* 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ないからです。Kubeflow Pipelines は、コンテナを使用して 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、このオプションでは、クラスタの作成と構成、Kubeflow Pipelines のインストールと保守、パイプライン コードの記述と実行が必要になるため、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 が正解です。Vertex AI Pipelines を TensorFlow Extended（TFX）SDK とともに使用するのが、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トする最適な方法だからです。Vertex AI Pipelines は、Google Cloud でスケーラブルで移植可能な ML パイプラインを作成して実行できるサービスです3。TensorFlow Extended（TFX）は、TensorFlow を使用して本番環境対応の ML パイプラインを構築するための一連のコンポーネントとライブラリを提供するフレームワークです4。Vertex AI Pipelines を TFX SDK とともに使用すると、Cloud Storage でデータを取り込んで前処理し、Vertex AI ジョブを使用してオブジェクト モデルをトレーニングおよび調整し、定義済みまたはカスタム コンポーネントを使用してモデルをエンドポイントにデプロイできます。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、最小限のクラスタ管理でパイプライン全体をオーケストレート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ライブラリです。Vertex AI Pipelines を Kubeflow Pipelines SDK とともに使用すると、コンテナを使用して Google Cloud で ML パイプラインを作成および実行できます。ただし、このオプションは、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に欠けます。さらに、このオプションでは、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 の利点を活用できません。
* オプションDは不正解です。Cloud Composerをオーケストレーションに使用することは、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ありません。Cloud Composerは、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。Apache Airflowは、オープンソースのクラウドプラットフォームです。
* 複雑なタスクのオーケストレーション。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 (有向非巡回グラフ) 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 の作成と実行が必要になるため、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 Pipelines ドキュメント
* Google Kubernetes Engine ドキュメント
* Vertex AI Pipelines 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]

カテゴリクロスエントロピーは、ターゲット変数に 2 つ以上の値があるマルチクラス分類問題に適した損失関数です。カテゴリクロスエントロピーは、ターゲットクラスの実際の確率分布とモデルの予測確率分布の差を測定します。次のように定義されます。
L - 合計(y_i * log(p_i))
ここで、y_i はクラス i の真の確率、p_i はクラス i の予測確率です。カテゴリ クロスエントロピーは、モデルが誤った予測を行った場合にペナルティを課し、正しいクラスに高い確率を割り当て、誤ったクラスに低い確率を割り当てるようにモデルを促します。
画像に運転免許証、パスポート、またはクレジットカードが含まれているかどうかを予測するモデルを構築するユースケースでは、カテゴリクロスエントロピーが適切な損失関数です。これは、問題がマルチクラス分類問題であり、ターゲット変数に ['drivers_license'、'passport'、'credit_card'] の 3 つの値があるからです。ラベルマップは、クラス名をクラスインデックスにマップするリストです。つまり、'drivers_license' はインデックス 0 に、'passport' はインデックス 1 に、'credit_card' はインデックス 2 にそれぞれ対応します。モデルは、各画像の 3 つのクラスにわたる確率分布を出力し、カテゴリクロスエントロピー損失関数は、その出力を実際のラベルと比較する必要があります。したがって、このユースケースでは、カテゴリクロスエントロピーが最適な損失関数です。

To create a Vertex AI Workbench environment for your team and limit access to other employees in your project, you should follow these steps:
* Create a new service account and grant it the Vertex AI User role. This role grants full access to all resources in Vertex AI, including creating and managing notebook instances1.
* Grant the Service Account User role to each team member on the service account. This role allows the team members to impersonate the service account and use its permissions2.
* Grant the Notebook Viewer role to each team member. This role allows the team members to view and
* connect to the notebook instance, but not to modify or delete it3.
* Provision a Vertex AI Workbench user-managed notebook instance that uses the new service account.
This way, the notebook instance will run as the service account and only the team members who have the Service Account User and Notebook Viewer roles will be able to access it.
