[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 38)

Professional-Machine-Learning-Engineer 試験問題 181

あなたは、複数のCSVファイルに格納された1000億件のレコードを含む構造化データセットでTensorFlowモデルをトレーニングしています。入出力の実行パフォーマンスを改善する必要があります。どうすればよいでしょうか？

A. データをBigQueryにロードし、BigQueryからデータを読み取ります。

B. データをクラウドBigtableにロードし、Bigtableからデータを読み込む

C. CSVファイルをTFRecords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します。

D. 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）に保存します。

正解: C

TensorFlowモデルの入出力実行パフォーマンスは、モデルがデータソースからデータをどれだけ効率的に読み込んで処理できるかに依存します。CSVファイルからのデータの読み込みと処理は、特にデータ量が多く分散している場合は、遅く非効率的になる可能性があります。したがって、入出力実行パフォーマンスを向上させるには、より適切なデータ形式とストレージシステムを使用する必要があります。
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、データの複製により、データの高可用性と耐久性を提供できます。
* 複数のリージョンとゾーンにまたがるデータに対応し、バージョン管理とライフサイクル管理をサポートします。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を満たすために、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も提供しています。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：クラウドストレージは、gsutil、クラウドコンソール、クラウドストレージクライアントライブラリなど、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、データへのアクセスと管理が容易です。また、クラウドストレージは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]

Professional-Machine-Learning-Engineer 試験問題 182

貴社は社内シャトルバスの運行ルートをより効率化したいと考えています。現在、シャトルバスは午前7時から午前10時までの間、市内全域の乗降地点に30分ごとに停車しています。開発チームは既にGoogle Kubernetes Engine上にアプリケーションを構築しており、利用者は前日に自分の存在とシャトルバスの停留所を確認する必要があります。どのようなアプローチを取るべきでしょうか？

A. 1. 各シャトルバス停留所で何人の乗客が乗車するかを予測するツリーベースの回帰モデルを構築します。
2. 予測に基づいて適切なサイズのシャトルを派遣し、必要な停車場所を地図上に表示する。

B. 1. シャトル停留所における乗客の存在を予測するツリーベースの分類モデルをエージェントとし、距離ベースの指標に基づく報酬関数を用いた強化学習モデルを構築する。
2. シミュレーション結果に基づいて、適切なサイズのシャトルを派遣し、必要な停車場所を地図上に表示する。

C. 1. 最適ルートを、容量制約の下で、指定された時間に出席が確認されているすべてのシャトルステーションを通過する最短ルートとして定義します。
2. 適切なサイズのシャトルを手配し、地図上に必要な停車場所を示す。

D. 1. シャトルが各シャトル停留所で乗客を乗せるべきかどうかを予測するツリーベースの分類モデルを構築する。
2. 利用可能なシャトルを派遣し、予測に基づいて必要な停留所を地図に表示する。

Professional-Machine-Learning-Engineer 試験問題 183

あなたは、世界中に科学製品を出荷する国際的な製造企業に勤務しています。これらの製品の取扱説明書は15の異なる言語に翻訳する必要があります。組織の経営陣は、手動による翻訳のコストを削減し、翻訳速度を向上させるために、機械学習の利用を開始したいと考えています。精度を最大化し、運用上のオーバーヘッドを最小限に抑える拡張性の高いソリューションを実装する必要があります。また、誤った翻訳を評価して修正するプロセスも組み込みたいと考えています。あなたは何をすべきでしょうか？

A. Cloud Function Triggers を使用してワークフローを作成します。ドキュメントが入力 Cloud Storage バケットにアップロードされたときにトリガーされる Cloud Function を設定します。Cloud Translation API を使用してドキュメントを翻訳し、翻訳結果を出力 Cloud Storage バケットに保存する別の Cloud Function を設定します。人間のレビュー担当者を使用して、誤った翻訳を評価します。

B. ドキュメント1を処理するVertex Alパイプラインを作成し、AutoML Translationトレーニングジョブを起動し、翻訳を評価し、自動スケーリングとモデル監視を備えたVertex Alエンドポイントにモデルをデプロイします。トレーニングデータとライブデータの間に所定のずれがある場合は、最新のデータを使用してパイプラインを再トリガーします。

