI Workbenchの特徴として正しいものはどれか。
解答・解説を見る
正解: A. A. 複数の一般的なMLフレームワークに対応した環境を選択できる
正解の根拠・詳細解説
Vertex AI Workbenchは TensorFlow・PyTorch・scikit-learn・Spark・JAXなど主要なMLフレームワークに対応した環境を提供します。
複数の実験（異なるハイパーパラメータや特徴量セット）を比較・追跡したい場合に適したGoogle Cloudの環境はどれか。
解答・解説を見る
正解: A. A. Vertex AI Experiments
正解の根拠・詳細解説
Vertex AI Experimentsは実験のパラメータ・メトリクス・アーティファクトを記録・比較するためのサービスで、モデル開発の試行錯誤を体系的に追跡できます。
TensorFlowやPyTorchでの学習進捗（損失関数の変化など）を可視化したい場合に適したツールはどれか。
解答・解説を見る
正解: A. A. Vertex AI TensorBoard
正解の根拠・詳細解説
Vertex AI TensorBoardはTensorFlow・PyTorchの学習メトリクス（loss、accuracyなど）を可視化するためのマネージドサービスです。
Kubeflow Pipelinesを利用する主な目的として最も適切なものはどれか。
解答・解説を見る
正解: A. A. 再現可能なMLワークフローをコンテナベースのパイプラインとして定義・実行する
正解の根拠・詳細解説
Kubeflow Pipelinesはコンテナ化されたステップを組み合わせて、再現可能でポータブルなMLワークフロー（パイプライン）を構築・実行するためのフレームワークです。
生成AIソリューションの評価（evaluating generative AI solutions）において重視すべき観点はどれか。
解答・解説を見る
正解: A. A. 応答の正確性・関連性・有害性の有無など複数の評価指標を組み合わせて評価する
正解の根拠・詳細解説
生成AIソリューションの評価では、正確性・関連性・流暢さ・有害性（toxicity）・バイアスなど複数の観点を組み合わせた評価が重要であり、自動評価と人手評価を併用することが推奨されます。
Vertex AIにテキストドキュメントなど複数の異種データソースを推論用に取り込む際に推奨される設計はどれか。
解答・解説を見る
正解: A. A. データソースごとに適切な取り込み・前処理パイプラインを設計し、Vertex AIが扱える形式に変換してから取り込む
正解の根拠・詳細解説
Vertex AIで推論を行うには、入力がモデルの期待するスキーマ（オンライン予測ならJSONのインスタンス形式、バッチ予測ならJSON LinesやBigQueryテーブルなど）に揃っている必要があります。そのためテキストは文字コード統一・不要タグの除去・チャンク分割やトークン化、画像はリサイズとエンコード、表形式データは型変換や欠損値処理といったように、データソースごとに前処理の内容が異なります。したがって取り込みロジックを一律に使い回すとスキーマ不一致や欠損によって推論が失敗したり、精度が劣化したりします。生データのまま投入するのも同様に不適切です。さらに重要なのは、学習時に使った前処理と推論時の前処理を同一のロジックで共有することです。ここがずれると学習時と推論時で特徴量の分布が食い違うトレーニングサービングスキューが発生し、オフライン評価では高精度でも本番で性能が出ない原因になります。
解釈可能性（interpretability）が重視される医療診断モデルを構築する場合、モデル選択の観点として最も適切なものはどれか。
解答・解説を見る
正解: A. A. 決定木や線形モデルなど説明性の高いモデルを優先的に検討する
正解の根拠・詳細解説
解釈可能性が要件となる場合、決定木・線形モデル・GAMなど説明性の高い手法を検討し、必要に応じて精度とのトレードオフを評価することが適切です。
CSV・JSON・画像など複数のファイル形式の学習データをVertex AIに取り込む際に推奨されるアプローチはどれか。
解答・解説を見る
正解: A. A. 各ファイル形式に応じた適切なローダー・前処理パイプラインを用意し、統一的な学習用データセットに変換する
正解の根拠・詳細解説
CSV・JSON・画像・Hadoopなど多様なファイル形式は、それぞれに適したローダーや前処理パイプラインを用いて統一的な学習用フォーマットに変換することが推奨されます。
Vertex AIのカスタムトレーニングを使う主な利点はどれか。
解答・解説を見る
正解: A. A. 独自のトレーニングコード・コンテナを使って柔軟にモデルを学習できる
正解の根拠・詳細解説
Vertex AIカスタムトレーニングは独自の学習コードやコンテナイメージを使って、フレームワークやアルゴリズムを自由に選択しながらモデルを学習できる柔軟性が利点です。
Google Kubernetes Engine（GKE）上でKubeflowを使ってML学習ワークロードを運用する利点はどれか。
解答・解説を見る
正解: A. A. コンテナオーケストレーションの柔軟性を活かし、複雑な分散学習パイプラインを構築できる
正解の根拠・詳細解説
GKE上のKubeflowはコンテナベースの柔軟なオーケストレーション基盤を提供し、複雑な分散学習・パイプラインの構築・運用に適しています。
非常に大規模なデータセットでモデルの学習時間を短縮したい場合に有効な手法はどれか。
解答・解説を見る
正解: A. A. 複数のワーカー（GPU/TPU）を使った分散学習を導入する
正解の根拠・詳細解説
分散学習（データ並列・モデル並列）を導入し複数のGPU/TPUワーカーで処理を分散させることで、大規模データセットの学習時間を短縮できます。
モデルの精度を最大化するために学習率やバッチサイズなどのハイパーパラメータを自動的に探索したい場合、Vertex AIで利用できる機能はどれか。
