Vertex AI とは？ Google が提供する最新の機械学習プラットフォームを徹底解説！

Vertex AI をご存知でしょうか。 Google が提供するマネージドな機械学習のプラットフォームであり、機械学習 API の利用はもちろん、 AutoML トレーニングとカスタムトレーニングの両方でモデルの保存、モデルのデプロイ、予測のリクエストなどを行うことができます。

昨今、多くの企業で AI 活用が進んでおり、 Vertex AI の重要性は高まっています。本記事では、 Vertex AI とは何か？という基礎的な内容に加えて、 Vertex AI の機能や特徴、メリット、ユースケース、活用事例まで一挙にご紹介します。

Vertex AI とは？

概要

Vertex AI は、 Google が提供するマネージドな機械学習のプラットフォームであり、 Google Cloud （GCP）に内包されています。機械学習 API の利用はもちろん、 AutoML トレーニングとカスタムトレーニングの両方でモデルの保存、モデルのデプロイ、予測のリクエストなどを行うことができます。

現在、多くのデータサイエンスの現場では、別々の機械学習の部分的なソリューションを組み合わせることを余儀なくされています。その結果、モデルの開発やテストの段階で時間的な遅れが生じてしまい、実際に本番環境の運用まで漕ぎ着けるモデルはごくわずかに限られています。

このような問題に対処するため、 Vertex AI は複数の Google Cloud （GCP）のサービスをまとめて、統合されたユーザーインターフェースや API のもとで ML を構築できるようにしている点が大きな特徴です。

Vertex AI はアプリケーションバックエンドの一部であり、クラウド、オンデバイス、オンプレミスなどの様々な環境のエンドユーザーに対して、強力な機械学習モデルを構築するためのツールを多く備えています。そして、 Vertex コンソールを使った UI ベースのモデル開発や Vertex SDK を使ったコードベースのモデル開発などを実現することができます。

例えば、 ML パイプラインを構築するための Vertex AI ソリューションとしては Vertex AI Pipelines が挙げられます。パイプライン構築と聞くと難しく感じますが、 Vertex AI Pipelines は Tensorflow Extended と Kubeflow Pipelines を内部的に採用しているため、これらのサービスの利用経験があれば専門的な学習は必要ありません。

また、どちらを選択すべきか？という点に関して、 Google は次の内容を公式ガイド上に掲載しています。

• テラバイト単位の構造化データまたはテキストデータを処理する場合は Tensorflow Extended
• それ以外の場合は Kubeflow Pipeline SDK

さらに Vertex AI Pipelines 関連のトピックスとして、2022年4月に Google が発表した Vertex AI Pipelines 用の BigQuery および BQML コンポーネントが挙げられます。これらの登場により、 Vertex AI Pipelines に BigQuery や BigQueryML を組み込むことが容易になり、ジョブを手間なく運用できるようになりました。

このように、ビジネスシーンで ML を活用する上で Vertex AI はとても有効なソリューションになります。あらゆる ML タスクを一元的に完結でき、専門知識を持たない場合でも手間なく簡単に扱うことができます。さらに、前述したように Google 公式のガイドやドキュメントが公開されている点もサービスを安心して利用できるポイントだと言えるでしょう。

内包されているツール

以下、 Vertex AI に内包されている代表的なツールをご紹介します。

このように、 Vertex AI には多種多様な ML サービスが内包されています。まずは「 Vertex AI には様々な ML ソリューションが揃っている」という点をご認識いただければと思います。

Vertex AI の機能

Vertex AI にはどのような機能があるのでしょうか。いくつかの要素に分けて、順番にご説明します。

機械学習フロー

機械学習タスクの初めのステップはデータ収集ですが、 Vertex AI ではマネージドなデータセットを提供しており、イメージのトラッキング、アノテーション用のユーザーインターフェース、統合されたデータラベリング環境などを利用可能となっています。

