PMLE 学習Professional Machine Learning Engineer

学習目標

• 業務の課題から BigQuery ML と AutoML を使い分けられる
• 事前学習済み API・基盤モデル・Model Garden から最小の労力で要件を満たす選択ができる
• Gemini のアプリのコスト・レイテンシ・可用性を最適化できる

要点

• BigQuery ML は SQL（CREATE MODEL、ML.PREDICT、ML.EVALUATE）でデータを動かさずにモデルを作る。ARIMA_PLUS（時系列）、K-means（クラスタリング）、ロジスティック回帰・ブーストツリー、リモートモデル（Gemini）など。
• TRANSFORM 句で前処理を学習と予測に共通で適用できる。ML.FEATURE_IMPORTANCE などで特徴量を確認。
• AutoML は表形式・画像・テキスト・動画のラベル付きデータからコードなしで高品質のモデルを作る。
• まず事前学習済み API（Vision、Document AI、Translation、Speech）や基盤モデルで足りるかを検討し、足りなければ AutoML、最後にカスタム学習。
• Gemini のコスト・レイテンシの最適化：軽量モデル（Flash など）の選択、コンテキストキャッシュ、バッチ推論、出力トークンの制限、プロビジョンドスループット。

業務での使いどころ

• 経理請求書は Document AI で項目を抽出し、需要予測は BigQuery ML の ARIMA_PLUS で SQL だけで作る。

評価項目（英語）

• BigQuery ML・Agent Platform AutoML でのモデルの作成（分類・回帰・予測・クラスタリング）、BigQuery ML での特徴量エンジニアリングと予測、BigQuery での Gemini のファインチューニング
• Model Garden からのモデルの評価と選択、業界別の API（Document AI・Vision・Translation）、Gemini・Imagen・Veo・MaaS のチューニング、Gemini のアプリのコスト・レイテンシ・可用性の最適化

参考リソース

• Professional ML Engineer 試験ガイド（英語・PDF） ↗
• PMLE 試験ガイド（・詳細な評価項目） ↗

学習目標

• データの規模と複雑さに合う前処理のツールを選べる
• 安全で共同作業しやすいノートブックの環境を選び設定できる
• 実験・評価・系統を追跡して比較できる

要点

• 小さなデータはメモリ内の pandas、大規模な SQL の変換は BigQuery、大規模なストリーミング・バッチの変換は Dataflow（Apache Beam）、既存の Spark の資産は Dataproc（Serverless for Apache Spark）。
• Feature Store は特徴量を一元管理し、学習と配信で同じ値を使い、オンラインで低レイテンシに配信する。
• PII は Sensitive Data Protection（旧 Cloud DLP）で検出・マスキング・トークン化する。
• Workbench は Jupyter ベースのマネージドのノートブック、Colab Enterprise は共同作業しやすいマネージドの Colab。サービスアカウント、VPC Service Controls、CMEK などで保護する。
• Experiments はパラメータ・指標を記録して比較し、ML Metadata はアーティファクトの系統（どのデータとコードからどのモデルができたか）を追跡する。
• 生成 AI の評価：自動の指標（BLEU・ROUGE）、LLM-as-a-judge（別の LLM が基準で採点）、人による評価。Gen AI evaluation service を使う。

業務での使いどころ

• データ分析分析チームが Colab Enterprise で試作し、Experiments で実験を比較し、良い設定をパイプラインに移す。

評価項目（英語）

• データの探索と前処理（表・テキスト・画像、BigQuery・Dataflow・Spark・メモリ内の Python の使い分け、Feature Store、PII の保護）
• ノートブックでのプロトタイピング（Agent Platform Workbench、Colab Enterprise、セキュリティと共同作業、PyTorch・scikit-learn・JAX、Model Garden のモデル）
• 実験の追跡（Experiments、Pipelines、Kubeflow Pipelines、予測と生成 AI の評価・LLM-as-a-judge、ML Metadata による系統の追跡）

参考リソース

• Professional ML Engineer 試験ガイド（英語・PDF） ↗
• PMLE 試験ガイド（・詳細な評価項目） ↗

学習目標

• 要件に合うモデルの種類と製品を選べる
• 学習の方法を選び、失敗の原因を切り分けられる
• ハードウェアと分散学習の戦略を選べる

要点

• 時系列は ARIMA_PLUS など、複雑な非線形のパターンは DNN、言語や生成のタスクは LLM。
• 解釈可能性が必須なら線形モデルや決定木、あるいは Explainable AI（特徴量のアトリビューション）を使う。
• カスタム学習はコンテナ（事前構築済みまたはカスタム）で任意のフレームワークを使える。Vizier によるハイパーパラメータのチューニング。
• 過学習の対策：正則化、ドロップアウト、早期停止、データの追加。学習の損失が下がらない場合は学習率やデータを確認。
• TPU は大規模な行列演算（大きなバッチの DNN・LLM）に強い。GPU は柔軟。CPU は小さなモデルや前処理。
• データ並列は各ワーカーが同じモデルで異なるデータを処理、モデル並列は 1 つのデバイスに載らない大きなモデルを分割する。
• 基盤モデルのチューニングは、プロンプトや RAG で足りないとき（形式・文体・専門のタスク）に検討する。教師ありのファインチューニング、LoRA などのパラメータ効率のよい方法。

業務での使いどころ

• 製造画像の不良検出を AutoML で試作し、精度が足りないため GPU でカスタム学習に移行、Vizier で学習率を調整する。

評価項目（英語）

• コスト・複雑さ・レイテンシ・スケーラビリティを考えたモデルの構築（ARIMA・DNN・LLM、AutoML・BigQuery ML・Pipelines、デプロイの戦略、解釈可能性の要件）
• モデルの学習（Cloud Storage・BigQuery のデータの整理、取り込み、カスタム学習・GKE の Kubeflow・AutoML・Tabular Workflows、学習の失敗の対処、ハイパーパラメータのチューニング、基盤モデルのファインチューニング）
• 学習のハードウェア（CPU・GPU・TPU、データ並列・モデル並列の分散学習）

