シラバス詳細 — Professional Machine Learning Engineer
公式試験ガイド（2026年6月1日改訂版）の全範囲を日本語化し、各項目に 「何が問われるか」「キーサービス」 を補足したものです。
学習前にここで地図を頭に入れ、各論は 02_学習資料/ で深掘りしてください。
凡例：🔑 = 頻出キーサービス／⚠️ = ひっかけ・判断ポイント／🆕 = 改訂で追加・強化された論点
📊 セクション別出題比重（一覧）
| # | セクション | 比重 | 学習優先度 |
|---|---|---|---|
| 3 | プロトタイプから ML モデルへのスケール | ~21% | ⭐⭐⭐⭐⭐ |
| 4 | モデルのサービングとスケール | ~20% | ⭐⭐⭐⭐⭐ |
| 5 | ML パイプラインの自動化とオーケストレーション | ~18% | ⭐⭐⭐⭐ |
| 2 | チーム横断でのデータとモデルの管理 | ~16% | ⭐⭐⭐⭐ |
| 1 | ローコード AI ソリューションの設計 | ~13% | ⭐⭐⭐ |
| 6 | AI ソリューションのモニタリング | ~13% | ⭐⭐⭐ |
戦略：MLOps 中核のセクション 3 ＋ 4 ＋ 5 で約 59% を占める。ここを確実に取りに行く。生成 AI と Agent Platform 関連（旧 Vertex AI）の機能名・サービス名は新ガイドで頻出になったので、用語と使い分けを丸暗記レベルで押さえる。
🧩 セクション1：ローコード AI ソリューションの設計（~13%）
Code を書かずに AI を構築する手段（AutoML / 基盤モデル / API）の使い分け。
1.1 BigQuery ML または AutoML on Agent Platform を用いた ML モデルの開発
- ビジネス課題に基づき、BigQuery ML または Agent Platform AutoML で分類・回帰・予測（forecasting）・クラスタリングのモデルを構築
- BigQuery ML での特徴量エンジニアリングと特徴量選択
- BigQuery ML での予測生成
- Agent Platform AutoML でのモデル訓練
- 🆕 BigQuery を用いた Gemini モデルのファインチューニング
🔑 BigQuery ML / Agent Platform AutoML (Tabular / Image / Text / Video) ⚠️ "コードを書かずに" "データはすでに BigQuery にある" → BigQuery ML が第一候補。AutoML はマルチモーダルや画像/動画系で強い
1.2 Google Cloud AI API または基盤モデルを用いた AI ソリューションの構築
- 🆕 Model Garden からタスクに合った基盤モデルを評価・選定
- 業界別 API の活用（Document AI / Vision / Translate API など）
- ユースケース別のソリューション構築とチューニング（Gemini / Imagen / Veo / Model Garden の Models-as-a-Service）
- 🆕 Gemini ベースのアプリケーションのコスト・レイテンシ・可用性の最適化
🔑 Document AI / Vision API / Translate API / Speech-to-Text / Natural Language API / Gemini / Imagen / Veo / Model Garden ⚠️ "OCRと請求書抽出" → Document AI、"画像分類だが既製モデルで十分" → Vision API、"独自データで翻訳精度を上げたい" → Translation Custom Model ⚠️ Gemini コスト最適化：プロンプトキャッシング・コンテキストキャッシング・Batch API・モデルサイズの選定（Flash vs Pro）・推論場所（リージョン）
🤝 セクション2：チーム横断でのデータとモデルの管理（~16%）
データ探索・前処理・ノートブック協業・実験管理。MLOps の入口。
2.1 ML 向けデータの探索と前処理
- データ種別（テーブル / テキスト / 画像）別に効率的な実験・訓練・サービング向けにデータを整理
- スケールと複雑性に応じた前処理ツールの選定：BigQuery (SQL) / Dataflow / Apache Spark (Dataproc) / インメモリ Python フレームワーク (pandas / Polars)
- 🆕 Agent Platform Feature Store での特徴量の作成と統合
- データプライバシーと PII の取り扱い
