The main advantage of implementing machine learning for this business case is that new problematic phrases can be identified in spam posts. This is because machine learning can learn from the data and the feedback, and adapt to the changing patterns and trends of spam posts. Machine learning can also capture the semantic and contextual meaning of the posts, and not just rely on the presence or absence of keywords. By using machine learning, you can improve the accuracy and coverage of your anti-spam service, and detect new and emerging types of spam posts that may not be captured by the keyword list.
The other options are not advantages of implementing machine learning for this business case for the following reasons:
* A. Posts can be compared to the keyword list much more quickly is not an advantage, as it does not improve the quality or effectiveness of the anti-spam service. It only improves the efficiency of the service, which is not the primary objective. Moreover, machine learning may not necessarily be faster than the keyword list, depending on the complexity and size of the model and the data.
* C. A much longer keyword list can be used to flag spam posts is not an advantage, as it does not address the limitations or challenges of the keyword list approach. It only increases the size and complexity of the keyword list, which can make it harder to maintain and update. Moreover, a longer keyword list may not improve the accuracy or coverage of the anti-spam service, as it may introduce more false positives or false negatives, or miss new and emerging types of spam posts.
* D. Spam posts can be flagged using far fewer keywords is not an advantage, as it does not reflect the capabilities or benefits of machine learning. It only reduces the size and complexity of the keyword list, which can make it easier to maintain and update. However, using fewer keywords may not improve the accuracy or coverage of the anti-spam service, as it may lose some information or meaning of the posts, or miss some types of spam posts.
References:
* Professional ML Engineer Exam Guide
* Preparing for Google Cloud Certification: Machine Learning Engineer Professional Certificate
* Google Cloud launches machine learning engineer certification
* Machine Learning for Spam Detection
* Spam Detection Using Machine Learning

公式試験ガイド1 によると、試験で評価されるスキルの 1 つは、「Google Cloud テクノロジーを使用してビジネス課題を解決するための ML モデルを設計、構築、本番化する」ことです。Document AI2 は、ドキュメントから非構造化データを取得して構造化データに変換し、理解、分析、利用を容易にするドキュメント理解プラットフォームです。Document AI Workbench3 を使用すると、ドキュメントの特定のセクションのテキストを解析するカスタム抽出ツールを作成できます。Natural Language API4 は、感情分析、エンティティ分析、その他のテキスト注釈などの自然言語理解テクノロジを提供するサービスです。AnalyseSentiment 機能 5 は、指定されたテキストを検査し、テキスト内で一般的な感情的な意見を特定し、特に書き手の態度が肯定的、否定的、または中立であるかを判断します。したがって、オプション C は、各フォームの顧客のコメントから全体的な満足度スコアを予測するタスクを達成するための最良の方法です。他のオプションは、このシナリオには関係がなく、最適でもありません。
参考文献:
* Professional ML Engineer 試験ガイド
* ドキュメントAI
* ドキュメント AI ワークベンチ
* 自然言語 API
* 感情分析
* Google プロフェッショナル機械学習認定試験 2023
* 最新の Google Professional Machine Learning Engineer の実際の無料試験問題

機械学習モデルのトレーニング時間は、モデルの複雑さ、データのサイズ、ハードウェア リソース、ハイパーパラメーターなどのいくつかの要因によって異なります。モデルの精度を大幅に損なうことなくトレーニング時間を最小限に抑えるには、これらの要素を可能な限り最適化する必要があります。
トレーニング時間に大きな影響を与える可能性がある要素の 1 つは、AI Platform でのトレーニング ジョブに使用するマシンのタイプと数を指定するスケール層パラメーターです。スケール層パラメーターには、BASIC、STANDARD_1、PREMIUM_1、BASIC_GPU などの事前定義値のいずれか、またはマシン タイプ、ワーカーの数、パラメーター サーバーの数を構成できるカスタム値を指定できます1。 AI Platform で LSTM ベースのモデルをトレーニングする場合は、スケール層パラメーターを変更して、より多くの CPU、GPU、TPU など、より多くの計算リソースを提供する上位層またはカスタム構成を使用する必要があります。これにより、モデル トレーニングの並列性とスループットが向上し、トレーニング時間を短縮できます。ただし、より高い階層またはカスタム構成ではより高い料金が発生する可能性があるため、トレーニング時間とコストのトレードオフも考慮する必要があります2。他のオプションはそれほど効果的ではないか、モデルの精度に悪影響を与える可能性があります。モデルがデータセット全体を参照する回数を指定するエポック パラメーターを変更すると、トレーニング時間が短縮される可能性がありますが、モデルの収束とパフォーマンスにも影響します。バッチごとのサンプル数を指定するバッチ サイズ パラメーターを変更すると、モデルの安定性と汎化能力、メモリ使用量と勾配更新頻度に影響を与える可能性があります。勾配降下法最適化のステップ サイズを指定する学習率パラメーターを変更すると、モデルの収束とパフォーマンスに影響を与えるだけでなく、オーバーシュートや極小値で行き詰まるリスクにも影響する可能性があります3 参考資料: 1: 事前定義されたマシンタイプの使用 2: 分散トレーニング3: ハイパーパラメータ調整の概要

Before building an insurance approval model, an ML engineer should consider the factors of traceability, reproducibility, and explainability, as these are important aspects of responsible AI and fairness in a regulated domain. Traceability is the ability to track the provenance and lineage of the data, models, and decisions throughout the ML lifecycle. It helps to ensure the quality, reliability, and accountability of the ML system, and to comply with the regulatory and ethical standards. Reproducibility is the ability to recreate the same results and outcomes using the same data, models, and parameters. It helps to verify the validity, consistency, and robustness of the ML system, and to debug and improve the performance. Explainability is the ability to understand and interpret the logic, behavior, and outcomes of the ML system. It helps to increase the transparency, trust, and confidence of the ML system, and to identify and mitigate any potential biases, errors, or risks. The other options are not as relevant or comprehensive as this option. Redaction is the process of removing sensitive or confidential information from the data or documents, but it is not a factor that the ML engineer should consider before building the model, as it is more related to the data preparation and protection.
Federated learning is a technique that allows training ML models on decentralized data without transferring the data to a central server, but it is not a factor that the ML engineer should consider before building the model, as it is more related to the model architecture and privacy preservation. Differential privacy is a method that adds noise to the data or the model outputs to protect the individual privacy of the data subjects, but it is not a factor that the ML engineer should consider before building the model, as it is more related to the model evaluation and deployment. References:
* Responsible AI documentation
* Traceability documentation
* Reproducibility documentation
* Explainability documentation

このアプローチでは、モデルをトレーニングする前に個人を特定できる情報 (PII) を削除することで、データセットの機密性を下げながら、データの重要な列を維持できます。データの承認されたビューを作成することで、権限のない個人が機密の値にアクセスできないようにすることができます。