[2025-04-14更新,216問] 無料Google Professional-Machine-Learning-Engineer試験問題集、Professional-Machine-Learning-Engineer合格内容(ページ 44)

Professional-Machine-Learning-Engineer 試験問題 211

You need to analyze user activity data from your company's mobile applications. Your team will use BigQuery for data analysis, transformation, and experimentation with ML algorithms. You need to ensure real-time ingestion of the user activity data into BigQuery. What should you do?

A. Configure Pub/Sub to stream the data into BigQuery.

B. Run an Apache Spark streaming job on Dataproc to ingest the data into BigQuery.

C. Run a Dataflow streaming job to ingest the data into BigQuery.

D. Configure Pub/Sub and a Dataflow streaming job to ingest the data into BigQuery,

正解: C

The best option to ensure real-time ingestion of the user activity data into BigQuery is to run a Dataflow streaming job to ingest the data into BigQuery. Dataflow is a fully managed service that can handle both batch and stream processing of data, and can integrate seamlessly with BigQuery and other Google Cloud services.
Dataflow can also use Apache Beam as the programming model, which provides a unified and portable API for developing data pipelines. By using Dataflow, you can avoid the complexity and overhead of managing your own infrastructure, and focus on the logic and transformation of your data. Dataflow can also handle various types of data, such as structured, unstructured, or binary data, and can apply windowing, aggregation, and other operations on the data streams.
The other options are not optimal for the following reasons:
* A. Configuring Pub/Sub to stream the data into BigQuery is not a good option, as Pub/Sub is a messaging service that can publish and subscribe to data streams, but cannot perform any transformation or processing on the data. Pub/Sub can be used as a source or a sink for Dataflow, but not as a standalone solution for ingesting data into BigQuery.
* B. Dataproc で Apache Spark ストリーミングジョブを実行してデータを BigQuery に取り込むのは、独自の仮想マシンクラスタを設定して管理する必要があり、ソリューションのコストと複雑さが増す可能性があるため、適切なオプションではありません。さらに、Apache Spark は BigQuery とネイティブに統合されておらず、BigQuery にデータを書き込むためにコネクタまたは中間ストレージを使用する必要があるため、レイテンシと非効率性が生じる可能性があります。
* D. Pub/Sub と Dataflow ストリーミングジョブを構成してデータを BigQuery に取り込むことは悪い選択肢ではありませんが、Dataflow は Pub/Sub を仲介として使用せずにモバイルアプリケーションから直接データを読み取ることができるため、必須ではありません。Pub/Sub を使用すると、抽象化と信頼性のレイヤーを追加できますが、ソリューションのコストと複雑さが増加し、データの取り込みに遅延が生じる可能性もあります。
参考文献:
* プロフェッショナル ML エンジニア試験ガイド
* 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
* Google Cloud が機械学習エンジニア認定を開始
* データフローのドキュメント
* BigQuery ドキュメント

Professional-Machine-Learning-Engineer 試験問題 212

You want to train an AutoML model to predict house prices by using a small public dataset stored in BigQuery. You need to prepare the data and want to use the simplest most efficient approach. What should you do?

A. Write a query that preprocesses the data by using BigQuery and creates a new table Create a Vertex Al managed dataset with the new table as the data source.

B. Use Dataflow to preprocess the data Write the output in TFRecord format to a Cloud Storage bucket.

C. Write a query that preprocesses the data by using BigQuery Export the query results as CSV files and use those files to create a Vertex Al managed dataset.

D. Use a Vertex Al Workbench notebook instance to preprocess the data by using the pandas library Export the data as CSV files, and use those files to create a Vertex Al managed dataset.