References:
* 1: Vertex AI access control with IAM | Google Cloud
* 2: Understanding service accounts | Cloud IAM Documentation
* 3: Manage access to a Vertex AI Workbench instance | Google Cloud
* [4]: Create and manage Vertex AI Workbench instances | Google Cloud

検出を優先しながら、モデルによってトリガーされるメンテナンス ジョブの 50% 以上が差し迫ったマシン障害に対処することを保証するモデルを選択するための最適なオプションは、精度が 0.5 を超える最高の再現率を持つモデルを選択することです。このオプションには、次の利点があります。
これは、モデルによって正しく予測された実際の障害の割合である再現率を最大化します。再現率は感度または真陽性率 (TPR) とも呼ばれ、次のように計算されます。
mathrmRecallfracmathrmTPmathrmTP+mathrmFN
ここで、TP は真陽性 (故障として予測された実際の故障) の数、FN は偽陰性 (非故障として予測された実際の故障) の数です。再現率を最大化することで、モデルは偽陰性の数を減らすことができます。偽陰性は、機械の故障やダウンタイムにつながる可能性のある故障の見逃しを表すため、予知保全のユースケースにとって最もコストがかかり望ましくない結果となります。
予測された故障のうち実際の故障の割合である精度を制限します。精度は陽性予測値 (PPV) とも呼ばれ、次のように計算されます。
mathrmPrecisionfracmathrmTPmathrmTP+mathrmFP
ここで、FP は誤検知 (故障と予測された実際の非故障) の数です。精度を 0.5 より大きく制限することで、モデルによってトリガーされるメンテナンス ジョブの 50% 以上が差し迫ったマシンの故障に対処することを保証し、不必要なメンテナンス コストや無駄なメンテナンス コストを回避できます。
その他のオプションは、次の理由により最適ではありません。
オプション A: 受信者動作特性曲線 (AUC ROC) の下の面積が最も高く、精度が 0.5 を超えるモデルを選択しても、AUC ROC はリコールを直接測定しないため、検出が優先されない可能性があります。AUC ROC は、すべての可能なしきい値にわたってバイナリ分類器の全体的なパフォーマンスを評価する要約メトリックです。ROC 曲線は、TPR (リコール) を偽陽性率 (FPR) に対してプロットします。FPR は、モデルによって誤って予測された実際の非障害の割合です。AUC ROC は ROC 曲線の下の面積であり、範囲は 0 ～ 1 で、1 は完全な分類器を表します。ただし、AUC ROC が TPR と FPR の両方の影響を受け、精度や特異度 (モデルによって正しく予測された実際の非障害の割合) を考慮しないため、AUC ROC が最も高いモデルを選択してもリコールが最大化されない可能性があります。
オプション B: RMSE (二乗平均平方根誤差) が最も低く、再現率が 0.5 を超えるモデルを選択すると、RMSE はバイナリ分類に適した指標ではないため、検出が優先されない可能性があります。RMSE は、予測値と実際の値の間の誤差の平均の大きさを測定する回帰指標です。RMSE は次のように計算されます。
mathrmRMSEsqrtfrac1numi1n(yi-hatyi)2
ここで、yi は実際の値、hatyi は予測値、n は観測数です。ただし、RMSE が外れ値の影響を受けやすく、クラスの不均衡や誤分類のコストを考慮していないため、RMSE が最も低いモデルを選択しても障害の検出が最適化されない可能性があります。
オプション D: 再現率が 0.5 を超える最高の精度を持つモデルを選択すると、予測メンテナンスのユース ケースでは精度が最も重要な指標ではない可能性があるため、検出が優先されない可能性があります。精度は肯定的な予測の正確さを測定しますが、モデルの感度やカバレッジを反映するものではありません。最高の精度を持つモデルを選択すると、モデルによって正しく予測された実際の障害の割合である再現率が犠牲になる可能性があります。これにより、偽陰性の数が増加する可能性があります。偽陰性は、機械の故障やダウンタイムにつながる可能性のある障害を見逃すことになるため、予測メンテナンスのユース ケースにとって最もコストがかかり望ましくない結果となります。
参照：
評価指標（分類子） - スタンフォード大学
バイナリ分類器の評価 - Wikipedia
予知保全：最大のメリットとスマートな使用例

