* オプション A は誤りです。AI Platform ノートブックを使用してモデルに対して Lasso 回帰分析を実行すると、強いシグナルを提供しない特徴量が除外されますが、これはモデルによって提供される各予測に対してどの顧客属性が最も予測力を持っているかを判断する適切な方法ではありません。Lasso 回帰は、線形モデルの係数にペナルティを適用し、無関係な特徴量の係数をゼロに縮小する特徴量選択手法です 1。ただし、この手法はモデルが線形かつ加法的であることを前提としていますが、TensorFlow モデルではそうではない場合があります。さらに、この手法は各予測ではなく、データセット全体に対して特徴量の属性を提供します。
* オプションBは誤りです。予測結果をBigQueryにストリーミングし、BigQueryのCORR(X1, X2)関数を使用して各特徴量とターゲット変数間のピアソン相関係数を計算する方法は、モデルによって提供される各予測に対してどの顧客属性が最も高い予測力を持っているかを判断する有効な方法ではありません。ピアソン相関係数は、2つの変数間の線形関係の尺度であり、-1から12までの範囲をとります。しかし、この方法では特徴量間の相互作用やモデルの非線形性は考慮されていません。さらに、この方法では各予測に対する特徴量の属性は提供されず、データセット全体に対する属性のみが提供されます。
* オプション C が正解です。AI Platform の AI 説明機能を使用し、各予測リクエストに「explain」キーワードを付けて送信し、サンプリング シャプレー法を使用して特徴属性を取得することが、モデルによって提供される各予測に対してどの顧客属性が最も予測力があるかを判断する最良の方法だからです。AI 説明は、AI Platform にデプロイされたモデルの特徴属性を取得できるサービスです 3。特徴属性は、特定のインスタンスの予測に各特徴がどれだけ貢献したかを示す値です 4。サンプリング シャプレー法は、ゲーム理論の概念であるシャプレー値を使用して、各特徴の予測への貢献を測定する手法です 5。AI 説明を使用すると、各予測リクエストの特徴属性を取得し、各顧客にとって最も重要な特徴を特定できます。
* オプション D は誤りです。Google Cloud の What-If ツールを使用して、個々の特徴量を除外した場合にモデルのパフォーマンスがどのように変化するかを判断し、モデルから削除された際に最もパフォーマンスが低下した特徴量の重要度を順にランク付けする方法は、モデルが提供する各予測に対してどの顧客属性が最も高い予測力を持っているかを判断する実用的な方法ではありません。What-If ツールは、機械学習モデルとデータセットを視覚化および分析するためのツールです。
ただし、この方法では、各インスタンスの特徴量を手動で編集または削除し、予測結果の変化を観察する必要があります。この方法は拡張性や効率性に欠け、特徴量間の相互作用やモデルの非線形性を捉えられない可能性があります。
参考文献：
* ラッソ回帰
*ピアソン相関係数
* AI解説の概要
* 機能の帰属
* サンプリングされたシャプレー法
* [What-Ifツール概要]

Vertex AI Experiments is a service that allows you to track, compare, and optimize your ML experiments on Google Cloud. You can use Vertex AI Experiments to log metrics and parameters from your TensorFlow models, and then visualize them in Vertex AI TensorBoard. Vertex AI TensorBoard is a managed service that provides a web interface for viewing and debugging your ML experiments. You can use Vertex AI TensorBoard to compare different runs, inspect model graphs, analyze scalars, histograms, images, and more. By using Vertex AI Experiments and Vertex AI TensorBoard, you can simplify your ML experiment tracking and visualization workflow, and avoid the overhead of setting up and maintaining your own Cloud Functions, Cloud Storage buckets, or VMs. Reference:
[Vertex AI Experiments documentation]
[Vertex AI TensorBoard documentation]
Preparing for Google Cloud Certification: Machine Learning Engineer Professional Certificate

AI Platform は、カスタム コンテナを使用した PyTorch モデルのハイパーパラメータ チューニングをサポートしています。これにより、事前に構築された AI Platform Training ランタイム バージョンに含まれていない Python の依存関係やライブラリを使用できます。また、ResNet などの事前学習済みモデルをカスタム モデルのベースとして使用することもできます。カスタム コンテナを使用して AI Platform でハイパーパラメータ チューニング ジョブを実行するには、次の手順を実行する必要があります。
トレーニングアプリケーション用のコンテナイメージを定義するDockerfileを作成します。このDockerfileには、PyTorchおよびその他の依存関係のインストール、トレーニングコードと設定ファイルのコピー、コンテナのエントリポイントの設定が含まれている必要があります。
コンテナイメージを作成し、コンテナレジストリまたはアクセス可能な別のレジストリにプッシュします。
ハイパーパラメータチューニングジョブの設定を定義するYAMLファイルを作成します。YAMLファイルには、コンテナイメージのURI、トレーニングの入力パスと出力パス、チューニング対象のハイパーパラメータ、最適化対象のメトリック、チューニングアルゴリズム、および予算を指定する必要があります。
gcloudコマンドラインツールまたはAI Platform Training APIを使用して、ハイパーパラメータチューニングジョブをAI Platformに送信します。
参照：
ハイパーパラメータチューニングの概要
カスタムコンテナの使用
PyTorch on AI Platform トレーニング

Vertex ML Metadataは、機械学習ワークフローによって生成されるメタデータを一元的に追跡・管理できるサービスです。機械学習システムで使用または生成されるデータ、パラメータ、メトリクスを表す成果物を生成することで、再現性の高い実験を実現できます。また、Vertex ML Metadataを使用して、機械学習成果物の履歴やパフォーマンスを分析することも可能です。
Vertex MLメタデータを使用するメリットには、以下のようなものがあります。
* これは、機械学習システムのメタデータをグラフとして捉えます。グラフでは、成果物と実行がノードとなり、イベントはそれらを入力または出力としてリンクするエッジとなります。
* 実験、実行、プロジェクトなど、成果物や実行のセットをグループ化するためのコンテキストを作成できます。
* Vertex AI SDK for PythonまたはRESTコマンドを使用して、メタデータのクエリとフィルタリングをサポートします。
* Vertex AI PipelinesやVertex AI Experimentsなどの他のVertex AIサービスと統合し、メタデータと成果物を自動的にログに記録します。
他の選択肢は、機械学習メタデータを一元的に追跡および管理するのに適していません。
* オプション A: tf.logging データを BigQuery に保存するだけでは、アーティファクトやその履歴など、機械学習システムの完全なメタデータを取得するには不十分です。BigQuery は主に分析やレポート作成に使用されるデータウェアハウス サービスであり、メタデータ管理には適していません。
* オプション B: Hive Metastore ですべての関連エンティティを管理することは、ML メタデータには適していません。Hive Metastore は、ML アーティファクトや実行ではなく、Hive テーブルとパーティションのメタデータを格納するように設計されているためです。Hive Metastore は、Hadoop に格納された大規模データセットをクエリおよび分析するためのデータウェアハウスシステムである Apache Hive プロジェクトのコンポーネントです。
* オプション C: Google Cloud のオペレーション スイートにすべての ML メタデータを保存することは、現実的な選択肢ではありません。これは、アプリケーションとインフラストラクチャの監視、ログ記録、トレース、デバッグのためのツールセットであり、ML メタデータのためのものではないためです。Google Cloud のオペレーション スイートは、Vertex ML Metadata が ML ワークフロー向けに提供する機能や統合機能を提供していません。