機械学習のパフォーマンスと費用の最適化に関するベスト プラクティス

※この投稿は米国時間 2020 年 8 月 7 日に、Google Cloud blog に投稿されたものの抄訳です。

クラウド コンピューティングは、機械学習（ML）に必要なパワーとスピードを提供し、スケールアップやスケールダウンを簡単に行えるようにします。しかし一方で、現在のような困難な時期においては、企業の費用抑制への意識が高まっていても、事前に計画を立てないと費用が制御不能に陥ってしまう可能性があります。

Google Cloud を ML のために効果的に使用するには、ベスト プラクティスに従ってパフォーマンスと費用を最適化することが重要です。これを実現できるよう、Google は一連の新しいベスト プラクティスを公開しました。このベスト プラクティスは、高度な ML を活用するお客様と協力してきた経験から導き出したものであり、Google Cloud 上の ML ワークロードのパフォーマンスを改善して費用を削減する方法について、テスト環境から本番環境まで網羅して紹介しています。このガイドでは、次の図に示すように、ML プロセスの異なるフェーズにおける、さまざまなスマート アナリティクスと Cloud AI サービスについて説明しています。

• AI Platform Notebooks を使用したテスト
  

• BigQuery と Dataflow を使用したデータの準備
  

• AI Platform Training を使用したトレーニング
  

• AI Platform Prediction を使用したサービス提供
  

• AI Platform Pipelines を使用したオーケストレーション
  

また、Google Cloud ツールを使用して ML プロジェクトのパフォーマンスをモニタリングし、費用管理を行う際のベスト プラクティスも提供しています。ML ワークロードを最適化する準備ができているようでしたら、機械学習のパフォーマンスとコストの最適化に関するベスト プラクティスを確認して作業を開始しましょう。

^{謝辞: ベスト プラクティスのドキュメント作成に協力してくれた Andrew Stein（Cloud Accelerator プロダクト マネージャー）、Chad Jennings（BigQuery プロダクト マネージャー）、Henry Tappen（Cloud AI プロダクト マネージャー）、Karthik Ramachandran（Cloud AI プロダクト マネージャー）、Lak Lakshmanan（データ分析および AI ソリューション責任者）、Mark Mirchandani（費用管理担当デベロッパー アドボカシー）、Kannappan Sirchabesan（データ分析担当戦略的クラウド エンジニア）、Mehran Nazir（Dataflow プロダクト マネージャー）、Shan Kulandaivel（Dataflow プロダクト マネージャー）に感謝します。}