【正解】D
【0からの解説】
①前提知識
・継続的トレーニング（CT）は、コードやデータの変化をきっかけにモデルの再トレーニングを自動実行する MLOps の仕組みです。Google の MLOps アーキテクチャ ガイドでは、コードの変更 → CI（ユニットテスト、パイプラインのビルド）→ パイプライン実行（CT）→ 評価・検証 → デプロイ、という流れを推奨しています。
・Cloud Build はフルマネージドの CI/CD サービスで、Cloud Build トリガーを使うと GitHub / Cloud Source Repositories / Bitbucket などのリポジトリへの push やプルリクエストを検知してビルド構成ファイル（cloudbuild.yaml）のステップを自動実行できます。
・Agent Platform Pipelines（旧 Vertex AI Pipelines）は ML ワークフローをサーバーレスで実行するサービスで、Google Cloud Pipeline Components のモデル評価コンポーネントを使うと、新モデルの評価指標を計算し、条件分岐でデプロイ可否を判定できます。
②要件と制約語の整理
・トリガー: リポジトリのコード更新。
・処理: ユニットテストの自動実行 → Agent Platform Pipelines でトレーニング実行。
・「フルマネージド サービスでオーケストレーション」。
・新モデルはデプロイ前に性能を検証する。
③正解がどう満たすか
Cloud Build トリガーをリポジトリに関連付ければ、コミットを契機にビルド構成ファイルの各ステップ（ユニットテスト → パイプラインのコンパイル → Agent Platform Pipelines のジョブ送信）がフルマネージドに実行されます。パイプライン内ではモデル評価コンポーネントで新モデルの指標を算出し、基準を満たした場合のみデプロイする、という Google 推奨の CI/CD/CT 構成そのものです。
【誤りの選択肢】
A：Cloud Run functions（旧 Cloud Functions）でユニットテストやトレーニング起動を自前実装するのは、CI 用途として設計された Cloud Build に比べてコードと運用が増えます（実行時間の制約もあります）。さらに Model Monitoring は本番エンドポイントの入力特徴量のスキューやドリフトを監視する機能であり、デプロイ前に新モデルの精度などのパフォーマンスを検証するものではありません。
B：Cloud Workflows には「リポジトリの変更を監視する」トリガー機能はありません。また、Cloud Workflows を Agent Platform Pipelines の上で構成する、という仕組みも存在せず、構成として成り立ちません。
C：Agent Platform Pipelines にはリポジトリをポーリングする機能はありません（パイプラインは API 呼び出しやスケジューラで起動します）。加えて、A と同様に Model Monitoring はデプロイ前のモデル性能検証には使いません。
【参考】
Cloud Build トリガーTensorFlow Extended、Agent Platform Pipelines、Cloud Build を使用した MLOps のアーキテクチャMLOps: ML における継続的デリバリーと自動化のパイプライン