Vertex AI は、Google Cloud 上で ML モデル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。カスタム モデルと AutoML モデルの両方をサポートし、Vertex Pipelines、Vertex Vizier、Vertex Explainable AI、Vertex Feature Store など、ML 開発のためのさまざまなツールとサービスを提供します。Vertex AI は、チケットの優先度と解決時間を予測するモデルを作成するために使用できます。これらは、カスタムのトレーニング データと評価指標を必要とするドメイン固有のタスクです。Cloud Natural Language API は、感情分析、エンティティ分析、構文分析、コンテンツ分類などの自然言語理解機能を提供する事前トレーニング済みサービスです。Cloud Natural Language API は、サポート チケットの感情分析を実行するために使用できます。これは、ドメイン固有の知識や専門用語を必要としない一般的なタスクです。他のオプションは、指定されたアーキテクチャには適していません。AutoML Natural Language と AutoML Vision は、ユーザーが独自のデータとラベルを使用してカスタムの自然言語およびビジョン モデルを作成できるサービスです。Cloud Natural Language API が既にこの機能を提供しているため、感情分析には必要ありません。 Cloud Vision API は、物体検出、顔検出、テキスト検出、画像ラベリングなどの画像解析機能を提供する事前学習済みサービスです。サポートチケットには画像が添付されていないため、このサービスはサポートチケットには関係ありません。参考資料:
* Vertex AI のドキュメント
* Cloud Natural Language API のドキュメント

将来的に需要が増加した際に、Vertex AI エンドポイントにデプロイされ、本番環境のトラフィックでテストされた scikit-learn モデルを使用して Vertex AI エンドポイントを効率的にスケーリングするための最善のオプションは、想定されるベースライン トラフィックに基づいて適切な minReplicaCount 値を構成することです。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、トラフィック パターンに応じてエンドポイント リソースを自動的にスケーリングできます。Vertex AI は、Google Cloud 上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モデルをオンライン予測エンドポイントにデプロイでき、個々のインスタンスに対して低遅延の予測を提供できます。Vertex AI は、データ分析、モデル開発、モデルデプロイ、モデル監視、モデルガバナンスのためのさまざまなツールとサービスも提供できます。minReplicaCount 値は、負荷に関係なくエンドポイントが常に保持する必要があるレプリカの最小数を指定するパラメーターです。minReplicaCount 値を使用すると、エンドポイントが想定されるベースライン トラフィックを処理するのに十分なリソースを確保し、高遅延やエラーを回避できます。想定されるベースライントラフィックに基づいて適切な minReplicaCount 値を設定することで、将来的に需要が増加した際にエンドポイントを効率的にスケーリングできます。minReplicaCount 値は、モデルをエンドポイントにデプロイする際に設定することも、後で更新することもできます。Vertex AI は、目標使用率とオートスケーリングメトリック 1 に基づいて、minReplicaCount 値と maxReplicaCount 値の範囲内でレプリカ数を自動的にスケールアップまたはスケールダウンします。
他の選択肢は、以下の理由から選択肢Bほど優れていません。
* オプション A: 2 つのモデルを同じエンドポイントにデプロイし、リクエストを均等に分散すると、将来的に需要が増加した際にエンドポイントを効率的にスケーリングすることができず、デプロイ プロセスの複雑さとコストが増加する可能性があります。モデルは、予測に使用できる機械学習モデルを表すリソースです。モデルには、同じモデルの異なる実装である 1 つ以上のバージョンがあります。モデル バージョンを使用すると、モデルを実験および反復して、モデルのパフォーマンスと精度を向上させることができます。エンドポイントは、予測を要求するために使用するサービス エンドポイント (URL) を提供するリソースです。エンドポイントには、物理​​リソースに関連付けられたモデル バージョンのインスタンスである、1 つ以上のデプロイ済みモデルがあります。デプロイ済みモデルを使用すると、低遅延でオンライン予測を提供したり、トラフィックに基づいてスケールアップまたはスケールダウンしたりできます。2 つのモデルを同じエンドポイントにデプロイしてリクエストを分散すると、