解答・解説を見る
正解: A. A. Vertex AI ハイパーパラメータチューニング
正解の根拠・詳細解説
Vertex AIのハイパーパラメータチューニング機能は、ベイズ最適化などの手法を用いて学習率やバッチサイズなどのハイパーパラメータを自動的に探索し、最適な組み合わせを見つけます。
モデルの学習ジョブが失敗した場合、トラブルシューティングの第一歩として適切なものはどれか。
解答・解説を見る
正解: A. A. ジョブのログ（Cloud Logging）を確認しエラーメッセージの原因を特定する
正解の根拠・詳細解説
学習ジョブの失敗時は、まずCloud Loggingに出力されたエラーログを確認し、リソース不足・コード不備・データ不整合など根本原因を特定することが基本的な対応です。
既存の基盤モデル（foundation model）を自社データでファインチューニングする目的として最も適切なものはどれか。
解答・解説を見る
正解: A. A. 特定タスク・ドメインに対するモデルの性能を向上させる
正解の根拠・詳細解説
ファインチューニングは事前学習済みの基盤モデルを自社の特定タスクやドメインのデータで追加学習させることで、汎用モデルよりも対象タスクへの性能を向上させる目的で行われます。
数値演算が多い深層学習モデルの学習を高速化するために、Google Cloudで利用できる専用アクセラレータはどれか。
解答・解説を見る
正解: A. A. TPU（Tensor Processing Unit）
正解の根拠・詳細解説
TPUはGoogleが開発した機械学習向けの専用アクセラレータで、特に行列演算が中心となる深層学習モデルの学習・推論を高速化します。
エッジデバイス上で推論を行う必要があるモデルの学習・最適化を検討する際、考慮すべき点はどれか。
解答・解説を見る
正解: A. A. モデルサイズや計算量を削減する量子化・蒸留などの最適化手法を検討する
正解の根拠・詳細解説
エッジデバイスはクラウドに比べて計算・メモリリソースが限られるため、量子化・知識蒸留・プルーニングなどでモデルを軽量化する最適化が重要になります。
複数のGPUを使った分散学習で通信オーバーヘッドを削減するためにVertex AIが提供する機能はどれか。
解答・解説を見る
正解: A. A. Reduction Server
正解の根拠・詳細解説
Reduction ServerはVertex AIが提供する分散学習向けの最適化機能で、勾配の集約（All-Reduce）処理を効率化し、GPU間の通信オーベーヘッドを削減します。
オープンソースの分散学習フレームワークで、複数ノード間の勾配通信を効率化する目的で利用されるものはどれか。
解答・解説を見る
正解: A. A. Horovod
正解の根拠・詳細解説
Horovodは分散ディープラーニングのためのオープンソースフレームワークで、TensorFlowやPyTorchと組み合わせてマルチノード・マルチGPUの学習を効率化します。
学習データに「CSV」「画像」「Hadoop形式」が混在する場合、Vertex AIのカスタムトレーニングジョブに取り込む際の適切な対応はどれか。
解答・解説を見る
正解: A. A. 各データタイプ向けの読み込み処理をトレーニングコード内またはパイプラインの前段で個別に実装する
正解の根拠・詳細解説
異種データ形式を扱う場合は、各形式に応じた読み込み・前処理ロジックをトレーニングコードやパイプラインの前段に組み込むのが現実的な対応です。
タブularワークフロー（Tabular Workflows）を使う場合と、フルカスタムのVertex AIトレーニングを使う場合の違いとして正しいものはどれか。
解答・解説を見る
正解: A. A. Tabular Workflowsは表形式データに最適化された半マネージドのパイプラインを提供し、カスタムトレーニングはより自由度が高いがコード実装の負担が大きい
正解の根拠・詳細解説
Tabular WorkflowsはAutoMLベースの半マネージドな表形式データ向けパイプラインを提供する一方、カスタムトレーニングは独自コードによる最大限の柔軟性を持つトレードオフがあります。
ハイパーパラメータチューニングのジョブを設計する際、探索空間の定義として適切なものはどれか。
解答・解説を見る
正解: A. A. 各ハイパーパラメータの範囲（最小値・最大値）とスケール（線形・対数）を明示的に指定する
正解の根拠・詳細解説
ハイパーパラメータチューニングでは各パラメータの探索範囲とスケール（例：学習率は対数スケール）を適切に設定することで、効率的な探索が可能になります。
GPUとTPUの主な違いとして正しい説明はどれか。
解答・解説を見る
正解: A. A. TPUは行列演算に特化したGoogle独自のASICであり、特定のMLワークロードでGPUより高い演算効率を発揮することがある
正解の根拠・詳細解説
TPUは行列演算（テンソル演算）に特化したGoogle独自開発のアクセラレータであり、特定のディープラーニングワークロードにおいてGPUより高い効率を発揮することがあります。
モデル学習で「過学習（オーバーフィッティング）」が疑われる場合の対処法として適切なものはどれか。
解答・解説を見る
正解: A. A. 正則化の導入、データ拡張、Early Stoppingなどを検討する
正解の根拠・詳細解説
過学習対策としては正則化（L1/L2、Dropout）、データ拡張、Early Stopping、より多くの学習データの収集などが一般的な手法です。
分散学習における「データ並列（data parallelism）」の説明として正しいものはどれか。
解答・解説を見る
正解: A. A. 同じモデルのコピーを複数デバイスに配置し、データを分割して並列に処理する
正解の根拠・詳細解説
データ並列は同一のモデルレプリカを複数のデバイス（GPU/TPU）に配置し、ミニバッチを分割してそれぞれのデバイスで並列に学習を進める分散学習の基本手法です。
