[2026-08-01更新,209問] 無料Google Professional-Machine-Learning-Engineer試験問題集、Professional-Machine-Learning-Engineer PDF問題サンプル(ページ 37)

Professional-Machine-Learning-Engineer 試験問題 176

Compute Engine 上の GPU 搭載仮想マシンを使用して、与えられた画像に含まれる政府発行の身分証明書の種類を予測するコンピュータビジョンモデルをトレーニングする必要があります。以下のパラメータを使用します。
* オプティマイザ: SGD
* 画像サイズ = 224x224
* バッチサイズ = 64
* エポック数 = 10
* 詳細表示 = 2
トレーニング中に、次のエラーが発生しました: ResourceExhaustedError: テンソルの割り当て時にメモリ不足 (oom)。どうすればよいですか?

A. 学習率を変更する

B. オプティマイザを変更する

C. 画像の形状を縮小する

D. バッチサイズを小さくする

Professional-Machine-Learning-Engineer 試験問題 177

あなたはサブスクリプション型ビジネスで働いています。顧客離脱率（顧客が年間サブスクリプションを更新しない可能性）を予測するために、ツリーとニューラルネットワークのアンサンブルをトレーニングしました。平均予測は15%の離脱率ですが、特定の顧客については、モデルは70%の離脱率を予測しています。この顧客の製品利用履歴は30%で、ニューヨーク市に居住しており、1997年に顧客になりました。実際の予測である70%の離脱率と平均予測との差を説明する必要があります。Vertex Explainable AIを使用したいと考えています。どうすればよいですか？

A. Vertex Explainable AI で統合勾配の説明を設定します。

B. 個々の予測を説明するために、ローカルサロゲートモデルをトレーニングします。

C. 各特徴量の影響を、特徴量の重みと特徴量の値を掛け合わせた値として測定します。

D. Vertex Explainable AI 上でサンプリングされた Shapley 説明を設定します。

Professional-Machine-Learning-Engineer 試験問題 178

あなたは公共交通機関の会社に勤務しており、複数の交通ルートの遅延時間を予測するモデルを構築する必要があります。予測結果はアプリを通じてユーザーにリアルタイムで提供されます。季節や人口増加によってデータの関連性が変化するため、モデルは毎月再学習させる必要があります。Googleが推奨するベストプラクティスに従いたいと考えています。予測モデルのエンドツーエンドのアーキテクチャはどのように構成すべきでしょうか？

