模擬試験 1 — Professional Machine Learning Engineer

本番形式：全 50 問・2 時間（1 問あたり約 2 分）。出題比重を本番に合わせて配分（§3=10, §4=10, §5=9, §2=8, §1=7, §6=6）。 多肢選択 / 複数選択。複数選択は問題文末に「(複数選択)」と明記。 必ず 時間を測って 解き、終了後に解答解説を読むこと。目安 70% (35 問) で合格圏内。

問題 1（§1）

EC 企業が BigQuery に保存された購買履歴から 解約予測モデル を最速で構築したい。チームは SQL に習熟。最適は？

A. Dataflow → Cloud Storage → Custom Training B. BigQuery ML で logistic_reg を直接訓練 C. Workbench で pandas + sklearn D. AutoML Tables で UI から訓練

問題 2（§1）

請求書 PDF から金額・品目・日付を構造化抽出するサービスは？

A. Vision API OCR B. Document AI Invoice Parser C. Cloud Functions D. AutoML Vision

問題 3（§1, 複数選択）

Gemini ベースのアプリのコスト削減策として効果的なもの 2 つ：

A. プロンプトキャッシング B. Batch API（非同期可なジョブ） C. Gemini Ultra に固定 D. ストリーミングモード（コスト削減のため）

問題 4（§1）

社内 FAQ チャットボットで、ドキュメントが頻繁に更新される。最適は？

A. Gemini フルファインチューニング B. Gemini + RAG (Vector Search) C. AutoML Text D. BigQuery ML

問題 5（§1）

商品画像 50 万枚で 100 カテゴリに分類。ML 専門家不在。

A. Vision API B. AutoML Image C. Custom Training + ResNet D. BQML

問題 6（§1）

🆕 BigQuery から Gemini をファインチューニングする際の構文は？

A. CREATE MODEL ... OPTIONS(model_type='gemini') B. CREATE MODEL ... REMOTE WITH CONNECTION ... C. ML.TUNE_MODEL(...) D. BigQuery では不可能

問題 7（§1）

🆕 動画生成の Google 基盤モデルは？

A. Imagen B. Veo C. Chirp D. Gemini

問題 8（§2）

5 TB のデータを BigQuery で特徴量化したい。

A. BigQuery SQL で完結 B. Dataflow に書き直し C. Workbench に pandas でロード D. Cloud SQL に転送

問題 9（§2）

ストリーミング特徴量を ms 級で取得したい。

A. Pub/Sub → Dataflow → Feature Store (Online) B. Pub/Sub → BigQuery → クエリ C. Cloud Function → Cloud SQL D. GCS → Cloud Storage

問題 10（§2）

🆕 LLM 出力を継続評価したい。

A. Cloud Logging のみ B. Gen AI Evaluation Service (LLM-as-a-judge) C. BLEU だけ D. 人手のみ

問題 11（§2）

複数 ML エンジニアが共同編集できるノートブックは？

A. Workbench B. Colab Enterprise C. ローカル Jupyter D. Cloud Functions

問題 12（§2）

既存 PySpark ジョブをクラスタ管理なしで動かしたい。

A. Dataflow に書き直し B. Dataproc Serverless for Spark C. BigQuery D. Cloud Run

問題 13（§2, 複数選択）

訓練と推論の前処理 skew を防ぐ手段 2 つ：

A. TFT B. Feature Store C. クライアント側で実装 D. ノートブックと手動同期

問題 14（§2）

PII 含むデータを BigQuery 列単位でアクセス制御。

A. ポリシータグ B. IAM Project ロール C. CMEK D. Cloud KMS

問題 15（§2）

実験のパラメータ・メトリクス比較を Google サービスで一元管理。

A. BigQuery 手動 B. Agent Platform Experiments + ML Metadata C. Cloud Logging D. Cloud Source Repositories

問題 16（§3）

100B LLM の訓練に最適な構成は？

A. A100 単機 B. TPU v5p Multislice + Pathways C. CPU 大規模 D. Cloud Functions

問題 17（§3）

7B LLM のドメイン特化を低コストで。

A. Full Fine-tuning B. LoRA / PEFT C. プロンプトのみ D. RLHF

問題 18（§3）

時系列予測モデルを BigQuery で。

A. ARIMA_PLUS B. linear_reg C. kmeans D. logistic_reg

問題 19（§3, 複数選択）

訓練の OOM 対策 2 つ：

A. バッチサイズを下げる B. 勾配蓄積 C. 学習率を上げる D. データ量を増やす

問題 20（§3）

ハイパラ最適化をベイズで自動化。

A. Vizier B. Cloud Composer C. AutoML D. Cloud Run

問題 21（§3）

JAX で開発したモデルに最適なハードウェア。

A. CPU B. GPU C. TPU D. Edge TPU

問題 22（§3）

訓練コスト 50% 削減の最大レバー。

A. Spot VM + チェックポイント B. リージョン変更 C. インスタンス拡大 D. データ削減

問題 23（§3）

Spot 枠を確保しやすくする Google サービス。

A. DWS (Dynamic Workload Scheduler) B. Cloud Scheduler C. Cloud Run D. Pub/Sub

問題 24（§3, 複数選択）

分散並列の正しい説明 2 つ：

A. Data Parallelism = 同じモデル × 異なるデータ B. Tensor Parallelism = モデル内のテンソルを分割 C. Pipeline Parallelism = データの順次処理 D. Random Parallelism

