変更要約: Professional Machine Learning Engineer 第5章を新規作成（ドメイン5「パイプライン」: データ/モデル検証・訓練/サービング一貫前処理・MLFlow ホスティング・コンポーネント/パラメータ/トリガー/Cloud Build/Cloud Run・オーケストレーション(Kubeflow Pipelines/Vertex AI Pipelines/Cloud Composer)・ハイブリッド/マルチクラウド・TFX/Kubeflow DSL、再訓練ポリシー・CI/CD(Cloud Build/Jenkins)・Vertex AI Experiments/Vertex ML Metadata・モデル/データのバージョニング・リネージ）。
5.2再訓練とメタデータ追跡
適切な再訓練ポリシーの決定、CI/CD によるモデルデプロイ（Cloud Build・Jenkins）、モデルの成果物とバージョンの追跡/比較（Vertex AI Experiments・Vertex ML Metadata）、モデル/データセットのバージョニング連携、モデルとデータの系統（リネージ）を理解します。
モデルは作って終わりではありません。劣化に合わせて再訓練し、CI/CD で安全に届け、すべての成果物を追跡して再現性と監査性を保ちます。
5.2.1再訓練ポリシーと CI/CD
モデルは時間とともに劣化（ドリフト）するため、再訓練ポリシー を決めます：定期（スケジュール）再訓練か、性能/ドリフトの 監視に基づくトリガー 再訓練かを、コストと劣化速度で選びます。再訓練したモデルは CI/CD（Cloud Build や Jenkins）でテスト・検証・デプロイし、継続的トレーニング（CT）として自動化します。デプロイは A/B/カナリアで安全に切り替えます。「劣化に応じて再学習＝監視ベースのトリガー再訓練」「モデルのテスト/デプロイを自動化＝CI/CD（Cloud Build/Jenkins）」を結びます。
5.2.2メタデータ・バージョニング・リネージ
再現性と監査のため、すべての 成果物 を追跡します。実験のパラメータ/メトリクスの比較は Vertex AI Experiments、パイプラインが生成する成果物・実行・系統の記録は Vertex ML Metadata を使います。モデルとデータセットのバージョニング を連携させ、「どのデータ・どのコード・どのパラメータからこのモデルが生まれたか」の リネージ（系統） を辿れるようにします。これにより問題発生時の原因特定や規制対応が可能になります。「成果物/実行/系統の記録＝Vertex ML Metadata」「モデルの出自を辿る＝リネージ」を押さえます。