トラフィックを処理し、すべてのユーザー トラフィックを新しいモデルに誘導し、アプリケーションへの中断を最小限に抑えてモデルをデプロイする本番環境の Vertex AI エンドポイントにモデルの新しいバージョンをデプロイするための最良のオプションは、新しいモデルを作成し、設定することです。 parentModel パラメーターを現在デプロイされているモデルのモデル ID に設定し、モデルを Vertex AI Model Registry にアップロードし、新しいモデルを既存のエンドポイントにデプロイして、新しいモデルをトラフィックの 100% に設定します。このオプションを使用すると、Vertex AI のパワーとシンプルさを活用してモデルのバージョンを更新し、低遅延でオンライン予測を提供できます。Vertex AI は、Google Cloud 上で機械学習ソリューションを構築およびデプロイするための統合プラットフォームです。Vertex AI は、トレーニングされたモデルをオンライン予測エンドポイントにデプロイし、個々のインスタンスに対して低レイテンシの予測を提供できます。モデルは、予測に使用できる機械学習モデルを表すリソースです。モデルには、同じモデルの異なる実装である 1 つ以上のバージョンを含めることができます。モデル バージョンには、同じモデルの別のバージョンとは異なるパラメータ、コード、またはデータを含めることができます。モデル バージョンは、モデルの実験と反復を行い、モデルのパフォーマンスと精度を向上させるのに役立ちます。parentModel パラメーターは、新しいモデル バージョンのベースとなるモデルのモデル ID を指定するパラメーターです。parentModel パラメーターは、既存のモデルの設定とメタデータを継承し、モデル構成の重複を避けるのに役立ちます。Vertex AI Model Registry は、機械学習モデルを Google Cloud に保存して管理できるサービスです。Vertex AI Model Registry は、モデルのアップロードと整理、モデルのバージョンとメタデータの追跡に役立ちます。エンドポイントは、予測のリクエストに使用するサービス エンドポイント (URL) を提供するリソースです。エンドポイントには、物理​​リソースに関連付けられたモデル バージョンのインスタンスである 1 つ以上のデプロイされたモデルを含めることができます。デプロイされたモデルは、低遅延でオンライン予測を提供し、トラフィックに基づいてスケールアップまたはスケールダウンするのに役立ちます。新しいモデルを作成し、parentModel パラメーターを現在デプロイされているモデルのモデル ID に設定し、モデルを Vertex AI Model Registry にアップロードし、新しいモデルを既存のエンドポイントにデプロイし、新しいモデルをトラフィックの 100% に設定することで、トラフィックを処理している運用環境の Vertex AI エンドポイントにモデルの新しいバージョンをデプロイし、すべてのユーザー トラフィックを新しいモデルに誘導し、アプリケーションへの中断を最小限に抑えてモデルをデプロイできます1。
他のオプションは、次の理由により、オプション C ほど優れていません。
* オプション A: 新しいエンドポイントを作成し、新しいモデルを作成してデフォルト バージョンとして設定し、モデルを Vertex AI Model Registry にアップロードし、新しいモデルを新しいエンドポイントにデプロイし、新しいエンドポイントを指すように Cloud DNS を更新します。新しいモデルを作成し、parentModel パラメーターを現在デプロイされているモデルのモデル ID に設定し、モデルを Vertex AI モデル レジストリにアップロードし、新しいモデルを既存のエンドポイントにデプロイし、新しいモデルを 100 に設定するよりも多くのスキルと手順が必要です。トラフィックの %。Cloud DNS は、信頼性が高くスケーラブルなドメイン ネーム システム（DNS）サービスを Google Cloud 上で提供できるサービスです。Cloud DNS は、DNS レコードを管理し、ドメイン名を IP アドレスに解決するのに役立ちます。新しいエンドポイントを指すように Cloud DNS を更新すると、ユーザー トラフィックを新しいエンドポイントにリダイレクトし、既存のアプリケーションの破損を回避できます。ただし、新しいエンドポイントの作成、新しいモデルの作成、デフォルト バージョンとしての設定、Vertex AI Model Registry へのモデルのアップロード、新しいエンドポイントへの新しいモデルのデプロイ、新しいエンドポイントを指すように Cloud DNS の更新を行うには、さらに多くの作業が必要になります。新しいモデルの作成、parentModel パラメーターを現在デプロイされているモデルのモデル ID に設定、モデルを Vertex AI モデル レジストリにアップロード、新しいモデルを既存のエンドポイントにデプロイ、新しいモデルを
