コーディングを最小限に抑えてゲーム推薦モデルを構築する最良の方法は、BigQuery MLを使用することです。BigQuery MLを使用すると、標準的なSQLクエリを使用して機械学習モデルを作成および実行できます。BigQuery MLは、協調フィルタリングベースの推薦システムでよく使用される手法である行列分解など、いくつかの種類のモデルをサポートしています。行列分解モデルは、観測された評価からユーザーとアイテムの潜在因子を学習し、それらを使用して新しいユーザーとアイテムのペアの評価を予測します。
BigQuery ML には、トレーニング済みの行列分解モデルに基づいて特定のユーザーに対する推奨事項を生成できる ML.RECOMMEND という組み込み関数があります。BigQuery ML を使用するには、サーバーレスでスケーラブルかつコスト効率の高いデータウェアハウスである BigQuery にデータをロードする必要があります。bq コマンドラインツール、BigQuery API、または Cloud Console を使用して、Cloud Storage から BigQuery にデータをロードできます。あるいは、フェデレーションクエリを使用して、データを BigQuery にロードせずに Cloud Storage から直接クエリを実行することもできますが、これには追加のコストとパフォーマンスのオーバーヘッドが発生する可能性があります。オプション A は、BigQuery ML が入力データの圧縮表現を学習できるニューラルネットワークの一種であるオートエンコーダーモデルをサポートしていないため、誤りです。オートエンコーダーモデルは、ユーザーとアイテム間のインタラクションを捉えないため、レコメンデーションシステムには適していません。オプション C は、TensorFlow を使用して 2 つのタワーモデルをトレーニングするには、BigQuery ML を使用するよりも多くのコーディングが必要になるため、誤りです。 2 タワー モデルは、ユーザーとアイテムの埋め込みを別々に学習し、ドット積またはコサイン類似度でそれらを組み合わせて評価を計算するタイプのニューラル ネットワークです。TensorFlow は、モデル アーキテクチャ、損失関数、オプティマイザ、トレーニング ループ、および評価メトリックを定義する必要がある低レベルのフレームワークです。さらに、Cloud Storage から Vertex AI Workbench ノートブックにデータを読み込む必要があります。これは、Google Cloud 仮想マシンで実行される JupyterLab のインスタンスです。これには、認証、認可、およびデータの前処理などの追加の手順が含まれる場合があります。オプション D は、TensorFlow を使用して行列分解モデルをトレーニングする場合、BigQuery ML を使用するよりも多くのコーディングが必要になるため、誤りです。TensorFlow は、モデル開発を簡素化できる Keras や TensorFlow Recommenders などの高レベル API を提供していますが、データの読み込みとモデルのトレーニングおよび評価は自分で処理する必要があります。さらに、Cloud Storage から Vertex AI Workbench ノートブックにデータを読み込む必要があり、追加の複雑さとコストが発生する可能性があります。参考文献：
* BigQuery ML のドキュメント
* BigQuery ML で行列分解を使用する
* レコメンデーションAIに関するドキュメント
* ビッグクエリにデータを挿入
* BigQueryからクラウドストレージ内のデータを照会する
* Vertex AI Workchen のドキュメント
* TensorFlowのドキュメント
* TensorFlow Recommenders のドキュメント

これは機械学習が全く適さないケースです。精度が100%保証されず、一部の乗客が乗車できない可能性があるからです。ここではシンプルなアルゴリズムの方が適しており、質問からも乗客が停留所に到着したことを知らせることが確認できるため、機械学習は不要です。

The best option for splitting the data between the training, validation, and test sets, using a managed tabular dataset in Vertex AI that contains sales data from three different stores, is to use Vertex AI default data split.