問題 25（§3）

3D 並列を使うケース。

A. 中小 NN B. 1 GPU に乗らない超大規模 LLM C. 単純な前処理 D. バッチ推論

問題 26（§4）

夜間に全顧客スコアリング。

A. Batch Prediction Job B. Endpoint で順次 C. Cloud Functions D. Workbench

問題 27（§4）

リアルタイム推薦 < 50ms。

A. Batch B. Endpoint + Feature Store Online C. BQ クエリ D. Airflow DAG

問題 28（§4）

新モデルを 5% から段階展開。

A. ブルー/グリーン B. カナリア C. シャドウ D. ローリング

問題 29（§4）

性能を本番影響ゼロで計測。

A. A/B B. カナリア C. シャドウデプロイ D. ローリング

問題 30（§4, 複数選択）

LLM 推論のコスト最適化 2 つ：

A. プロンプトキャッシング B. Batch API C. Pro モデル固定 D. リージョン全部使う

問題 31（§4）

軽量モデル + アイドル長 + コスト最優先。

A. Endpoint min=1 B. Cloud Run min-instances=0 C. GKE 永続 D. Compute Engine 常時

問題 32（§4）

IoT カメラでオフライン物体検出。

A. Cloud GPU API B. Edge TPU (Coral) C. CPU クラウド D. Vision API

問題 33（§4）

機密データを非インターネット経由で推論。

A. Public Endpoint + IAM B. Private Endpoint + PSC C. Cloud Functions 公開 D. VPN 経由 Public

問題 34（§4）

複数モデルを同 Endpoint で A/B。

A. 別 Endpoint B. traffic_split C. Cloud Load Balancer D. Cloud Functions 振り分け

問題 35（§4）

100B LLM 高スループット推論バックエンド。

A. CPU B. T4 C. A100/H100 or TPU v5e + vLLM D. Cloud Functions

問題 36（§5）

ML 専用パイプラインをサーバーレスで。

A. Agent Platform Pipelines (KFP) B. Cloud Functions C. Managed Airflow D. Cloud Run

問題 37（§5）

ETL + ML 統合、既存 Airflow 資産あり。

A. Pipelines B. Managed Service for Apache Airflow C. Workflows D. Functions

問題 38（§5）

🆕 RL や大規模 HPT の分散実行。

A. Pipelines B. Ray on Agent Platform C. Workflows D. BQML

問題 39（§5）

軽量 API 呼び出しを YAML で記述。

A. Workflows B. Pipelines C. Airflow D. Pub/Sub

問題 40（§5）

データ品質を訓練前に自動検証。

A. TFDV を Pipelines のステップに B. Cloud Monitoring C. Cloud Logging D. BQ 単体

問題 41（§5）

モデル評価で前バージョン以下ならデプロイ阻止。

A. Pipelines に検証ステップ + 条件分岐 B. デプロイ後検証 C. 手動レビュー D. ML Metadata 任せ

問題 42（§5, 複数選択）

CT 設計の必須要素 2 つ：

A. Model Monitoring B. Pub/Sub 経由トリガー C. 手動承認のみ D. データ破棄

問題 43（§5）

MLOps Level 2 の特徴。

A. ノートブック手動 B. 訓練自動化のみ C. CI/CD/CT 完全自動化 D. 一切自動化なし

問題 44（§5）

GCS 新規ファイルでパイプライン起動。

A. Cloud Scheduler cron B. Eventarc → Pipelines C. Functions polling D. 手動

問題 45（§6）

入力 X の分布が変化。

A. Skew B. Data Drift C. Concept Drift D. Attribution Drift

問題 46（§6）

P(Y|X) が変化。

A. Skew B. Data Drift C. Concept Drift D. Attribution Drift

問題 47（§6）

🆕 特徴量の寄与度分布が変化。

A. Feature Attribution Drift B. Data Drift C. Concept Drift D. Skew

問題 48（§6, 複数選択）

🆕 LLM プロンプトインジェクション対策 2 つ：

A. Model Armor B. Safety Filters C. CMEK D. KMS

問題 49（§6）

表形式モデルの予測理由説明。

A. Sampled Shapley B. Integrated Gradients C. XRAI D. ROC-AUC

問題 50（§6）

🆕 生成 AI 品質を継続評価するマネージドサービス。

A. Cloud Monitoring B. Gen AI Evaluation Service C. BigQuery D. Looker

採点とフィードバック

• 45 以上 (90%)：シニア合格圏。本番準備完了。
• 35〜44 (70〜88%)：合格圏。誤答のセクションを 02_学習資料/ で再確認。
• 30〜34 (60〜68%)：もう 1 週間で再挑戦。重点的に弱点補強。
• 30 未満：用語集 + 学習資料の基礎に立ち返り。

模擬試験 2 を続けて受けるよりも、まずは 誤答の解説 を一通り読み込み、関連セクションの 03_要点と暗記.md を音読してから挑戦することを推奨。