Google Cloud Professional Machine Learning Engineer 教科書

Professional ML Engineer は GCP 認定の Professional レベル に位置する高度認定。Generative AI Leader(Foundational) より上位で、ML パイプラインの設計者 ・ 実装者 を対象とします。Vertex AI を中心に、TensorFlow / PyTorch / Kubeflow / BigQuery ML を組合せた本格的な ML システムを設計できる力を測ります。

• 主催: Google Cloud
• 形式: オンライン監督受験 or テストセンター
• 問題数 / 時間: 50 〜 60 問 / 120 分
• 回答方式: 選択式(単一 / 複数)+ ケーススタディ
• 合格スコア: 公開なし(参考: 約 70%)
• 有効期限: 2 年(再認定が必要)
• 受験料: 200 USD(参考)
• 前提知識: ML / Python / SQL / Cloud Architecture の実務 3 年以上推奨

GCP 認定の階層

• Foundational: Cloud Digital Leader / Generative AI Leader
• Associate: Associate Cloud Engineer / Associate Data Practitioner
• Professional: Cloud Architect / Data Engineer / ML Engineer(本資格) / Cloud Developer / Security / DevOps / Network

公式試験ガイドのドメイン

1. Architecting low-code AI solutions(約 13%): AutoML / BQML / 学習済 API
2. Collaborating within and across teams to manage data and models(約 14%): MLOps / 共同作業
3. Scaling prototypes into ML models(約 18%): プロトタイプ → 本番モデル化
4. Serving and scaling models(約 20%): デプロイ ・ オンライン / バッチ予測 ・ スケーリング
5. Automating and orchestrating ML pipelines(約 22%): Vertex AI Pipelines / Kubeflow / Cloud Composer
6. Monitoring AI solutions(約 13%): Model Monitoring / ドリフト検出 ・ 再学習

200 〜 300 時間プラン

1. Month 1: GCP 基礎 + ML 基礎(本サイトの[Generative AI Leader 教科書](/certs/gcp-gen-ai-leader/textbook)で土台)
2. Month 2: Vertex AI フル機能(AutoML / Custom Training / Pipelines / Endpoints)
3. Month 3: BigQuery ML + データエンジニアリング
4. Month 4: TensorFlow / PyTorch on GCP + Kubeflow
5. Month 5: MLOps + Model Monitoring + 模擬試験

• Vertex AI Workbench: マネージド Jupyter(JupyterLab + GCP 統合)
• Vertex AI Studio: 生成 AI のプロンプト ・ Tuning ・ 評価
• Vertex AI Pipelines: Kubeflow ベースの ML パイプライン
• Vertex AI Feature Store: 特徴量管理(Online + Offline serving)
• Vertex AI Model Registry: モデルバージョン管理
• Vertex AI Endpoints: オンライン推論
• Vertex AI Batch Predictions: バッチ推論
• Vertex AI Model Monitoring: ドリフト検出
• Vertex AI Experiments: 実験管理(MLflow 互換)
• Vertex AI Tensorboard: 学習可視化
• Vertex AI Vizier: ベイズ最適化サービス
• Vertex AI Explanations: 説明可能性(XRAI / Integrated Gradients / Sampled Shapley)
• Vertex AI Matching Engine: ベクトル類似度検索
• Vertex AI Agent Builder: ノーコードエージェント

• AutoML Tables: 表データの分類 / 回帰 / 時系列予測
• AutoML Vision: 画像分類 ・ 物体検出
• AutoML Text: テキスト分類 ・ エンティティ抽出 ・ 感情分析
• AutoML Video: 動画分類 ・ オブジェクトトラッキング
• Custom Training: TensorFlow / PyTorch / scikit-learn / XGBoost / Custom コンテナ
• Pre-built Containers: TF / PyTorch の標準環境
• Custom Container: Docker 任意イメージ
• Hyperparameter Tuning(Vizier): ベイズ最適化
• Distributed Training: Multi-worker / Parameter Server / Reduction Server

• Machine Types: n1 / n2 / e2 / a2(GPU)/ tpu-v3, v4, v5
• TPU(Tensor Processing Unit): Google 自家製 AI チップ、TF / PyTorch / JAX 対応
• TPU v5e: 推論 ・ 中規模学習向け、コスト効率重視
• TPU v5p: 大規模学習向け、生成 AI などで使用
• Spot VM: 中断耐性ある学習で 60 〜 80% 割引
• Committed Use Discounts(CUD): 1 / 3 年予約割引
• Reserved Capacity: 計画的キャパシティ
• Custom Service Account: 最小権限の原則

BQML は SQL のみで ML を扱える Google 独自の機能。データウェアハウス内で完結 し、データの移動が不要なため、業務分析者がそのまま ML を始められる 利点が大きい。