既存のオープンソース基盤モデルをVertex AIでファインチューニングする際、必要となる典型的なリソースはどれか。
解答・解説を見る
正解: A. A. タスクに特化したラベル付き学習データセットと、十分な計算リソース（GPU/TPU）
正解の根拠・詳細解説
ファインチューニングにはタスクに特化したラベル付き学習データと、モデルサイズに応じた十分な計算リソース（GPUやTPU）が必要です。
モデルアーキテクチャの選定において、推論レイテンシ要件が厳しいリアルタイムアプリケーションの場合に重視すべき点はどれか。
解答・解説を見る
正解: A. A. モデルサイズと推論速度のバランスを取り、軽量なアーキテクチャを検討する
正解の根拠・詳細解説
リアルタイム推論が必要な場合は、精度と推論レイテンシ・スループットのバランスを考慮し、必要に応じて軽量なモデルアーキテクチャや最適化手法を選択します。
Vertex AIでのトレーニングジョブにおいて、学習が想定よりも遅い場合に確認すべき項目はどれか。
解答・解説を見る
正解: A. A. I/Oボトルネック、データパイプラインの効率、分散学習の設定などを確認する
正解の根拠・詳細解説
学習速度が遅い場合は、データ読み込みのI/Oボトルネック、前処理パイプラインの効率、分散学習のワーカー設定など複数の要因を確認することが必要です。
カスタムコンテナを使ってVertex AIトレーニングジョブを実行する利点はどれか。
解答・解説を見る
正解: A. A. 任意の依存ライブラリやカスタム環境を完全にコントロールできる
正解の根拠・詳細解説
Vertex AIのカスタムトレーニングでは、事前構築済みコンテナを使う方法と、自分でビルドしたカスタムコンテナを使う方法があります。事前構築済みコンテナは対応するフレームワークとそのバージョンが決まっているため、特定バージョンのライブラリや独自ビルドの依存関係、システムパッケージが必要な場合には対応できません。カスタムコンテナなら学習コードと依存ライブラリ、ランタイム、環境変数までをイメージとして固定し、Artifact Registryに格納したうえでジョブから参照できるため、ローカル検証と本番学習をまったく同じ環境で再現できます。これは実験の再現性やトラブル切り分けの面で大きな利点です。注意点として、コンテナ化そのものはモデルの精度を上げる仕組みではなく、あくまで環境の制御と再現性を担保する手段です。イメージにタグを付けてバージョン管理し、学習ジョブとイメージの対応を記録しておくと、後から結果を追跡しやすくなります。
リアルタイムにレスポンスが必要なアプリケーション向けに推論を提供したい場合、適切な推論方式はどれか。
解答・解説を見る
正解: A. A. オンライン推論（online inference）
正解の根拠・詳細解説
リアルタイム性が求められるアプリケーションでは、リクエストごとに低レイテンシで結果を返すオンライン推論（Vertex AI Predictionのオンライン予測など）が適しています。
大量のレコードに対して定期的にまとめて予測を実行したい場合（リアルタイム性は不要）に適した推論方式はどれか。
解答・解説を見る
正解: A. A. バッチ推論（batch inference）
正解の根拠・詳細解説
リアルタイム性が不要で大量データを定期的に処理する場合は、Vertex AI Batch Prediction、Dataflow、BigQuery MLなどを使ったバッチ推論が効率的かつ低コストです。
BigQuery ML内で学習したモデルを使って、BigQueryに格納された大量データに対して直接バッチ予測を実行する方法はどれか。
解答・解説を見る
正解: A. A. ML.PREDICT関数をSQLクエリ内で使用する
正解の根拠・詳細解説
BigQuery MLはML.PREDICT関数を使ってBigQuery内のデータに対して直接（SQLクエリで）バッチ予測を実行できます。
PyTorchやXGBoostで学習したカスタムモデルをVertex AIでサービングする場合の標準的な方法はどれか。
解答・解説を見る
正解: A. A. カスタムコンテナまたは事前構築済みコンテナを使ってVertex AI Predictionにデプロイする
正解の根拠・詳細解説
Vertex AI Predictionは事前構築済みコンテナ（PyTorch、XGBoost、scikit-learn等）またはカスタムコンテナを使って、様々なフレームワークのモデルをサービングできます。
複数バージョンのモデルを管理し、各バージョンの学習元データやメタデータを一元的に把握したい場合に使うVertex AIの機能はどれか。
解答・解説を見る
正解: A. A. Vertex AI Model Registry
正解の根拠・詳細解説
Vertex AI Model Registryはモデルのバージョン管理・メタデータ管理を行う中央リポジトリで、どのデータ・パラメータで学習されたかを追跡できます。
新しいモデルバージョンの性能を、本番投入前に一部のトラフィックで比較検証したい場合に用いる手法はどれか。
解答・解説を見る
正解: A. A. A/Bテスト（トラフィック分割によるバージョン比較）
正解の根拠・詳細解説
A/Bテストは新旧モデルバージョンにトラフィックを分割して割り当て、実際の性能・ビジネス指標を比較検証する手法で、本番投入前のリスク低減に役立ちます。
サービング時にも学習時と同じ特徴量を低レイテンシで取得したい場合に利用するVertex AIの機能はどれか。
解答・解説を見る
正解: A. A. Vertex AI Feature Store（オンラインサービング）
正解の根拠・詳細解説
Vertex AI Feature Storeはオンラインサービング用の低レイテンシな特徴量取得機能を提供し、学習時と推論時で一貫した特徴量を利用できるようにします。
社内システムからのみアクセス可能なプライベートな推論エンドポイントを構築したい場合に利用する機能はどれか。
解答・解説を見る
