変更要約: Professional Machine Learning Engineer 第2章を新規作成（ドメイン2「コラボレーション」: 組織データ源(Cloud Storage/BigQuery/Spanner/Cloud SQL/Spark/Hadoop)・Vertex AI データセット・前処理(Dataflow/TFX/BigQuery)・Vertex AI Feature Store・PII/PHI プライバシー、Jupyter バックエンド(Vertex AI Workbench/Colab Enterprise/Dataproc)・セキュリティ・フレームワーク(TensorFlow/PyTorch/sklearn/Spark/JAX)・Model Garden・実験追跡(Vertex AI Experiments/Kubeflow Pipelines/TensorBoard)・生成 AI 評価）。
2.2ノートブックと実験管理
Google Cloud の Jupyter バックエンド選択（Vertex AI Workbench・Colab Enterprise・Dataproc 上のノートブック）、Vertex AI Workbench のセキュリティのベストプラクティス、Spark カーネル、コードリポジトリ統合、各種フレームワーク（TensorFlow/PyTorch/sklearn/Spark/JAX）での開発、Model Garden の基盤/オープンソースモデル活用、ML 実験の追跡（Vertex AI Experiments・Kubeflow Pipelines・Vertex AI TensorBoard）、生成 AI ソリューションの評価を理解します。
プロトタイピングはノートブックで行い、実験は体系的に記録します。記録なしの試行錯誤は再現できません。
2.2.1ノートブック環境とフレームワーク
Jupyter のバックエンドは要件で選びます：本格的な ML 開発はマネージドな Vertex AI Workbench、共同編集や手軽さは Colab Enterprise、既存の Spark/Hadoop 上で動かすなら Dataproc 上のノートブック（Spark カーネル）です。Workbench では セキュリティのベストプラクティス（最小権限の SA・限定公開・ユーザー管理 vs マネージド）を適用し、コードリポジトリ統合 でバージョン管理します。開発は TensorFlow・PyTorch・sklearn・Spark・JAX など使い慣れたフレームワークで行い、Model Garden の基盤/オープンソースモデルを活用します。「マネージドな ML 開発環境＝Vertex AI Workbench」「Spark を使う＝Dataproc ノートブック」を結びます。
2.2.2実験の追跡と生成 AI の評価
試行の再現性のため、実験を体系的に記録します。パラメータ/メトリクス/成果物の比較は Vertex AI Experiments、学習曲線や可視化は Vertex AI TensorBoard（TensorFlow/PyTorch 対応）、パイプライン型の実験は Kubeflow Pipelines を使います。生成 AI では精度だけでなく、生成 AI ソリューションの評価（自動メトリクス・人手評価・LLM-as-judge による品質/安全性/根拠性の評価）を行い、改善のループを回します。「実験の記録/比較＝Vertex AI Experiments」「学習曲線の可視化＝TensorBoard」「生成 AI の品質評価＝評価メトリクス/人手/judge」を押さえます。
「要件 → 手段」が頻出。例：「マネージドな Jupyter で本格的に ML 開発」＝Vertex AI Workbench、「共同編集で手軽に」＝Colab Enterprise、「既存 Spark 上で」＝Dataproc ノートブック、「パラメータ/メトリクスを記録・比較」＝Vertex AI Experiments、「学習曲線を可視化」＝Vertex AI TensorBoard、「生成 AI の出力品質を評価」＝生成 AI 評価（自動/人手/judge）。
混同に注意：
①Vertex AI Experiments（実験の記録/比較）と TensorBoard（学習曲線の可視化）は役割が別＝併用する。
②ノートブックのセキュリティ（広い SA・公開 IP）を放置しない＝最小権限/限定公開。
③生成 AI は精度だけで測れない＝品質/安全性/根拠性を評価する。
2.2.3この節のまとめ
- Jupyter＝Vertex AI Workbench（本格）/Colab Enterprise（手軽）/Dataproc（Spark）、Workbench はセキュリティ徹底
- 実験の記録/比較＝Vertex AI Experiments、学習曲線＝TensorBoard、パイプライン実験＝Kubeflow Pipelines
- 生成 AI は品質/安全性/根拠性を評価（自動メトリクス/人手/judge）
進捗の記録にはログインが必要です。
理解度チェック
（軽い確認用）Q1. マネージドな Jupyter 環境で、最小権限と限定公開のもと本格的に ML 開発を行いたい。最適なのはどれですか？
Q2. 複数の試行のパラメータ・メトリクス・成果物を記録し、後で比較したい。最適なのはどれですか？
Q3. 学習の損失曲線や精度の推移をグラフで可視化したい。最適なのはどれですか？
Q4. 既存の Spark/Hadoop クラスタ上で、Spark カーネルを使ってノートブック開発したい。最適なのはどれですか？
Q5. 生成 AI ソリューションの良し悪しを、精度だけでなく品質・安全性・根拠性の観点で評価したい。最も適切なのはどれですか？