🔑 BigQuery / Dataflow / Dataproc (Spark) / pandas / Cloud DLP / Agent Platform Feature Store ⚠️ "TB級・SQLで完結" → BigQuery、"スケールアウトしたいストリーミング/バッチ ETL" → Dataflow、"既存 Spark 資産あり" → Dataproc、"GB級でローカルで足りる" → pandas/Polars ⚠️ PII：Cloud DLP でトークン化/マスキング、列レベルポリシータグ
2.2 ノートブックを使ったモデルのプロトタイピング
- Agent Platform Workbench / Colab Enterprise のセットアップとセキュリティ・協業のベストプラクティス
- PyTorch / scikit-learn / JAX などのフレームワークでのモデル開発
- 🆕 Model Garden から基盤モデル・OSSモデルを取り込んでノートブック上でプロトタイピング
🔑 Agent Platform Workbench / Colab Enterprise / Model Garden / PyTorch / JAX / scikit-learn ⚠️ Workbench はインスタンス管理が必要、Colab Enterprise はサーバーレスでより手軽 ⚠️ ノートブックのセキュリティ：VPC SC 内に配置、Customer-Managed Encryption Keys (CMEK)、サービスアカウントの最小権限
2.3 ML 実験のトラッキングと実行
- 🆕 開発・実験に適した環境の選定（Experiments on Agent Platform / Agent Platform Pipelines / Kubeflow Pipelines）
- 🆕 予測モデル & 生成AI の評価（評価メトリクス / LLM-as-a-judge）
- モデル成果物・バージョン・系統 (lineage) の追跡（Agent Platform Experiments / Agent Platform ML Metadata）
🔑 Agent Platform Experiments / Agent Platform Pipelines / Kubeflow Pipelines / Agent Platform ML Metadata ⚠️ LLM-as-a-judge：人手評価が難しい長文生成の品質評価で使用。Geminiを評価者にして他モデル出力をスコアリング ⚠️ Pipelines は KFP (Kubeflow Pipelines) と互換。Agent Platform Pipelines はサーバーレスで運用
🚀 セクション3：プロトタイプから ML モデルへのスケール（~21%）★最重要
モデル選定・訓練・分散・ハードウェア。試験で最も比重が大きい。
3.1 タスクに応じたモデル構築（コスト・複雑性・レイテンシ・スケーラビリティ）
- モデル種別の選択（ARIMA / DNN / LLM など）
- プロダクトの選択（Agent Platform AutoML / BigQuery ML / Agent Platform Pipelines）
- デプロイ戦略の選択
- 解釈性 (interpretability) 要件に基づくモデリング技法
🔑 ARIMA(時系列) / DNN / LLM / Boosted Trees / Linear / Logistic ⚠️ 解釈性が高いものから順に: 線形/ロジ → 決定木 → Boosted Trees → DNN → LLM。"なぜそう予測したか" が必須なら線形寄り or Explainable AI で属性を付与 ⚠️ 構造化データの分類/回帰 + 解釈性 → BigQuery ML or AutoML Tabular、画像分類 → AutoML Image or カスタム CNN、テキスト要約 → Gemini ファインチューニング
3.2 モデルの訓練
- 訓練データ（テーブル / テキスト / 音声 / 画像 / 動画）の整理（Cloud Storage / BigQuery）
- 構造化・非構造化データの取り込みから訓練パイプラインへの統合
- 各種 SDK でのモデル訓練：Agent Platform Custom Training / Kubeflow on GKE / Agent Platform AutoML / Tabular Workflows
- 訓練失敗のトラブルシューティング
- ハイパーパラメータチューニング
- 🆕 Agent Platform / Model Garden の基盤モデルのファインチューニング と、チューニングを検討すべきタイミング