そして、データ準備が整った後は、独自のカスタムモデルコードでモデルをトレーニングするか、または AutoML で最適なモデルアーキテクチャを選択します。 AutoML を利用する場合はモデル作成のためにコードを使う必要はありません。

さらに Vertex AI は、トレーニングされたモデルをデプロイするための多くのオプションをサポートしています。オフライン、エンドポイント、バッチ予測など、様々なシーンに応じて柔軟なデプロイが可能になります。

データセット

Vertex AI ではマネージドなデータセットを提供しており、イメージのトラッキング、アノテーション用のユーザーインターフェース、統合されたデータラベリング環境などを利用可能となっています。

AutoML 利用時は UI または SDK を介してプログラミングでトレーニングジョブを開始できます。また、カスタムモデルコード利用時はトレーニングのためのメタデータがカスタムトレーニングコードに渡された後、トレーニング用にビルド済みのコンテナから選択するか、もしくは独自のカスタム Docker コンテナにトレーニングコードを提供します。

トレーニング

Vertex AI のトレーニングは大きく「 AutoML トレーニング」と「カスタムトレーニング」の2つに分けられます。

AutoML トレーニング

AutoML トレーニングを利用すれば、コードを記述することなく最新のモデルを短時間でトレーニングできます。また、 Explainable AI を利用して、詳細なモデル評価指標を取得可能です。

カスタムトレーニング

カスタムトレーニングを利用すれば、カスタムコンテナを介して選択したフレームワークで構築されたモデルをトレーニングできます。また、分散トレーニングジョブを実行して GPU でトレーニングを加速することができ、 Vizier の最適化アルゴリズムによるハイパーパラメータ調整も可能になります。

デプロイ

Vertex AI においては、 AutoML またはカスタムモデルコードによってモデルを作成しますが、どちらで作成された場合でもデプロイされたモデルは Vertex コンソール上の同じ場所に表示され、同じ API を介してアクセスできます。

Vertex AI の特徴

Vertex AI は、多くの特徴を持ったプラットフォームとなっています。以下、 Vertex AI の代表的な特徴をご紹介します。

ML ワークフロー全体を統合したユーザーインターフェース

Vertex AI では、複数の Google Cloud （GCP）サービスをまとめ、統合されたユーザーインターフェースや API のもとで ML を構築できます。また、 AutoML やカスタムコードトレーニングを使うことで、モデルを手間なくトレーニングして比較でき、すべてのモデルを一元化されたモデルリポジトリに格納できるため、 Vertex AI の同じエンドポイントにデプロイ可能になります。

AutoML に関心のある方は以下の記事がオススメです。

簡単にオリジナルAIを始められる！Google Cloudの機械学習/AIサービス「Cloud AutoML」を一挙紹介

画像、動画、自然言語などに対応するトレーニング済みの API

Vertex AI を活用することで、画像や動画、翻訳、自然言語などの ML を既存のアプリケーションに簡単に導入したり、幅広いユースケースで新しいインテリジェントアプリケーションを構築したりできます。また、 AutoML を使う上では、 ML に関する高度な専門知識は必要なく、簡単に扱うことができます。

そのため、最小限の労力で事業ニーズに合わせた高品質なモデルをトレーニングできるほか、一元的に管理されたレジストリで、データ型（ビジョン、自然言語、表形式など）のあらゆるデータセットに対応可能になります。

データと AI のエンドツーエンドの統合

Vertex AI は Vertex AI Workbench により、 BigQuery や Dataproc 、 Spark などのサービスとネイティブに統合されています。そのため、既存の標準 SQL クエリを使用して、 BigQuery の機械学習モデルの作成および実行に BigQuery ML を利用できます。

また、データセットを BigQuery から直接 Vertex AI Workbench にエクスポートし、そこからモデルを実行することも可能ですし、 Vertex Data Labeling を使えば、データ収集用の精度の高いラベルを生成できます。