トラフィックの 100%。コードを記述し、新しいエンドポイントを作成して構成し、新しいモデルを作成して構成し、モデルを Vertex AI Model Registry にアップロードし、モデルを新しいエンドポイントにデプロイし、新しいエンドポイントを指すように Cloud DNS を更新する必要があります。さらに、このオプションでは新しいエンドポイントが作成されるため、メンテナンスと管理のコストが増加する可能性があります2。
* オプション B: 新しいエンドポイントを作成し、新しいモデルを作成し、parentModel パラメーターを現在デプロイされているモデルのモデル ID に設定し、それをデフォルト バージョンとして設定し、モデルを Vertex AI モデル レジストリにアップロードし、新しいモデルを新しいエンドポイントを設定し、新しいモデルをトラフィックの 100% に設定するには、新しいモデルを作成し、parentModel パラメーターを現在デプロイされているモデルのモデル ID に設定し、モデルを Vertex AI Model Registry にアップロードし、デプロイするよりも多くのスキルと手順が必要になります。新しいモデルを既存のエンドポイントに設定し、新しいモデルを
トラフィックの 100%。parentModel パラメーターは、新しいモデル バージョンのベースとなるモデルのモデル ID を指定するパラメーターです。parentModel パラメーターは、既存のモデルの設定とメタデータを継承し、モデル構成の重複を避けるのに役立ちます。デフォルト バージョンは、他のバージョンが指定されていない場合に予測に使用されるモデル バージョンです。デフォルト バージョンを使用すると、予測リクエストが簡素化され、毎回モデル バージョンを指定する必要がなくなります。parentModel パラメーターを現在デプロイされているモデルのモデル ID に設定し、それをデフォルト バージョンとして設定すると、モデル バージョンを指定せずに、既存のモデルに基づいて新しいモデルを作成し、それを予測に使用できます。ただし、新しいエンドポイントを作成し、新しいモデルを作成し、parentModel パラメーターを現在デプロイされているモデルのモデル ID に設定し、それをデフォルト バージョンとして設定し、モデルを Vertex AI モデル レジストリにアップロードし、新しいモデルを新しいエンドポイントを作成し、新しいモデルをトラフィックの 100% に設定するには、新しいモデルを作成して、parentModel パラメーターを現在デプロイされているモデル ID に設定するよりも多くのスキルと手順が必要になります。
* モデル、モデルを Vertex AI Model Registry にアップロードし、新しいモデルを既存のエンドポイントにデプロイし、新しいモデルをトラフィックの 100% に設定します。コードを記述し、新しいエンドポイントを作成して構成し、新しいモデルを作成して構成し、モデルを Vertex AI Model Registry にアップロードして、モデルを新しいエンドポイントにデプロイする必要があります。さらに、このオプションでは新しいエンドポイントが作成されるため、メンテナンスと管理のコストが増加する可能性があります2。
* オプション D: 新しいモデルを作成し、それをデフォルト バージョンとして設定し、モデルを Vertex AI Model Registry にアップロードし、新しいモデルを既存のエンドポイントにデプロイすると、既存のモデルの設定とメタデータを継承できなくなります。エラーやパフォーマンスの低下を引き起こす可能性があります。デフォルト バージョンは、他のバージョンが指定されていない場合に予測に使用されるモデル バージョンです。デフォルト バージョンを使用すると、予測リクエストが簡素化され、毎回モデル バージョンを指定する必要がなくなります。
