Vertex AIとは？特徴やメリット、利用シーンを詳しく解説

この記事では、Vertex AIの特徴やメリット、利用シーン、内包されるツール、料金体系などをご紹介します。Vertex AIでは、AutoMLといった機能を活用することで、ノーコードでも機械学習モデルのトレーニングが行えるため、専門的な知識や技術を必要とせずに管理できる点が特長です。機械学習モデルの構築や管理、トレーニングといった業務の効率化を図りたい方は、ぜひ最後までご覧ください。

Vertex AIとは

Vertex AIとは、Googleが提供する機械学習のプラットフォームで、Google Cloud内の機能に含まれます。

Vertex AIでは、機械学習モデルのトレーニングやトレーニングデータの管理、機械学習モデルのデプロイといった一連のプロセスを一貫して行うことができ、機械学習の現場での業務効率化や作業プロセスの簡略化に役立っています。

最近では、自社で構築したサーバーやシステムへ接続するオンプレミス、ネットワークを通じて自社のシステムへ接続するクラウド、自社サーバーやクラウドなどに接続せずとも情報を処理できるオンデバイスなど、ユーザーがあらゆる環境下で作業をしています。Vertex AIは、アプリケーションのプログラムやデータベースを管理するアプリケーションバックグラウンドに含まれ、Google CloudコンソールやVertex AI SDK for Pythonなどユーザーの環境を問わず機械学習モデルを構築できる点が特長です。

機械学習に関するソリューションはまだ少なく、データサイエンスの現場では複数のツールを組み合わせながら機械学習モデルの開発を進めることが多いです。 そこでVertex AIは、Google Cloud内の複数のサービスをまとめて利用できるようにし、複数のツールを並行して使用することなく1つのAPIやインターフェース上での機械学習モデルの構築を実現しています。

Vertex AIでの機械学習モデルの構築にはAutoMLを活用でき、AutoMLでのトレーニングデータをアップロードするだけで機械学習モデルを構築できます。

AutoMLとは

AutoML（Automated Machine Learning）とは、機械学習モデルの構築や、構築までのプロセスを自動化する仕組みを指します。機械学習モデルの構築は、一般的には次のような手順で進められます。

1. 機械学習モデルによって解決したい課題や目的の明確化
2. 解決策の仮説立て
3. データ収集
4. データの加工
5. 特徴量エンジニアリング（データの変換）
6. データ分析
7. 機械学習モデルの構築

このような作業を人の手で行うためには、多くの労力を要するだけでなく、高度な知識やスキルも必要です。しかし、機械学習に精通する専門家の数は限られているため、機械学習モデルの構築における課題となっていました。そこでAutoMLを用いて、データの収集や変換、分析といったデータ処理に関わる作業を自動化することで、専門的な知識や技術がなくとも、機械学習モデルの構築をスムーズに行えるようになりました。

Vertex AIの特徴

Vertex AIは、BigQueryやAutoML、オープンソースのフレームワークなどを活用し、より効率的かつ最小限の工数で機械学習モデルを構築できます。Vertex AIの特徴は、次のとおりです。

BigQueryとの統合も可能

Vertex AIは、BigQueryとのデータ統合も可能です。BigQueryとは、Googleが提供するビッグデータの解析サービスで、数TBや数PBのデータ解析も数十秒単位で完了できる点が特長です。Vertex AIでは、BigQueryで作成したデータセットをVertex AI Workbench（Vertex AIにおける開発環境）へエクスポートすることで、機械学習モデルの構築が行えます。

アプリケーション開発を促進する

Vertex AIを活用することで、自然言語や動画、画像、翻訳といった機械学習データを既存のアプリケーションへ反映させることや、機械学習データを活用したアプリケーションを開発することなどが効率よく行えます。先述したAutoMLを活用すれば大量のデータも工数をかけずに収集・分析が行えるため、機械学習モデルの構築やアプリケーション開発をさらに促進します。自然言語や画像など、自社の目的に合わせて多様なデータを活用し、品質の高い機械学習モデルを構築できるようになるでしょう。

トレーニング工数の簡略化

Vertex AIは、最小限の知識やスキル、工数で機械学習モデルのトレーニングが行えます。Vertex AIでのトレーニング方法は、AutoMLでのトレーニング以外に、カスタムトレーニングがあげられます。AutoMLでのトレーニングは、自然言語などのトレーニング済みAPIを活用することでノーコードでのトレーニングが可能で、カスタムトレーニングでは最小限のコード数でのトレーニングを実現します。

オープンソースのフレームワークを活用しやすい

機械学習の分野においても、利用頻度の高いプログラムはフレームワーク（ひな形）としてまとめられ、オープンソースで提供されていることが多いです。Vertex AIでは、TensorFlow、XGBoost、PyTorch、scikit-learnといった代表的なオープンソースのフレームワークがサポートされており、機械学習モデルのトレーニングなどで役立ちます。