BigQuery に関心のある方は以下の記事がオススメです。

超高速でデータ分析できる！専門知識なしで扱えるGoogle BigQueryがとにかくスゴイ！

幅広いオープンソースフレームワークをサポート

Vertex AI は TensorFlow 、 PyTorch 、 scikit-learn など、幅広く使用されているオープンソースフレームワークと統合できます。また、トレーニングと予測を行うためのカスタムコンテナを介した ML フレームワークや人工知能の各種カテゴリをすべてサポートしています。

TensorFlow に関心のある方は以下の記事がオススメです。

機械学習サービス「 TensorFlow 」とは？メリット、デメリット、活用事例まで徹底紹介！

Vertex AI のメリット

Vertex AI を活用することで、企業はどのようなメリットを享受できるのでしょうか。順番に見ていきましょう。

コード不要でモデルをトレーニングできる

AutoML を活用すれば、短時間でモデルを構築できます。また、 Vertex AI は、コンピュータビジョン、言語、構造化データ、会話に関する最先端の事前トレーニング済み API に使用できるため、コード不要で手間なくモデルをトレーニング可能です。

カスタムツールで高度な ML モデルを構築できる

Vertex AI のカスタムモデルツールは、高度な ML コーディングをサポートしています。そのため、競合のプラットフォームと比較して、カスタムライブラリを使用したモデルのトレーニングに必要なコードの行数を約 80% 削減できます。

モデルを高い信頼性で管理できる

Vertex AI の MLOps ツールにより、モデルメンテナンスの複雑さを解消できます。例えば、 Vertex Pipelines では、 ML パイプラインの実行を合理化でき、 Vertex AI Feature Store では、 ML 機能として AI テクノロジーを実用化できます。このように、モデルを高い信頼性で管理できる点は Vertex AI の大きなメリットだと言えるでしょう。

Vertex Pipelines に関心のある方は以下の記事が参考になります。

2021最新情報！ Google の最先端技術を活用した Cloud AI の新機能に迫る！

Vertex AI のサンプルアーキテクチャ

以下、 Vertex AI のサンプルアーキテクチャを図で示します。

出典：Google Cloud公式サイト

このように、 Vertex AI は ML モデルの構築に必要なものをすべて搭載しています。データ収集から特徴エンジニアリング、モデル構築、モデルのデプロイ、モニタリングまで、機械学習ワークフローの各段階で利用されるソリューションを一気通貫で提供しています。

そして、これらすべての機能が Google Cloud （GCP）の世界の中で完結するため、各ソリューションをスムーズに連携させることができ、効率的な ML モデルの開発に大きく寄与します。

Vertex AI のユースケース

Vertex AI はどのようなシーンで使われるのでしょうか。代表的なユースケースをいくつかご紹介します。

特徴量エンジニアリング

フルマネージドの豊富な特徴リポジトリである Vertex AI Feature Store を使用して、 ML の特徴を提供、共有、再利用することが可能になります。また、 Vertex AI Experiments では、 ML テストを追跡、分析、検出して、モデルの選択を高速化できます。

さらに、 Vertex AI TensorBoard では、 ML テストを可視化でき、 Vertex AI Pipelines では、 ML パイプラインの構築と実行を合理化することにより、 MLOps プロセスを簡略化を実現します。

トレーニングとハイパーパラメータ調整

AutoML を使用することで、コードを使わずに最先端の ML モデルを構築し、画像や表形式、テキスト、動画などの予測タスクに最適なモデルアーキテクチャを決定できます。

または、 Notebooks を使用して、カスタムモデルを構築することも可能です。加えて、 Vertex AI Training はフルマネージドのトレーニングサービスを提供し、 Vertex AI Vizier はハイパーパラメータを最適化して予測精度を最大化します。

モデル提供

Vertex AI Prediction を使用すれば、 HTTP 経由でのオンラインサービス提供や、一括スコアリングのバッチ予測により、モデルを本番環境により簡単にデプロイできます。

