セクション5 問題集 — ML パイプラインの自動化とオーケストレーション
問題 1
ML 専用のパイプラインを サーバーレス で動かしたい。最適は？
A. Agent Platform Pipelines (KFP v2) B. Cloud Functions C. Managed Service for Apache Airflow D. Cloud Run
解答と解説
正解：A
- ML 専用 + サーバーレス + KFP / TFX = Agent Platform Pipelines
問題 2
ETL + ML を同じオーケストレータで管理し、既存 Airflow DAG 資産 を移行したい。
A. Agent Platform Pipelines B. Managed Service for Apache Airflow（旧 Cloud Composer） C. Cloud Workflows D. Cloud Functions
解答と解説
正解：B
- 既存 Airflow 資産 + ETL+ML = Managed Service for Apache Airflow
問題 3（複数選択 — 2 つ選べ）
🆕 強化学習や大規模ハイパラチューニングを Google Cloud 上で行いたい。適切なものを 2 つ選べ。
A. Ray on Agent Platform B. Ray Tune を Ray クラスタで実行 C. AutoML D. BigQuery ML
解答と解説
正解：A, B
- A：マネージド Ray クラスタ
- B：Ray Tune は HPT のためのライブラリ
- C/D は RL や大規模分散 HPT には向かない
問題 4
軽量な API 呼び出しの順次/並列オーケストレーションを YAML で記述 したい。
A. Cloud Workflows B. Agent Platform Pipelines C. Managed Airflow D. Pub/Sub
解答と解説
正解：A
- Cloud Workflows = YAML ベースの軽量オーケストレーション
問題 5
訓練前に データの品質を自動検証 したい。OSS とパイプラインの組合せは？
A. TFDV (TensorFlow Data Validation) を Pipelines のステップに組み込む B. Cloud Monitoring C. Cloud Logging D. BigQuery 単体
解答と解説
正解：A
- TFDV はスキーマ + 統計ベースラインでデータ品質検証。Pipelines に コンポーネント化 して組み込む
問題 6
モデル評価で 前バージョンを下回ったらデプロイ阻止 したい。設計は？
A. Pipelines にモデル検証ステップを置き、条件分岐で停止 B. デプロイ後に検証 C. 全部手動レビュー D. ML Metadata 任せ
解答と解説
正解：A
- Pipelines にモデル検証ステップを置き、ベースラインモデルと比較して条件分岐（不合格なら Registry 登録/デプロイをスキップ）
問題 7（複数選択 — 2 つ選べ）
データドリフト検知に応じた 自動再訓練 (CT) を設計する。必要な要素 2 つ：
A. Agent Platform Model Monitoring B. Pub/Sub 経由でパイプライントリガー C. 手動承認のみ D. データを破棄
解答と解説
正解：A, B
- A：ドリフト検知サービス
- B：検知 → Pub/Sub → Pipelines submit で 自動再訓練
問題 8
MLOps Level 2 の特徴を 1 つ選べ。
A. ノートブックを手動実行 B. パイプラインで自動訓練だけ自動化 C. CI/CD + CT が完全自動化 D. 一切自動化なし
解答と解説
正解：C
- Level 2 = CI/CD/CT 完全自動化（コード変更でパイプライン自体も更新）
- Level 0 = 手動、Level 1 = パイプライン自動化のみ
問題 9
Cloud Build を ML パイプラインの CI/CD に組み込む典型用途は？
A. コード push をトリガーに、テスト → コンテナビルド → Pipelines submit B. データの保管 C. モデル推論 D. ユーザー認証
解答と解説
正解：A
- Cloud Build はビルド + テスト + デプロイの統合 CI/CD
問題 10
KFP v2 のキャッシュは何で判定？
A. 入力ハッシュ B. 時刻 C. ユーザー名 D. リージョン
解答と解説
正解：A
- 入力ハッシュ が同じなら再実行不要。開発時に高速化
問題 11
GCS に新規ファイルが上がるたびにパイプラインを起動したい。
A. Cloud Scheduler の cron B. Eventarc → Pipelines submit C. Cloud Functions polling D. 手動
解答と解説
正解：B
- イベント駆動 = Eventarc（GCS object create を購読 → Pipelines submit）
問題 12
訓練と推論の前処理を統一する 2 つの主要手段は？（複数選択）
A. TFT (TensorFlow Transform) B. Feature Store C. Cloud Logging D. Cloud Storage
解答と解説
正解：A, B
- TFT は Transform graph で訓練→推論の一貫性
- Feature Store は中央保管で同じ取得経路
問題 13
「Cloud Composer」は新ガイドで何と呼ばれる？
A. Managed Service for Apache Airflow B. Cloud Workflows C. Agent Platform Pipelines D. Cloud Build
解答と解説
正解：A
- Cloud Composer の新名称は Managed Service for Apache Airflow（試験で混同に注意）
問題 14
Ray on Agent Platform を使うべきシナリオで 適切でない ものは？
A. RL のロールアウト B. 数千試行の HPT C. 大規模 LLM 分散ファインチューニング D. 単発の SQL クエリ
解答と解説
正解：D
- D は BigQuery で十分。Ray は 分散 ML が本領
問題 15（複数選択 — 2 つ選べ）
再訓練ポリシーとして適切なトリガー組合せ：
A. スケジュール（日次/週次） B. データドリフト検知時 C. 課金額が増えた時 D. ユーザー数が減った時
解答と解説
正解：A, B
- A：データが安定なら定期実行
- B：環境変化に応じた自動再訓練
- C/D は ML 性能と直接関係ない
問題 16
Pipeline の 失敗ステップだけ再走 させたい。
A. パイプライン全体を再実行 B. KFP v2 のキャッシュ + 部分再実行で対応 C. 手動でログから複製 D. できない
解答と解説
正解：B
- KFP v2 は入力ハッシュベースのキャッシュ + 部分実行が可能
問題 17
「データ前処理ステップ → 訓練 → 評価 → モデル登録 → デプロイ」のような 典型的な ML パイプライン で、第一選択のオーケストレータは？
A. Agent Platform Pipelines B. Cloud Workflows C. Pub/Sub のみ D. Cloud Build のみ
解答と解説
正解：A
- ML 専用 E2E パイプラインは Agent Platform Pipelines (KFP) が第一候補
問題 18
訓練が失敗した時の リトライ を KFP コンポーネントで設定するには？
A. retry_policy を component に指定
B. リトライは不可
C. 全部最初から再実行
D. Workflows でラップする必要あり
解答と解説
正解：A
- KFP のコンポーネントには
retry_policy（最大回数・バックオフ）を設定可能
問題 19
Pipelines を Cloud Scheduler で日次起動 したい。設定の要点は？
A. Cloud Scheduler → HTTP / Pub/Sub → Pipelines submit B. Cloud Scheduler は対応しない C. Composer 必須 D. Manual のみ
解答と解説
正解：A
- Cloud Scheduler から HTTP / Pub/Sub 経由で Pipelines を submit するのが定石。あるいは Pipeline 自体のスケジュール機能を利用
問題 20
CT (Continuous Training) の概念で正しいものは？
A. データ変化に応じて自動再訓練を行う MLOps の要素 B. 訓練を一度だけ手動で行う C. 推論のみ自動化 D. 全部手動
解答と解説
正解：A
- CT = Continuous Training。CI/CD と並んで MLOps Level 2 の必須要素
全 20 問。