参照：カスタムトレーニングでサポートされているフレームワーク（Google）（外部サイト）

Vertex AIを利用するメリット

ここまで、Vertex AIの特徴をご紹介しました。これらの特徴を踏まえて、企業でVertex AIを利用するメリットは、次のとおりです。

ノーコードでのトレーニングが可能

Vertex AIでは、自然言語や構造化データ、会話内容などのトレーニング済みAPIを適用できます。そのため、AutoMLを活用することで、短時間での機械学習モデルの構築やトレーニングが可能なうえ、トレーニングはノーコードで行えます。

機械学習モデルのメンテナンスがしやすい

Vertex AI PipelinesやVertex AI Feature Storeといった機械学習に関する運用（MLOps）ツールを活用することで、機械学習モデルのメンテナンスがしやすい点も特長です。管理業務が複雑化しやすいデメリットを払拭しつつ、高品質の機械学習モデルを管理できるようになります。

開発期間の短縮化の実現

Vertex AIでは、機械学習モデルの開発やテストに必要なコード行数を、一般的に用いられる行数から80％削減できます。その結果、開発やテストにかかる時間も、一般的な開発期間と比べて5倍もの早さで完了します。これにより、さまざまな種類の機械学習モデルをより多く構築し、スムーズなデプロイを実現できるでしょう。

Vertex AIの利用シーン

Vertex AIは、機械学習モデルの構築や管理以外にも、次のようなシーンで利用されます。

生成AIモデルの構築

Vertex AIには、生成AIモデルの構築やテストが行えるVertex AI Studio（旧Generative AI Studio）が搭載されています。プロンプトのサンプルを利用して生成AIモデルの挙動をテストしたり、プロンプトの設計を行ったりなどが行え、Vertex AIとVertex AI Studioを活用することで簡単に生成AIモデルを構築できます。

大規模な機械学習モデルのトレーニング

Vertex AIでは、マネージドトレーニングサービスを利用することで、大規模な機械学習モデルのトレーニングが簡単に行えます。先述したTensorFlowやPyTorchといったオープンソースの機械学習フレームワークに関しては、トレーニングやデプロイといったプロセスを簡略化させるサポート機能が標準搭載されています。

データの抽出や整理

Vertex AIでは、生成AIを活用することでデータの抽出や分類を行えます。このとき、テキスト用のPaLM APIを利用し、データ抽出などの作業におけるプロンプトを設計します。プロンプトを用いることで、大量のデータを素早く整理でき、業務効率化へ貢献します。なお、PaLM APIは、Googleの開発した大規模言語モデル（LLM）のひとつである、PaLM （Pathways Language Model）を利用できるAPIです。

参照：PaLM API & MakerSuite：ジェネレーティブ AI アプリケーションのスムーズなプロトタイピングと構築を可能にする開発ツール（Google）（外部サイト）

Vertex AIに含まれるツール

Vertex AIには、多くのツールが含まれており、機械学習モデルの構築や管理に役立ちます。主な内包されているツールは、次のとおりです。

Vertex AI Pipelines

Vertex AI Pipelinesは機械学習における一連のプロセスをサーバーレス形式でパイプライン化し、オーケストレート（自動化）するシステムで、機械学習モデルの管理やモニタリングなども行えます。後述するVertex ML Metadataなどとあわせて使用することで、パイプライン化した機械学習モデルの品質維持や改善、MLOpsが可能です。

参照：Vertex AI Pipelinesの概要（Google）（外部サイト）

Vertex AI Vizier

Vertex AI Vizierは、機械学習モデルにおけるハイパーパラメータ（機械学習の前に人の手によって設定されるパラメータ）のチューニングを支援するブラックボックス最適化システムです。既知の目的関数（最大化あるいは最小化したい関数）がない場合や、目的関数を使用したモデル評価に多くの工数がかかる場合などにVertex AI Vizierを用います。

参照：Vertex AI Vizier の概要（Google）（外部サイト）

Vertex AI Model Garden

Vertex AI Model Gardenは、すでに構築済みの機械学習モデルを一覧にまとめて提供しているサービスで、130以上の機械学習モデルが公開されています。Vertex AI Model Gardenでは、すぐに使用できる事前構築済みのモデルや特定のタスクに合わせてカスタマイズできるモデル、別のデータセットを使ってファインチューニングできるモデルなど、さまざまな種類が提供されています。

参照：Vertex AIのModel Garden（Google）（外部サイト）

Vertex AI Workbench

Vertex AI WorkbenchはJupyter NotebookをベースとしたVertex AIの開発環境で、Vertex AIをはじめとした、BigQueryなどのさまざまなGoogle Cloudサービスを操作できます。Vertex AI上で実行されるJupyter Notebookのコード実行スケジュールを使用することで、機械学習モデルへの定期的な更新を自動化できます。

参照：Vertex AI Workbenchの概要（Google）（外部サイト）

Vertex AI Experiments

Vertex AI Experimentsは、Vertex AIのマネージドテストトラッキングサービスとして提供されており、機械学習モデルに含まれるパラメータを追跡し、モデルとパイプラインにおけるパフォーマンスの可視化や比較ができます。パラメータの追跡やパフォーマンスの可視化には、Vertex ML Metadataが用いられます。なお、Vertex AI Pipelinesと統合することにより、複数のパイプラインを比較することも可能です。

