PMLE · LESSON 1
セクション1：ローコードの AI ソリューションの設計約13% · 2項目
BigQuery ML・AutoML によるローコードのモデルの作成と、Model Garden・業界別の API・生成 AI のモデルの選択と最適化を学びます。
1.1BigQuery ML と AutoML でモデルを作る
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
概念
BigQuery ML は、SQL の CREATE MODEL 文で BigQuery の中でモデルを作れる機能で、データを移動せずに分類（ロジスティック回帰・ブーストツリー）・回帰・時系列の予測（ARIMA_PLUS）・クラスタリング（k-means）などを行えます。TRANSFORM 句で前処理を定義すると、予測の時にも同じ変換が自動で適用されます。ML.PREDICT で予測し、ML.EVALUATE で評価します。Agent Platform の AutoML は、表・画像・テキストなどのデータで、コードをほとんど書かずに高品質なモデルを作れます。BigQuery から Gemini のモデルを呼び出したり調整したりもできます。
仕組み・手順
- データが BigQuery にあり SQL で完結したいなら BigQuery ML
- 前処理は TRANSFORM 句に書き、学習と予測で一貫させる
- 精度を重視し少ない手間で作るなら AutoML
- ML.EVALUATE で評価し、ML.PREDICT で予測する
業務での例
アナリストが、BigQuery の売上のテーブルに ARIMA_PLUS のモデルを SQL で作り、店舗ごとの来月の売上を予測する。
紛らわしい点・試験の注意
- BigQuery ML はデータを外に出さずに学習できる
- TRANSFORM 句を使わないと、予測の時に前処理を再現する必要がある
- 時系列の予測は ARIMA_PLUS、クラスタリングは k-means
ミニクイズ
Q1. BigQuery ML で学習したモデルで予測を行う関数はどれか。
- EXPORT DATA PREDICT
- ML.PREDICT
- CREATE PREDICTION TABLE
- ML.TRAIN_ALL_ROWS
答えと解説を見る
正解：B ML.PREDICT
CREATE MODEL で学習、ML.EVALUATE で評価、ML.PREDICT で予測。
Q2. BigQuery ML の TRANSFORM 句の利点として最も適切なものはどれか。
- モデルの学習に必要な GPU の台数を自動的に決めて追加する
- 学習のデータを自動的に Cloud Storage へ移動して処理を高速にする
- 前処理を学習と予測で自動的に共通に適用できる
- SQL のクエリを Python のコードに変換して、ノートブックで実行する
答えと解説を見る
正解：C 前処理を学習と予測で自動的に共通に適用できる
TRANSFORM で定義した前処理はモデルに保存され、予測時にも適用されるためスキューを防げる。
参考リンク
1.2Model Garden・業界別 API・生成 AI モデルの選択と最適化
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
概念
Model Garden は、Google（Gemini・Imagen・Veo）、パートナー、オープンなモデル（Gemma など）を評価・デプロイできるカタログで、モデルを API として使う MaaS（Model as a Service）もあります。定型の処理は、Document AI（文書の解析）、Vision API（画像）、Translation API（翻訳）などの事前学習済みの API で解けることが多いです。Gemini のアプリは、モデルのサイズの選択、コンテキストキャッシュ、バッチ予測、プロビジョンドスループットなどでコスト・レイテンシ・可用性を最適化します。
仕組み・手順
- 事前学習済みの API で要件を満たせるかを最初に確認する
- Model Garden で候補のモデルを評価データで比べる
- 必要ならチューニング（教師ありの調整など）で出力を合わせる
- コストとレイテンシに合わせてモデルのサイズと提供方式を選ぶ
業務での例
請求書の処理は Document AI の事前学習済みのプロセッサで項目を抽出し、問い合わせの要約は Gemini の軽量なモデルとバッチ予測で安く処理する。
紛らわしい点・試験の注意
- 事前学習済みの API で足りるのに独自のモデルを作るのは非効率
- バッチ予測は即時の応答が不要な大量の処理に向く
- チューニングは最新の事実の追加より、形式や振る舞いの調整に向く
ミニクイズ
Q1. BigQuery で Gemini モデルを使う方法として最も適切なものはどれか。
- BigQuery のデータを毎回 CSV に出力して手作業でプロンプトに貼る
- BigQuery は生成 AI のモデルを一切扱えないので、別のデータベースに移す
- Gemini のモデルの重みを BigQuery のテーブルに保存して直接計算する
- リモートモデルを作り、SQL から生成の関数で呼び出す
答えと解説を見る
正解：D リモートモデルを作り、SQL から生成の関数で呼び出す
リモートモデルと ML.GENERATE_TEXT などで、SQL から Gemini を使える。BigQuery からの Gemini のチューニングも可能。
Q2. BigQuery を使って Gemini をファインチューニングする場面として最も適切なものはどれか。
- 学習用の例が BigQuery にあり、SQL のまま調整したい
- 応答の形式を決め、JSON で安定して返したい
- 社内の文書を検索して、その内容に基づいて回答したい
- モデルが知らない最新のニュースを、毎日の回答に反映したい
答えと解説を見る
正解：A 学習用の例が BigQuery にあり、SQL のまま調整したい
最新情報の反映はグラウンディング・RAG が向く。 【他の選択肢】最新の情報や社内文書に基づく回答はグラウンディングや RAG が向く。形式はプロンプトや構造化された出力で制御できる。
参考リンク
レッスンは当サイトがGoogle Cloud 認定の公開ページと試験ガイドをもとに独自に作成したもので、試験の内容を保証するものではありません。製品の仕様は変わることがあるため、参考リンク先の最新情報を確認してください。
ご利用上の注意（非公式・独自問題・合格保証なし）
- 本サイトの問題は、公開されているスキル概要・試験ガイドをもとに当サイトが独自に作成した練習問題であり、実際の試験問題ではありません。
- Google Cloud、Gemini、Vertex AI、Google Workspace は Google LLC の商標です。本サイトは Google と提携しておらず、Google による承認・推奨を受けたものではありません。
- 本コンテンツは学習の補助であり、合格を保証するものではありません。試験の内容・形式・前提条件は予告なく変更されます。受験前に必ず試験ページで最新情報を確認してください。
- 本模擬試験の正答率は、本試験の換算（スケール）スコアとは換算できず、合否を予測するものではありません。
- 未ログイン時の進捗はこのブラウザ内（localStorage）に保存します。Google でログインすると学習記録をアカウントに同期します。端末内の記録とサーバー上の記録は別に削除します。詳しくは保存・同期の説明とCookie・保存設定をご確認ください。