Google CloudでAI開発。

〇 押さえておくべきサービスはこれだ。

AWS（アマゾン・ウェブ・サービス）、Google Cloud、Microsoft Azureはサービスのラインアップが似ているが、用語やサービスの構造、利用できる機能などに差異がある。本連載ではテーマ別に各クラウドの特徴を取り上げ、違いを浮き彫りにしていく。第13回から第15回は、最近注目されている技術である人工知能（AI）をテーマに解説する。第14回はGoogle Cloudを取り上げる。

人工知能（AI）はここ10年ほどITシステムの最重要トピックであり、AI分野への早急な参入を検討している企業も多いことでしょう。しかし、その一方で、人材をどのようにして確保するかが、大きな課題となっています。

ここで注目したいのがクラウドです。クラウドでは、AIに関わる技術の習熟度に関わらず、AIの開発を支援するサービスが、広いユースケースに対して用意されています。AIの構築からデプロイ、保守運用までを円滑にするサービスや、AI開発に必要となる高性能なコンピューティングリソースも提供されているため、企業は導入コストを抑えて、AIサービスをスモールスタートできます。

3大クラウドはどれもAI関連サービスを多数取りそろえています。前回記事でも記載した通り、クラウドでのAI開発は大きく、

1. クラウド側が提供する事前学習済みモデルを利用する方法
2. ユーザーが自らモデルを構築する方法

の2つの選択肢があります。

AzureのAIサービスについて解説した前回記事。

AzureのAIサービスを総ざらい、自社の技術レベルに合うのはどれ？

今回解説するGoogle Cloudも、両方を支援するサービスを提供しています。（1）に該当するのが「デベロッパー向けAI」、（2）に該当するのが「データサイエンティスト向けAI」です Google Cloudのサービス紹介ページ 。

デベロッパー向けAI：専門知識不要で迅速なAI活用を可能に。

まず、Google Cloudの「デベロッパー向けAI」サービスについて解説します。デベロッパー向けAIは、事前学習済みのモデルを、GoogleがAPIとして提供するサービスです。利用者は機械学習の知識や学習データがなくても、APIを利用すれば機械学習機能を実装したアプリケーションを構築できます。

　デベロッパー向けAIでは、視覚、音声、言語、意思決定の4つの分野向けにそれぞれ、ユースケースに応じて細分化したサービスを用意しています。

Google Cloudのデベロッパー向けAIの主なサービス

 

要素	サービス名	機能内容
視覚	Vision AI	画像から感情やテキストなどを検出するための事前トレーニング済みモデルを提供する。画像を分析し、物体や人物、テキストを認識できる
	Video AI	保存済み動画およびストリーミング動画に含まれる膨大な数のオブジェクト、場所、アクションを自動的に認識するための事前トレーニング済みモデルを提供する。動画を分析し、物体や人物、動物、ランドマークなどを認識できる
音声	Speech-to-Text	125以上におよぶ言語／言語変種に対応した音声認識と音声文字変換の事前トレーニング済みモデルを提供する。音声を正確にテキストに変換できる
	Text-to-Speech	220以上の音声と40以上の言語を利用して、テキストを自然な音声に変換できる
	Dialogflow	自然言語で対話可能なチャットボットを作成できる
言語	Translation AI	テキストを100以上の言語に瞬時に翻訳できる
	Natural Language AI	非構造化テキストから感情分析や分類ができる
意思決定	Recommendations AI	データに基づいて、個人に最適化されたレコメンド機能を構築できる

こうしたモデルを構築するには、一般にデータの収集、データの前処理、高精度の分類・回帰を実現できる学習、パラメーターのチューニングを実施する必要があります。この工程はAIの専門家でも試行錯誤が必要で、かなりの手間と時間を要します。

事前学習済みモデルを利用すれば、こうした工程を省けます。データ収集やモデル学習に要する時間を大幅に削減できるうえ、モデル構築に関する高い専門性も不要です。ユーザーはAIに関する技術を習得していなくても、検証用のデータを用意するだけでAIを活用したアプリケーションの開発に取りかかれます。

事前学習済みモデルの使い方もシンプルです。利用者は、GUI（グラフィカル・ユーザー・インターフェース）やREST API、SDKを通じてデータを送信すればAIによる解析結果を受け取れるため、容易かつ迅速に開発システム内にAIを組み込めます。