A. Kubeflow Pipelines を設定して、モデルのトレーニングからデプロイまでの複数ステップのワークフローをスケジュールします。

B. BigQuery MLでトレーニングおよびデプロイされたモデルを使用し、BigQueryのスケジュール済みクエリ機能を使用して再トレーニングをトリガーします。

C. Cloud Schedulerによってトリガーされる、Ai Platform上でのトレーニングおよびデプロイジョブを起動するCloud Functionsスクリプトを作成します。

D. Cloud Composer を使用して、トレーニングからモデルのデプロイまでのワークフローを実行する Dataflow ジョブをプログラムでスケジュールします。

正解: A

複数の輸送ルートの遅延時間を推定する予測モデルのエンドツーエンドのアーキテクチャは、Kubeflow Pipelines を使用して構成する必要があります。Kubeflow Pipelines は、Kubernetes 上でスケーラブルでポータブルかつ再利用可能な機械学習パイプラインを構築およびデプロイするためのプラットフォームです。Kubeflow Pipelines を使用すると、データ準備、モデルトレーニング、モデル評価、モデルデプロイ、モデル提供など、複数のステップからなるワークフローをオーケストレーションできます。Kubeflow Pipelines には、パイプラインの実行、実験、成果物を管理および追跡するためのユーザーインターフェイスも用意されています。1 このユースケースでは、Kubeflow Pipelines を使用することで、いくつかの利点があります。
* 完全自動化: ワークフローのステップと依存関係を指定する Python スクリプトとしてパイプラインを定義し、Kubeflow Pipelines SDK を使用してパイプラインをコンパイルして Kubeflow Pipelines サービスにアップロードできます。また、Kubeflow Pipelines UI を使用してパイプラインを作成、実行、監視することもできます。
* スケーラビリティ：Kubernetes のパワーを活用してパイプラインコンポーネントを水平方向と垂直方向に拡張し、TensorFlow や PyTorch などの分散トレーニングフレームワークを使用して、複数のノードまたは GPU でモデルをトレーニングできます。
* 移植性: パイプラインコンポーネントを任意のKubernetesクラスターで実行できるDockerコンテナとしてパッケージ化し、Kubeflow Pipelines SDKを使用してパイプラインパッケージを異なる環境間でエクスポートおよびインポートできます4
* 再利用性: パイプラインコンポーネントを複数のパイプラインで再利用したり、Kubeflow Pipelines コンポーネントストアを通じて他のユーザーと共有したりできます。また、Kubeflow Pipelines ライブラリやその他のソースから事前に構築されたコンポーネントを使用することもできます。5
* スケジュール設定：Kubeflow Pipelines UI または Kubeflow Pipelines SDK を使用して、cron 式または間隔に基づいてパイプラインの定期的な実行をスケジュールできます。たとえば、最新のデータでモデルを再トレーニングするために、パイプラインを毎月実行するようにスケジュールできます。
他のオプションは、このユースケースにはあまり適していません。BigQuery ML でトレーニングおよびデプロイされたモデルを使用することは推奨されません。BigQuery ML は主に大規模データに対するシンプルで迅速な機械学習タスク向けに設計されており、複雑なモデルやカスタムコードはサポートしていないためです。Cloud Functions スクリプトを作成して AI Platform 上でトレーニングおよびデプロイジョブを起動することは理想的ではありません。Cloud Functions にはメモリ、CPU、実行時間に制限があり、パイプラインの管理と追跡のためのユーザーインターフェイスが提供されていないためです。Cloud Composer を使用して、トレーニングからモデルのデプロイまでのワークフローを実行する Dataflow ジョブをプログラムでスケジュールすることは最適ではありません。Dataflow は主にデータ処理とストリーミング分析向けに設計されており、モデルのサービングやモニタリングはサポートしていないためです。
参考資料: 1: Kubeflow Pipelines の概要 2: パイプラインの構築 3: 機械学習のトレーニングと予測ワークロードのスケーリング 4: パイプラインのエクスポートとインポート 5: コンポーネントとパイプラインの構築 : [パイプラインの定期実行のスケジュール設定] : [BigQuery ML の概要] : [Cloud Functions のドキュメント] : [Dataflow のドキュメント]

Professional-Machine-Learning-Engineer 試験問題 179

あなたは、クラウドストレージに数テラバイトの構造化データを持つゲームスタートアップ企業で働いています。このデータには、ゲームプレイ時間データ、ユーザーメタデータ、ゲームメタデータが含まれています。コーディングを最小限に抑えつつ、ユーザーに新しいゲームを推薦するモデルを構築したいと考えています。どうすればよいでしょうか？

A. Vertex AI Workbenchノートブックにデータを読み込み、TensorFlowを使用して2タワーモデルをトレーニングします。

B. Vertex AI Workbenchノートブックにデータを読み込み、TensorFlowを使用して行列分解モデルをトレーニングします。

C. BigQueryにデータをロードし、BigQuery MLを使用してオートエンコーダーモデルをトレーニングします。

D. BigQueryにデータをロードし、BigQuery MLを使用して行列分解モデルをトレーニングします。

Professional-Machine-Learning-Engineer 試験問題 180

You are training a TensorFlow model on a structured data set with 100 billion records stored in several CSV files. You need to improve the input/output execution performance. What should you do?