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、データをパーセンテージに基づいて 3 つのセットに自動的かつランダムに分割できます。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、線形回帰、ロジスティック回帰、k-means クラスタリング、行列分解、ディープニューラルネットワークなど、さまざまな種類のモデルをサポートできます。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します。デフォルトのデータ分割は、Vertex AI が提供するデータ分割方法であり、ユーザーによる入力や設定は不要です。デフォルトのデータ分割を使用すると、ランダムサンプリング方法を使用してデータをトレーニング、検証、テストセットに分割し、各セットにデータの固定パーセンテージを割り当てることができます。デフォルトのデータ分割を使用すると、データ分割プロセスを簡素化でき、ほとんどの場合にうまく機能します。
トレーニングセットは、モデルのトレーニングとモデルパラメータの調整に使用されるデータのサブセットです。トレーニングセットを使用すると、入力特徴量とターゲット変数の関係を学習し、モデルのパフォーマンスを最適化できます。検証セットは、モデルの検証とモデルのハイパーパラメータの調整に使用されるデータのサブセットです。検証セットを使用すると、未知のデータに対するモデルのパフォーマンスを評価し、過学習や過小学習を回避できます。テストセットは、モデルのテストと最終的な評価指標の提供に使用されるデータのサブセットです。テストセットを使用すると、新しいデータに対するモデルのパフォーマンスを評価し、モデルの汎化能力を測定できます。Vertex AI のデフォルトのデータ分割を使用すると、ランダムサンプリング方法を使用してデータをトレーニングセット、検証セット、テストセットに分割し、各セットに次の割合のデータを割り当てることができます。

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: Vertex AI の手動分割を使用する場合、店舗名機能を使用して各セットに 1 つの店舗を割り当てると、データを代表的でバランスの取れたセットに分割できず、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。手動分割は、ml_use ラベルまたはデータフィルタ式を使用して、データをセットに分割する方法を制御できるデータ分割方法です。手動分割を使用すると、データ分割ロジックをカスタマイズしたり、複雑なデータ形式や非標準のデータ形式を処理したりできます。店舗名機能とは、販売データが収集された店舗の名前を示す機能です。店舗名機能を使用すると、データのソースを特定し、店舗ごとにデータをグループ化できます。ただし、Vertex AI の手動分割を使用する場合、店舗名機能を使用して各セットに 1 つの店舗を割り当てると、データを代表的でバランスの取れたセットに分割できず、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。
* ml_use ラベルまたはデータフィルタ式をコード、作成、構成し、各セットに 1 つのストアを割り当てます。さらに、このオプションでは、各セットのデータがデータセット全体のデータと同じ分布と特性を持つことが保証されないため、データの一般的なパターンを学習できず、モデルにバイアスや分散が生じる可能性があります。
* オプション C: Vertex AI の時系列分割を使用し、売上タイムスタンプ機能を時間変数として指定すると、データを代表的でバランスの取れたセットに分割することができず、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。 時系列分割は、データの順序に基づいてデータをセットに分割できるデータ分割方法です。 時系列分割は、データの時間的依存性と順序を維持し、データ漏洩を防ぐのに役立ちます。 売上タイムスタンプ機能は、売上データが収集された日時を示す機能です。 売上タイムスタンプ機能は、時間の経過に伴うデータの変化と傾向を追跡し、データの季節性と周期性を捉えるのに役立ちます。 ただし、Vertex AI の時系列分割を使用し、売上タイムスタンプ機能を時間変数として指定すると、データを代表的でバランスの取れたセットに分割することができず、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、時間変数を作成して構成し、時間変数の順序でデータを分割する必要があります。さらに、このオプションでは、各セットのデータがデータセット全体のデータと同じ分布と特性を持つことが保証されないため、データの一般的なパターンを学習することができず、モデルに偏りやばらつきが生じる可能性があります3。