新しいモデルをデフォルト バージョンとして設定すると、モデルのバージョンを指定せずに新しいモデルを予測に使用できます。ただし、新しいモデルを作成し、それをデフォルト バージョンとして設定し、モデルを Vertex AI Model Registry にアップロードし、新しいモデルを既存のエンドポイントにデプロイすると、既存のモデルの設定とメタデータを継承できなくなり、次のような問題が発生する可能性があります。エラーやパフォーマンスの低下。コードを記述し、新しいモデルを作成して構成し、モデルを Vertex AI Model Registry にアップロードして、モデルを既存のエンドポイントにデプロイする必要があります。さらに、このオプションでは、parentModel パラメーターが現在デプロイされているモデルのモデル ID に設定されないため、既存のモデルの設定とメタデータを継承できなくなり、モデル バージョン間で不整合や競合が発生する可能性があります2。
参考文献:
* Google Cloud 認定資格の準備: 機械学習エンジニア、コース 3: 本番環境 ML システム、第 2 週: ML 予測の提供
* Google Cloud Professional Machine Learning Engineer 試験ガイド、セクション 3: 本番環境での ML モデルのスケーリング、3.1 本番環境への ML モデルのデプロイ
* 公式 Google Cloud Certified Professional Machine Learning Engineer 学習ガイド、第 6 章:
実稼働 ML システム、セクション 6.2: ML 予測の提供
* 頂点AI
* クラウドDNS

https://linuxtut.com/en/f4771efee37658c083cc/
https://github.com/kubeflow/pipelines/blob/master/components/gcp/bigquery/query/sample.ipynb
; https://v0-5.kubeflow.org/docs/pipelines/reusable-components/

チーム用の Vertex AI Workbench 環境を作成し、プロジェクト内の他の従業員へのアクセスを制限するには、次の手順に従う必要があります。
* 新しいサービス アカウントを作成し、Vertex AI ユーザー ロールを付与します。このロールは、ノートブック インスタンスの作成と管理を含む、Vertex AI のすべてのリソースへの完全なアクセス権を付与します1。
* サービス アカウントの各チーム メンバーにサービス アカウント ユーザーの役割を付与します。この役割により、チーム メンバーはサービス アカウントになりすましてそのアクセス許可を使用できるようになります2。
* 各チーム メンバーにノートブック閲覧者の役割を付与します。この役割により、チーム メンバーはノートブック インスタンスを表示して接続することができますが、変更または削除することはできません3。
* 新しいサービス アカウントを使用する Vertex AI Workbench ユーザー管理のノートブック インスタンスをプロビジョニングします。
このようにすると、ノートブック インスタンスはサービス アカウントとして実行され、サービス アカウント ユーザー ロールとノートブック閲覧者のロールを持つチーム メンバーのみがアクセスできるようになります。
参考文献:
*1: IAM による Vertex AI アクセス制御 | グーグルクラウド
* 2: サービス アカウントについて | クラウド IAM ドキュメント
* 3: Vertex AI Workbench インスタンスへのアクセスを管理 | グーグルクラウド
* [4]: Vertex AI Workbench インスタンスを作成および管理する | グーグルクラウド

データ パイプラインは、通常は分析、変換、または保存を目的として、1 つ以上のソースから 1 つ以上の宛先にデータを移動する一連のステップまたはプロセスです。データ パイプラインは、データ ソース、データ処理ツール、データ ストレージ システム、データ分析ツールなどのさまざまなコンポーネントを使用して設計できます1。各通話における顧客の感情を分析するためのデータ パイプラインを設計するには、次の要件と制約を考慮する必要があります。
* コールセンターには毎日 100 万件以上の電話があり、データはクラウド ストレージに保存されます。これは、データが大きく、構造化されておらず、分散しているため、音声、テキスト、画像などのさまざまな種類のデータ形式を処理できる、スケーラブルで効率的なデータ処理ツールが必要であることを意味します。