• サポートモデル: 線形回帰 / ロジスティック / k-means / 行列分解 / ARIMA / Boosted Tree / DNN / Transformer / AutoML / Vertex 統合 / インポートモデル
• ML.PREDICT: 学習済モデルでの推論
• ML.GENERATE_TEXT: BQ から Gemini を呼出
• ML.GENERATE_EMBEDDING: ベクトル化
• ML.UNDERSTAND_TEXT / ML.TRANSLATE / ML.ANNOTATE_IMAGE: NLP / 翻訳 / 画像
• Remote model: Vertex AI モデルを BQML で呼出
• Vector Search: ベクトル類似度検索

• プロトタイピング: SQL アナリストが ML を試作
• 大規模データの学習: BQ 上で並列学習
• Embedding 生成: 大量テキスト → ベクトル化
• バッチ推論: 数十億行へ ML.PREDICT を一発実行
• ハイブリッド構成: BQML(プロトタイプ)→ Vertex AI(本番化)が王道

• Cloud Storage(GCS): オブジェクトストレージ、ML データレイクの中核
• BigQuery: マネージド DWH、列指向 + サーバレス
• Cloud SQL: マネージド MySQL / PostgreSQL / SQL Server
• Spanner: グローバル分散 RDB
• Bigtable: NoSQL ワイドカラム、IoT / 時系列
• Firestore: ドキュメント型 NoSQL
• AlloyDB: PostgreSQL 互換高性能 DB

• Cloud Dataflow: Apache Beam ベースのストリーム + バッチ ETL
• Cloud Dataproc: Hadoop / Spark マネージド
• Cloud Composer: マネージド Apache Airflow
• Cloud Data Fusion: GUI ベース ETL(CDAP ベース)
• Cloud Pub/Sub: メッセージング ・ ストリーミング
• Cloud Run / Cloud Functions: サーバレスコンピュート
• Workflows: ステートマシン形式のサービス連携
• Eventarc: イベント駆動連携

• Dataplex: マルチクラウド データガバナンス + リネージ
• Data Catalog: メタデータカタログ
• Cloud DLP(Sensitive Data Protection): 個人情報自動検出
• IAM + Service Account: 最小権限
• VPC Service Controls: ネットワーク境界
• CMEK(Customer-Managed Encryption Keys): 顧客管理鍵

• TensorFlow Distribution Strategies: MirroredStrategy / MultiWorkerMirroredStrategy / TPUStrategy / ParameterServerStrategy
• tf.data: 効率的なデータパイプライン
• TFRecord: 効率的なバイナリ形式
• TF Hub: 学習済モデル
• TFX(TensorFlow Extended): 本番 ML パイプライン
• Keras: 高レベル API
• Saved Model 形式: GCP デプロイの標準
• TFLite: モバイル ・ エッジ

• PyTorch Distributed: DDP / FSDP / Pipeline Parallel
• PyTorch on TPU: PyTorch/XLA で TPU 利用
• TorchServe: 推論サーバ
• TorchScript: 本番デプロイ向けシリアライズ
• Hugging Face Integration: Transformers ライブラリ
• PyTorch Lightning: 学習ループの抽象化
• ONNX Export: フレームワーク間相互運用

• JAX: 関数型 + XLA、Google 内部で多用
• JAX on TPU: TPU で最高性能
• Flax / Haiku: JAX の高レベル API
• Ray + JAX: 分散ハイパーパラメータ探索
• MaxText / MaxDiffusion: Google 製の大規模 LLM / 拡散モデル学習フレームワーク

Vertex AI Pipelines は Kubeflow Pipelines + TFX をベースとしたサーバレス ML パイプラインサービス。Component(部品) を組合わせてワークフローを定義し、Pipeline Definition(YAML) にコンパイルしてサーバレス実行されます。

• KFP DSL: Python で Component を定義 + Pipeline を組立
• Pre-built Components: Google が提供する標準部品
• Custom Component: 任意 Docker イメージで独自処理
• Pipeline Run: 実行インスタンス
• Pipeline Schedule: 定期実行
• Caching: 同じ入力のステップは再実行をスキップ
• Artifact Lineage: データ → モデルの来歴追跡

• Vertex AI Experiments: ML 実験の比較管理
• Vertex AI Tensorboard: 学習指標の可視化
• MLflow Integration: オープンソース MLflow との互換
• Cloud Source Repositories / GitHub: コード管理
• Cloud Build: コンテナ自動ビルド
• Artifact Registry: コンテナイメージレジストリ
• Cloud Deploy: 継続的デリバリ

• Vertex AI Model Registry: モデルバージョン管理
• Model Aliases: dev / staging / prod 等のラベル
• Approval Workflow: Cloud Build / Cloud Deploy で承認制御
• Endpoint Traffic Splitting: 複数モデルのトラフィック分散
• Shadow Mode: 本番影響なしで新モデル試験
• A/B テスト: トラフィック比率を段階的に