C. AutoML Translation を使用してモデルをトレーニングします。 Translation Hub プロジェクトを設定し、トレーニング済みのモデルを使用してドキュメントを翻訳します。人間のレビュー担当者を使用して、誤った翻訳を評価します。

D. Vertex Al カスタムトレーニングジョブを使用して、最先端のオープンソース事前トレーニング済みモデルをデータで微調整します。自動スケーリングとモデル監視を備えた Vertex Al エンドポイントにモデルをデプロイします。トレーニングデータとライブデータの間に所定のスキューがある場合は、最新のデータを使用して別のトレーニングジョブを実行するトリガーを設定します。

正解: C

AutoML Translation は、異なる言語間でテキストを翻訳するためのカスタム ML モデルを作成およびトレーニングできるサービスです。AutoML Translation を使用して、科学製品の取扱説明書を 15 つの異なる言語に翻訳できるモデルをトレーニングできます。Translation Hub を使用してプロジェクトを構成し、トレーニング済みのモデルを使用してドキュメントを翻訳することもできます。Translation Hub は、Google Cloud 上で翻訳ワークフローを管理および自動化できるサービスです。Translation Hub を使用して、ドキュメントを Cloud Storage バケットにアップロードし、ソース言語とターゲット言語を選択して、トレーニング済みのモデルを適用してドキュメントを翻訳できます。Translation Hub を使用して、翻訳されたドキュメントをダウンロードしたり、別の Cloud Storage バケットに保存したりすることもできます。また、人間のレビュー担当者を使用して、誤った翻訳を評価することもできます。人間のレビュー担当者は、ML モデルによって生成された翻訳をレビューして修正できる人です。人間のレビュー担当者を使用して、翻訳の品質と精度を向上させ、ML モデルにフィードバックを提供できます。Translation Hub を使用して、Google Translate Community や Appen などのサードパーティの人間によるレビューサービスと統合できます。 AutoML Translation、Translation Hub、および人間のレビュー担当者を使用することで、精度を最大化し、運用コストを最小限に抑える拡張性の高いソリューションを実装できます。また、誤った翻訳を評価して修正するプロセスを組み込むこともできます。参考資料：
[AutoML翻訳に関するドキュメント]
[翻訳ハブのドキュメント]
【Google Cloud認定資格：機械学習エンジニア専門資格取得のための準備】

Professional-Machine-Learning-Engineer 試験問題 184

あなたはVertex AIを使用して、大手金融機関向けの不正検出モデルを開発しました。このモデルは高い精度を達成していますが、関係者は顧客の属性に基づく潜在的な偏りを懸念しています。あなたは、モデルの意思決定プロセスに関する洞察を提供し、公平性に関する問題点を特定するよう求められました。あなたはどうすべきでしょうか？

A. Vertex AIモデルモニタリングを有効にして、トレーニングデータの偏りを検出します。モデルの特徴量の偏りやドリフトが事前に定義されたしきい値を超えた場合にメールを送信するアラートを設定します。既存のトレーニングデータに新しいデータを追加して、モデルを再トレーニングします。

B. 不公平な予測のデータセットを作成します。Vertex AI Vector Searchを使用して、モデルの予測における類似データポイントを特定します。これらのデータポイントを関係者に報告します。

C. Vertex AI の特徴アトリビューションを使用して、モデルの予測と各特徴がモデルの予測に与える影響を分析します。

D. Vertex AI Feature Storeを使用して特徴グループを作成し、顧客の人口統計学的特徴と非人口統計学的特徴を分離します。非人口統計学的特徴のみを使用してモデルを再トレーニングします。

Professional-Machine-Learning-Engineer 試験問題 185

あなたはカスタム画像分類モデルを構築しており、エンドツーエンドのトレーニングを実装するために Vertex AI パイプラインを使用する予定です。データセットは、モデルのトレーニングに使用する前に前処理が必要な画像で構成されています。前処理の手順には、画像のサイズ変更、グレースケールへの変換、特徴抽出が含まれます。前処理タスク用にいくつかの Python 関数を既に実装しています。パイプラインではどのコンポーネントを使用すべきでしょうか？