正解: A. A. Vertex AI Private Endpoints（VPCピアリング経由）
正解の根拠・詳細解説
Vertex AI Private EndpointsはVPCピアリングを利用して、パブリックインターネットを経由せずに社内ネットワークから直接アクセスできる推論エンドポイントを提供します。
推論時のレイテンシを最小化するために、Vertex AI Predictionで適切なハードウェアを選択する際の考慮点はどれか。
解答・解説を見る
正解: A. A. モデルのサイズ・演算特性に応じてCPU/GPU/TPUを選択し、コストとレイテンシのバランスを取る
正解の根拠・詳細解説
推論用ハードウェアの選定では、モデルの計算特性（行列演算の規模など）とレイテンシ・コスト要件を踏まえてCPU/GPU/TPU/エッジデバイスを適切に選びます。
急激なトラフィック増加に対応するため、Vertex AI Predictionのサービングバックエンドをスケールさせる方法はどれか。
解答・解説を見る
正解: A. A. オートスケーリング設定によりレプリカ数を動的に増減させる
正解の根拠・詳細解説
Vertex AI Predictionはトラフィック（QPS等）に応じてレプリカ数を自動的に増減させるオートスケーリング機能を提供し、急激な負荷変動に対応できます。
コンテナ化されたカスタムモデルサービングの利点として正しいものはどれか。
解答・解説を見る
正解: A. A. 依存関係や実行環境を完全にパッケージ化し、再現性の高いデプロイが可能になる
正解の根拠・詳細解説
コンテナ化によって依存ライブラリ・ランタイムバージョンなどを固定化し、開発環境と本番環境の差異を減らした再現性の高いデプロイが可能になります。
本番環境でモデルのレイテンシ・メモリ使用量を改善するために検討すべき最適化手法はどれか。
解答・解説を見る
正解: A. A. モデルの量子化や蒸留などの簡素化技術を適用する
正解の根拠・詳細解説
量子化・知識蒸留・プルーニングなどの簡素化技術を適用することで、推論時のレイテンシ・メモリ・スループットを改善しつつ精度への影響を最小化できます。
バッチ推論にDataflowを使う典型的なシナリオはどれか。
解答・解説を見る
正解: A. A. 大規模データに対する分散ストリーミング/バッチ処理と組み合わせた予測パイプラインを構築する場合
正解の根拠・詳細解説
Dataflowは大規模データの分散処理パイプラインを構築できるため、前処理から推論、後処理までを一連のバッチ/ストリーミングパイプラインとして構築するシナリオに適しています。
Vertex AI Predictionのパブリックエンドポイントとプライベートエンドポイントの主な違いは何か。
解答・解説を見る
正解: A. A. パブリックはインターネット経由でアクセス可能、プライベートはVPC内からのみアクセス可能というネットワーク到達性の違い
正解の根拠・詳細解説
パブリックエンドポイントはインターネット経由でアクセスできる一方、プライベートエンドポイントはVPCピアリングを介して社内ネットワークからのみアクセスできるという到達性の違いがあります。
モデルレジストリでモデルのバージョン履歴を管理する利点はどれか。
解答・解説を見る
正解: A. A. 特定バージョンへのロールバックや、各バージョンの学習データ・性能の比較が容易になる
正解の根拠・詳細解説
モデルレジストリでバージョンを管理することで、問題発生時の旧バージョンへのロールバックや、各バージョンの性能・学習元データの比較が容易になります。
XGBoostモデルをVertex AIで高速にサービングしたい場合、推奨される方法はどれか。
解答・解説を見る
正解: A. A. Vertex AIが提供する事前構築済みXGBoostサービングコンテナを利用する
正解の根拠・詳細解説
Vertex AIはXGBoost用の事前構築済みサービングコンテナを提供しており、追加のコンテナ構築なしで簡単にモデルをデプロイ・サービングできます。
高スループットが要求されるオンライン推論ワークロードにおいて、コストとパフォーマンスのバランスを取るための一般的な戦略はどれか。
解答・解説を見る
正解: A. A. オートスケーリングとハードウェア選定（GPU/TPU/CPU）を組み合わせて最適化する
正解の根拠・詳細解説
高スループットワークロードでは、オートスケーリングで需要に応じたリソース調整を行いつつ、ワークロード特性に適したハードウェアを選定することがコストとパフォーマンスのバランスを取る基本戦略です。
Vertex AI Predictionでデプロイしたモデルのトラフィックを段階的に新バージョンへ移行したい場合の方法はどれか。
解答・解説を見る
正解: A. A. トラフィック分割（traffic splitting）を使って徐々に新バージョンへの割合を増やす
正解の根拠・詳細解説
Vertex AI Predictionはエンドポイントに複数のモデルバージョンをデプロイし、トラフィック分割設定で新バージョンへの移行比率を段階的に調整できます（カナリアリリース）。
BigQuery MLとVertex AI Predictionによる推論をユースケースで比較した場合、正しい説明はどれか。
解答・解説を見る
正解: A. A. BigQuery ML推論はBigQuery内のデータに対するSQLベースの推論に適し、Vertex AI Predictionは多様なフレームワーク・低レイテンシのオンライン推論に適する
正解の根拠・詳細解説
BigQuery MLはBigQuery内のデータに対するSQLベースのバッチ推論に強みがあり、Vertex AI Predictionは多様なフレームワークに対応した低レイテンシのオンライン/バッチ推論に適しています。
新モデルの本番投入前にシャドーテスト（影分析）を行う目的は何か。
解答・解説を見る
正解: A. A. 本番トラフィックに影響を与えずに新モデルの挙動・性能を検証する
正解の根拠・詳細解説
