模擬試験 2 — Professional Machine Learning Engineer

模擬試験 1 と異なる問題セットを 50 問。模擬試験 1 で 70% を超えてから 挑戦することを推奨。

問題 1（§1）

🆕 OSS の Llama 3 モデルを Google Cloud 上で使う最も簡単な方法。

A. GKE で自前構築 B. Model Garden から 1-click デプロイ C. BigQuery ML にインポート D. AutoML で再訓練

問題 2（§1）

10,000 件のレビューを BigQuery で感情分析（SQL のみで完結したい）。

A. CSV エクスポート → pandas B. ML.GENERATE_TEXT で Gemini Flash を呼び出す C. Dataflow → Cloud Functions D. AutoML Text Sentiment

問題 3（§1）

クラウド未経験のチームがコードレスで構造化データの分類モデル。

A. BigQuery ML SQL B. AutoML Tables (UI) C. Custom Training + Workbench D. Cloud Functions

問題 4（§1, 複数選択）

Gemini レイテンシ削減 2 つ：

A. プロンプトキャッシング B. ストリーミング応答 C. 入出力大量化 D. Ultra に切替

問題 5（§1）

医療用語の翻訳精度向上。

A. AutoML Translation または Glossary B. Gemini Pro プロンプトに「医療」 C. BQML ML.TRANSLATE 汎用 D. 人手レビュー全件

問題 6（§1）

🆕 Gemini ベースアプリの最適化対象 3 つ（新ガイド明記）。

A. コスト・レイテンシ・可用性 B. 精度・再現率・F1 C. プロンプト・コンテキスト・出力 D. PII・有害性・バイアス

問題 7（§1）

PDF 帳票から品目・金額を抽出 + 自社特殊書式に対応。

A. Vision API OCR + 自作パーサ B. Document AI Custom Extractor C. AutoML Vision D. Translation API

問題 8（§2）

機微データを LLM プロンプトに入れる前のチェック 2 つ（複数選択）：

A. DLP で PII マスキング B. Model Armor で入力チェック C. 公衆 HTTPS で送信 D. 生のままユーザー返却

問題 9（§2）

Feature Store の point-in-time correctness の目的。

A. 将来ラベル混入を防ぐ B. ハードウェア最適化 C. レプリケーション D. GPU 使用率改善

問題 10（§2）

Workbench コスト爆発の典型対策。

A. Idle Shutdown 設定 B. SLA 引き上げ C. CMEK 無効化 D. 公開 IP

問題 11（§2）

ML.GENERATE_EMBEDDING の用途。

A. BigQuery 内でベクトル生成、RAG・Vector Search 用 B. 数値の正規化 C. 文字列連結 D. CSV パース

問題 12（§2）

データ前処理：ストリーミング + バッチ + サーバーレス + Beam SDK。

A. Dataflow B. Dataproc C. Functions D. BQ

問題 13（§2, 複数選択）

🆕 LLM-as-a-judge のバイアス対策 2 つ：

A. position swap B. ペアワイズ比較 C. 1 種類の judge LLM 固定 D. 評価データを公開する

問題 14（§2）

ML パイプラインの系統 (lineage) 管理。

A. Cloud Logging B. ML Metadata C. BQ Information Schema D. Audit Logs

問題 15（§2）

🆕 開発・実験環境を framework で選ぶ際の選択肢に含まれるもの（公式記載）。

A. Experiments / Pipelines / Kubeflow Pipelines B. Cloud Run only C. Functions only D. App Engine

問題 16（§3）

XGBoost で表形式モデルを最高精度で。データは BQ。

A. BQML boosted_tree B. AutoML Tables / Tabular Workflows C. Custom Training + XGBoost フレームワーク D. すべて

問題 17（§3）

Vizier で同時試行数を増やすと。

A. 高速化するが探索効率は下がる B. 探索効率が必ず上がる C. コストが下がる D. 精度が必ず上がる

問題 18（§3）

複数 TPU を単一プログラムで扱う Google 製ランタイム。

A. Pathways B. NCCL C. Horovod D. DeepSpeed

問題 19（§3）

データの I/O ボトルネック解消 2 つ（複数選択）：

A. TFRecord で sequential read B. tf.data の prefetch/cache C. CSV を 1 行ずつ D. GCS から 1 ファイルずつ DL

問題 20（§3）

訓練 loss が NaN。原因として最頻出 2 つ。

A. 学習率が高すぎる B. 混合精度の overflow C. データ多すぎ D. GPU 古い

問題 21（§3）

Tabular Workflows と AutoML Tables の関係。

A. パイプライン化されたカスタマイズ可能な AutoML 上位互換 B. 時系列専用 C. GCS 専用 D. 同じ

問題 22（§3）

100 B LLM の訓練フレームワーク + ハードウェアの Google 標準。

A. PyTorch + A100 単機 B. JAX + TPU v5p Multislice + Pathways C. sklearn + CPU D. XGBoost + GPU

問題 23（§3）

7B LLM ファインチューニングをコスト効率良く。