* オプション D: Vertex AI のランダム分割を使用して、行の 70% をトレーニング セットに、10% を検証セットに、20% をテスト セットに割り当てると、Vertex AI が提供するデフォルトのデータ分割方法を使用できなくなり、データ分割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。ランダム分割は、ランダム サンプリング方法を使用してデータをセットに分割し、各セットにデータのカスタム パーセンテージを割り当てることができるデータ分割方法です。ランダム分割を使用すると、データを代表的でバランスの取れたセットに分割し、データ リークを回避できます。ただし、Vertex AI のランダム分割を使用して、行の 70% をトレーニング セットに、10% を検証セットに、20% をテスト セットに割り当てると、Vertex AI が提供するデフォルトのデータ分割方法を使用できなくなり、データ分割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、ランダム分割方法を作成して構成し、各セットにカスタム パーセンテージを割り当てる必要があります。さらに、このオプションでは、Vertex AI が提供するデフォルトのデータ分割方法を使用しません。この方法はデータ分割プロセスを簡素化でき、ほとんどの場合にうまく機能します 1。
参考文献：
* AutoML モデルのデータ分割について | Vertex AI | Google Cloud
* 非構造化データの手動分割
* 数学的分割

* オプション A が正解です。BigQuery ML を使用して複数の回帰モデルを実行し、そのパフォーマンスを分析することが、タスクを完了するための最も効率的でセルフサービスな方法だからです。BigQuery ML は、SQL クエリを使用して BigQuery 内で ML モデルを作成して使用できるサービスです 1。BigQuery ML を使用すると、線形回帰、ロジスティック回帰、DNN 回帰など、さまざまな種類の回帰モデルを実行できます 2。BigQuery ML を使用して、平均二乗誤差、精度、ROC 曲線などのモデルのパフォーマンスを分析することもできます 3。BigQuery ML は、データの移動、コーディング、または追加のツールを必要としないため、高速でスケーラブルで使いやすいです 4。
* オプション B は、Dataproc を使用して BigQuery からデータを読み込み、SparkML を使用して複数のモデルを実行することが、タスクを完了するための最も効率的でセルフサービスな方法ではないため、誤りです。Dataproc は、Apache Spark やその他のオープンソース ツール 5 を実行する仮想マシンのクラスタを作成および管理できるサービスです。SparkML は、Spark 用の ML アルゴリズムとユーティリティを提供するライブラリです。
しかし、この方法は、BigQueryからDataprocへのデータ移行、クラスターの作成と構成、SparkMLコードの記述と実行、結果の分析といった作業が必要となるため、オプションAよりも多くの労力とリソースを必要とします。
* オプション C は、さまざまな ML アルゴリズムとパフォーマンス メトリクスに対して scikit-learn コードを使用した Vertex AI Workbench ユーザー管理ノートブックを使用することは、タスクを完了するための最も効率的でセルフサービスな方法ではないため、誤りです。Vertex AI Workbench は、ML 開発と実験用のノートブックを作成して使用できるサービスです。scikit-learn は、Python 用の ML アルゴリズムとユーティリティを提供するライブラリです。ただし、このオプションは、ノートブックの作成と管理、scikit-learn コードの記述と実行、および結果の分析が含まれるため、オプション A よりも多くの労力とリソースを必要とします。
* オプション D は、Vertex AI でカスタム TensorFlow モデルをトレーニングし、データを読み取るため、誤りです。
* BigQuery のさまざまな ML アルゴリズムを利用する方法は、タスクを完了するための最も効率的でセルフサービスな方法ではありません。TensorFlow は、Python やその他の言語を使用して ML モデルを作成およびトレーニングできるフレームワークです。Vertex AI は、組み込みのアルゴリズムまたはカスタム コンテナを使用して ML 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。ただし、このオプションは、TensorFlow コードの記述と実行、トレーニング ジョブの作成と管理、および結果の分析が必要となるため、オプション A よりも多くの労力とリソースを必要とします。
参考文献：
* BigQuery MLの概要
* BigQuery MLでモデルを作成する
* BigQuery ML でモデルを評価する
* BigQuery MLの利点
* データ処理の概要
* [SparkMLの概要]
* [Vertex AI Workbenchの概要]
* [Scikit-learnの概要]
* [TensorFlowの概要]
* [Vertex AIの概要]