* オプション A は不正解です。Google Kubernetes Engine で Kubeflow Pipelines を使用することは、最小限のクラスター管理でパイプライン全体をオーケストレーションする最も便利な方法ではありません。Kubeflow Pipelines は、コンテナーを使用して ML パイプラインを構築、実行、管理できるオープンソース プラットフォームです1。Google Kubernetes Engine は、コンテナ化されたアプリケーションをオーケストレーションするためのオープンソース システムである Kubernetes を実行する仮想マシンのクラスタを作成および管理できるサービスです2。ただし、このオプションにはクラスターの作成と構成、Kubeflow Pipelines のインストールと保守、パイプライン コードの作成と実行が含まれるため、オプション B よりも多くの労力とリソースが必要になります。
* オプション B は正解です。TensorFlow Extended (TFX) SDK で Vertex AI Pipelines を使用することが、最小限のクラスター管理でパイプライン全体をオーケストレーションする最良の方法であるためです。Vertex AI Pipelines は、Google Cloud3 上でスケーラブルでポータブルな ML パイプラインを作成して実行できるサービスです。TensorFlow Extended (TFX) は、TensorFlow4 を使用して本番環境に対応した ML パイプラインを構築するためのコンポーネントとライブラリのセットを提供するフレームワークです。Vertex AI Pipelines と TFX SDK を使用すると、Cloud Storage 内のデータの取り込みと前処理、Vertex AI ジョブを使用したオブジェクト モデルのトレーニングと調整、事前定義またはカスタム コンポーネントを使用したモデルのエンドポイントへのデプロイが可能になります。Vertex AI Pipelines は基盤となるインフラストラクチャとオーケストレーションを処理するため、クラスターの管理やスケーラビリティについて心配する必要はありません。
* オプション C は不正解です。Vertex AI Pipelines を Kubeflow Pipelines SDK とともに使用することは、最小限のクラスター管理でパイプライン全体をオーケストレーションする最適な方法ではないためです。Kubeflow Pipelines SDK は、Kubeflow Pipelines5 を使用して ML パイプラインを構築および実行できるようにするライブラリです。Vertex AI Pipelines と Kubeflow Pipelines SDK を使用すると、コンテナを使用して Google Cloud 上で ML パイプラインを作成して実行できます。ただし、このオプションでは、トレーニングとデプロイには Vertex AI SDK、取り込みと前処理には Kubeflow Pipelines SDK など、パイプラインのさまざまなステップで異なる API とツールを使用する必要があるため、オプション B よりも利便性と一貫性が劣ります。さらに、このオプションは、標準コンポーネント、メタデータ ストア、ML メタデータ ライブラリなどの TFX の利点を活用しません。
* オーケストレーションに Cloud Composer を使用することは、最小限のクラスタ管理でパイプライン全体をオーケストレーションする最も効率的な方法ではないため、オプション D は不正解です。Cloud Composer は、オープンソース プラットフォームである Apache Airflow を使用してワークフローを作成および実行できるサービスです。
* 複雑なタスクを調整します。Cloud Composer を使用すると、タスクの依存関係と順序を定義する DAG (有向非循環グラフ) を作成および管理することで、パイプライン全体をオーケストレーションできます。
ただし、このオプションには環境の作成と構成、Airflow のインストールと保守、DAG の作成と実行が含まれるため、オプション B よりも複雑でコストがかかります。
参考文献:
* Kubeflow パイプラインのドキュメント
* Google Kubernetes Engine ドキュメント
* Vertex AI パイプラインのドキュメント
* TensorFlow Extended ドキュメント
* Kubeflow Pipelines SDK ドキュメント
* [Cloud Composer ドキュメント]
* [Vertex AI ドキュメント]
* [クラウドストレージのドキュメント]
* [TensorFlow ドキュメント]

説明/参照: https://docs.aws.amazon.com/polly/latest/dg/ssml.html

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「モデル監視ジョブの構成と最適化」です。Vertex AI モデル監視のドキュメントには、「モデル監視のコストを削減するために、モデル監視によってログに記録され分析されるリクエストのサンプル レートを構成できる」と記載されています。したがって、モニタリング ジョブの Randomsampleconfig のサンプルレート パラメーターを減らすと、ドリフトを迅速に検出し続けながら、モデルのモニタリング コストが削減されます。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:
* Google Cloud 認定資格の準備: 機械学習エンジニア プロフェッショナル認定資格
* Professional ML Engineer 試験ガイド
* 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
* [Vertex AI モデルのモニタリング]