• Auto-scaling: トラフィック量で自動スケール
• Min replicas / Max replicas: スケール範囲設定
• GPU / TPU 推論: 高スループット用
• Private Endpoint: VPC 内のみ
• Custom Serving Container: 任意の推論サーバ
• Optimized Tensorflow Runtime: GCP 最適化版

• Pre-built Containers: TensorFlow / PyTorch / scikit-learn / XGBoost
• Custom Container: HTTP サーバとして提供
• Saved Model(TF)・ TorchScript / ONNX: 標準モデル形式
• NVIDIA Triton: マルチフレームワーク推論サーバ
• TensorRT: NVIDIA GPU 推論最適化
• Optimized TensorFlow Runtime(OTR): GCP 最適化

• Spot VM: 学習で 60 〜 80% 割引(中断あり)
• Reduction Server: 分散学習の集約専用 VM、安価
• Committed Use Discounts: 1 / 3 年予約
• Right Sizing: 不要に大きい Machine Type を見直し
• Min replicas = 0: 不定期トラフィック向け
• Cold Start: 起動時の遅延、Min replicas で吸収
• Distillation / Quantization: モデル軽量化

• 統計指標: KL Divergence / Jensen-Shannon / L-infinity / Chi-squared
• Categorical Features: 分布変化の検出
• Numerical Features: 統計量の変化
• Sample Rate: 全推論の何 % をサンプル
• Alerting: Cloud Monitoring と統合
• Re-training Trigger: ドリフト検出 → 再学習自動起動

• XRAI: 画像 ・ 動画向け説明
• Integrated Gradients: NN ベース、勾配ベース
• Sampled Shapley: ツリー / 表データ向け
• Feature Importance: グローバル + ローカル
• Counterfactual Explanations: 反実仮想
• Online Explanations: 推論時のリアルタイム説明

• Google AI 原則 7 つ: 公平性 / 偏見回避 / 安全性 / 説明責任 / プライバシー / 科学的卓越性 / 原則に沿う用途
• Fairness Indicators: バイアス指標(Equal Opportunity / Demographic Parity 等)
• Vertex AI Safety: 生成 AI の安全フィルタ
• SynthID: AI 生成物への透かし
• Model Cards: モデルの透明性ドキュメント
• Data Cards: 訓練データの記述

• Gemini ファミリ: 2.5 Pro / 2.0 Flash / Nano
• Imagen: 画像生成
• Veo: 動画生成
• Vertex AI Studio: プロンプト試作 + Tuning + 評価
• Vertex AI Model Garden: 複数ベンダー基盤モデル(Llama / Mistral / Anthropic)
• Function Calling: モデルにツール呼出させる
• Grounding(検索ベース): ハルシネーション抑制

• Vertex AI Search: マネージド全文 + ベクトル検索
• Vertex AI Matching Engine: 高性能ベクトル検索
• Embedding API: text-embedding / multimodal embedding
• Hybrid Search: ベクトル + キーワード + リランキング
• Prompt Optimizer: プロンプト最適化(Vertex AI 内蔵)
• Context Caching: 長コンテキストの再利用

• Supervised Fine-tuning: ラベル付きデータで微調整
• RLHF / RLAIF: 強化学習ベース
• Distillation: 大モデル → 小モデル
• Adapter / LoRA: 部分微調整
• Hyperparameter Tuning(Vizier): ベイズ最適化
• Co-training / Self-training: ラベルなしデータ活用

1. 第 2 章: Vertex AI サブサービス全体像 / TPU v5e vs v5p / Spot VM
2. 第 3 章: BQML 関数(ML.PREDICT / GENERATE_TEXT / GENERATE_EMBEDDING)
3. 第 4 章: GCS / BigQuery / Spanner / Bigtable / Pub/Sub / Composer
4. 第 5 章: TensorFlow Distribution Strategies / PyTorch/XLA / JAX
5. 第 6 章: Vertex AI Pipelines(Kubeflow ベース)/ Components / Caching
6. 第 7 章: Online vs Batch / Custom Container / Triton / TensorRT
7. 第 8 章: Training-Serving Skew vs Prediction Drift / Explanations 3 種
8. 第 9 章: Gemini / Imagen / Vertex AI Search / Function Calling / Grounding

試験当日のコツ

• 50 〜 60 問 / 120 分 = 1 問 約 2 分。長文ケーススタディ問題は時間配分注意
• Best Practice ベース の出題: 『この要件で最もコスト効率 ・ 性能 ・ セキュリティ的に最適なのは?』
• サービス名の正確性: Vertex AI 統合前の旧名(AI Platform / Cloud Datalab 等)が混じる選択肢に注意
• Coursera / Skill Boost の練習問題 を必ず受ける

Professional ML Engineer 合格 → Professional Data Engineer で データ基盤側を強化、または Professional Cloud Architect で全体アーキテクトに進むのが王道。三大クラウド ML Pro を揃えるなら本サイトの[AWS MLA-C01](/certs/aws-ml-engineer)・[Azure AI-102](/certs/azure-ai-102)も。