GCP-PMLE 練習問題 13｜プロトタイプから ML モデルへのスケーリング

あなたはフィンテック企業で ML チームを率いています。チームは、不正の可能性があるクレジットカード取引をリアルタイムで検出するシステムを構築しています。取引の承認・拒否を行うため、モデルは非常に低いレイテンシ（200 ms 未満）で予測を返す必要があります。また、システムは 1 日あたり数百万件の取引を処理できるようにスケーリングする必要があります。データセットは BigQuery に保存された構造化された表形式の取引データです。チームはデータ サイエンスに精通していますが、リアルタイムのモデル サービング インフラストラクチャの管理と最適化の複雑さは避けたいと考えています。どうすればよいですか。

【正解】D

【0からの解説】
①前提知識：Vertex AI AutoML（現 Agent Platform AutoML）の表形式（分類・回帰）は、BigQuery テーブルなどの表形式データから、特徴量エンジニアリングやモデル選択、ハイパーパラメータ調整を自動化して高品質なモデルを作成する機能です。作成したモデルは Vertex AI Prediction（現 Agent Platform Inference）のエンドポイントにデプロイでき、Google が管理するサービング基盤が自動スケーリングしながら REST/gRPC API で同期的なオンライン予測を返します。
②要件の整理：(1) 取引ごとにリアルタイムで不正を判定（分類問題）、(2) 200 ms 未満の低レイテンシ、(3) 1 日数百万件にスケール、(4) BigQuery の表形式データ、(5) リアルタイム サービング基盤の管理・最適化の複雑さを避けたい。
③正解の理由：AutoML の表形式分類で BigQuery のデータから直接モデルを作成し、マネージドなエンドポイントにデプロイすれば、取引処理アプリケーションは API を呼ぶだけで取引ごとの同期予測を得られます。サービング インフラのプロビジョニング、スケーリング、パッチ適用は Google が管理し、レプリカの自動スケーリングで大量の取引にも対応できるため、低レイテンシ・スケーラビリティ・運用負荷の回避をすべて満たします。

【誤りの選択肢】
A：Compute Engine の GPU クラスタと独自の API を自前で構築・運用することになり、スケーリング、可用性、パッチ適用、レイテンシ最適化をすべてチームが担います。「サービング インフラストラクチャの管理と最適化の複雑さを避けたい」という条件に真っ向から反します。
B：BigQuery ML のブーストツリー分類自体は表形式データに適していますが、1 分ごとのバッチ予測では、取引の発生から判定までに最大 1 分以上の遅れが生じます。取引の承認・拒否の時点で 200 ms 未満に予測を返すというリアルタイム要件を満たせません。
C：予測（Forecasting）は将来の数値（売上など）を時系列で予測するためのモデルで、個々の取引が不正かどうかを判定する分類問題には適していません。「不正が起きやすい将来の時間枠」を予測しても、目の前の取引をリアルタイムに承認・拒否する要件には応えられません。

【参考】
分類と回帰の概要
AutoML モデルのオンライン推論を取得する