シャドーテストは新モデルに本番と同じリクエストを並行して送り、その結果を比較・記録することで、ユーザー体験に影響を与えずに新モデルの挙動を検証する手法です。
推論サービングにおける「コールドスタート」問題への対策として適切なものはどれか。
解答・解説を見る
正解: A. A. 最小レプリカ数を確保するなどのウォームアップ戦略を講じる
正解の根拠・詳細解説
コールドスタートはトラフィックがない状態からインスタンスが起動するまでのレイテンシ増加を指し、最小レプリカ数の確保や事前ウォームアップ戦略で軽減できます。
Vertex AI Predictionでモデルをデプロイする際、推論コストを抑えるために検討すべき選択肢はどれか。
解答・解説を見る
正解: A. A. オートスケーリングの最小レプリカ数を適切に設定し、不要な常時稼働を避ける
正解の根拠・詳細解説
オートスケーリングの最小・最大レプリカ数を適切に設定し、トラフィックが少ない時間帯の不要なリソース稼働を避けることでコストを最適化できます。
複数のモデルを単一のエンドポイントにデプロイしてリソースを共有する利点はどれか。
解答・解説を見る
正解: A. A. 小規模モデルをまとめてデプロイし、リソース利用効率とコストを改善できる
正解の根拠・詳細解説
Vertex AI Predictionでは複数の小規模モデルを同一エンドポイントにデプロイすることで、リソースの利用効率を高め、運用コストを抑えることができます。
推論サービングのスループットを評価する際に確認すべき指標として最も適切なものはどれか。
解答・解説を見る
正解: A. A. QPS（1秒あたりのリクエスト処理数）とP99レイテンシ
正解の根拠・詳細解説
サービングの性能はスループットとレイテンシの両面で見る必要があります。QPSは単位時間あたりに処理できるリクエスト数、つまりキャパシティを表し、必要なレプリカ数やマシンタイプ、アクセラレータの選定根拠になります。一方レイテンシは平均値だけを見ると実態を見誤るため、P95やP99といった分位点で評価します。ごく一部の遅いリクエストがユーザー体験やタイムアウトを左右するからです。両者にはトレードオフがあり、負荷を上げていくとキューイングによってテールレイテンシが急激に悪化するため、負荷試験でSLOを満たせる上限のQPSを求めるのが実務的な進め方です。バッチサイズを大きくするとスループットは上がりますが個々の応答は遅くなります。学習エポック数や学習データサイズ、ストレージコストは学習側やコスト管理の指標であり、サービング性能そのものを評価する指標ではありません。
end-to-endのMLパイプラインを構築する際、学習前に新規データの品質を検証する目的で行うべき処理はどれか。
解答・解説を見る
正解: A. A. データバリデーション（スキーマ検証・異常値検出など）
正解の根拠・詳細解説
データバリデーションはスキーマの整合性確認や異常値・欠損値の検出を行い、品質の低いデータがパイプラインに流れ込むことを防ぐ重要なステップです。
学習済みモデルを本番投入する前に、性能基準を満たしているかを自動的に検証するステップはどれか。
解答・解説を見る
正解: A. A. モデルバリデーション（評価指標が閾値を超えるかの確認）
正解の根拠・詳細解説
モデルバリデーションは精度・再現率などの評価指標が事前定義した閾値を満たしているかを確認し、基準を下回るモデルが誤って本番投入されることを防ぎます。
学習時と推論（サービング）時で異なる前処理ロジックが適用されることを防ぐために重要な設計はどれか。
解答・解説を見る
正解: A. A. 共通の前処理コード・変換グラフを学習と推論の両方で再利用する
正解の根拠・詳細解説
学習と推論で同一の前処理コードや変換グラフ（例：tf.Transform）を共有・再利用することで、training-serving skewと呼ばれる精度劣化要因を防止できます。
MLflowのような第三者製パイプラインツールをGoogle Cloud上でホストする場合の典型的な方法はどれか。
解答・解説を見る
正解: A. A. GKEやCompute Engine上にMLflowをセルフホストし、Google Cloudのストレージ・データサービスと統合する
正解の根拠・詳細解説
MLflowなどの第三者製パイプラインツールは、GKEやCompute Engine上にセルフホストし、Cloud StorageやBigQueryなどと統合して運用するのが一般的なパターンです。
パイプラインの各コンポーネントが必要とするCPU・メモリ・GPUなどの計算リソースを定義する際に考慮すべき点はどれか。
解答・解説を見る
正解: A. A. 各コンポーネントの処理内容（前処理・学習・評価等）の負荷特性に応じてリソースを個別に設定する
正解の根拠・詳細解説
パイプラインの各ステップ（データ処理、学習、評価など）は負荷特性が異なるため、ステップごとに適切なCPU/メモリ/GPUリソースを設定することがコストと性能の最適化につながります。
コンテナベースのジョブをトリガーしてビルド・デプロイを自動化するために利用できるGoogle Cloudサービスはどれか。
解答・解説を見る
正解: A. A. Cloud Build
正解の根拠・詳細解説
Cloud BuildはCI/CDパイプラインの一部としてコンテナイメージのビルドや各種ジョブの実行をトリガー・自動化するためのマネージドサービスです。
サーバーレスでコンテナ化されたジョブ（前処理やバッチ推論など）を必要な時だけ実行したい場合に適したサービスはどれか。
解答・解説を見る
正解: A. A. Cloud Run
正解の根拠・詳細解説
Cloud Runはコンテナ化されたワークロードをサーバーレスで実行できるサービスで、必要な時だけスケールして起動するためコスト効率が良いバッチ処理にも適しています。
コンテナ化されたステップを組み合わせて再利用可能なMLパイプラインを定義・実行するためのオーケストレーションフレームワークはどれか。