正解: A

AutoML 用のデータを準備する最もシンプルで効率的な方法は、BigQuery と Vertex AI を使用することです。BigQuery は、大規模なデータセットに対して高速でインタラクティブなクエリを実行できる、サーバーレスでスケーラブルかつ費用対効果の高いデータウェアハウスです。BigQuery は、フィルタリング、集計、結合、変換、新しい特徴の作成などの SQL 関数を使用してデータを前処理できます。前処理されたデータは BigQuery の新しいテーブルに保存でき、Vertex AI のデータソースとして使用できます。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、AutoML モデルのトレーニングに使用できるマネージドデータセットを BigQuery テーブルから作成できます。Vertex AI は、AutoML モデルを評価、デプロイ、モニタリングし、オンラインまたはバッチ予測を提供することもできます。BigQuery と Vertex AI を使用することで、ユーザーは Google Cloud のパワーとシンプルさを活用して、住宅価格を予測する AutoML モデルをトレーニングできます。
他のオプションは、次の理由により、オプション A ほど単純でも効率的でもありません。
* オプション B: Dataflow を使用してデータを前処理し、TFRecord 形式で出力を Cloud Storage バケットに書き込む場合、BigQuery と Vertex AI を使用する場合よりも多くの手順とリソースが必要になります。Dataflow は、さまざまなソースからの大量のデータを処理するためのスケーラブルで信頼性の高いパイプラインを作成できるサービスです。Dataflow は、データ処理ワークフローを定義および実行するためのプログラミングモデルである Apache Beam を使用してデータを前処理できます。TFRecord は、シーケンシャルデータを効率的に保存できるバイナリファイル形式です。ただし、Dataflow と TFRecord を使用するには、コードの記述、パイプラインの設定、ランナーの選択、出力ファイルの管理が必要になります。さらに、TFRecord は Vertex AI マネージドデータセットでサポートされている形式ではないため、Vertex AI マネージドデータセットを作成する前に、データを CSV ファイルまたは JSONL ファイルに変換する必要があります。
* オプション C: BigQuery を使用してデータを前処理するクエリを作成し、クエリ結果を CSV ファイルとしてエクスポートすると、BigQuery と Vertex AI を使用する場合よりも多くの手順とストレージが必要になります。CSV は、表形式のデータをカンマ区切り形式で保存できるテキストファイル形式です。クエリ結果を CSV ファイルとしてエクスポートするには、エクスポート先の Cloud Storage バケットを選択し、ファイル名またはワイルドカードを指定して、エクスポートオプションを設定する必要があります。さらに、CSV ファイルにはサイズ、スキーマ、エンコードなどの制限があり、データの品質と有効性に影響する可能性があります。データを CSV ファイルとしてエクスポートすると、追加のストレージコストが発生し、クエリのパフォーマンスが低下します。
* オプション D: Vertex AI Workbench ノートブックインスタンスを使用して pandas ライブラリでデータを前処理し、データを CSV ファイルとしてエクスポートするには、BigQuery と Vertex AI を使用する場合よりも多くの手順とスキルが必要です。Vertex AI Workbench は、データサイエンスと機械学習のための統合開発環境を提供するサービスです。Vertex AI Workbench を使用すると、ユーザーは Google Cloud 上で Jupyter ノートブックを作成して実行し、データ分析と機械学習のためのさまざまなツールやライブラリにアクセスできます。pandas は、表形式でデータを操作および分析できる人気の Python ライブラリです。
ただし、Vertex AI Workbench と pandas を使用するには、ノートブックインスタンスの作成、Python コードの記述、pandas のインストールとインポート、BigQuery への接続、データの読み込みと前処理、CSV ファイルとしてのデータのエクスポートが必要になります。さらに、pandas にはメモリ使用量、スケーラビリティ、互換性などの制限があり、データ処理の効率と信頼性に影響を与える可能性があります。
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 2: Google Cloud での ML 向けデータエンジニアリング、第 1 週: ML 向けデータエンジニアリングの概要
* Google Cloud Professional Machine Learning Engineer 試験ガイド、セクション 1: ローコード ML ソリューションの設計、1.3 AutoML を使用したモデルのトレーニング
* 公式 Google Cloud Certified Professional Machine Learning Engineer 学習ガイド、第 4 章:
ローコード ML ソリューション、セクション 4.3: AutoML
* ビッグクエリ
* 頂点AI
* データフロー
* TFRecord
* CSV
* Vertex AI ワークベンチ
* パンダ

Professional-Machine-Learning-Engineer 試験問題 213

あなたは、ビジュアル検索エンジンを開発しているオンライン小売企業で働いています。画像に自社の製品が含まれているかどうかを分類するために、Google Cloud にエンドツーエンドの ML パイプラインを設定しました。近い将来に新製品がリリースされることを見込んで、パイプラインに再トレーニング機能を構成して、新しいデータを ML モデルに取り込めるようにしました。また、テストデータセットでモデルの精度が高いことを確認するために、AI Platform の継続的な評価サービスも使用したいと考えています。どうすればよいでしょうか。