A. Load the data into BigQuery and read the data from BigQuery.

B. Load the data into Cloud Bigtable, and read the data from Bigtable

C. Convert the CSV files into shards of TFRecords, and store the data in Cloud Storage

D. Convert the CSV files into shards of TFRecords, and store the data in the Hadoop Distributed File System (HDFS)

正解: C

The input/output execution performance of a TensorFlow model depends on how efficiently the model can read and process the data from the data source. Reading and processing data from CSV files can be slow and inefficient, especially if the data is large and distributed. Therefore, to improve the input/output execution performance, one should use a more suitable data format and storage system.
入出力実行パフォーマンスを向上させるための最良の方法の1つは、CSVファイルをTFRecordのシャードに変換し、データをクラウドストレージに保存することです。TFRecordは、シリアル化されたTensorFlowの例のシーケンスを保存できるバイナリデータ形式です。TFRecordには、CSVに比べて次のような利点があります。
* 高速なデータ読み込み：TFRecordはテキストデータの解析とデコードのオーバーヘッドを回避するため、CSVよりも高速に読み込み、処理できます。TFRecordは圧縮とチェックサムもサポートしており、データサイズを削減し、データの整合性を確保できます。
* パフォーマンスの向上：TFRecordは、モデルがデータをシーケンシャルかつストリーミング方式でアクセスできるようにし、tf.data APIを活用して効率的なデータパイプラインを構築できるため、モデルのパフォーマンスを向上させることができます。TFRecordはシャーディングとインターリーブもサポートしており、データ処理の並列性とスループットを向上させることができます。
* 統合が容易: TFRecord は TensorFlow のネイティブデータ形式であるため、TensorFlow とシームレスに統合できます。TFRecord は画像、テキスト、音声、動画など、さまざまな種類のデータもサポートしており、データとともにデータスキーマとメタデータを保存できます。3 クラウドストレージは、あらゆる量のデータを保存できるスケーラブルで信頼性の高いオブジェクトストレージサービスです。クラウドストレージには、他のストレージシステムに比べて次のような利点があります。
* 高可用性：クラウドストレージは、複数のリージョンとゾーンにデータを複製し、バージョン管理とライフサイクル管理をサポートすることで、データの高可用性と耐久性を提供します。また、クラウドストレージは、さまざまなパフォーマンスとコスト要件に対応するため、スタンダード、ニアライン、コールドライン、アーカイブなどのさまざまなストレージクラスを提供しています。4
* 低遅延：Cloud StorageはHTTPおよびHTTPSプロトコルをサポートし、AI Platform、Dataflow、BigQueryなどの他のGoogle Cloudサービスと統合することで、データに対して低遅延かつ高帯域幅を提供できます。Cloud Storageは、再開可能なアップロードとダウンロード、および並列複合アップロードもサポートしており、データ転送速度と信頼性を向上させることができます。5
* 簡単なアクセス: Cloud Storage は、gsutil、Cloud Console、Cloud Storage Client Libraries などのさまざまなツールやライブラリをサポートしているため、データへの簡単なアクセスと管理が可能です。
* また、きめ細かなアクセス制御と暗号化をサポートしており、データのセキュリティとプライバシーを確保できます。
他の選択肢は、それほど効果的でも現実的でもありません。BigQueryにデータをロードしてBigQueryからデータを読み取る方法は推奨されません。BigQueryは主に大規模データに対する分析クエリ用に設計されており、ストリーミングやリアルタイムのデータ処理をサポートしていないためです。Cloud BigtableにデータをロードしてBigtableからデータを読み取る方法も理想的ではありません。Cloud Bigtableは主に疎で幅の広いテーブルに対する低遅延かつ高スループットのキーバリュー操作用に設計されており、複雑なデータ型やスキーマをサポートしていないためです。
CSVファイルをTFRecordsのシャードに変換し、データをHadoop分散ファイルシステム（HDFS）に保存することは最適ではありません。なぜなら、HDFSはTensorFlowでネイティブにサポートされておらず、Hadoop、Spark、Beamなどの追加の設定と依存関係が必要となるからです。
参考資料: 1: TFRecord と tf.Example 2: tf.data API を使用したパフォーマンスの向上 3: TensorFlow データ検証 4: クラウドストレージの概要 5: パフォーマンス: [ハウツーガイド]