参照：Vertex AI Experimentsでテストを追跡、比較、管理する（Google）

Vertex AI Feature Store

Vertex AI Feature Storeは、機械学習で使用される特徴量の整理や保存を一元管理するためのリポジトリです。特徴量を一元管理することで、特徴量の情報が社内で散らばることや、ユーザーごとに特徴量の計算方法が異なることによる機械学習モデル構築の遅延を防ぎ、特徴量の再利用やスムーズな共有を実現します。Vertex AI Feature Storeには検索機能やフィルタ機能があるため、ほかのユーザーが利用した特徴量の検出もしやすい点が特長です。

参照：Vertex AI Feature Storeの概要（Google）（外部サイト）

参照：Vertex AI Feature Store について（Google）（外部サイト）

Vertex AI ベクトル検索

Vertex AI ベクトル検索（旧Vertex AI Matching Engine）は、Googleが開発したベクトル検索技術を機械学習モデルに反映できるシステムです。Google Cloudにアップロードし、データをベクトル検索にひもづけることで、ベクトル検索技術によるレコメンデーションや検索結果を取得できます。Vertex AI ベクトル検索を用いることで、ベクトル検索機能を自社で開発する必要がなくなるため、開発工数の削減につながります。

参照：Vertex AI ベクトル検索の概要（Google）（外部サイト）

参照：あらゆるデータの瞬時アクセスを実現するGoogleのベクトル検索技術（Google）（外部サイト）

Vertex ML Metadata

Vertex ML Metadataは、機械学習におけるプロセスの中で作られるアーティファクトやコンテキストをはじめとしたメタデータリソースに付与されるメタデータをグラフとして収集し、メタデータストアによって管理するシステムです。メタデータリソースにはリソースの作成時に使用した要素や作成日、保存場所といったメタデータも記録されており、実行済みのプロセスの分析や追跡が行えます。

参照：Vertex ML Metadataの概要（Google）（外部サイト）

Colab Enterprise

Colab Enterpriseとは、ブラウザ上でJupyter Notebookを利用できる「Colaboratory（Colab）」の企業向けサービスです。企業向けのため、Colabよりもネットワーク管理やセキュリティに関する機能が強化されています。Colab Enterpriseでは、Google CloudのIAM機能を利用し、ユーザー認証を行えるため、ユーザーごとに操作の権限付与を柔軟に行えます。

参照：Introduction to Colab Enterprise（Google）（外部サイト）

Vertex AI Data Labeling Service（非推奨）

※Vertex AI Data Labeling Serviceは現在非推奨のサービスで、2024年7月1日以降はGoogle Cloudで使用できなくなります。

Vertex AI Data Labeling Serviceは、機械学習モデルのトレーニングデータにラベルを付与できるサービスで、ラベリング作業をGoogle Cloudの担当者に依頼できます。このようにアウトソーシングすることで、業務効率化や機械学習モデルの精度の向上が期待できます。

参照：Vertex AI Data Labeling Serviceをリクエストする（Google）（外部サイト）

Vertex AIの料金体系

Vertex AIは、Vertex AI AutoMLモデルに事前に定義されたマシンを使用しています。Vertex AI AutoMLでは、主に「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」「モデルを使用した予測」を行った際に料金が発生します。ここでは、画像データ、動画データ、テキストデータ、表形式データそれぞれの各オペレーションで発生する料金についてまとめます（2024年3月時点）。なお、金額はすべて米ドル（USD）で表しています。

最新の情報については、Googleのサポートページ（外部サイト）をご確認ください。

画像データ

Vertex AIで画像データを使用する場合の料金は、次のとおりです。

動画データ

Vertex AIで動画データを使用する場合の料金は、次のとおりです。

テキストデータ

Vertex AIでテキストデータを使用する場合の料金は、次のとおりです。

表形式データ

Vertex AIで表形式データを使用する場合の料金は、次のとおりです。

Vertex AIを使用するのにおすすめのパソコンとは

Vertex AIはクラウドサービスであるGoogle Cloudに内包されるため、基本的にはスペックは関係なく、さまざまな機種のパソコンで使用できます。ただし、クラウドサービスを利用するにはネットワークに接続する必要があるため、ネットワークに障害が生じた場合や、通信回線が混み合っている場合は、スムーズに作業を進められない場合があります。そのため、通信安定性が気になる場合は、有線LAN接続の可能なパソコンがおすすめです。また、無線LAN接続の場合でも比較的高速でのデータの送受信が可能なWi-Fi 6規格を搭載したパソコンを選ぶとよいでしょう。

まとめ

この記事では、Vertex AIの特徴やメリット、利用シーン、内包されるツール、料金体系などをご紹介しました。Vertex AIを活用することで、機械学習モデルの構築や管理にかかっていた多くの業務工数を最小限に抑えられます。記事内でご紹介した内包ツールなどもぜひあわせてご活用ください。