* Option A is incorrect because distributing the dataset with
tf.distribute.Strategy.experimental_distribute_dataset is not the most effective way to decrease the training time. This method allows you to distribute your dataset across multiple devices or machines, by creating a tf.data.Dataset instance that can be iterated over in parallel1. However, this option may not improve the training time significantly, as it does not change the amount of data or computation that each device or machine has to process. Moreover, this option may introduce additional overhead or complexity, as it requires you to handle the data sharding, replication, and synchronization across the devices or machines1.
* Option B is incorrect because creating a custom training loop is not the easiest way to decrease the training time. A custom training loop is a way to implement your own logic fortraining your model, by using low-level TensorFlow APIs, such as tf.GradientTape, tf.Variable, or tf.function2. A custom training loop may give you more flexibility and control over the training process, but it also requires more effort and expertise, as you have to write and debug the code for each step of the training loop, such as computing the gradients, applying the optimizer, or updating the metrics2. Moreover, a custom training loop may not improve the training time significantly, as it does not change the amount of data or computation that each device or machine has to process.
* Option C is incorrect because using a TPU with tf.distribute.TPUStrategy is not a valid way to decrease the training time. A TPU (Tensor Processing Unit) is a custom hardware acceleratordesigned for high-performance ML workloads3. A tf.distribute.TPUStrategy is a distribution strategy that allows you to distribute your training across multiple TPUs, by creating a tf.distribute.TPUStrategy instance that can be used with high-level TensorFlow APIs, such as Keras4. However, this option is not feasible, as Vertex AI Training does not support TPUs as accelerators for custom training jobs5. Moreover, this option may require significant code changes, as TPUs have different requirements and limitations than GPUs.
* オプション D は正解です。バッチ サイズを増やすことがトレーニング時間を短縮する最善の方法です。バッチ サイズは、トレーニング ループの各反復で処理されるデータのサンプル数を決定するハイパーパラメータです。バッチ サイズを増やすと、モデルのトレーニングに必要な反復回数が減り、各デバイスまたはマシンでより多くのデータを並行して処理できるようになるため、トレーニング時間が短縮される可能性があります。バッチ サイズを増やすことも、ハイパーパラメータを 1 つ変更するだけで済むため、簡単に実装できます。ただし、バッチ サイズを増やすと、モデルの収束と精度にも影響する可能性があるため、トレーニング時間とモデルのパフォーマンスのトレードオフのバランスをとる最適なバッチ サイズを見つけることが重要です。
参考文献:
* tf.distribute.Strategy.experimental_distribute_dataset
* カスタムトレーニングループ
* TPUの概要
* tf.distribute.TPUStrategy
* Vertex AI トレーニング アクセラレータ
* [TPUプログラミングモデル]
* [バッチサイズと学習率]
* [ハード概要]
* [tf.distribute.MirroredStrategy]
* [Vertex AI トレーニングの概要]
* [TensorFlowの概要]

特徴の属性は、各特徴が予測にどのように影響するかを判断するのに役立ち、バイアスを識別するために不可欠です。
Vertex AI に組み込まれている説明可能性ツールは、モデルの機能空間を変更することなく分析情報を提供します。モデル モニタリング (オプション A) は、機能の影響ではなく分布ドリフトを検出します。オプション B と D は、モデルの決定を説明したり公平性に関する分析情報を提供したりするという要求に直接対応しません。

処理手順を実装してサービス提供時に実行し、コードの変更とインフラストラクチャのメンテナンスを最小限に抑え、モデルをできるだけ早く本番環境にデプロイするための最適なオプションは、Predictor インターフェースを使用してカスタム予測ルーチンを実装することです。カスタム コンテナを構築し、コンテナを Vertex AI Model Registry にアップロードして、Vertex AI エンドポイントにデプロイします。このオプションを使用すると、Vertex AI のパワーとシンプルさを活用して、最小限の労力とカスタマイズで XGBoost モデルを提供できます。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 XGBoost 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。カスタム予測ルーチン (CPR) は、入力データの前処理、予測の実行、出力データの後処理のロジックを定義する Python スクリプトです。CPR を使用すると、モデルの予測動作をカスタマイズし、複雑なデータ形式や非標準のデータ形式を処理できます。また、CPR を使用すると、予測ロジックを実装するためにいくつかの関数を記述するだけで済むため、コードの変更を最小限に抑えることができます。 Predictor インターフェースは、基本クラス aiplatform.Predictor から継承され、抽象メソッド predict() と preprocess() を実装するクラスです。Predictor インターフェースは、モデルの前処理と予測ロジックを定義することで CPR を作成するのに役立ちます。コンテナ イメージは、モデル、CPR、および依存関係を含むパッケージです。コンテナ イメージを使用すると、コンテナ イメージを Vertex AI Model Registry にアップロードして Vertex AI Endpoints にデプロイするだけで済むため、デプロイ プロセスを標準化して簡素化できます。Predictor インターフェースを使用して CPR を実装し、カスタム コンテナを構築して、コンテナを Vertex AI Model Registry にアップロードし、Vertex AI エンドポイントにデプロイすることで、処理手順を実装してサービス提供時に実行できるようにし、コードの変更とインフラストラクチャのメンテナンスを最小限に抑え、モデルをできるだけ早く本番環境にデプロイできます1。
他のオプションは、次の理由によりオプション C ほど優れていません。
* オプション A: FastAPI を使用して HTTP サーバーを実装し、HTTP サーバーを実行する Docker イメージを作成して、組織の GKE クラスタにデプロイするには、Predictor インターフェースを使用して CPR を実装し、カスタム コンテナを構築し、コンテナを Vertex AI Model Registry にアップロードして、Vertex AI エンドポイントにデプロイするよりも多くのスキルと手順が必要です。FastAPI は、Python でウェブ アプリケーションと API を構築するためのフレームワークです。FastAPI を使用すると、予測リクエストとレスポンスを処理し、データの前処理と後処理を実行できる HTTP サーバーを実装できます。Docker イメージは、モデル、HTTP サーバー、依存関係を含むパッケージです。Docker イメージは、Docker イメージを構築して実行するだけなので、デプロイ プロセスを標準化して簡素化できます。GKE は、Google Cloud で Kubernetes クラスタを作成および管理できるサービスです。GKE を使用すると、Google Cloud で Docker イメージをデプロイおよびスケーリングし、高可用性とパフォーマンスを実現できます。ただし、FastAPI を使用して HTTP サーバーを実装し、HTTP サーバーを実行する Docker イメージを作成して組織の GKE クラスタにデプロイするには、Predictor インターフェースを使用して CPR を実装し、カスタム コンテナを構築し、コンテナを Vertex AI Model Registry にアップロードして Vertex AI エンドポイントにデプロイするよりも多くのスキルと手順が必要になります。コードの記述、HTTP サーバーの作成と構成、Docker イメージの構築とテスト、GKE クラスタの作成と管理、Docker イメージのデプロイとモニタリングが必要になります。さらに、このオプションでは、Google Cloud サービスとネイティブに統合されたオンライン予測を提供できる Vertex AI のパワーとシンプルさを活用できません2。