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

問題 24（§3）

🆕 BigQuery 経由 Gemini チューニング SFT 実行。

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

問題 25（§3）

推論コスト最適なハードウェア（中規模 LLM 推論）。

A. A100 B. H100 C. L4 GPU or TPU v5e D. CPU only

問題 26（§4）

Endpoint コールドスタート問題の対策。

A. min_replicas ≥ 1 B. リージョン変更 C. CPU 増 D. 何もしない

問題 27（§4, 複数選択）

PyTorch と TensorFlow を同 Endpoint に同居 2 つ：

A. 別カスタムコンテナで DeployedModel を 2 つ B. traffic_split で振り分け C. ONNX に統一しないと不可能 D. 1 ファイル統合

問題 28（§4）

訓練/推論の前処理 skew で精度低下。

A. クライアント側全部 B. TFT / Feature Store C. 全部推論に移植 D. ML エンジニア週次同期

問題 29（§4）

Edge デプロイ前の必須処理。

A. INT8/Float16 量子化 B. 全層 freeze C. 学習率上げる D. データ拡張

問題 30（§4）

Gemini Nano の用途。

A. クラウド最高性能 LLM B. オンデバイス推論 C. 画像生成 D. 動画認識

問題 31（§4）

特徴量取得 300ms ボトルネック → 100ms 要件。

A. Feature Store Online B. DB スケールアップ C. Cloud Functions 移行 D. キャッシュなし

問題 32（§4, 複数選択）

Cloud Run で生成 AI 推論を動かす利点 2 つ：

A. スケールゼロ B. GPU 対応 C. K8s 管理必須 D. リクエスト同時数で課金

問題 33（§4）

即ロールバック可能な戦略。

A. ローリング B. ブルー/グリーン C. カナリア小規模 D. 全置換

問題 34（§4）

複雑な前処理（リサイズ・正規化）を推論時に。

A. クライアント B. カスタムコンテナで前処理 + 推論 C. 別 Cloud Function D. 推論しない

問題 35（§4）

95% 標準アクセス + 5% バースト。最適スケール。

A. min=高 max=高 固定 B. min=1〜中 max=高 オートスケール C. Cloud Run min=0 D. GKE 永続

問題 36（§5）

KFP v2 キャッシュ判定。

A. 入力ハッシュ B. 時刻 C. ユーザー名 D. リージョン

問題 37（§5）

「Cloud Composer」新名称。

A. Managed Service for Apache Airflow B. Cloud Workflows C. Agent Platform Pipelines D. Cloud Build

問題 38（§5）

Ray on Agent Platform が不適切なシナリオ。

A. RL ロールアウト B. 数千試行 HPT C. 大規模 LLM 分散 FT D. 単発 SQL クエリ

問題 39（§5, 複数選択）

再訓練の適切なトリガー 2 つ：

A. スケジュール B. データドリフト検知 C. 課金額増加 D. ユーザー数減少

問題 40（§5）

Pipelines 失敗ステップだけ再走。

A. 全体再実行 B. KFP v2 キャッシュ + 部分再実行 C. 手動複製 D. 不可

問題 41（§5）

E2E ML パイプラインの第一選択。

A. Agent Platform Pipelines B. Workflows C. Pub/Sub のみ D. Cloud Build のみ

問題 42（§5）

KFP コンポーネントのリトライ設定。

A. retry_policy で設定 B. リトライ不可 C. 全部再実行 D. Workflows 必須

問題 43（§5）

CT (Continuous Training)。

A. データ変化に応じた自動再訓練 B. 訓練 1 回のみ C. 推論のみ自動化 D. 全手動

問題 44（§6）

訓練/推論前処理ズレ。

A. Training-Serving Skew B. Data Drift C. Concept Drift D. Network Skew

問題 45（§6, 複数選択）

PII 含む LLM レスポンスの漏洩対策 2 つ：

A. Model Armor 出力スキャン B. DLP 後段スキャン C. ログ全削除 D. Gemini Pro 切替

問題 46（§6）

公平性で属性ごとの陽性予測率差を測る指標。

A. Demographic Parity B. Equalized Odds C. Accuracy D. F1

問題 47（§6, 複数選択）

🆕 Model Armor が防げる脅威 2 つ：

A. プロンプトインジェクション B. PII 漏洩 C. ハードウェア障害 D. 課金エラー

問題 48（§6）

ドリフト検知 → 自動再訓練。

A. Model Monitoring → Pub/Sub → Pipelines B. 手動メール C. ログ確認のみ D. デプロイ全停止

問題 49（§6）

差分プライバシーの役割。

A. 訓練データに数学的ノイズで個人特定防止 B. 暗号化 C. レイテンシ削減 D. コスト削減

問題 50（§6, 複数選択）

Model Monitoring 監視対象 2 つ：

A. 入力特徴量のドリフト B. 予測値の分布変化 C. ハードウェア温度 D. 課金通貨

採点

• 45+ (90%)：本番準備完了。
• 35〜44 (70〜88%)：合格圏。
• 30〜34 (60〜68%)：あと 1 週間の補強推奨。
• 30 未満：基礎に戻る。

模試 1 と模試 2 の両方で 70% 以上を取れたら本番予約 OK。直前は 03_要点と暗記.md の音読で仕上げ。