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持っていることを確認し、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、リクエストをそれらの間で均等に分散すると、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、モデルを実験して反復し、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、リクエストをそれらの間で均等に分散することで、トラフィックをモデル全体に​​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。しかし、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させる方法では、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。コードを記述し、2 つのモデルを作成および構成し、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させる必要があります。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の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 機能が使用されません。
* 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 を利用するものに変更すると、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拡張できなくなり、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 を利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、より多くの予測リクエストを同時に処理できます。
* モデルのマシンタイプをGPUを利用するものに変更すると、モデルの予測性能と効率が向上します。ただし、モデルのマシンタイプをGPUを利用するものに変更すると、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を利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

コストを最小限に抑えつつモデルに最適なハードウェアは、プリエンプティブなv3-8 TPUを搭載したn1-standard-16上で動作するVertex AI Workbenchユーザー管理ノートブックインスタンスです。このハードウェア構成により、TensorFlowモデルの高いパフォーマンス、スケーラビリティ、効率性を実現できるだけでなく、長時間実行やチェックポイント処理においても低コストと柔軟性を確保できます。v3-8 TPUはクラウドテンソル処理ユニット（TPU）デバイスであり、Googleが機械学習ワークロードの高速化のために設計したカスタムASICチップです。
大規模で複雑なモデルやデータセットを処理でき、高速かつ安定したトレーニングと推論を提供します。n1-standard-16 は汎用 VM であり、モデルの CPU とメモリ要件、およびデータの前処理と後処理タスクをサポートできます。プリエンプティブな v3-8 TPU を選択すると、TPU デバイスの価格と可用性の低さを活用できますが、デバイスが Google によっていつでも回収される可能性があることを許容する必要があります。ただし、トレーニング プロセスに頻繁なチェック ポイントを組み込んでいるため、最後に保存した状態からモデルを再開でき、進捗状況やデータの損失を回避できます。さらに、Vertex AI Workbench のユーザー管理ノートブックを使用してノートブック インスタンスを作成および管理し、Vertex AI やその他の Google Cloud サービスとの統合を活用できます。
他の選択肢は、以下の理由から最適とは言えません。
* A. 4基のNVIDIA P100 GPUを搭載したn1-standard-16上で動作するVertex AI Workbenchユーザー管理ノートブックインスタンスは、v3-8 TPUよりもコストが高くパフォーマンスが低いため、良い選択肢ではありません。NVIDIA P100 GPUはNVIDIAの旧世代GPUであり、最新のNVIDIA A100 GPUやTPUよりもパフォーマンス、スケーラビリティ、効率性が低くなっています。また、プリエンプティブTPUよりも価格が高く可用性が低いため、ソリューションのコストと複雑さが増大する可能性があります。
* B. A Vertex AI Workbench user-managed notebooks instance running on an n1-standard-16 with an NVIDIA P100 GPU is not a good option, as it has higher cost and lower performance than the v3-8 TPU. It also has less GPU memory and compute power than the option with 4 NVIDIA P100 GPUs, which can limit the size and complexity of your model, and affect the training and inference speed and quality.
* C. A Vertex AI Workbench user-managed notebooks instance running on an n1-standard-16 with a non- preemptible v3-8 TPU is not a good option, as it has higher cost and lower flexibility than the preemptible v3-8 TPU. The non-preemptible v3-8 TPU has the same performance, scalability, and efficiency as the preemptible v3-8 TPU, but it has higher price and lower availability, as it is reserved for your exclusive use. Moreover, since your model is long-running and checkpointing, you do not need the guarantee of the device not being reclaimed by Google, and you can benefit from the lower cost and higher availability of the preemptible v3-8 TPU.
:
Professional ML Engineer Exam Guide
Preparing for Google Cloud Certification: Machine Learning Engineer Professional Certificate Google Cloud launches machine learning engineer certification Cloud TPU Vertex AI Workbench user-managed notebooks Preemptible VMs NVIDIA Tesla P100 GPU