* オプション B: FastAPI を使用して HTTP サーバーを実装し、HTTP サーバーを実行する Docker イメージを作成し、そのイメージを Vertex AI Model Registry にアップロードして Vertex AI エンドポイントにデプロイするには、Predictor インターフェースを使用して CPR を実装し、カスタム コンテナを構築し、そのコンテナを Vertex AI Model Registry にアップロードして Vertex AI エンドポイントにデプロイするよりも多くのスキルと手順が必要になります。FastAPI は、Python でウェブ アプリケーションと API を構築するためのフレームワークです。FastAPI を使用すると、予測リクエストとレスポンスを処理し、データの前処理と後処理を実行できる HTTP サーバーを実装できます。Docker イメージは、モデル、HTTP サーバー、依存関係を含むパッケージです。Docker イメージは、Docker イメージを構築して実行するだけなので、デプロイ プロセスを標準化して簡素化できます。Vertex AI Model Registry は、Google Cloud で機械学習モデルを保存および管理できるサービスです。Vertex AI Model Registry を使用すると、Docker イメージをアップロードして整理し、モデルのバージョンとメタデータを追跡できます。 Vertex AI Endpoints は、Google Cloud 上の機械学習モデルのオンライン予測を提供できるサービスです。Vertex AI Endpoints を使用すると、Docker イメージ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の低レイテンシ予測を提供できます。ただし、FastAPI を使用して HTTP サーバーを実装し、HTTP サーバーを実行する Docker イメージを作成し、そのイメージを Vertex AI Model Registry にアップロードして Vertex AI エンドポイントにデプロイするには、Predictor インターフェースを使用して CPR を実装し、カスタム コンテナを構築し、そのコンテナを Vertex AI Model Registry にアップロードして Vertex AI エンドポイントにデプロイするよりも多くのスキルと手順が必要になります。コードを記述し、HTTP サーバーを作成して構成し、Docker イメージを構築してテストし、その Docker イメージを Vertex AI Model Registry にアップロードして、その Docker イメージを Vertex AI Endpoints にデプロイする必要があります。さらに、このオプションでは、Google Cloud サービスとネイティブに統合されたオンライン予測を提供できる Vertex AI のパワーとシンプルさを活用できません2。
* オプション D: トレーニング済みモデルを Vertex AI にインポートするときに XGBoost の事前構築済みサービング コンテナを使用し、モデルを Vertex AI エンドポイントにデプロイし、バックエンド エンジニアと協力して Golang バックエンド サービスで前処理および後処理の手順を実装すると、処理手順を実装してサービング時に実行することができなくなり、コードの変更とインフラストラクチャのメンテナンスが増加する可能性があります。XGBoost の事前構築済みサービング コンテナは、Google Cloud によって提供されるコンテナ イメージで、XGBoost フレームワークと依存関係が含まれています。XGBoost の事前構築済みサービング コンテナを使用すると、コードを記述せずに XGBoost モデルをデプロイできますが、カスタマイズ オプションも制限されます。XGBoost の事前構築済みサービング コンテナは、JSON や CSV などの標準データ形式のみを処理でき、入力データや出力データの前処理や後処理は実行できません。予測を実行する前に入力データの変換や正規化が必要な場合は、XGBoost の事前構築済みサービング コンテナを使用できません。 Golang バックエンド サービスは、ウェブ開発やシステム プログラミングに使用できるプログラミング言語である Golang で実装されたサービスです。Golang バックエンド サービスは、フロントエンドからの予測リクエストと応答を処理し、Vertex AI エンドポイントと通信するのに役立ちます。ただし、トレーニング済みのモデルを Vertex AI にインポートするときに XGBoost のビルド済みサービング コンテナを使用し、モデルを Vertex AI エンドポイントにデプロイし、バックエンド エンジニアと協力して Golang バックエンド サービスで前処理と後処理の手順を実装すると、処理手順を実装してサービス提供時に実行することができなくなり、コードの変更とインフラストラクチャのメンテナンスが増える可能性があります。コードを記述し、トレーニング済みのモデルを Vertex AI にインポートし、モデルを Vertex AI エンドポイントにデプロイし、Golang バックエンド サービスで前処理と後処理の手順を実装し、Golang バックエンド サービスをテストしてモニタリングする必要があります。さらに、このオプションでは、Google Cloud サービスとネイティブに統合されたオンライン予測を提供できる Vertex AI のパワーとシンプルさを活用できません2。
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
* カスタム予測ルーチン
* 予測に事前に構築されたコンテナを使用する
* 予測にカスタムコンテナを使用する