GAIL 学習Generative AI Leader

学習目標

• AI・ML・生成 AI・基盤モデル・LLM の関係を説明できる
• ML のライフサイクルの段階と、業務に合う基盤モデルの選定基準を説明できる
• データの種類と品質の観点、生成 AI の 5 つの層、Gemini・Gemma・Imagen・Veo の違いを説明できる

要点

• AI ⊃ 機械学習 ⊃ ディープラーニング ⊃ 基盤モデル（LLM など）。生成 AI は新しいテキスト・画像・コード・音声・動画を作る AI。
• 基盤モデルは大量のデータで事前学習され、多様なタスクに適応できる大規模なモデル。マルチモーダルはテキスト・画像・音声・動画など複数の種類のデータを扱う。
• 拡散モデルはノイズを除去する過程を学習して画像や動画を生成する。
• プロンプトエンジニアリングは入力の指示を工夫すること、プロンプトチューニングは少数のパラメータ（ソフトプロンプト）を学習させてモデルを適応させる手法。
• ML のライフサイクル：データの取り込み → 準備 → 学習 → デプロイ → 管理（監視・再学習）。Google Cloud では BigQuery・Cloud Storage・Agent Platform（旧 Vertex AI）などを使う。
• 基盤モデルの選定基準：モダリティ、コンテキストウィンドウ（一度に扱える入力の量）、セキュリティ、可用性・信頼性、コスト、性能、カスタマイズのしやすさ。
• 構造化データは表の形式（売上・顧客 DB）、非構造化データは文書・画像・音声・動画。ラベルありは正解付き、ラベルなしは正解なし。
• 生成 AI の層：インフラ（TPU・GPU）→ モデル（Gemini など）→ プラットフォーム（Agent Platform）→ エージェント → アプリケーション（Gemini app、Workspace など）。
• Gemini はマルチモーダルの主力モデル、Gemma は軽量なオープンモデル、Imagen は画像の生成、Veo は動画の生成。

業務での使いどころ

• 営業提案書の作成（作成）、議事録の要約（要約）、社内資料の検索（発見）、見積もりの下書きの自動作成（自動化）に分けて、生成 AI の使いどころを洗い出す。

評価項目（英語）

• 生成 AI の主要な概念（AI・自然言語処理・機械学習・生成 AI・基盤モデル・マルチモーダル・拡散モデル・LLM・プロンプトエンジニアリング・プロンプトチューニング）
• 機械学習の手法（教師あり・教師なし・強化学習）と ML のライフサイクル（データの取り込み・準備・学習・デプロイ・管理）と各段階の Google Cloud のツール
• 業務に合う基盤モデルの選び方（モダリティ、コンテキストウィンドウ、セキュリティ、可用性、コスト、性能、ファインチューニング）と、作成・要約・発見・自動化のユースケース
• データの種類（構造化・非構造化、ラベルあり・なし）とデータの品質・アクセス性（完全性・一貫性・関連性・可用性・コスト・形式）
• 生成 AI の層（インフラ・モデル・プラットフォーム・エージェント・アプリケーション）
• Google の基盤モデル（Gemini、Gemma、Imagen、Veo）の用途と強み

参考リソース

• Generative AI Leader 試験ガイド（英語・PDF） ↗
• Generative AI Leader 学習ガイド（英語・PDF） ↗
• GAIL 試験ガイド（・詳細な評価項目） ↗

学習目標

• Google Cloud の生成 AI の強みとインフラの要素を説明できる
• 業務の課題に合う Google のサービス（Gemini app・Gemini Enterprise・Workspace・Customer Engagement Suite・Agent Platform）を選べる
• エージェントのツールの種類と、目的に合う事前学習済み API を選べる

要点

• エンタープライズ対応：顧客のデータはモデルの学習に使わない、セキュリティ・プライバシー・ガバナンス、信頼性と拡張性。
• AI Hypercomputer は TPU・GPU・ストレージ・ネットワーク・ソフトウェアを統合した AI 向けのインフラ。TPU は Google が設計した AI 向けのプロセッサ。
• オープンなアプローチ：Model Garden で Google・パートナー・オープンのモデル（Gemma、Llama など）を選べ、ロックインを避けられる。
• Gemini app は個人の生産性向上の対話型 AI。Gems は特定の用途向けに指示を保存したカスタムの Gemini。
• Gemini Enterprise は社内のデータを横断して検索・要約し、エージェントを作って業務を自動化する企業向けの基盤。
• Gemini for Google Workspace は Gmail・ドキュメント・スプレッドシート・スライド・Meet などに組み込まれた生成 AI。
• Customer Engagement Suite：Conversational Agents（顧客対応のチャット・音声のエージェント）、Agent Assist（オペレーターへのリアルタイムの支援）、Conversational Insights（会話の分析）、CCaaS（クラウドのコンタクトセンター）。
• Agent Platform（Gemini Enterprise Agent Platform、旧 Vertex AI）は、モデルの選択・カスタマイズ・評価・デプロイ、エージェントの構築を行う開発者向けの統合基盤。Agent Search（旧 Vertex AI Search）は企業データの検索と RAG。
• Google AI Studio は Gemini API を手早く試す開発者向けのツール、Agent Studio（旧 Vertex AI Studio）はエンタープライズの管理・セキュリティの下で試作から本番まで進めるツール。
• 事前学習済み API：Speech-to-Text、Text-to-Speech、Translation、Document AI（文書からの情報抽出）、Vision、Video Intelligence、Natural Language。