目的と合致したモデルがない場合は「Cloud AutoML」。

自社の目的にぴったりと合った事前学習済みモデルが提供されていないという企業に対しては、最小限の労力と機械学習の専門知識で、独自の機械学習モデルのトレーニングが可能な「Cloud AutoML」が用意されています。Cloud AutoMLを使用すると、学習データは必要となりますが、コードを記述することなく、画像、表形式、テキスト、動画のデータセットに対してモデルをトレーニングして、カスタマイズできます。

画像を例にすると、Vision APIではGoogle Cloudが事前にトレーニング済みのものしか検出できませんが、Cloud AutoMLを利用することで独自の画像検出が可能になります。独自の画像と正解ラベルを与えて、画像分析の挙動をカスタマイズできます。分析に手を加える必要がある場合は、Cloud AutoMLの利用を検討するとよいでしょう。なお、Cloud AutoMLは、次に紹介するVertex AI Platform上で使用します。

データサイエンティスト向けAI：専門知識活用して独自モデル構築。

デベロッパー向けAIはモデル構成の自由度が低いため、タスクに対する精度が低い場合や、そもそもユースケースに適したサービスがない場合があります。そうした場合は、ユーザー自身がモデルを構築する「データサイエンティスト向けAI」サービスの利用が考えられます。同サービスでは、Google Cloud上で機械学習モデルを構築するための統合プラットフォーム「Vertex AI」で、ユーザーが自ら学習用のプログラムである「トレーニングコード」を実行してモデルを構築できます。

独自の機械学習モデルを構築するためには学習や推論などを実行するための環境が必要になりますが、データサイエンティスト向けAIでは必要なツール類を一気にそろえられます。独自の機械学習プロジェクトを、迅速かつ費用効率の高い方法で実行する際にはよい方法となるでしょう。

機械学習を実装したサービスを提供する際には、モデルを構築するだけでは十分ではありません。次のような周辺機能も必要となります。

• モデル構築の開発環境
• 学習データの管理
• 学習データの前処理、特徴抽出
• 公開のためのエンドポイントへのデプロイ
• 一連のワークフローのパイプライン化
• 継続的なモニタリング

Vertex AIはモデル構築に必要なツールに加えて、これら周辺機能も備えています。代表的なツールを見ていきましょう。

画1、Vertex AIの概要。Google Cloud公式ドキュメントを基に筆者作成。

Vertex AI Workbench：モデル構築の開発環境。

Vertex AI Workbenchはモデルを構築するためのサービスで、マネージドなJupyterベースの開発環境を提供します。Jupyterはオープンソースの統合開発環境であり、機械学習の開発における一連の作業は「JupyterLab」と呼ばれる開発環境で実行するのが一般的です。

通常、JupyterLabを利用するには、実行環境となるインスタンスを準備したり、ライブラリをインストールしたりするなど様々なプロセスが必要になります。Vertex AI Workbenchを使うとこれらのセットアップが不要となるため、準備時間を短縮できます。オンラインストレージサービスの「Cloud Storage」や、データウエアハウスサービス「BigQuery」といった、Google Cloudの各種サービスとの連携も容易です。

Vertex AI Datasets：学習データの管理。

Vertex AI Datasetsは、Vertex AIで使用する学習用データセットの管理機能を提供します。データセットのソースは、Cloud Storageにあるファイル、BigQueryのテーブルなどから選択することができます。サポートしているデータセットは、画像、表形式、テキスト、動画の4種類です。

Vertex AI Data Labeling：学習データに正解のラベル付け。

Vertex AI Datasetsのデータセットに対して、学習用データの正解のラベル付けをする機能を提供します。まだラベル付けされていない、テキスト、画像、動画のデータをインポートし、Google Cloudコンソールを使用してラベルを追加できます。ラベル付けの作業はGoogleのラベリングチームに依頼することもできますが、2022年10月時点では新型コロナウイルス感染症の影響で依頼が不可となっています。

Vertex AI Feature Store：特徴量を一元化して管理。

Vertex AI Feature Storeは、機械学習に用いる特徴量を一元化して管理するためのリポジトリを提供します。特徴量の「再発明」を防止して適切に再利用したり、適切にモニタリングしたりできます。