* それらを均等に分散することで、モデル間でトラフィックを分散し、各モデルの負荷を軽減できる負荷分散メカニズムを作成できます。ただし、2 つのモデルを同じエンドポイントにデプロイし、リクエストを均等に分散すると、将来的に需要が増加したときにエンドポイントを効率的にスケーリングすることができず、デプロイ プロセスの複雑さとコストが増加する可能性があります。コードを記述し、2 つのモデルを作成して構成し、モデルを同じエンドポイントにデプロイし、リクエストを均等に分散する必要があります。さらに、このオプションでは、トラフィック パターンに基づいてレプリカの数を自動的に調整し、最適なリソース利用、コスト削減、パフォーマンスの向上などさまざまなメリットを提供する Vertex AI の自動スケーリング機能を使用しません 2。
* オプション C: autoscalingMetricSpecs 構成で目標使用率を高い値に設定すると、将来需要が増加したときにエンドポイントを効率的にスケーリングできなくなり、エラーやパフォーマンスの低下を引き起こす可能性があります。目標使用率は、各レプリカの希望する使用率レベルを指定するパラメーターです。目標使用率は、オートスケーリング プロセスの速度と精度に影響を与える可能性があります。目標使用率を高くすると、レプリカの数を減らすことができますが、レイテンシが高くなったり、スループットが低下したり、リソースが枯渇したりする可能性もあります。autoscalingMetricSpecs 構成で目標使用率を高い値に設定すると、各レプリカの使用率レベルが上がり、リソースを節約できます。ただし、autoscalingMetricSpecs 構成で目標使用率を高い値に設定すると、将来需要が増加したときにエンドポイントを効率的にスケーリングできなくなり、エラーやパフォーマンスの低下を引き起こす可能性があります。コードを記述し、autoscalingMetricSpecs を作成して構成し、目標使用率を高い値に設定する必要があります。さらに、このオプションではエンドポイントが想定されるベースライントラフィックを処理するのに十分なリソースを持っていることが保証されないため、レイテンシが高くなったり、エラーが発生したりする可能性があります1。
* オプション D: モデルのマシン タイプを GPU を使用するものに変更すると、将来需要が増加したときにエンドポイントを効率的にスケーリングできなくなり、デプロイ プロセスの複雑さとコストが増加する可能性があります。マシン タイプは、予測サービスがデプロイされたモデルに使用する仮想マシンのタイプを指定するパラメーターです。マシン タイプは、予測プロセスの速度と精度に影響を与える可能性があります。GPU を使用するマシン タイプを使用すると、予測の計算と処理を高速化し、同時により多くの予測リクエストを処理できます。モデルのマシン タイプを GPU を使用するものに変更すると、モデルの予測パフォーマンスと効率が向上します。ただし、モデルのマシン タイプを GPU を使用するものに変更すると、将来需要が増加したときにエンドポイントを効率的にスケーリングできなくなり、デプロイ プロセスの複雑さとコストが増加する可能性があります。コードを記述し、モデルを作成して構成し、モデルをエンドポイントにデプロイし、マシン タイプを GPU を使用するものに変更する必要があります。さらに、このオプションでは、トラフィックパターンに基づいてレプリカの数を自動的に調整し、最適なリソース利用、コスト削減、パフォーマンス向上などさまざまなメリットを提供するVertex AIのオートスケーリング機能を使用しません2。
参考文献：
* 予測のためのコンピューティング リソースを構成する | Vertex AI | Google Cloud
* モデルをエンドポイントにデプロイする | Vertex AI | Google Cloud

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。AutoML Vision2は、画像分類と物体検出のためのカスタムビジョンモデルをトレーニングおよびデプロイできるサービスです。AutoML Visionは、グラフィカルユーザーインターフェイスとノーコードアプローチを提供することで、モデル開発プロセスを簡素化します。AutoML Visionを使用すると、注釈付き画像データを使用して物体検出モデルをトレーニングし、平均精度（mAP）やIoU（Intersection over Union）3などの指標を使用してモデルのパフォーマンスを評価できます。したがって、オプションBは、指定されたユースケースの初期モデルを迅速に作成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。参考文献：
* プロフェッショナルMLエンジニア試験ガイド
* AutoML Vision
* 物体検出評価
* 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