Cloud Vision API offers pre-trained models specialized in identifying explicit or inappropriate content. By sending a copy of each image to a Cloud Storage bucket and triggering Cloud Vision through Cloud Run, the detection of explicit content is automated with minimal development time. Vertex AI custom models require more training data and infrastructure management, while AutoML-based solutions add more complexity. Cloud Vision's existing capabilities meet the requirement effectively and are highly scalable for real-time moderation needs.

ウェブ検索結果によると、Reduction Server は Google で開発された、より高速な GPU 全削減アルゴリズムであり、専用のリデューサー セットを使用してワーカーからの勾配を集約します12。リデューサーは、GPU VM よりも大幅に安価な軽量の CPU VM インスタンスです2。したがって、3 番目のワーカー プールにはアクセラレータを含めず、ワーカーとリデューサー間の通信を最適化するためにネットワーク帯域幅の広いマシン タイプを使用する必要があります2。TPU は Reduction Server ではサポートされていないため、最初の 2 つのワーカー プールには GPU を含め、トレーニング コードを含むコンテナ イメージを使用する必要があります12。reduction-server コンテナ イメージは Google によって提供され、3 番目のワーカー プールに使用する必要があります2。

このシナリオの目標は、AutoML Tables を使用してカスタムの不正検出モデルを作成することです。不正検出はバイナリ分類問題の一種で、モデルはトランザクションが不正かどうかを予測する必要があります。最適化目標は、モデルのトレーニング方法と評価方法を定義する指標です。AutoML Tables を使用すると、ログ損失、リコール値での精度、AUC PR、AUC ROC など、バイナリ分類問題のさまざまな最適化目標から選択できます。
不正検出の最適な最適化目標を選択するには、問題とデータの特性を考慮する必要があります。不正検出は、陽性クラス (不正な取引) が陰性クラス (正当な取引) に比べて非常にまれである問題です。つまり、データは非常に不均衡であり、モデルは少数クラスに敏感である必要があります。さらに、不正検出は、偽陰性 (不正な取引を見逃す) のコストが偽陽性 (正当な取引を不正としてフラグ付けする) のコストよりもはるかに高い問題です。つまり、モデルは高い再現率 (すべての不正な取引を検出する能力) を持ちながら、高い精度 (誤報を回避する能力) を維持する必要があります。
これらの考慮事項を考慮すると、不正検出の最適な最適化目標は、精度-再現率曲線 (AUC PR) 値の下の領域を最大化する目標です。AUC PR 値は、さまざまな確率しきい値の精度と再現率のトレードオフを測定するメトリックです。AUC PR 値が高いほど、モデルは高い精度と高い再現率を同時に達成できます。また、AUC PR 値は、真陽性率と偽陽性率のトレードオフを測定する AUC ROC 値よりも不均衡なデータに適しています。AUC ROC 値は、モデルの再現率や精度が低い場合でも高いスコアを与える可能性があるため、不均衡なデータでは誤解を招く可能性があります。
したがって、オプション C が正解です。オプション A は適切ではありません。Log 損失は予測された確率と実際のラベルの差を測定するメトリックであり、精度と再現率のトレードオフを考慮していないためです。オプション B は適切ではありません。再現率値での精度は固定された再現率レベルでの精度を測定するメトリックであり、異なるしきい値での精度と再現率のトレードオフを考慮していないためです。オプション D は適切ではありません。AUC ROC は、上で説明したように、不均衡なデータに対して誤解を招く可能性があるメトリックであるためです。
参考文献:
* AutoML Tables ドキュメント
* バイナリ分類の最適化目標
* 適合率-再現率曲線: 機械学習モデルを短時間で簡単に評価する方法
* ROC 曲線と曲線下面積の説明 (ビデオ)

質問のトレースを見ると、トレーニング時間が予想よりも長くかかっていることがわかります。これは、入力関数が最適化されていないことが原因であると考えられます。コスト効率よくトレーニング時間を短縮するには、並列読み取り、並列処理、およびプリフェッチを使用して入力関数を書き直すのが最善の選択肢です。これにより、モデルはデータをより効率的に処理し、トレーニング時間を短縮できます。参考資料:
* [Cloud TPU パフォーマンス ガイド]
* [データ入力パイプラインパフォーマンスガイド]

* オプション A は不正解です。マシンのパフォーマンス値を予測する時系列モデルをトレーニングし、マシンの実際のパフォーマンス値が予測されたパフォーマンス値と大幅に異なる場合にアラートを構成することは、VM からの監視データを使用して潜在的な障害を検出し、サービス デスク チームに警告する予測メンテナンス ソリューションを構築する最善の方法ではありません。このオプションでは、パフォーマンス値が予測可能なパターンに従うことを前提としていますが、複雑なシステムではそうではない可能性があります。また、このオプションでは、障害の特定に役立つ情報が含まれている可能性のある過去のインシデント データは使用されません。さらに、このオプションでは、モデルの品質と信頼性を確保するために不可欠な手順であるモデルの評価や検証は行われません。
* オプション B は正解です。マシンの履歴パフォーマンス データにラベルを付ける単純なヒューリスティック (例: Z スコアに基づく) を実装し、このラベル付けされたデータセットに基づいて異常を予測するモデルをトレーニングすることは、VM からの監視データを使用して潜在的な障害を検出し、サービス デスク チームに警告する予測メンテナンス ソリューションを構築する合理的な方法だからです。このオプションでは、教師あり学習に必要な、履歴パフォーマンス データにラベルを付ける単純で高速な方法を使用します。Z スコアは、値が分布の平均から何標準偏差離れているかを示す尺度です1。
By using a z-score, we can label the performance values that are unusually high or low as anomalies, which may indicate failures. Then, we can train a model to learn the patterns of normal and anomalous performance values, and use it to predict anomalies on new data. We can also evaluate and validate the model using metrics such as precision, recall, or F1-score, and compare it with other models or methods.
* Option C is incorrect because developing a simple heuristic (e.g., based on z-score) to label the machines' historical performance data, and testing this heuristic in a production environment, is not a safe way to build a predictive maintenance solution that uses monitoring data from the VMs to detect potential failures and then alerts the service desk team. This option does not involve any model training or evaluation, which are essential steps for ensuring the quality and reliability of the solution.
Moreover, this option does not test the heuristic on a separate dataset, such as a validation or test set, before deploying it to production, which may lead to errors or failures in the production environment.
* Option D is incorrect because hiring a team of qualified analysts to review and label the machines' historical performance data, and training a model based on this manually labeled dataset, is not a feasible way to build a predictive maintenance solution that uses monitoring data from the VMs to detect potential failures and then alerts the service desk team. This option may produce high-quality labels, but it is also costly, time-consuming, and prone to human errors or biases. Moreover, this option may not scale well with large or complex datasets, which may require more analysts or more time to label.
References:
* Z-score
* [Predictive maintenance]
* [Anomaly detection]
* [Time-series analysis]
* [Model evaluation]