予測リクエストとは、学習済みモデルにデータを送信し、予測結果を受け取る方法です。予測リクエストは、モデルのホストおよび提供に使用されるサービスとプラットフォームに応じて、JSON、protobuf、gRPCなど、さまざまな形式で記述できます。予測リクエストには通常、次の情報が含まれます。
署名名：これは、モデルの入力と出力を定義する署名の名前です。署名とは、モデルが受け入れ、生成できるデータの形式、型、形状を指定する方法です。署名は、モデルのエクスポートまたは保存時に指定することも、サービスまたはプラットフォームによって自動的に推論することもできます。モデルには複数の署名を設定できますが、予測リクエストごとに使用できる署名は1つだけです。
インスタンス：これは、予測のためにモデルに送信されるデータです。インスタンスは、データのサイズと形状に応じて、単一のインスタンスまたはインスタンスのバッチになります。インスタンスは、入力テンソルの数、名前、型など、シグネチャの入力仕様に一致する必要があります。
テキスト分類モデルをトレーニングするユースケースでは、予測リクエストを正しく記述する方法は D です。 data json.dumps({"signature_name": "serving_default", "instances": [['a', 'b'], ['c', 'd'], ['e', 'f']]}) このオプションでは、予測リクエストを JSON 形式で記述します。これは、Web 上でデータを送受信するための一般的で便利な形式です。 JSON は JavaScript Object Notation の略で、名前と値のペアのコレクションまたは値の順序付きリストとしてデータを表現する方法です。 JSON は、json モジュールを使用して Python オブジェクトと簡単に変換できます。
このオプションでは、カスタム署名名を指定せずにモデルを保存またはエクスポートする際にモデルに割り当てられるデフォルトの署名名である「serving_default」という署名名も使用します。serving_default署名は、画像に示されているSignatureDefに基づいて、モデルの入力テンソルと出力テンソルを定義します。SignatureDefによると、モデルは形状が(-1, 2)で型がDT_STRINGである「text」という入力テンソルを想定し、形状が(-1, 2)で型がDT_FLOATである「softmax」という出力テンソルを生成します。形状の-1は、次元がインスタンスの数に応じて変化する可能性があることを示し、2は次元が2に固定されていることを示します。DT_STRINGとDT_FLOATは、それぞれデータ型が文字列と浮動小数点数であることを示します。
このオプションでは、予測のために3つのインスタンスをバッチとしてモデルに送信します。各インスタンスは、['a', 'b']、['c', 'd']、['e', 'f']などの2つの文字列のリストです。これらのインスタンスは、形状が(3, 2)で型が文字列であるため、署名の入力仕様に一致します。モデルはこれらのインスタンスを処理し、形状が(1, 2)で型が浮動小数点数であるソフトマックス出力を持つ3つの予測のバッチを生成します。ソフトマックス出力は、モデルが予測できる2つのクラス（肯定的または否定的感情など）の確率分布です。
したがって、予測リクエストをデータ json.dumps({"signature_name": "serving_default", "instances": [['a', 'b'], ['c', 'd'], ['e', 'f']]}) として記述することが、テキスト分類モデルにデータを送信し、予測結果を受け取るための正しく有効な方法です。
参照：
[json - JSONエンコーダーとデコーダー]

F1スコアは、精度と再現率の両方を組み合わせた指標であり、不均衡な分類問題の評価に適しています。精度は、予測された陽性のうち真陽性である割合を測定し、再現率は、実際の陽性のうち真陽性である割合を測定します。F1スコアは精度と再現率の調和平均であり、0から1の範囲をとります。値が大きいほど、パフォーマンスが優れていることを示します。F1スコアは、偽陽性と偽陰性の両方のバランスを取り、多数派クラスを少数派クラスよりも優遇しないため、不均衡データに適した指標です。
他のオプションは、不均衡データには適した指標ではありません。RMSE（二乗平均平方根誤差）は回帰問題の指標であり、分類問題の指標ではありません。予測値と実際値の平均二乗差を測定するため、二値結果には適していません。再現率よりも精度を重視するFスコア、つまりF0.5スコアは、再現率よりも精度を重視する指標です。これは、偽陽性を偽陰性よりも厳しく罰することを意味し、少数派クラスが重要な不均衡データには適していません。再現率よりも精度を重視するFスコア、つまりF2スコアは、再現率を重視する指標です。これは、偽陰性を偽陽性よりも厳しく罰することを意味し、一部の不均衡データ問題には適しているかもしれませんが、ロゴ検出問題には適していません。この問題では、画像内のロゴの有無を正確に識別する必要があるため、偽陽性と偽陰性の両方が等しく重要です。したがって、F1スコアはF2スコアよりも優れた指標です。参照：
不均衡分類のための評価指標の概観
不均衡データのための指標（分かりやすく解説）

