AIAI Agent Dev Labaiagentdev-lab.com
3分適性診断 →
無料で学習を始める／ログイン無料で始める
メニュー

PMLE · LESSON 3

セクション3：プロトタイプから ML モデルへの拡張約21% · 3項目

コスト・複雑さ・レイテンシを考えたモデルの構築、モデルの学習、学習のハードウェアと分散学習を学びます。

3.1要件を考えたモデルの構築

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）

概念

モデルは、要件（精度・レイテンシ・コスト・解釈可能性・スケーラビリティ）から選びます。時系列には ARIMA などの統計モデル、複雑な非構造化データには DNN、言語の多様なタスクには LLM が候補です。開発の手段は、手間の少ない順に BigQuery ML・AutoML、柔軟なカスタム学習、Pipelines での自動化です。規制などで判断の説明が必要なら、解釈しやすいモデルや Explainable AI を使います。

仕組み・手順

  1. 要件の優先順位（精度・速度・費用・説明）を決める
  2. まず単純なモデルや BigQuery ML・AutoML で基準を作る
  3. 必要に応じてカスタムの DNN や LLM に進む
  4. 解釈可能性の要件があればモデルの種類と説明の手段を確認する

業務での例

与信の審査で説明が必須のため、まず解釈しやすいブーストツリーを作り、Explainable AI で特徴量の寄与を示せることを確認する。

紛らわしい点・試験の注意

ミニクイズ

Q1. 解釈可能性が法規制で強く求められる与信のモデルで、まず検討するアプローチとして最も適切なものはどれか。

  1. 説明は不要とし、予測の結果だけを顧客に通知する
  2. 解釈しやすいモデルを選び、Explainable AI で理由を示す
  3. LLM に自由に理由を作文させ、そのまま顧客に送る
  4. 最も精度の高い深いネットワークを選び、理由の説明は省略する
答えと解説を見る

正解：B　解釈しやすいモデルを選び、Explainable AI で理由を示す

線形モデル・決定木、または特徴量のアトリビューション。

Q2. ファインチューニングを検討すべきでない状況として最も適切なものはどれか。

  1. プロンプトが長くなりすぎ、コストとレイテンシを下げたい
  2. 毎日変わる在庫の情報を、回答に反映させたい
  3. 社内の専門の文体を、モデルに一貫して身につけさせたい
  4. 大量の例がある専門の分類のタスクの精度を上げたい
答えと解説を見る

正解：B　毎日変わる在庫の情報を、回答に反映させたい

頻繁に変わる事実は RAG やツールで扱う。

参考リンク

3.2モデルの学習

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）

概念

学習のデータは Cloud Storage（ファイル：TFRecord・画像など）や BigQuery（表）に整理します。学習の方法には、独自のコンテナやスクリプトを使うカスタム学習、GKE の Kubeflow、AutoML、表のデータの Tabular Workflows があります。ハイパーパラメータのチューニング（Vizier を使ったベイズ最適化など）で最適な設定を探し、学習の失敗（メモリ不足・データの不整合・発散）の原因をログで調べます。基盤モデルは教師ありのチューニングなどで調整できます。

仕組み・手順

  1. データの形式と保存場所を学習の方法に合わせる
  2. 事前構築のコンテナで足りなければカスタムのコンテナを使う
  3. ハイパーパラメータのチューニングのジョブで探索する
  4. チェックポイントを保存し、失敗や中断から再開できるようにする

業務での例

画像の分類を事前構築の PyTorch のコンテナでカスタム学習し、チューニングのジョブで学習率とバッチのサイズを探索する。

紛らわしい点・試験の注意

ミニクイズ

Q1. ハイパーパラメータのチューニングで Vizier を使う利点として最も適切なものはどれか。

  1. 学習のデータを自動で増やし、ラベルを付け直す
  2. モデルのパラメータ（重み）を手作業で 1 つずつ設定する
  3. ベイズ最適化などで、少ない試行で良い組み合わせを探せる
  4. すべての組み合わせを必ず総当たりで試し、計算を最大にする
答えと解説を見る

正解：C　ベイズ最適化などで、少ない試行で良い組み合わせを探せる

Agent Platform のハイパーパラメータチューニングは Vizier を使う。

Q2. BigQuery にある数億行のデータで、カスタム学習のジョブを動かす。データの読み込みとして最も適切なものはどれか。

  1. BigQuery Storage Read API などで、学習のジョブから直接効率よく読み込む
  2. BigQuery の結果を CSV で Cloud Storage に書き出し、1 つのファイルとして読む
  3. BigQuery のデータを Cloud SQL に移し、JDBC で読み込む
  4. 学習のジョブの中で、BigQuery の REST API の tabledata.list でページごとに読む
答えと解説を見る

正解：A　BigQuery Storage Read API などで、学習のジョブから直接効率よく読み込む

データセットとして BigQuery を指定することもできる。 【他の選択肢】1 つの CSV は大きすぎて並列に読めない。tabledata.list は大量の読み込みに遅い。Cloud SQL への移動は手間と費用がかかる。

参考リンク

3.3学習のハードウェアと分散学習

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）

概念

CPU は汎用で小さなモデル、GPU は並列の演算で深層学習全般、TPU は Google が開発した行列演算に特化したアクセラレータで、大規模な行列演算の多いモデル（TensorFlow・JAX・PyTorch/XLA）に向きます。分散学習には、データを分けて複数の装置で同じモデルを学習するデータ並列と、1 台に収まらない大きなモデルを分割するモデル並列があります。

仕組み・手順

  1. モデルの大きさとフレームワークからハードウェアを選ぶ
  2. データが大きく学習を速くしたいならデータ並列
  3. モデルが 1 台のメモリに収まらないならモデル並列
  4. 利用率を監視して、無駄な大きさのハードウェアを避ける

業務での例

大規模な言語モデルのファインチューニングで、モデルが 1 つの GPU に収まらないため、モデル並列で複数の GPU に分割する。

紛らわしい点・試験の注意

ミニクイズ

Q1. データ並列の分散学習の説明として最も適切なものはどれか。

  1. 各ワーカーが別のデータを処理し、勾配を集約する
  2. 学習を 1 台で行い、推論だけを複数台に分散する
  3. 同じデータを各ワーカーが別のモデルで学習し、最良を選ぶ
  4. モデルの層を分割して、異なるデバイスに配置する
答えと解説を見る

正解：A　各ワーカーが別のデータを処理し、勾配を集約する

モデルが 1 台に載るならデータ並列が基本。

Q2. 社内の用語に合わせて大きな言語モデルを調整したい。GPU の予算は限られる。LoRA などのパラメータ効率のよいチューニングの利点として最も適切なものはどれか。

  1. モデルのすべての重みを学習し直すため、精度が上がりやすい
  2. 調整したモデルは、推論の時に元のモデルの重みが不要になる
  3. 学習のデータがなくても、モデルを専門化できる
  4. 少数の追加のパラメータを学習し、計算とストレージを節約できる
答えと解説を見る

正解：D　少数の追加のパラメータを学習し、計算とストレージを節約できる

アダプタ（小さな重み）だけを学習する。 【他の選択肢】学習にはデータが要る。LoRA のアダプタは元のモデルの重みと組み合わせて使う。すべての重みを学習し直すのはフルのファインチューニング。

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）