scikit-learn 分類モデルを本番環境にデプロイする最適なオプションは、オンライン Vertex AI 予測エンドポイントをデプロイし、最大レプリカ数を 100 に設定することです。このオプションを使用すると、Google Cloud のパワーとスケーラビリティを活用して、リクエストを 24 時間 365 日対応し、1 秒あたり数百万のリクエストを処理できます。Vertex AI は、Google Cloud 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、トレーニング済みの scikit-learn モデルをオンライン予測エンドポイントにデプロイして、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。オンライン予測エンドポイントは、仮想マシンで実行されるモデルのコピーである 1 つ以上のレプリカで構成されます。最大レプリカ数は、エンドポイントに作成できるレプリカの最大数を決定するパラメータです。最大レプリカ数を 100 に設定すると、トラフィックが増加したときにエンドポイントを 100 レプリカまでスケールアップし、トラフィックが減少するとレプリカを 0 にスケールダウンできます。これにより、使用したリソースに対してのみ支払うため、デプロイのコストを最小限に抑えることができます。さらに、自動スケーリング アルゴリズム オプションを使用して、レイテンシと使用率のメトリックに基づいてエンドポイントのスケーリング動作を最適化することもできます1。
他のオプションは、次の理由によりオプション B ほど優れていません。
* オプション A: オンライン Vertex AI 予測エンドポイントをデプロイし、最大レプリカ数を 1 に設定すると、リクエストを 24 時間 365 日対応したり、1 秒あたり数百万件のリクエストを処理したりすることはできません。最大レプリカ数を 1 に設定すると、エンドポイントのレプリカ数が 1 つに制限されるため、トラフィックが増加するとパフォーマンスの問題やサービスの中断が発生する可能性があります。さらに、最大レプリカ数を 1 に設定すると、トラフィックが減少したときにエンドポイントがレプリカをゼロにスケールダウンできなくなるため、使用しないリソースに対して料金が発生するため、デプロイのコストが増加する可能性があります1。
* オプション C: レプリカごとに 1 つの GPU を備えたオンライン Vertex AI 予測エンドポイントをデプロイし、最大レプリカ数を 1 に設定すると、リクエストを 24 時間 365 日対応して 1 秒あたり数百万のリクエストを処理することはできず、デプロイのコストが増加します。各レプリカに GPU を追加すると、エンドポイントの計算能力が向上しますが、GPU は CPU よりも高価なため、デプロイのコストも増加します。さらに、最大レプリカ数を 1 に設定すると、エンドポイントのレプリカが 1 つだけに制限されるため、トラフィックが増加するとパフォーマンスの問題やサービスの中断が発生する可能性があり、トラフィックが減少したときにエンドポイントがレプリカを 0 にスケールダウンできなくなります1。さらに、scikit-learn モデルは GPU のメリットを享受できません。scikit-learn は GPU アクセラレーション用に最適化されていないためです2。
* オプションD: レプリカごとに1つのGPUを備えたオンラインVertex AI予測エンドポイントをデプロイし、最大レプリカ数を100に設定すると、24時間365日リクエストに対応し、1日あたり数百万のリクエストを処理できるようになります。
* 秒ですが、導入コストが増加します。各レプリカに GPU を追加すると、エンドポイントの計算能力が向上しますが、GPU は CPU よりも高価なため、導入コストも増加します。最大レプリカ数を 100 に設定すると、トラフィックが増加したときにエンドポイントのレプリカを 100 までスケールアップし、トラフィックが減少するとレプリカを 0 までスケールダウンできるため、導入コストを最小限に抑えることができます。ただし、scikit-learn モデルは GPU のメリットを享受できません。これは、scikit-learn が GPU アクセラレーション用に最適化されていないためです2。したがって、scikit-learn モデルに GPU を使用することは不要であり、無駄です。
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:
プロダクション ML システム、セクション 6.2: ML 予測の提供
* オンライン予測
* オンライン予測のスケーリング
* scikit-learn よくある質問