また、任意のフレームワーク（ TensorFlow 、 PyTorch 、 scikit-x 、 XGB など）に基づいて構築されたカスタムモデルについて、組み込みツールを使って Vertex AI Prediction にデプロイし、モデルのパフォーマンスを追跡可能です。

モデルモニタリング

継続的モニタリングでは、 Vertex AI Prediction サービスにデプロイされたモデルの経時的なパフォーマンスを簡単かつプロアクティブにモニタリングできます。

継続的モニタリングは、モデルの予測パフォーマンスについてシグナルをモニタリングし、シグナルが変化したときにアラートを示します。そして、偏差の原因を診断し、モデルトレーニングのパイプラインをトリガーしたり、関連するトレーニングデータを収集したりできます。

モデル管理

Vertex ML メタデータを使用すると、 ML ワークフローのアーティファクト、リネージ、実行をトラッキングするために Vertex Pipelines 内のすべてのコンポーネントへの入出力が自動的に追跡され、監査とガバナンスが容易になります。また、コードから直接カスタムメタデータを追跡し、 Python SDK を使用してメタデータをクエリします。

Vertex AI の料金体系

Vertex AI では、モデルのトレーニングや予測、 Google Cloud （GCP）のプロダクトリソースの使用に対して課金されます。

そして、 Vertex AI の料金は Vertex AI が優先する既存のプロダクトと同一です。例えば、 AutoML の画像分類モデルのトレーニング料金は、トレーニングに Vertex AI を使用する場合も AutoML Vision を使用する場合も変わりません。

また、 Vertex AutoML モデルの場合、次の3つの主要なアクティビティに対して料金が発生します。

• モデルのトレーニング
• エンドポイントへのモデルのデプロイ
• モデルを使用して予測を行う

Vertex AI は Vertex AutoML モデル用に事前定義されたマシン構成を使用し、これらのアクティビティの時間単位レートはリソースの使用量を反映します。そして、モデルのトレーニングに必要な時間はトレーニング対象データのサイズや複雑さによって異なります。

なお、オンライン予測やオンライン説明を提供するにはモデルをデプロイする必要があります。仮に予測が行われない場合でも、エンドポイントにデプロイされたモデルごとに課金されます。追加料金の発生を防ぐためには、モデルのデプロイ解除を行う必要があり、デプロイされていないモデルまたはデプロイに失敗したモデルは課金されない仕様となっています。

ここからは、モデルタイプ別に Vertex AI の料金を表にまとめます。扱うデータの種類によって料金は異なるため注意してください。

画像データ

以下、画像データを扱う際の Vertex AI の料金です。

動画データ

以下、動画データを扱う際の Vertex AI の料金です。

表形式データ

以下、表形式データを扱う際の Vertex AI の料金です。

テキストデータ

以下、テキストデータを扱う際の Vertex AI の料金です。

なお、 Vertex AutoML テキスト予測リクエストの料金は、分析用に送信するテキストレコードの数に基づいて計算されます。テキストレコードとは、1,000文字までの Unicode 文字（空白文字や HTML / XML タグなどのマークアップ文字も含む）からなる書式なしテキストです。

予測リクエストで提供されたテキストが1,000文字をが超える場合、1,000文字ごとに1つのテキストレコードとしてカウントされます。例えば「800文字」、「1,500文字」、「600文字」をそれぞれ含む3つのリクエストを送信すると、4つのテキストレコードに対して課金されます。

このように Vertex AI の料金体系はやや複雑な仕組みとなっています。今回は Vertex AutoML モデルの料金についてご説明しましたが、これ以外にもカスタムトレーニングされたモデルの場合は計算方法が異なります。

Vertex AI はプロダクトの幅が広く、一元的にすべての料金体系を理解するのは難しいため、 Google の料金計算ツールを使って、実際の費用をチェックしながら利用することをオススメします。