解答・解説を見る
正解: A. A. Kubeflow Pipelines / Vertex AI Pipelines
正解の根拠・詳細解説
Kubeflow PipelinesやVertex AI Pipelinesは、コンテナ化された個々のステップ（コンポーネント）を組み合わせて再利用可能なMLワークフローを定義・実行するためのオーケストレーションフレームワークです。
定期的なバッチジョブのスケジューリングやワークフローのオーケストレーションに使われる、Apache Airflowベースのマネージドサービスはどれか。
解答・解説を見る
正解: A. A. Cloud Composer
正解の根拠・詳細解説
Cloud ComposerはApache Airflowをベースとしたマネージドワークフローオーケストレーションサービスで、複雑なバッチジョブの依存関係やスケジューリングを管理できます。
オンプレミスと複数クラウドにまたがるMLワークロードを運用する「ハイブリッド/マルチクラウド戦略」が必要となる典型的な理由はどれか。
解答・解説を見る
正解: A. A. データ主権やレイテンシ、既存インフラ投資などの制約により単一クラウドに統一できない場合がある
正解の根拠・詳細解説
データ主権規制、レイテンシ要件、既存のオンプレミス投資などの制約により、複数クラウドやオンプレミスを組み合わせたハイブリッド/マルチクラウド戦略が必要になる場合があります。
TFXコンポーネントを使ってシステム全体（取り込み→検証→変換→学習→評価→配信）を設計する利点はどれか。
解答・解説を見る
正解: A. A. 各ステージが標準化されたコンポーネントとして提供され、再現性・保守性の高いパイプラインを構築できる
正解の根拠・詳細解説
TFXはデータ取り込み・検証・変換・学習・評価・配信までの一連のステージを標準化されたコンポーネントとして提供し、再現性と保守性の高いMLパイプライン構築を支援します。
Kubeflow DSL（Domain Specific Language）を使ってパイプラインを記述する目的は何か。
解答・解説を見る
正解: A. A. Pythonコードでパイプラインの構造（コンポーネント間の依存関係など）を宣言的に定義する
正解の根拠・詳細解説
Kubeflow DSLはPythonベースのドメイン特化言語で、パイプラインのコンポーネントとその依存関係・データフローを宣言的に記述するために使われます。
本番運用中のモデルの精度が時間経過とともに劣化する可能性に備えて、適切な再学習ポリシーを設計する際の考慮点はどれか。
解答・解説を見る
正解: A. A. 性能劣化の検知トリガーや定期的なスケジュールに基づき再学習を行う基準を定める
正解の根拠・詳細解説
データドリフトや性能劣化の検知トリガー、または定期的なスケジュールに基づいて再学習を実施する基準（retraining policy）を事前に設計することが、本番モデルの品質維持に重要です。
CI/CDパイプラインを用いてモデルのビルド・テスト・デプロイを自動化する目的は何か。
解答・解説を見る
正解: A. A. コードやモデルの変更を迅速かつ安全に検証し本番環境へ反映するプロセスを自動化する
正解の根拠・詳細解説
CI/CD（継続的インテグレーション/デプロイ）パイプラインはコードやモデルの変更を自動的にビルド・テスト・デプロイすることで、リリースの迅速性と信頼性を高めます。
Jenkinsを使ったMLモデルのCI/CDパイプラインをGoogle Cloud上で構築する場合の典型的な構成はどれか。
解答・解説を見る
正解: A. A. JenkinsサーバーをGCE/GKE上に構築し、Cloud Buildやコンテナレジストリと連携する
正解の根拠・詳細解説
JenkinsをGCE/GKE上にセルフホストし、Cloud BuildやArtifact Registry等のGoogle Cloudサービスと連携させることで、MLモデルのCI/CDパイプラインを構築できます。
異なる学習実行間でモデルのアーティファクト（パラメータ、メトリクス、出力ファイル等）を比較・追跡するために使うサービスはどれか。
解答・解説を見る
正解: A. A. Vertex AI ExperimentsおよびVertex ML Metadata
正解の根拠・詳細解説
Vertex AI Experimentsは実験のパラメータ・メトリクスを記録し、Vertex ML Metadataはアーティファクトの系譜（lineage）情報を追跡するために使われ、両者を組み合わせて学習実行間の比較が可能になります。
データセットやモデルのバージョン管理を「フッキング」して自動的に追跡する目的は何か。
解答・解説を見る
正解: A. A. どのデータ・モデルバージョンが使われたかを再現可能な形で記録し、ガバナンスと再現性を確保する
正解の根拠・詳細解説
データセット・モデルのバージョニングを自動的にフックして追跡することで、どのバージョンの組み合わせで学習・推論が行われたかを再現可能にし、ガバナンスとトラブルシューティングを支援します。
「モデルとデータのリネージ（lineage）」を追跡する主な目的はどれか。
解答・解説を見る
正解: A. A. 特定のモデル成果物がどのデータ・コード・パラメータから生成されたかを遡って把握できるようにする
正解の根拠・詳細解説
モデル・データのリネージを追跡することで、特定の予測結果や問題が発生した際にどのデータ・コード・パラメータバージョンに起因するかを遡って調査でき、ガバナンスやデバッグに役立ちます。
パイプラインのオーケストレーションフレームワークを選定する際、Vertex AI Pipelinesを選ぶ利点はどれか。
解答・解説を見る
正解: A. A. Google Cloudのマネージドサービスとして提供され、Vertex AIの他コンポーネントとシームレスに統合される
正解の根拠・詳細解説