A. 新しい製品が再トレーニングに組み込まれても、元のテストデータセットを変更せずに維持します。

B. 再トレーニングに導入された新しい製品の画像でテストデータセットを拡張します。

C. 再トレーニングに新しい製品が導入されたときに、テストデータセットを新しい製品の画像に置き換えます。

D. 評価メトリックが事前に決定したしきい値を下回った場合に、新しい製品の画像でテストデータセットを更新します。

Professional-Machine-Learning-Engineer 試験問題 214

ある会社が Amazon SageMaker 環境を構築しています。企業のデータセキュリティポリシーでは、インターネット経由の通信は許可されていません。
Amazon SageMaker ノートブックインスタンスへの直接インターネットアクセスを有効にせずに、Amazon SageMaker サービスを有効にするにはどうすればよいでしょうか?

A. 企業 VPC 内に NAT ゲートウェイを作成します。

B. Amazon SageMaker トラフィックをオンプレミスネットワーク経由でルーティングします。

C. 企業 VPC 内に Amazon SageMaker VPC インターフェイスエンドポイントを作成します。

D. Amazon SageMaker をホストする Amazon VPC との VPC ピアリングを作成します。

Professional-Machine-Learning-Engineer 試験問題 215

You have recently developed a new ML model in a Jupyter notebook. You want to establish a reliable and repeatable model training process that tracks the versions and lineage of your model artifacts. You plan to retrain your model weekly. How should you operationalize your training process?

A. 1. Create an instance of the CustomTrainingJob class with the Vertex AI SDK to train your model.
2. Using the Notebooks API, create a scheduled execution to run the training code weekly.

B. 1. Create an instance of the CustomJob class with the Vertex AI SDK to train your model.
2. Use the Metadata API to register your model as a model artifact.
3. Using the Notebooks API, create a scheduled execution to run the training code weekly.

C. 1. Create a managed pipeline in Vertex Al Pipelines to train your model by using a Vertex Al CustomTrainingJoOp component.
2. Use the ModelUploadOp component to upload your model to Vertex Al Model Registry.
3. Cloud Scheduler と Cloud Functions を使用して、Vertex Al パイプラインを毎週実行します。

D. 1. Vertex Al Pipelines でマネージドパイプラインを作成し、Vertex Al HyperParameterTuningJobRunOp コンポーネントを使用してモデルをトレーニングします。
2. ModelUploadOp コンポーネントを使用して、モデルを Vertex Al Model Registry にアップロードします。
3. Cloud Scheduler と Cloud Functions を使用して、Vertex Al パイプラインを毎週実行します。

他のバージョン: 809Google.Professional-Machine-Learning-Engineer.v2026-08-01.q209; 1506Google.Professional-Machine-Learning-Engineer.v2024-06-17.q112; 1850Google.Professional-Machine-Learning-Engineer.v2023-10-04.q116; 1422Google.Professional-Machine-Learning-Engineer.v2022-12-19.q66

最新アップロード: 106APEGS.NPPE.v2026-09-03.q79; 104ASIS.ASIS-PSP.v2026-09-03.q195; 103Microsoft.GH-300.v2026-09-03.q70; 140Salesforce.AP-208.v2026-09-02.q62; 163Fortinet.NSE7_FSN_AR-7.6.v2026-09-02.q99; 134SAP.C_P2WBW_2505.v2026-09-01.q28; 127HP.HPE0-J81.v2026-09-01.q17; 152F5.402.v2026-09-01.q52; 174Lpi.304-200.v2026-08-31.q125; 133EMC.D-SNC-DY-00.v2026-08-31.q15

Professional-Machine-Learning-Engineer 試験問題 211

Professional-Machine-Learning-Engineer 試験問題 212

Professional-Machine-Learning-Engineer 試験問題 213

Professional-Machine-Learning-Engineer 試験問題 214

Professional-Machine-Learning-Engineer 試験問題 215

PDFファイルをダウンロード