Cloud Digital Leader（Google Cloud） 無料問題 6 / 10 ・ 分野3: Google Cloud の AI を活用したイノベーション
データ アナリストのチームは SQL での集計は得意だが、Python で ML のプログラムを書いた経験は無い。データ ウェアハウスのデータを外へ持ち出さずに、解約の予測モデルを作りたい。Google Cloud のドキュメントの説明に合う方法はどれか。
- BigQuery ML で、SQL のクエリからモデルを作って予測する
- SQL で集計した結果を BI ツールに渡し、人が傾向を読み取る
- データを CSV に書き出し、Python で予測モデルを学習させる
- データを Cloud Storage に移し、コードを書いて予測モデルを作る
正解と解説を見る
正解: A
正解の理由
BigQuery ML の紹介ページは、BigQuery ML では GoogleSQL のクエリや Google Cloud コンソールで ML モデルを作って実行できる、と説明している。大規模なデータで ML をするには通常、大量のプログラミングと ML フレームワークの知識が要り、データはよく分かっているが ML とプログラミングの経験が少ないデータ アナリストが外れてしまう、と書く。BigQuery ML なら SQL の担い手が今の SQL のツールと技能でモデルを作って評価でき、Python や Java でプログラムを書く必要が無い。さらに、データ ウェアハウスからデータを動かす必要をなくし、ML をデータの側に持ってくることで、使うツールが減って複雑さが下がり、本番までの時間も短くなる、と利点を挙げている。
違う選択肢
「データを CSV に書き出し、Python で予測モデルを学習させる」… ページは、Python ベースの ML フレームワークで学習するために大量のデータを移して整形する手間を、BigQuery ML では省ける、としている。書き出して Python で学習するのは、要件（持ち出さない・Python を書かない）の両方に反する。
「SQL で集計した結果を BI ツールに渡し、人が傾向を読み取る」… 集計結果を人が読むのは分析で、解約を予測するモデルは作られない。ページは、BigQuery ML の予測分析が組織全体の意思決定を導ける、としている。
「データを Cloud Storage に移し、コードを書いて予測モデルを作る」… データを移してコードを書くのは、アナリストが Python を書けず、データを持ち出したくないという条件に合わない。ページが挙げる利点は、データを動かさずに SQL で作れることである。
データを柔軟に試せること
BigQuery ML のモデルは、テーブルやビューと同じように BigQuery のデータセットに保存される。CREATE MODEL の既定の設定を使えば ML の知識が多くなくても作れるが、特徴量エンジニアリングやモデルの学習の基本を知っていると、データとモデルを最適化してより良い結果を出せる、とページは補っている。