* 収集されたデータは通話が発信された地域から出てはならず、個人を特定できる情報 (Pll) を保存または分析することはできません。これは、データが機密であり、データの影響を受けることを意味します。
* プライバシーとコンプライアンスの規制に準拠しており、データ暗号化、アクセス制御、地域ポリシーを強制できる安全で信頼性の高いデータ ストレージ システムが必要です。
* データ サイエンス チームは、SQL ANSI-2011 準拠のインターフェイスを必要とする視覚化とアクセス用のサードパーティ ツールを備えています。これは、データ分析ツールが外部にあり、データ パイプラインから独立しており、SQL クエリと操作をサポートできる互換性のある標準のデータ インターフェイスが必要であることを意味します。
データ処理および分析用のコンポーネントを選択するための最良のオプションの 1 つは、データ処理には Dataflow を使用し、分析には BigQuery を使用することです。Dataflow は、バッチまたはストリーム処理、抽出、変換、読み込み (ETL)、またはデータ統合などのデータ処理のための Apache Beam パイプラインを実行するためのフルマネージド サービスです。BigQuery は、サーバーレスでスケーラブルでコスト効率の高いデータ ウェアハウスであり、大規模なデータに対して高速で複雑なクエリを実行できます23。Dataflow と BigQuery を使用すると、このユースケースでは次のような利点があります。
* Dataflow は、Cloud Storage からの大規模な非構造化データを並列分散方式で処理し、音声からテキストへの変換、センチメント スコアの抽出、PII の匿名化などのさまざまな変換を適用できます。Dataflow はバッチ処理とストリーム処理の両方を処理することもできるため、通話データのリアルタイムまたはほぼリアルタイムの分析が可能になります。
* BigQuery は、Dataflow からの処理されたデータを安全かつ信頼性の高い方法で保存および分析し、データ暗号化、アクセス制御、地域ポリシーを適用できます。BigQuery は SQL ANSI-2011 準拠のインターフェースもサポートしているため、データ サイエンス チームは可視化とアクセスにサードパーティ ツールを使用できます。BigQuery は、AI Platform、データスタジオ、Looker などのさまざまな Google Cloud サービスやツールと統合することもできます。
* Dataflow と BigQuery はどちらも Google Cloud エコシステムの一部であり、CSV、JSON、Avro、Parquet などのさまざまなデータ形式をサポートしているため、シームレスに連携できます。Dataflow と BigQuery は、スケーラビリティ、パフォーマンス、費用対効果などの Google Cloud インフラストラクチャの利点も活用できます。
他のオプションは適切ではないか、実現可能ではありません。データ処理に Pub/Sub を使用し、分析に Datastore を使用することは理想的ではありません。Pub/Sub は主にデータ処理ではなくイベント駆動型の非同期メッセージング用に設計されており、Datastore は主に低レイテンシーと高スループットの Key-Value 用に設計されているためです。分析ではなく運用です。
データ処理に Cloud Function を使用し、分析に Cloud SQL を使用することは最適ではありません。Cloud Function にはメモリ、CPU、実行時間に制限があり、複雑なデータ処理はサポートされていません。また、Cloud SQL はスケールできない可能性があるリレーショナル データベース サービスであるためです。大規模なデータに適しています。データ処理に Cloud Composer を使用し、分析に Cloud SQL を使用することは関係ありません。Cloud Composer は主に、データ処理ではなく、複数のシステムにわたる複雑なワークフローをオーケストレーションするために設計されており、Cloud SQL はリレーショナル データベース サービスであり、大規模にはうまく拡張できない可能性があります。データ。
参考資料: 1: データ パイプライン 2: データフローの概要 3: BigQuery の概要 : [Dataflow ドキュメント] :
[BigQuery ドキュメント]