Google Cloud認定に新試験Associate Data Practitionerが追加されたので試験概要を調べてみた

2024年11月3日

Google Cloud認定のアソシエイトレベルにまた新しい試験が追加されました。

Google Cloud

Associate Data Practitioner | Learn | Google Cloud

https://cloud.google.com/learn/certification/data-practitioner

Associate Data Practitioner

またProfessional Cloud Architectのリニューアルもあるようです。

Webassessorを見る限り11/6以降から受験予約ができるようです。
ちなみに試験の受け方が変わったようでWebassessorへの直接ログインはできなくなりCertMetricsを経由してログインする形になっています。

試験はまだベータ版なので英語のみ70問2.5時間のボリュームで受験には体力がいりそうです。
その代わり落ちても受験回数のペナルティには含まれないようです。

試験ガイドとGoogle Cloud Skills Boostのラーニングパスも用意されています。
また試験ガイドをGeminiで日本語翻訳してみました。

アソシエイトデータプラクティショナーは、Google Cloud 上のデータを保護および管理します。この個人は、データの取り込み、変換、パイプライン管理、分析、機械学習、視覚化などのタスクに Google Cloud データサービスを使用した経験があります。受験者は、サービスとしてのインフラストラクチャ (IaaS)、サービスとしてのプラットフォーム (PaaS)、サービスとしてのソフトウェア (SaaS) などのクラウドコンピューティングの概念を基本的に理解しています。

1. セクション 1: データの準備と取り込み (試験の約 30%)
2. セクション 2: データ分析とプレゼンテーション (試験の約 27%)
3. セクション 3: データパイプラインオーケストレーション (試験の約 18%)
4. セクション 4: データ管理 (試験の約 25%)

セクション 1: データの準備と取り込み (試験の約 30%)

1.1 データを準備および処理します。考慮事項は次のとおりです。

さまざまなデータ操作方法 (ETL、ELT、ETLT など) を区別する
適切なデータ転送ツール (Storage Transfer Service、Transfer Appliance など) を選択する
データ品質を評価する
データクリーニングを実行する (Cloud Data Fusion、BigQuery、SQL、Dataflow など)

1.2 適切な Google Cloud ストレージシステムにデータを抽出およびロードします。考慮事項は次のとおりです。

データの形式を区別する (CSV、JSON、Apache Parquet、Apache Avro、構造化データベーステーブルなど)
適切な抽出ツールを選択する (Dataflow、BigQuery Data Transfer Service、Database Migration Service、Cloud Data Fusion など)
適切なストレージソリューションを選択する (Cloud Storage、BigQuery、Cloud SQL、Firestore、Bigtable、Spanner、AlloyDB など)
- 適切なデータストレージロケーションタイプを選択する (リージョン、デュアルリージョン、マルチリージョン、ゾーンなど)
- ユースケースを構造化データ、非構造化データ、または半構造化データの要件に分類する
適切なツールを使用して Google Cloud ストレージシステムにデータをロードする (gcloud および BQ CLI、Storage Transfer Service、BigQuery Data Transfer Service、クライアントライブラリなど)

セクション 2: データ分析とプレゼンテーション (試験の約 27%)

2.1 BigQuery と Jupyter ノートブックを使用して、データの傾向、パターン、洞察を特定します。考慮事項は次のとおりです。

BigQuery で SQL クエリを定義および実行して、レポートを生成し、重要な洞察を抽出する
Jupyter ノートブックを使用してデータを分析および視覚化する (Colab Enterprise など)
データを分析してビジネス上の質問に答える

2.2 ビジネス要件に基づいて Looker でデータを視覚化し、ダッシュボードを作成します。考慮事項は次のとおりです。

ダッシュボードを作成、変更、共有してビジネス上の質問に答える
さまざまな分析ユースケースについて Looker と Looker Studio を比較する
シンプルな LookML パラメータを操作してデータモデルを変更する

2.3 ML モデルを定義、トレーニング、評価、使用します。考慮事項は次のとおりです。

BigQuery ML と AutoML を使用してモデルを開発するための ML ユースケースを特定する
BigQuery でリモート接続を使用して、事前トレーニング済みの Google 大規模言語モデル (LLM) を使用する
標準の ML プロジェクトを計画する (データ収集、モデルトレーニング、モデル評価、予測など)
SQL を実行して BigQuery ML を使用してモデルを作成、トレーニング、評価する
BigQuery ML モデルを使用して推論を実行する
Model Registry でモデルを整理する

セクション 3: データパイプラインオーケストレーション (試験の約 18%)

3.1 シンプルなデータパイプラインを設計および実装します。考慮事項は次のとおりです。

ビジネス要件に基づいてデータ変換ツール (Dataproc、Dataflow、Cloud Data Fusion、Cloud Composer、Dataform など) を選択する
ELT と ETL のユースケースを評価する
基本的な変換パイプラインを実装するために必要な製品を選択する

3.2 基本的なデータ処理タスクのスケジュール、自動化、監視を行います。考慮事項は次のとおりです。

スケジュールされたクエリを作成および管理する (BigQuery、Cloud Scheduler、Cloud Composer など)
Dataflow ジョブ UI を使用して Dataflow パイプラインの進行状況を監視する
Cloud Logging と Cloud Monitoring でログを確認および分析する
ビジネス要件に基づいてデータオーケストレーションソリューション (Cloud Composer、スケジュールされたクエリ、Dataproc Workflow Templates、Workflows など) を選択する
Pub/Sub から BigQuery へのイベント駆動型データ取り込みのユースケースを特定する
イベント駆動型パイプライン (Dataform、Dataflow、Cloud Functions、Cloud Run、Cloud Composer) で Eventarc トリガーを使用する

セクション 4: データ管理 (試験の約 25%)

4.1 アクセス制御とガバナンスを構成します。考慮事項は次のとおりです。

ID およびアクセス管理 (IAM) を使用して最小限の特権アクセスの原則を確立する
- データサービス (BigQuery、Cloud Storage など) の基本的な役割、定義済みの役割、権限を区別する
Cloud Storage のアクセス制御方法を比較する (パブリックアクセスまたはプライベートアクセス、均一アクセスなど)
Analytics Hub を使用してデータを共有するタイミングを決定する

4.2 ライフサイクル管理を構成します。考慮事項は次のとおりです。

データアクセスの頻度と保持要件に基づいて適切な Cloud Storage クラスを決定する
指定された期間後にオブジェクトを削除するルールを構成して、不要なデータを自動的に削除し、ストレージ費用を削減する (BigQuery、Cloud Storage など)
ビジネス要件に基づいてデータをアーカイブするための Google Cloud サービスを評価する

4.3 Cloud Storage および Cloud SQL のデータの高可用性と障害復旧戦略を特定します。考慮事項は次のとおりです。