Vertex AI Prediction：公開のためのエンドポイントへのデプロイ。

機械学習モデルを使用した予測サービスを提供するには、学習済みモデルをエンドポイントにデプロイする必要があります。Vertex AI Predictionを利用してモデルを本番環境にデプロイすると、物理リソースがモデルに関連付けられます。サービスの提供が容易になり、HTTP経由でのオンライン予測や、一括スコアリングのバッチ予測が可能になります。

Vertex AI Pipelines：一連のワークフローのパイプライン化。

Vertex AI Pipelinesは、データの前処理、データ変換、モデルのトレーニングなどでパイプラインを構成し、それらをオーケストレーションする機能を提供します。パイプラインを用いたモデルの迅速かつ継続的なデプロイと、モニタリングを通じたモデルの品質維持、改善によるMLOps（Machine Learning Operations）を実践することができます。

Vertex AI Pipelinesの実体は、機械学習ワークフローを指定して実行するために使用できる一連のPythonパッケージ「Kubeflow Pipelines SDK」や、本番環境のパイプラインをデプロイするためのエンドツーエンドのプラットフォーム「TensorFlow Extended」を使って構築されたコンテナベースの機械学習ワークフローです。

Kubeflowを利用する場合、通常はコンテナ管理ツール「Kubernetes」を利用する必要があります。クラスターや「Istio」（分散型のマイクロサービスベースのアプリケーションを実行するためのサービスメッシュ）も管理しなければならず、学習コストや運用コストが高くなります。しかし、Vertex AI Pipelinesを利用すれば、サーバーレスで機械学習ワークフローを実行できるので、インフラ管理の手間を最小限に抑えられます。

Vertex AI Model Monitoring：継続的なモニタリング。

入力データがモデルのトレーニングに使用したデータの範囲から外れると、モデル自体に変化がなくても、モデルのパフォーマンスが低下する可能性があります。Vertex AI Model Monitoringは、モデルのパフォーマンスを維持するために、モデルの入力データをモニタリングし、トレーニング時と運用時で特徴データの分布のズレを検出したり、運用中の時間経過に伴う特徴データの分布のズレを検出したりすると、自動的にアラートを送信します。

Vertex Explainable AI：「特徴アトリビューション」の可視化。

Vertex Explainable AIはトレーニングで作成したモデルの「特徴アトリビューション」を取得し、可視化する機能を提供します。特徴アトリビューションとは、各特徴が予測にどの程度影響をおよぼしたかを示す指標です。AIモデル構築者は、この情報を使用して、モデルが期待通りに動作していることを確認したり、モデルやトレーニングデータの改善方法を検討したりできます。

Vertex AIでは上記以外に、類似したアイテムをマッチングするベクトル類似度検索機能を提供する「Vertex AI Matching Engine」や、機械学習テストを可視化するためのマネージドサービスである「Vertex AI TensorBoard」などを用意しています。Vertex AI Matching Engineは例えば、レコメンデーションなどに使えます。こうしたサービスの中から、自社の用途に合ったものを選んで利用するとよいでしょう。

ここまで説明してきたようなサービスはAzureやAWSも用意していますが、Vertex AIはBigQueryやCloud StorageといったGoogle Cloudのサービス群と容易に連携できる点が特徴として挙げられます。Google Cloudのサービスをすでに利用している企業は、AI導入のハードルを下げることができます。

例えば、Vertex AI Workbenchでは前述のように、データセットの入力元として、BigQueryやCloud Storageを直接選択可能になっています。また、BigQueryでは、SQLクエリーを使用するだけで手軽に機械学習モデルを作成して実行できるBigQuery MLというサービスが提供されています。機械学習を用いてBigQueryに溜め込んだデータの異常を検出するといった場合に便利です。

---

今回はGoogle Cloudの提供する機械学習サービスについて解説してきました。開発環境だけでなく、学習データ管理、モデルトレーニングからデプロイまでをサーバーレスで提供しており、クラウドのメリットを享受できます。独自モデルを構築するデータサイエンティストではないソフトウエア開発エンジニアの読者は、利用が容易なGoogleの事前学習済みのモデルから試してみてはいかがでしょうか。

森 健史。