費用の試算をされる方は以下の記事もあわせてご覧ください。

サービス概要からGCPの想定利用料を計算してみよう！コスト試算のやり方紹介

Vertex AI の活用事例

ここで、 Vertex AI の具体的な活用事例をご紹介します。

航空機の製造を手掛ける三菱重工業の江波工場では、 AI の画像認識を活用して、目視検査を自動化するプロジェクトを進めており、同プロジェクト内で Google Cloud （GCP）の Vertex AI を採用しています。

同社では、製造工程が人手に依存した労働集約型の作業である点が課題の一つとして顕在化していました。例えば、航空機のドアは職人による手作業での組立が残っており、自動組立ラインによる製造を実現できていなかったのです。

そこで、 AI 活用で自動化の範囲を広げ、組織の労働生産性の向上を狙ったプロジェクトが始動しました。大きく分けて、プロジェクトの内容は以下の2つです。

1つ目は、リベットを打つ機械において、穴を開けたときに発生する切粉を AI の画像認識で検知するシステムです。現在では、切粉の残置を手動で検知し、エアノズルで排除していますが、この切粉の残置を AI で検知できる仕組みを検討しています。

2つ目は、カメラの映像から作業者が現場から離れているかどうかをリアルタイムに把握できるシステムです。このシステムは既に稼働しており、作業エリア内の作業員を検知する AI モデルを作成することで、検出した作業者を途切れなく追跡するための技術も開発しました。

このように、 Vertex AI は実際の企業活動の中でも有効的に活用されており、あらゆるシーンにおける業務効率化・生産性向上に寄与する存在となっています。

まとめ

本記事では、 Vertex AI とは何か？という基礎的な内容に加えて、 Vertex AI の機能や特徴、メリット、ユースケース、活用事例まで一挙にご紹介しました。

Vertex AI を活用することで、機械学習 API の利用はもちろん、 AutoML トレーニングとカスタムトレーニングの両方でモデルの保存、モデルのデプロイ、予測のリクエストなどを行うことができます。

また、コード不要でモデルをトレーニングできたり、カスタムツールで高度な ML モデルを構築できたり、 Vertex AI には様々なメリットが存在します。実際に Vertex AI をビジネスに役立てている企業も存在し、前述した事例のように、大幅な業務効率化や生産性向上を実現しています。

Vertex AI は Google Cloud （GCP）に内包されているサービスであるため、利用するには Google Cloud （GCP）の契約が必要になりますが、 Google Cloud （GCP）には Vertex AI 以外にも、自社の業務効率化に寄与する AI 関連ソリューションが多数搭載されており、 AI 活用の促進剤として大きな効果を発揮することでしょう。

本記事を参考にして、 Google Cloud （GCP）の導入および Vertex AI の活用を検討してみてはいかがでしょうか。

弊社トップゲートでは、Google Cloud (GCP） 利用料3%OFFや支払代行手数料無料、請求書払い可能などGoogle Cloud (GCP）をお得に便利に利用できます。さらに専門的な知見を活かし、

• Google Cloud (GCP）支払い代行
• システム構築からアプリケーション開発
• Google Cloud (GCP）運用サポート
• Google Cloud (GCP）に関する技術サポート、コンサルティング

など幅広くあなたのビジネスを加速させるためにサポートをワンストップで対応することが可能です。

Google Workspace（旧G Suite）に関しても、実績に裏付けられた技術力やさまざまな導入支援実績があります。あなたの状況に最適な利用方法の提案から運用のサポートまでのあなたに寄り添ったサポートを実現します！

Google Cloud (GCP）、またはGoogle Workspace（旧G Suite）の導入をご検討をされている方はお気軽にお問い合わせください。

お問い合わせする

メール登録者数3万件！TOPGATE MAGAZINE大好評配信中！
Google Cloud（GCP）、Google Workspace（旧G Suite） 、TOPGATEの最新情報が満載！

メルマガ登録はこちら