セクション5 要点と暗記 — ML パイプラインの自動化とオーケストレーション

🎯 暗記版。意思決定ツリー、対比表、頻出シナリオ。

🌳 オーケストレータ選定ツリー

何を動かす？
├─ ML パイプライン専用（KFP / TFX）
│   → Agent Platform Pipelines（第一候補・サーバーレス）
│
├─ ETL + ML / 複雑な依存 / 既存 Airflow 資産
│   → Managed Service for Apache Airflow（旧 Cloud Composer）
│
├─ 分散 ML / 強化学習 / 大規模ハイパラチューニング
│   → Ray on Agent Platform 🆕
│
└─ 軽量 API 呼び出し / 数ステップのフロー
    → Cloud Workflows

🌳 再訓練ポリシー選定ツリー

データ変化の特性は？
├─ 安定 + 緩やか → スケジュール（日次/週次）
├─ 急変 + 環境変化 → ドリフト検知駆動（Model Monitoring → Pipelines）
├─ KPI 直接モニタしたい → 精度劣化トリガー
├─ 季節要因 → ビジネスイベント駆動
└─ 緊急 → オンデマンド（手動）
ベスト：スケジュール + ドリフト検知のハイブリッド

🌳 MLOps 成熟度ツリー

Level 0：手動（ノートブック → 手動デプロイ）
Level 1：ML パイプライン自動化（パイプラインで自動訓練 + 自動デプロイ）
Level 2：CI/CD/CT（コード変更で パイプライン自体 も自動更新 + CT）

🃏 暗記カード

📊 対比表

オーケストレータ

TFT vs Feature Store

MLOps レベル比較

🔥 頻出シナリオ → 即答パターン

⚠️ ひっかけ警報

1. 「Cloud Composer」 という古い名称が問題文に → 新名称は Managed Service for Apache Airflow
2. 「複雑な ETL + ML を Pipelines で全部書く」 → Airflow の Operator 群の方が向く
3. 「RL を Pipelines で並列ロールアウト」 → Ray on Agent Platform が適切
4. 「Cloud Workflows で大規模 ML 訓練オーケストレーション」 → Workflows は軽量フロー向き、Pipelines/Airflow 推奨
5. 「TFT or Feature Store を使わずに skew を防げる」 → 不可。必ずどちらかで前処理を統一
6. 「再訓練はスケジュールのみで十分」 → 急変するデータならドリフト検知も必須
7. 「CT なしでも MLOps Level 2」 → CT は Level 2 の必須要素
8. 「KFP のキャッシュは時刻で判定」 → 入力ハッシュ
9. 「Cloud Build はビルドだけ、デプロイは別」 → デプロイまで一貫して書ける
10. 「モデル検証ステップなしで本番デプロイ」 → 退行リスク。必ず合格判定を入れる

📝 一行サマリー

ML パイプラインは Pipelines、ETL+ML は Airflow、分散 ML/RL は Ray、軽量 API は Workflows。前処理 skew は TFT/Feature Store。再訓練はスケジュール+ドリフト検知のハイブリッド。MLOps Level 2 は CI/CD/CT が全部回る状態。