公式試験ガイド1によると、試験で評価されるスキルの1つは、「Google Cloudテクノロジーを使用してビジネス上の課題を解決するために、MLモデルを設計、構築、および本番環境に展開する」ことです。Document AI2は、ドキュメントから非構造化データを取得し、構造化データに変換して、理解、分析、および利用を容易にするドキュメント理解プラットフォームです。Document AI Workbench3を使用すると、ドキュメントの特定のセクションのテキストを解析するためのカスタムエクストラクタを作成できます。Natural Language API4は、感情分析、エンティティ分析、その他のテキスト注釈などの自然言語理解テクノロジーを提供するサービスです。analyzeSentiment機能5は、指定されたテキストを検査し、テキスト内の支配的な感情的意見を識別し、特に書き手の態度を肯定的、否定的、または中立的と判断します。したがって、オプションCは、各フォームの顧客コメントから全体的な満足度スコアを予測するタスクを実行するための最良の方法です。他のオプションは、このシナリオには関連性がなく、最適ではありません。参照:
* プロフェッショナルMLエンジニア試験ガイド
* ドキュメントAI
* ドキュメントAIワークベンチ
* 自然言語API
* 感情分析
* Googleプロフェッショナル機械学習認定試験2023
* 最新のGoogleプロフェッショナル機械学習エンジニア試験の実際の無料問題

* オプション A は、Vertex AI Pipelines を使用してモデルを毎日継続的に再トレーニングすることは、予測ドリフトを防ぐ最も効率的な方法ではないため、誤りです。Vertex AI Pipelines は、スケーラブルで移植性の高い ML パイプラインを Google Cloud1 上で作成および実行できるサービスです。Vertex AI Pipelines を使用して、BigQuery テーブルの最新データを使用してモデルを毎日再トレーニングできます。ただし、データの分布は毎日大きく変化しない可能性があり、モデルの再トレーニングには多くのリソースと時間がかかる可能性があるため、このオプションは不要または無駄になる可能性があります。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ステップであるモデルのパフォーマンスの監視や予測ドリフトの検出が行われません。
* オプション B が正解です。24 時間ごとに受信予測の 10% をサンプリングするモデル監視ジョブを追加することが、予測ドリフトを防ぐ最善の方法だからです。モデル監視は、デプロイされたモデルのパフォーマンスと健全性を時系列で追跡できるサービスです 2。モデル監視を使用すると、受信予測の一部をサンプリングし、BigQuery テーブルやその他のソースから取得できる正解ラベルと比較できます。また、モデル監視を使用して、精度、適合率、再現率、F1 スコアなどのさまざまなメトリックを計算し、それらのしきい値やアラートを設定することもできます。モデル監視を使用することで、予測ドリフトを検出および診断し、モデルを再トレーニングまたは更新するタイミングを決定できます。
24時間という期間は、監視作業の精度とコストのバランスが取れているため、妥当な選択肢と言えるでしょう。
* オプションCは、入力予測の90%を24時間ごとにサンプリングするモデル監視ジョブを追加することは、予測ドリフトを防ぐ最適な方法ではないため、誤りです。このオプションは、モデル監視を使用してデプロイされたモデルのパフォーマンスと健全性を追跡するため、オプションBと同じ利点があります。
しかし、この方法はコスト効率が良くありません。なぜなら、入力される予測の大部分をサンプリングするため、ストレージと処理に多大なコストがかかる可能性があるからです。さらに、入力される予測の10%をサンプリングするだけでデータ分布の代表的なサンプルが得られる場合があるため、この方法では監視ジョブの精度が大幅に向上しない可能性があります。
* オプションDは、予測ドリフトを防ぐために、受信予測の10%を1時間ごとにサンプリングするモデル監視ジョブを追加することは必ずしも必要ではないため、誤りです。このオプションは、モデル監視を使用してデプロイされたモデルのパフォーマンスと健全性を追跡するという点で、オプションBと同じ利点があります。ただし、受信予測をサンプリングする頻度が高すぎるため、データ分布の実際の変化を反映しない可能性があり、過剰となる場合があります。さらに、このオプションは、より多くのサンプルとメトリクスを生成するため、オプションBよりもストレージと処理コストが高くなる可能性があります。
参考文献：
* Vertex AI Pipelines のドキュメント
* モデル監視に関するドキュメント
* [予測ドリフト]
* [TensorFlow Extended ドキュメント]
* [BigQueryドキュメント]
* [Vertex AI のドキュメント]