🔑 Agent Platform Custom Training / Kubeflow / Agent Platform AutoML / Tabular Workflows / Vizier (HPT) ⚠️ ファインチューニングを検討するタイミング: プロンプト/few-shot で精度が頭打ち、ドメイン固有の用語/形式、推論コスト削減（小モデル + チューニング） ⚠️ ファインチューニング手法: フルファインチューニング / PEFT (LoRA / Adapter) / RLHF。コストと精度のトレードオフ
3.3 訓練に適したハードウェアの選定
- コンピュート/アクセラレータの評価：CPU / GPU / TPU
- 🆕 データ並列 / モデル並列 での GPU / TPU 分散訓練オプションの理解
🔑 CPU / GPU (A100 / H100) / TPU v4/v5e/v5p / Multislice / Pathways ⚠️ 大規模 LLM → TPU マルチスライス、中規模 CNN → GPU、小規模 ML → CPU で十分 ⚠️ データ並列 = 同じモデル × 異なるデータ、モデル並列 = モデルを分割。両方を組み合わせる 3D 並列 (data / tensor / pipeline) が大規模 LLM 訓練の主流
📡 セクション4：モデルのサービングとスケール（~20%）★最重要
推論基盤の設計と運用。プロダクション化の核心。
4.1 モデルのサービング
- バッチ推論 / オンライン推論 を Agent Platform / Model Garden / Cloud Run / GKE で使い分け
- PyTorch / XGBoost など異なるフレームワークを プレビルト / カスタムコンテナ でパッケージ
- 🆕 Agent Platform Model Registry でのモデル整理・バージョニング
- A/B テスト・カナリアデプロイ のロールアウト戦略
- 推論の 前処理・後処理 ソリューション
🔑 Agent Platform Inference (旧 Vertex AI Endpoints) / Model Registry / Cloud Run / GKE / TF Serving / TorchServe ⚠️ レイテンシ重視 → オンライン推論エンドポイント、スループット重視 → Batch Prediction、スパイク対応 → Cloud Run、複雑な制御 → GKE ⚠️ カナリア: トラフィック分割を Endpoint で設定。A/B テストは複数モデルバージョン併存
4.2 オンラインモデルサービングのスケール
- 🆕 Agent Platform Feature Store での特徴量管理・サービング
- パブリック / プライベートエンドポイント へのデプロイ
- ハードウェア選定（CPU / GPU / TPU / Edge）
- 🆕 スループットに応じたサービングバックエンドのスケール（Agent Platform Inference / コンテナサービング）
- 本番環境での訓練・サービング向けモデルチューニング
🔑 Agent Platform Inference / Feature Store / Private Service Connect / Edge TPU / Coral ⚠️ Feature Store のオンライン特徴量取得は ms 級レイテンシ。training-serving skew 回避の鍵 ⚠️ プライベートエンドポイント = VPC ピアリング/Private Service Connect 経由。データ漏洩防止と低レイテンシ ⚠️ Edge デプロイ: モバイル/IoT → TensorFlow Lite / Edge TPU、量子化と剪定が必須
⛓ セクション5：ML パイプラインの自動化とオーケストレーション（~18%）
CI/CD/CT で再現可能なMLパイプライン。MLOps の心臓部。
5.1 エンドツーエンド ML パイプラインの開発
- データとモデルの検証
- 🆕 マネージド/アンマネージドサービスとテンプレート/カスタムソリューションでパイプライン構築：Agent Platform Pipelines / Managed Service for Apache Airflow / Ray on Agent Platform
- 訓練とサービング間の データ前処理の一貫性確保
🔑 Agent Platform Pipelines (KFP) / Managed Airflow (Cloud Composer) / Ray on Agent Platform / TFX ⚠️ KFP DAGがコンテナ前提・依存単純 → Agent Platform Pipelines、複雑な依存・既存Airflow資産あり → Managed Airflow、分散ML (RL / 大規模HPT) → Ray ⚠️ Training-Serving Skew 防止：Tensorflow Transform (TFT) や Feature Store で前処理コードを共有
