Cloud Vision API は、露骨なコンテンツや不適切なコンテンツを識別することに特化した事前トレーニング済みモデルを提供します。各画像のコピーを Cloud Storage バケットに送信し、Cloud Run を通じて Cloud Vision をトリガーすることで、露骨なコンテンツの検出が最小限の開発時間で自動化されます。Vertex AI のカスタム モデルでは、より多くのトレーニング データとインフラストラクチャ管理が必要になり、AutoML ベースのソリューションでは複雑さが増します。
Cloud Vision の既存の機能は要件を効果的に満たし、リアルタイムのモデレーションのニーズに合わせて高度に拡張可能です。

In this scenario, the goal is to create an ML model to predict which newly uploaded videos will be the most popular on a video sharing website. The result that should be used to determine whether the model is successful is the one that best aligns with the business objective and the evaluation metric. Option C is the correct answer because it defines the most popular videos as the ones that have the highest watch time within 30 days of being uploaded, and it sets a high accuracy threshold of 95% for the model prediction.
Option C: The model predicts 95% of the most popular videos measured by watch time within 30 days of being uploaded. This option is the best result for the scenario because it reflects the business objective and the evaluation metric. The business objective is to prioritize the videos that will attract and retain the most viewers on the website. The watch time is a good indicator of the viewer engagement and satisfaction, as it measures how long the viewers watch the videos. The 30-day window is a reasonable time frame to capture the popularity trend of the videos, as it accounts for the initial interest and the viral potential of the videos. The 95% accuracy threshold is a high standard for the model prediction, as it means that the model can correctly identify 95 out of 100 of the most popular videos based on the watch time metric.
オプション A: モデルは、動画をアップロードしたユーザーの「いいね」数が 10,000 を超える場合、その動画が人気であると予測します。このオプションは、ビジネス目標や評価基準を反映していないため、シナリオにとって良い結果ではありません。ビジネス目標は、Web サイトで最も人気になる動画を優先することであり、動画をアップロードしたユーザーを優先することではありません。ユーザーの「いいね」数は、視聴者のエンゲージメントや動画に対する満足度を測るものではないため、動画の人気度を示す良い指標ではありません。さらに、このオプションでは、モデル予測の時間枠や精度のしきい値が指定されていないため、あいまいで信頼性の低いものになります。
オプション B: モデルは、クリック数で測定された最も人気のあるクリックベイト ビデオの 97.5% を予測します。このオプションは、ビジネス目標や評価基準を反映していないため、シナリオにとって良い結果ではありません。ビジネス目標は、最も誤解を招く、またはセンセーショナルなタイトルやサムネイルを持つビデオではなく、Web サイトで最も人気のあるビデオを優先することです。ビデオのクリック数は、視聴者のエンゲージメントやビデオ コンテンツへの満足度を測定するものではないため、ビデオの人気度を示す良い指標ではありません。さらに、このオプションはクリックベイト ビデオのみに焦点を当てているため、Web サイト上のビデオの大部分または多様性を代表していない可能性があります。
オプション D: 公開後 7 日後と 30 日後のログ変換された視聴回数間のピアソン相関係数は 0 です。このオプションは、ビジネス目標や評価指標を反映していないため、シナリオにとって良い結果ではありません。ビジネス目標は、Web サイトで最も人気が出る動画を優先することであり、時間の経過に伴って視聴回数が最も安定している、または安定していない動画を優先することではありません。ピアソン相関係数は、動画の人気度ではなく、2 つの変数間の線形関係を測定する指標です。相関係数が 0 の場合、7 日後と 30 日後のログ変換された視聴回数間に線形関係がないことを意味し、動画が人気があるかどうかは示されません。さらに、このオプションでは相関係数のしきい値や目標値が指定されていないため、相関係数は意味がなく、無関係です。

BigQuery にネイティブな INFORMATION_SCHEMA メタデータ テーブル。結果を使用して必要なテーブルを見つけます。
Explanation:
大規模なデータセットの場合は A が適しています。これも良い方法ですが、従来のチェック方法です。- NFORMATION_SCHEMA には、テーブル メタデータの次のビューが含まれています。テーブルに関するメタデータの場合は TABLES と TABLE_OPTIONS。列とフィールドに関するメタデータの場合は COLUMNS と COLUMN_FIELD_PATHS。テーブル パーティションに関するメタデータの場合は PARTITIONS (プレビュー)

説明/参照: https://docs.aws.amazon.com/glue/latest/dg/machine-learning.html