参考リソース

• Professional ML Engineer 試験ガイド（英語・PDF） ↗
• PMLE 試験ガイド（・詳細な評価項目） ↗

学習目標

• 要件に合う推論の方式と配信の基盤を選べる
• モデルの版の管理と安全なロールアウトを設計できる
• スループットとレイテンシに合わせて配信をスケールできる

要点

• バッチ推論は大量のデータをまとめて処理（レイテンシ不要・安価）、オンライン推論はリアルタイムで低レイテンシ。
• 事前構築済みコンテナは TensorFlow・PyTorch・XGBoost・scikit-learn に対応、それ以外や独自の処理はカスタムコンテナ。
• Model Registry でモデルの版・別名（エイリアス）を管理する。
• トラフィックの分割で A/B テストやカナリア（少量から新版に流す）を行う。
• プライベートエンドポイント（Private Service Connect など）で VPC の内部からだけ低レイテンシで呼び出せる。
• 自動スケーリング（最小・最大のレプリカ数）、GPU のマシンタイプ、量子化や蒸留でモデルを軽くする。エッジは端末での推論（オフライン・低遅延）。

業務での使いどころ

• EC商品のおすすめをオンラインエンドポイントで配信し、Feature Store から最新の閲覧の特徴量を取得、新モデルは 10% のトラフィックでカナリアを行う。

評価項目（英語）

• バッチ推論とオンライン推論（Agent Platform・Model Garden・Cloud Run・GKE）、事前構築済み・カスタムのコンテナ、Model Registry、A/B テスト・カナリア、推論の前処理・後処理
• オンライン配信のスケーリング（Feature Store、パブリック・プライベートのエンドポイント、CPU・GPU・TPU・エッジ、スループットに応じたスケーリング、本番向けのチューニング）

参考リソース

• Professional ML Engineer 試験ガイド（英語・PDF） ↗
• PMLE 試験ガイド（・詳細な評価項目） ↗

学習目標

• パイプラインのオーケストレーションの方法を選べる
• 学習と配信のスキューを防ぐ設計ができる
• 再学習のポリシーと CI/CD/CT を設計できる

要点

• Agent Platform Pipelines（旧 Vertex AI Pipelines）は Kubeflow Pipelines・TFX の定義をサーバーレスで実行し、アーティファクトと系統を記録する。
• Managed Service for Apache Airflow（旧 Cloud Composer）は ML 以外も含む広いワークフローのオーケストレーション。Ray は分散の Python の処理。
• データの検証（スキーマ・分布の確認）とモデルの検証（基準の指標を満たすか）をパイプラインに組み込む。
• 学習と配信で同じ前処理のコード（TRANSFORM 句、tf.Transform、Feature Store）を使い、スキューを防ぐ。
• 再学習のポリシー：定期（スケジュール）、新しいデータの量、性能の低下やドリフトの検知をきっかけに。
• CI はコードのテスト、CD はモデルのデプロイ、CT は継続的な再学習。Cloud Build でビルドとテストを自動化する。

業務での使いどころ

• 金融不正検知モデルを、毎週のスケジュールとドリフトの検知をきっかけに再学習し、評価の基準を満たした場合だけ自動でデプロイする。

評価項目（英語）

• エンドツーエンドのパイプライン（データとモデルの検証、Agent Platform Pipelines・Managed Service for Apache Airflow・Ray、学習と配信の前処理の一貫性）
• 再学習の自動化（再学習のポリシー、CI/CD/CT、Cloud Build）

参考リソース

• Professional ML Engineer 試験ガイド（英語・PDF） ↗
• PMLE 試験ガイド（・詳細な評価項目） ↗

学習目標

• AI 特有のセキュリティのリスクと対策のツールを選べる
• Model Monitoring でスキューとドリフトを検知できる
• 生成 AI のアプリを継続的に評価できる

要点

• Model Armor はプロンプトと応答を検査し、プロンプトインジェクション・ジェイルブレイク・機密データ・有害な内容を検出・ブロックする。
• Regex は決まった形式（カード番号など）の検出、セーフティフィルタは有害なカテゴリのブロック。
• 学習と配信のスキュー：学習時と本番の入力の分布の違い。データドリフト：本番の入力の分布が時間とともに変わる。コンセプトドリフト：入力と正解の関係が変わる。
• 特徴量アトリビューションのドリフト：予測への各特徴量の寄与が変わる。
• Model Monitoring は閾値を超えるとアラートを出し、再学習のきっかけにできる。
• Explainable AI は特徴量のアトリビューション（Sampled Shapley、Integrated Gradients など）で予測の理由を示す。

業務での使いどころ

• 人事採用の補助モデルで、属性ごとの予測の差を定期的に確認し、Model Monitoring のアラートで再学習を検討する。

評価項目（英語）

• AI のリスク（データの流出、悪意のあるプロンプト、LLM への機密情報の共有、Regex・セーフティフィルタ・Model Armor）、責任ある AI（バイアスの監視）、Explainable AI
• Model Monitoring による継続的な評価、学習と配信のスキュー・データドリフト・コンセプトドリフト・特徴量アトリビューションのドリフト、生成 AI の監視・テスト・評価

参考リソース

• Professional ML Engineer 試験ガイド（英語・PDF） ↗
• PMLE 試験ガイド（・詳細な評価項目） ↗