Vertex AI AutoML

解決する課題

• 機械学習の経験が浅く、特徴量設計やアルゴリズム選定・ハイパーパラメータ調整まで自前で行うのが難しい
• 手元の表形式データ・画像・テキストから、まずは実用的な予測モデルを素早く作りたい
• データサイエンティストが不足しており、コードを書かずに業務担当者がモデルを試作したい
• 自動化された手順で再現性のある学習を回し、評価指標で品質を確認したうえで本番に乗せたい
• カスタム学習に踏み込む前のベースラインモデルを短時間で用意し、改善の起点にしたい

主要概念と用語

• AutoML: 前処理・特徴量変換・モデル探索・ハイパーパラメータ調整を自動で行い、コードなしでモデルを学習する Vertex AI の機能。AWS の SageMaker Autopilot / Canvas に相当する
• データセット (Dataset): 学習に使う入力データのまとまり。表（BigQuery や CSV）・画像・テキストなど、解きたい問題に応じた種別を選ぶ
• データ種別とタスク: 表形式（分類・回帰・予測）、画像（分類・物体検出）、テキスト（分類・エンティティ抽出・感情分析）など、扱うデータと目的の組み合わせ
• ターゲット列 (Target): 表形式で予測したい対象の列。これ以外の列を入力として学習する
• 学習予算 (ノード時間): AutoML の学習に割り当てる計算時間の上限。長くするほど探索が進むが費用も増える
• 評価指標: 精度・適合率・再現率・AUC（分類）、平均絶対誤差・二乗平均平方根誤差（回帰）など、モデルの良し悪しを測る指標
• モデル登録 (Model Registry): 学習済みモデルとバージョンを管理する台帳。AutoML の成果物もここに登録される
• エンドポイント / バッチ予測: 学習済みモデルをオンライン予測のエンドポイントに配信するか、大量データへバッチ予測でまとめて推論するかを選べる

仕様・制限・クォータ

• 解きたい問題に対応したデータ種別とタスクの組み合わせを選ぶ必要がある。表・画像・テキストで利用できるタスクは異なる
• 表形式では入力データに最低限必要な行数の目安があり、極端に少ないデータでは十分な品質が出にくい
• 学習は**学習予算（ノード時間）**で上限を決める。予算を増やすと探索が深まる一方で費用が増えるため、用途に見合う範囲で設定する
• データセットや学習ジョブはリージョン単位で扱われ、データの所在地と利用リージョンを設計時に確認する
• 1 データセットあたりの行数・列数・ファイルサイズ、同時に実行できる学習ジョブ数などに上限がある
• 具体的な数値・対応タスク・最低データ量は更新されるため、断定せず公式ドキュメントとコンソールのクォータ画面で都度確認する

内部の仕組み

AutoML は、入力データに対して特徴量の型推定と前処理（数値の正規化・カテゴリのエンコード・テキストや画像のベクトル化など）を自動で適用し、その上で複数のモデル構造やハイパーパラメータの組み合わせを自動探索します。探索はマネージドな計算クラスタ上で、指定した学習予算（ノード時間）の範囲で進み、内部で検証データに対する評価指標を比較しながら有望な候補へ計算資源を寄せていきます。

表形式では勾配ブースティング系やニューラルネットなど複数手法を試し、画像・テキストでは大規模に事前学習されたモデルを土台に転移学習を行う構成が一般的です。最終的に選ばれたモデルは Model Registry に登録され、エンドポイントへのデプロイまたはバッチ予測に進めます。学習・評価の過程はメタデータとして残るため、結果の確認と再現がしやすくなります。

設計パターン / ベストプラクティス

• まず AutoML でベースライン: 標準的な問題はまず AutoML で素早くベースラインを作り、必要になってからカスタム学習で精度や制御を追求する
• 学習と推論で特徴量を一致させる: 本番で入力する列やその意味を学習時と揃え、トレーニング・サービングスキューを避ける
• データ分割を意識する: 学習・検証・テストの分割を適切に行い、評価指標が本番性能を反映するようにする。時系列予測では時間順の分割に注意する
• 学習予算は段階的に: 最初は小さめの予算で傾向を掴み、有望なら予算を増やして探索を深める
• 常時 vs まとめて: 低レイテンシのリアルタイム応答はエンドポイント、夜間の大量処理はバッチ予測でコストを抑える
• 評価指標を目的に合わせる: 不均衡データでは精度だけでなく適合率・再現率や AUC を見て、業務の許容誤りに沿った指標で判断する

運用・監視

• Cloud Monitoring / Cloud Logging で、配信したエンドポイントのリクエスト数・レイテンシ・エラー率を監視する
• Model Monitoring で入力データの分布のずれ（データドリフト）や予測ドリフトを検知し、再学習の判断材料にする
• 学習・評価の履歴をメタデータとして残し、モデルのバージョンと評価指標をModel Registryで管理して回帰を確認する
• 帳票やデータ形式が変わったら再学習・再評価を行い、本番投入前に旧バージョンとの性能差を確認する
• エンドポイントのレプリカ数とマシンタイプを負荷に合わせて調整し、レイテンシとコストのバランスを取る

コスト

セキュリティ

• IAM でデータセット・モデル・エンドポイントへのアクセスを最小権限に分離する（AWS の IAM ロール相当）
• 学習・推論のワークロードにはサービスアカウントを割り当て、認証情報のハードコードを避ける
• 入力データの Cloud Storage バケットや BigQuery データセットへのアクセスを限定し、学習に使うデータの機微情報の取り扱いに注意する
• 保存データは Google 管理鍵で既定暗号化され、要件に応じて CMEK（顧客管理鍵、Cloud KMS） を適用できる
• 外部流出対策に VPC Service Controls でデータ境界を作り、内部からのみ到達させる構成を取る

関連サービス・比較

最も比較されるのは、同じ Vertex AI 上のカスタム学習 (Custom Training) です。AutoML が自動化と手軽さに振り切っているのに対し、カスタム学習は任意のフレームワークと細かな制御を取れる代わりに実装の手間がかかります。

ハンズオン / CLI例

# 1) 利用するリージョンを設定（例: 東京）
gcloud config set ai/region asia-northeast1

# 2) 表形式の AutoML 用データセットを作成
gcloud ai datasets create \
  --display-name=my-tabular-dataset \
  --metadata-schema-uri=gs://google-cloud-aiplatform/schema/dataset/metadata/tabular_1.0.0.yaml \
  --region=asia-northeast1

# 3) 作成したデータセットを一覧で確認
gcloud ai datasets list --region=asia-northeast1

# 4) 学習済みモデルを一覧で確認（学習完了後に登録される）
gcloud ai models list --region=asia-northeast1

# 5) オンライン予測用のエンドポイントを作成し、モデルをデプロイ
gcloud ai endpoints create --display-name=my-endpoint --region=asia-northeast1
gcloud ai endpoints deploy-model ENDPOINT_ID \
  --model=MODEL_ID \
  --display-name=my-deploy \
  --machine-type=n1-standard-2 \
  --min-replica-count=1 \
  --max-replica-count=3 \
  --region=asia-northeast1