GCP(Google Cloud)でMLモデルをデプロイする方法【Vertex AI入門】

はじめに

Google CloudのVertex AIはML開発から本番運用まで一気通貫でできる統合プラットフォームです。AWSのSageMakerと並ぶ主要な選択肢として注目されています。Vertex AIでMLモデルをデプロイする手順を解説します。

Vertex AIの主要機能

AutoMLはノーコードでモデル学習ができます。Custom Trainingは自前のコード（Python・Docker）でモデルを学習できます。Model Registryはモデルのバージョン管理ができます。Online Predictionはリアルタイムの予測APIエンドポイントを作れます。Batch Predictionは大量データへのバッチ推論ができます。Pipelinesは学習・評価・デプロイのMLパイプラインを自動化できます。

モデルのデプロイ手順（Python SDK使用）

from google.cloud import aiplatform

# プロジェクト初期化
aiplatform.init(project='your-project-id', location='asia-northeast1')

# モデルをVertex AIにアップロード
model = aiplatform.Model.upload(
    display_name='my-sklearn-model',
    artifact_uri='gs://your-bucket/model/',
    serving_container_image_uri='asia-docker.pkg.dev/vertex-ai/prediction/sklearn-cpu.1-0:latest'
)

# エンドポイントの作成
endpoint = aiplatform.Endpoint.create(display_name='my-endpoint')

# モデルをエンドポイントにデプロイ
model.deploy(
    endpoint=endpoint,
    machine_type='n1-standard-2',
    min_replica_count=1,
    max_replica_count=3  # オートスケーリング
)

# 推論テスト
prediction = endpoint.predict(instances=[[5.1, 3.5, 1.4, 0.2]])
print(prediction)

コスト管理のポイント

Vertex AI Online Predictionはエンドポイントが稼働している間は常にコストが発生します。開発・テスト環境では使い終わったらエンドポイントを削除することで無駄なコストを防げます。本番環境ではオートスケーリング（min=1, max=N）を設定することで、トラフィックに応じてコストを最適化できます。Cloud Runを使ったサーバーレスデプロイはリクエストがない時間はコストゼロになるため、バースト的なトラフィックのユースケースに向いています。

AWSとGCPの比較

AWSのSageMakerはより成熟したエコシステムと豊富なチュートリアルがあります。GCPのVertex AIはBigQueryとの連携が強力で、データウェアハウスとMLを統合したい場合に向いています。製造業のDXではどちらか一方ではなく、すでに社内で使っているクラウドプロバイダーに合わせることが現実的です。GCPを選ぶ理由としてはBigQuery ML・Looker・AutoMLとの統合の容易さがあります。

よくある質問

「Vertex AIを使うのに必要なスキルは何ですか」という質問をよく受けます。Pythonの基礎・機械学習の基礎・Docker・Google Cloud SDK（gcloud）の基本操作が必要です。GCPの無料枠（$300のクレジット）で実際に試してみることが最も効果的な学習方法です。「AWS SageMakerとどちらを先に学ぶべきですか」という質問については、現職や志望する企業で使っているクラウドに合わせることをおすすめします。どちらも概念は共通しているため、一方を学べばもう一方への移行も比較的容易です。

まとめ

Vertex AIでMLモデルをデプロイするにはモデルのアップロード→エンドポイントの作成→デプロイという3ステップです。Python SDKで数十行のコードで実装できます。まずGCPの無料枠を使ってscikit-learnの簡単なモデルをVertex AIにデプロイしてみることが最初の実践ステップです。