5.2 モデル再訓練の自動化
- 適切な 再訓練ポリシー の判断
- CI / CD / CT パイプライン でのモデルデプロイ（Cloud Build）
🔑 Cloud Build / Artifact Registry / Cloud Source Repositories / Agent Platform Pipelines ⚠️ 再訓練のトリガー：スケジュール (定期) / データ量閾値 / データドリフト検知時 / ビジネスメトリクス劣化時 ⚠️ CT = Continuous Training。MLOps レベル 1 から登場、レベル 2 で完全自動化
🛡 セクション6：AI ソリューションのモニタリング（~13%）
安全性、責任あるAI、ドリフト検知。新ガイドで明確に強化された領域。
6.1 AI ソリューションへのリスク特定
- 🆕 データ/モデルの意図しない悪用・漏洩からの保護（データ漏洩・悪意あるプロンプト・LLMへの機微データ送信）
- 適切なセキュリティツール：Regex / safety filters / 🆕 Model Armor
- 🆕 責任あるAI との整合（バイアスのモニタリング）
- Agent Platform Inference 上での Explainability（モデル解釈性）
🔑 Model Armor / Sensitive Data Protection (旧 DLP) / Explainable AI / Safety Filters ⚠️ Model Armor: プロンプトインジェクション・PII漏洩・有害コンテンツ・ジェイルブレイクを検知する LLM向け WAF ⚠️ Explainable AI: SHAP / Integrated Gradients / Sampled Shapley の3手法。特徴量重要度を可視化
6.2 AI ソリューションのモニタリング・テスト・トラブルシューティング
- 🆕 Agent Platform Model Monitoring で本番モデルの 継続的評価メトリクス を設定
- 一般的な問題のモニタリング：
- Training-Serving Skew（訓練と推論の前処理ズレ）
- Data Drift（入力分布変化）
- Concept Drift（入力→出力関係の変化）
- Feature Attribution Drift（特徴量の重要度変化）
- 🆕 生成 AI ソリューションのモニタリング・テスト・評価
🔑 Agent Platform Model Monitoring / Cloud Monitoring / Cloud Logging / Gen AI Evaluation Service ⚠️ 4つのドリフト種別の違いは頻出。Data Drift = 入力 X の分布変化、Concept Drift = P(Y|X) の変化、Feature Attribution Drift = 各特徴量の SHAP 値分布変化 ⚠️ Gen AI 評価: 自動評価メトリクス（BLEU / ROUGE / Perplexity）＋ LLM-as-a-judge ＋ 人手評価
🎯 学習優先度マトリクス
| セクション | 比重 | 難易度 | 学習優先度 | 重点ポイント |
|---|---|---|---|---|
| 3. スケール | 21% | 高 | ⭐⭐⭐⭐⭐ | モデル選定・分散訓練・HPT・ファインチューニング |
| 4. サービング | 20% | 高 | ⭐⭐⭐⭐⭐ | Inference / Feature Store / ロールアウト戦略 |
| 5. パイプライン | 18% | 中 | ⭐⭐⭐⭐ | Pipelines vs Airflow vs Ray / CI/CD/CT |
| 2. データ管理 | 16% | 中 | ⭐⭐⭐⭐ | 前処理ツール選定 / 実験管理 / 評価メトリクス |
| 1. ローコード | 13% | 低〜中 | ⭐⭐⭐ | BigQuery ML / AutoML / Model Garden |
| 6. モニタリング | 13% | 中 | ⭐⭐⭐ | ドリフト4種 / Model Armor / 責任あるAI |
本ガイドからの追加論点（試験対策の差別化要素）：
- 🆕 Model Armor（LLM向けセキュリティ）
- 🆕 LLM-as-a-judge（生成AI評価）
- 🆕 Ray on Agent Platform（分散ML）
- 🆕 Managed Service for Apache Airflow（旧 Cloud Composer の新名称）
- 🆕 Gemini ファインチューニング（BigQuery 経由）
- 🆕 Feature Attribution Drift（4つ目のドリフト種別）