Vertex AI PipelinesはサーバーレスのマネージドKubeflow Pipelines実行環境であり、Vertex AIの他のコンポーネント（Feature Store、Model Registryなど）とシームレスに統合できる点が利点です。
パイプラインの各ステップでトリガーとなる条件（例：新規データ到着、スケジュール）を設計する際の考慮点はどれか。
解答・解説を見る
正解: A. A. ビジネス要件に応じてイベントドリブン（データ到着時）かスケジュールドリブン（定期実行）かを選択する
正解の根拠・詳細解説
データの到着頻度やビジネス要件に応じて、イベントドリブン（Pub/Subなどによる即時トリガー）かスケジュールドリブン（Cloud Schedulerなどによる定期実行）かを適切に選択することが重要です。
再学習パイプラインを自動化する際、新しいモデルが既存モデルを上回った場合のみ本番に反映する仕組みを設計する目的は何か。
解答・解説を見る
正解: A. A. 性能が劣化したモデルが誤って本番に反映されるリスクを防ぐ
正解の根拠・詳細解説
新モデルと既存モデルの評価指標を比較し、性能が上回った場合のみ自動的に本番反映する仕組み（チャンピオン・チャレンジャー方式）により、性能劣化モデルの誤った投入を防止できます。
パイプラインコンポーネントのパラメータを動的に設定する際、ハードコーディングを避けるべき理由は何か。
解答・解説を見る
正解: A. A. 異なる環境（開発・検証・本番）やユースケースへの再利用性・保守性を高めるため
正解の根拠・詳細解説
パラメータをハードコーディングせず動的に設定可能にすることで、開発・検証・本番など異なる環境やユースケースに対してパイプラインを再利用しやすくなり、保守性も向上します。
Vertex AI PipelinesとCloud Composerを組み合わせて使う典型的なシナリオはどれか。
解答・解説を見る
正解: A. A. Cloud Composerで全体のワークフロー・依存タスクをオーケストレーションし、その中でVertex AI Pipelinesのジョブをトリガーする
正解の根拠・詳細解説
Cloud Composer（Airflow）で組織全体のデータ・MLワークフローをオーケストレーションし、その一部としてVertex AI Pipelinesの特定のMLパイプラインをトリガーする組み合わせがよく使われます。
大規模なデータパイプラインの障害発生時に、影響範囲を特定するために有効な仕組みはどれか。
解答・解説を見る
正解: A. A. データ・モデルのリネージ追跡とパイプラインの実行ログの分析
正解の根拠・詳細解説
データ・モデルのリネージ追跡と各コンポーネントの実行ログを分析することで、障害発生時にどのステップ・データバージョンが影響を受けたかを特定しやすくなります。
パイプラインのコンポーネントを再利用可能な形で共有する目的として適切なものはどれか。
解答・解説を見る
正解: A. A. チーム間で共通の前処理・学習ロジックを再利用し、開発効率と一貫性を高める
正解の根拠・詳細解説
再利用可能なパイプラインコンポーネントを共有することで、チーム間での重複実装を避け、開発効率と処理ロジックの一貫性を高めることができます。
継続的デリバリー（CD）の観点から、モデルデプロイの自動化において重要な要素はどれか。
解答・解説を見る
正解: A. A. 自動テスト・検証ステップを組み込み、品質を確保した上でデプロイを自動化する
正解の根拠・詳細解説
モデルの継続的デリバリーでは、コードだけでなくデータとモデルという二つの変動要素が加わるため、パイプラインに自動の検証ゲートを置くことが不可欠です。具体的には、入力データのスキーマや分布をチェックするデータ検証、ホールドアウトデータでの評価指標が閾値を満たすか、現行の本番モデルより劣化していないかを比較するモデル検証、さらに公平性やスキューの確認などを行い、合格したモデルだけをレジストリに登録してデプロイへ進めます。テストを省いて速度だけを優先すると、学習が失敗した、あるいは精度が退行したモデルが無検証で本番に流れ、障害の検知がユーザーからの申告頼みになります。デプロイ後もカナリアリリースやトラフィック分割で新旧モデルを並行させ、指標が悪化したら即座に切り戻せる構成にしておくことで、自動化のスピードと品質を両立できます。
AIシステムを悪意あるデータ操作（敵対的攻撃）から保護するために検討すべき対策はどれか。
解答・解説を見る
正解: A. A. 入力データの検証・異常検知や、モデルへのアクセス制御を強化する
正解の根拠・詳細解説
AIシステムのセキュリティ確保には、入力データの異常検知、モデル・データへのアクセス制御、敵対的サンプルへの耐性評価など複数の対策を組み合わせることが重要です。
GoogleのResponsible AI実践に沿ってモデルのバイアスを監視する目的は何か。
解答・解説を見る
正解: A. A. 特定の属性（性別・人種等）に対する不公平な予測結果を検出し改善する
正解の根拠・詳細解説
Responsible AI実践に基づくバイアス監視は、特定の属性グループに対して不公平・差別的な予測結果が生じていないかを検出し、必要に応じてモデルやデータを改善することを目的としています。
本番投入前にAIソリューションの「フェアネス（公平性）」を評価する際に確認すべき観点はどれか。
解答・解説を見る
正解: A. A. 異なる属性グループ間でのモデル性能・予測結果の差異
正解の根拠・詳細解説
フェアネス評価では、性別・年齢・人種などの属性グループ間でモデルの予測性能や結果に不当な差異が生じていないかを確認することが求められます。
Vertex AI Predictionにおいて、個々の予測結果に対してどの特徴量がどれだけ影響したかを説明する機能はどれか。
解答・解説を見る
正解: A. A. Vertex AI Explainable AI（特徴量帰属）
正解の根拠・詳細解説
Vertex AI Explainable AIは個々の予測に対する特徴量帰属（feature attribution）を計算し、どの入力特徴量が予測結果にどの程度影響したかを説明する機能を提供します。