ウェブ検索結果によると、Vertex AI Pipelines は KFP SDK または TFX のいずれかを使用して ML パイプラインを実行するためのサーバーレスオーケストレーターです。1. Vertex AI Pipelines は、トレーニング、評価、デプロイなど、一般的な ML タスクを実行するために使用できる一連の事前構築済みコンポーネントを提供します。2. Vertex AI ModelEvaluationOp と ModelDeployOp は、モデルを評価してエンドポイントにデプロイしてオンライン推論を行うために使用できる 2 つのコンポーネントです。3. ただし、Vertex AI Pipelines にはハイパーパラメータチューニング用の事前構築済みコンポーネントはありません。そのため、モデルパラメータのチューニング方法を制御するには、Vertex AI HyperparameterTuningJob サービスを呼び出すカスタムコンポーネントを使用する必要があります。4. したがって、ハイパーパラメータチューニング用のカスタムコンポーネントと、モデル評価およびデプロイ用の事前構築済みコンポーネントが含まれているため、オプション A が、指定されたユースケースで使用する Google Cloud パイプラインコンポーネントを決定する最良の方法です。他のオプションは、このシナリオには適していません。参照:
* Vertex AI Pipelines
* Google Cloud Pipeline コンポーネント
* Vertex AI ModelEvaluationOp および ModelDeployOp
* Vertex AI ハイパーパラメータチューニングジョブ
* 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

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「モデル監視ジョブの設定と最適化」です。Vertex AIモデル監視のドキュメントには、「モデル監視のコストを削減するには、モデル監視によってログに記録され分析されるリクエストのサンプルレートを設定できます」と記載されています。したがって、監視ジョブのRandomsampleconfigのsample_rateパラメータを減らすことで、ドリフトを迅速に検出しながらモデル監視のコストを削減できます。その他のオプションは、このシナリオには適していません。参考文献：
* Google Cloud認定資格の準備：機械学習エンジニア専門資格
* プロフェッショナルMLエンジニア試験ガイド
* 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
* [Vertex AIモデルモニタリング]

オプションAは、Vertex AI PipelinesとApp Engineがシステムのすべての要件を満たしていないため、誤りです。Vertex AI Pipelinesは、TensorFlow Extended（TFX）コンポーネントまたはカスタムコンポーネントを使用してMLワークフローを作成、実行、管理できるサービスです1。App Engineは、標準環境またはフレキシブル環境を使用してスケーラブルなWebアプリケーションを構築およびデプロイできるサービスです2。ただし、App Engineは標準環境でDockerコンテナをサポートしておらず、MLモデルのオンライン予測および監視専用のサービスも提供していません3。
選択肢 B が正解です。Vertex AI Pipelines、Vertex AI Prediction、および Vertex AI Model Monitoring は、システムのすべての要件を満たしています。Vertex AI Prediction は、オンラインまたはバッチ予測用の ML モデルをデプロイして提供できるサービスで、自動スケーリングとカスタム コンテナをサポートしています 4。Vertex AI Model Monitoring は、デプロイされたモデルのパフォーマンスと公平性を監視し、問題や異常に関するアラートを受け取ることができるサービスです 5。
オプションCは、Cloud Composer、BigQuery ML、およびVertex AI Predictionがシステムのすべての要件を満たしていないため、誤りです。Cloud Composerは、Apache Airflowを使用してワークフローを作成、スケジュール、管理できるサービスです。BigQuery MLは、SQLクエリを使用してBigQuery内でMLモデルを作成および使用できるサービスです。しかし、BigQuery MLはカスタムコンテナをサポートしておらず、Vertex AI Predictionはスケジュールされたモデルの再トレーニングやモデルの監視をサポートしていません。
オプションDは、Cloud Composer、カスタムコンテナを使用したVertex AI Training、およびApp Engineがシステムのすべての要件を満たしていないため、誤りです。Vertex AI Trainingは、組み込み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できるサービスです。ただし、Vertex AI Trainingはオンライン予測やモデル監視をサポートしておらず、App Engineは標準環境でのDockerコンテナやMLモデルのオンライン予測および監視をサポートしていません3。
参照：
Vertex AI Pipelinesの概要
App Engineの概要
App Engine環境の選択
Vertex AI予測の概要
Vertex AIモデルモニタリングの概要
【クラウドコンポーザーの概要】
[BigQuery MLの概要]
[BigQuery MLの制限事項]
【Vertex AIトレーニング概要】