変更要約: Professional Machine Learning Engineer 第6章を新規作成（ドメイン6「監視」: 安全な AI システム(窃取/汚染対策)・Google Responsible AI(バイアス監視)・公平性/準備状況評価・Vertex Explainable AI(特徴量アトリビューション)、Model Monitoring on Gemini Enterprise Agent Platform による継続的評価・訓練/サービングスキュー・特徴量アトリビューションドリフト・ベースライン/単純モデル/時間軸との性能比較・よくある訓練/サービングエラー監視）。
6.2監視とトラブルシュート
継続的評価メトリクスの確立（Model Monitoring on Gemini Enterprise Agent Platform・Explainable AI）、訓練/サービングスキューの監視、特徴量アトリビューションのドリフト監視、ベースライン/より単純なモデル/時間軸に対するモデル性能の監視、よくある訓練/サービングエラーの監視を理解します。
本番のモデルは静かに劣化します。継続的に監視し、スキューやドリフトを早期に検知して、再訓練や是正につなげます。
6.2.1継続的評価とスキュー/ドリフト
本番モデルは Model Monitoring on Gemini Enterprise Agent Platform で 継続的評価 します。代表的な監視対象は二つ：訓練/サービングスキュー（訓練時とサービング時で入力データの分布がずれる）と 特徴量アトリビューション/予測ドリフト（時間とともに入力分布や寄与が変化する）。スキューは「訓練データ vs サービングデータ」を比較し、ドリフトは「過去のサービングデータ vs 現在」を比較して検知します。しきい値を超えたらアラートし、再訓練 をトリガーします。「訓練 vs 本番入力のズレ＝訓練/サービングスキュー」「本番入力の時間変化＝ドリフト」を結びます。
6.2.2性能監視とエラー
モデルの性能は、ベースライン（前バージョンや単純なルール/モデル）や 時間軸 と比較して監視します＝新モデルが本当に改善しているか、時間とともに劣化していないかを継続確認します。ラベルが遅れて付く場合は、Explainable AI のアトリビューション変化を代理指標に使えます。よくある訓練/サービングエラー も監視します＝入力スキーマ不一致・欠損/異常値・レイテンシ急増・依存サービス障害など。「新旧/単純モデルと比較して改善を確認＝ベースライン比較」「本番の入出力異常を検知＝エラー監視」を押さえます。
「症状 → 手段」が頻出。例：「訓練時とサービング時で入力分布がずれる」＝訓練/サービングスキュー監視、「本番入力が時間とともに変化」＝ドリフト監視、「本番モデルを継続評価しアラート」＝Model Monitoring on Gemini Enterprise Agent Platform、「新モデルが本当に良いか確認」＝ベースライン/より単純なモデルと比較、「ラベル遅延時の劣化の代理指標」＝特徴量アトリビューションの変化。
混同に注意：
①スキュー（訓練 vs サービングの差）とドリフト（時間による変化）は検知対象が別。
②ラベルが遅延すると性能を直接測れない＝アトリビューション変化など代理指標を使う。
③監視なしの本番は劣化に気づけない＝Model Monitoring としきい値アラートを必ず設定。
6.2.3この節のまとめ
- 本番の継続評価＝Model Monitoring on Gemini Enterprise Agent Platform、検知対象＝訓練/サービングスキューと特徴量/予測ドリフト
- 性能はベースライン/単純モデル/時間軸と比較、ラベル遅延時はアトリビューション変化を代理指標に
- よくある訓練/サービングエラー（スキーマ不一致/異常値/レイテンシ）も監視しアラート→再訓練
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. 本番のモデルを継続的に評価し、入力分布の変化や性能劣化を検知してアラートしたい。最適なのはどれですか？
Q2. 訓練時に使ったデータの分布と、サービング時に届く入力データの分布がずれている。これは何ですか？
Q3. 本番に届く入力データの分布や特徴量の寄与が、時間とともに変化している。これは何ですか？
Q4. 新しいモデルが本当に改善しているかを判断したい。比較すべき対象として最も適切なのはどれですか？
Q5. 本番でラベル（正解）が遅れて付くため、性能を即座に測れない。劣化検知の代理指標として有効なのはどれですか？