本番運用中のモデルについて、継続的に評価指標を計測し性能劣化を早期に検知する仕組みとして利用できるVertex AIの機能はどれか。
解答・解説を見る
正解: A. A. Vertex AI Model Monitoring
正解の根拠・詳細解説
Vertex AI Model Monitoringは本番デプロイされたモデルに対する継続的な評価・モニタリングを行い、性能劣化やデータドリフトを早期に検知するための機能です。
「training-serving skew」とは何を指す現象か。
解答・解説を見る
正解: A. A. 学習時と推論時で入力データの分布や前処理結果が異なり、モデルの性能が劣化する現象
正解の根拠・詳細解説
training-serving skewは学習時に使われたデータの分布・前処理結果と、本番推論時に実際に入力されるデータとの間に差異が生じ、モデルの性能が劣化する現象を指します。
「特徴量帰属ドリフト（feature attribution drift）」を監視する目的は何か。
解答・解説を見る
正解: A. A. 時間経過に伴い、各特徴量が予測に与える影響度が変化していないかを検知する
正解の根拠・詳細解説
特徴量帰属ドリフトの監視は、時間経過とともに各特徴量が予測結果に与える影響度（重要度）が当初の想定から変化していないかを検知し、モデルの信頼性低下を早期に把握する目的があります。
本番モデルの性能を評価する際、単純な「ベースラインモデル」と比較する理由は何か。
解答・解説を見る
正解: A. A. 複雑なモデルが本当にベースラインを上回る価値を提供しているかを確認するため
正解の根拠・詳細解説
複雑なモデルを導入する際、単純なベースラインモデル（例：平均値予測やルールベース）と比較することで、追加の複雑性に見合う性能向上が実際にあるかを検証できます。
時間の経過とともにモデル性能が劣化する「コンセプトドリフト」を監視する重要性はどれか。
解答・解説を見る
正解: A. A. 実世界の状況変化により入力データと予測対象の関係性が変わり、精度が劣化する可能性があるため
正解の根拠・詳細解説
コンセプトドリフトは実世界の状況変化（消費者行動の変化など）により、入力データと予測対象との関係性そのものが変化する現象で、放置すると継続的にモデル精度が劣化するため監視が重要です。
本番運用中に学習時には想定していなかった形式のデータが入力され、推論エラーが頻発する場合の対応として適切なものはどれか。
解答・解説を見る
正解: A. A. 入力データのスキーマ検証を強化し、異常データを検知・除外する仕組みを導入する
正解の根拠・詳細解説
想定外の形式のデータによる推論エラーを防ぐには、入力データのスキーマ検証やバリデーションを強化し、異常なデータを早期に検知・除外する仕組みが有効です。
AIソリューションの「説明可能性（explainability）」が特に重要となる業界・用途はどれか。
解答・解説を見る
正解: A. A. 金融の融資審査や医療診断など、意思決定の根拠説明が求められる規制業界
正解の根拠・詳細解説
金融の融資審査・医療診断・人事採用など、意思決定の根拠説明が法的・倫理的に求められる規制業界では、モデルの説明可能性が特に重要視されます。
継続評価メトリクスを設計する際、単一の指標（例：accuracy）だけでなく複数指標を組み合わせる理由は何か。
解答・解説を見る
正解: A. A. クラス不均衡などの状況では単一指標だけでは性能を正確に評価できないため
正解の根拠・詳細解説
クラス不均衡なデータセットなどではaccuracyのみでは性能を正しく評価できないため、precision・recall・F1スコア・AUCなど複数の指標を組み合わせて評価することが推奨されます。
本番モデルでよく発生する「サービングエラー」の典型的な原因はどれか。
解答・解説を見る
正解: A. A. 入力データのスキーマ不一致や欠損値、リソース不足によるタイムアウトなど
正解の根拠・詳細解説
サービングエラーは入力データのスキーマ不一致・欠損値・型不整合や、リソース不足によるタイムアウト・メモリ不足など複数の要因によって発生することが一般的です。
責任あるAI（Responsible AI）の観点から、生成AIモデルの出力に対して追加で監視すべき項目はどれか。
解答・解説を見る
正解: A. A. 有害なコンテンツ・誤情報・著作権侵害の可能性などの出力リスク
正解の根拠・詳細解説
生成AIモデルでは、有害コンテンツの生成、誤情報（ハルシネーション）、著作権侵害の可能性など、従来の予測モデルにはなかった出力リスクへの監視が責任あるAIの観点から重要です。
モデルの予測結果が時間軸で見て徐々に悪化していないかを把握するために有効な監視アプローチはどれか。
解答・解説を見る
正解: A. A. 評価指標の時系列トレンドを可視化し、しきい値を下回った場合にアラートを発生させる
正解の根拠・詳細解説
機械学習モデルの精度は、デプロイ後に時間の経過とともに低下していくのが通常である。入力データの分布が学習時から変化するデータドリフトや、特徴量と予測対象の関係そのものが変わるコンセプトドリフトが起きるためで、モデル自体は変わっていなくても現実の側が動いてしまう。この劣化は多くの場合ゆるやかに進むため、ある一時点の評価値だけを見ても異常かどうか判断できず、精度やF1スコア、AUCといった評価指標を継続的に記録し、時系列のトレンドとして可視化する必要がある。そのうえで業務上許容できる下限をしきい値として定め、下回った時点でアラートを発報する仕組みにしておけば、影響が業務に及ぶ前に再学習や特徴量の見直しといった対応に移れる。Vertex AI Model Monitoringのように、特徴量の分布のずれやドリフトを継続的に検知して通知する仕組みも利用できる。正解ラベルの入手が遅れて精度をすぐ算出できない場合は、入力や予測の分布変化を代理の指標として監視するのが実務上の工夫となる。