業務での使いどころ

• カスタマーサポート問い合わせの一次対応を Conversational Agents に任せ、難しい問い合わせはオペレーターに引き継ぎ、Agent Assist で回答の候補を示す。

評価項目（英語）

• Google Cloud の強み（AI ファーストの取り組み、エンタープライズ対応、エコシステム、オープンなアプローチ、AI Hypercomputer・TPU・GPU、データの管理、ローコード・ノーコードによる AI の民主化）
• すぐに使える生成 AI（Gemini app と Gems、Gemini Enterprise、Gemini for Google Workspace）
• 顧客体験の向上（Agent Search・Google 検索、Customer Engagement Suite：Conversational Agents・Agent Assist・Conversational Insights・Contact Center as a Service）
• 開発者向け（Agent Platform：Model Garden・Agent Search・AutoML、RAG のサービス、カスタムエージェントの構築）
• エージェントのツール（拡張機能・関数・データストア・プラグイン、Cloud Storage・Cloud Run・各種 AI API）と Agent Studio・Google AI Studio の使い分け

参考リソース

• Generative AI Leader 試験ガイド（英語・PDF） ↗
• Gemini Enterprise ↗
• Customer Engagement Suite ↗
• GAIL 試験ガイド（・詳細な評価項目） ↗

学習目標

• 基盤モデルの限界と、それぞれに合う対策を選べる
• プロンプトの技法を目的に応じて使い分けられる
• グラウンディングの方法とサンプリングのパラメータの効果を説明できる

要点

• 知識のカットオフ：学習データの時点より新しい情報を知らない。対策は Google 検索によるグラウンディングや RAG。
• ハルシネーション：もっともらしい誤りを生成する。対策はグラウンディング、RAG、出典の提示、人による確認。
• ファインチューニングは自社のデータでモデルを追加学習し、特定の形式や専門の言い回しに合わせる。最新の事実の追加には RAG が向く。
• Human in the Loop（HITL）は重要な出力を人が確認・修正する仕組み。
• Zero-shot は例なし、One-shot は 1 例、Few-shot は複数の例を示す。ロールプロンプトは役割を与え、プロンプトチェーンは複数のプロンプトを順につなぐ。
• Chain-of-Thought は段階的に考えさせて推論の精度を上げ、ReAct は推論と行動（ツールの呼び出し）を交互に行う。
• グラウンディングは出力を検証可能な情報源に結び付けること。自社データ（社内文書）、第三者データ、世界のデータ（Google 検索）がある。
• temperature が低いと出力は安定・決定的、高いと多様・創造的。top-p は確率の累積が p になるまでの候補から選ぶ。最大の出力トークン数で長さを制限する。

業務での使いどころ

• 人事就業規則の問い合わせに答えるボットで、回答を社内規程（自社データ）にグラウンディングし、temperature を低くして毎回の回答のぶれを抑える。

評価項目（英語）

• 基盤モデルの限界（データへの依存、知識のカットオフ、バイアス、公平性、ハルシネーション、エッジケース）と対策（グラウンディング、RAG、プロンプトエンジニアリング、ファインチューニング、Human in the Loop）
• 継続的な監視と評価（モデルの自動アップグレード、KPI、セキュリティパッチ、バージョン管理、性能の追跡、ドリフトの監視、Feature Store）
• プロンプトの技法（Zero-shot・One-shot・Few-shot、ロールプロンプト、プロンプトチェーン、Chain-of-Thought、ReAct）
• グラウンディング（自社データ・第三者データ・世界のデータ、RAG、Agent Search、RAG API、Google 検索によるグラウンディング）
• サンプリングのパラメータ（トークン数、temperature、top-p、安全性の設定、出力の長さ）

参考リソース

• Generative AI Leader 試験ガイド（英語・PDF） ↗
• GAIL 試験ガイド（・詳細な評価項目） ↗

学習目標

• 業務の要件と技術的な制約から生成 AI のソリューションを選び、導入と効果測定の手順を説明できる
• SAIF の目的と、Google Cloud のセキュリティのツールの役割を説明できる
• 責任ある AI の観点（透明性・プライバシー・公平性・説明責任）を事例に当てはめられる

要点

• 導入は、目標と KPI を定め、影響が大きく実現しやすいユースケースから小さく試し、効果を測って広げる。
• ソリューションの選択では、業務要件（精度・応答の速さ・対象の利用者）と技術的な制約（データ・予算・既存のシステム・スキル）を考える。すぐに使える製品・カスタマイズ・独自の開発の順に検討する。
• 効果の測定：作業時間の削減、品質、顧客満足度、採用率（利用率）、費用対効果。
• SAIF（Secure AI Framework）は、AI システムを安全にするための Google の概念的な枠組み。既存のセキュリティの基盤を AI に広げ、検知と対応、防御の自動化などを含む。
• IAM は誰が何にアクセスできるかを最小権限で管理し、Security Command Center はリスクや脅威を一元的に可視化する。
• 責任ある AI：透明性（AI の利用と限界を示す）、プライバシー（匿名化・仮名化、データの最小化）、公平性（データの偏りの確認）、説明責任（責任者と記録）。

業務での使いどころ

• 経営企画社内の生成 AI の導入で、3 か月の試行の KPI（議事録の作成時間の 50% 削減、利用率 60%）を事前に決め、結果を見て全社に広げるかを判断する。

評価項目（英語）

• 生成 AI の導入の進め方（ソリューションの種類、ニーズに影響する要因、適切なソリューションの選択、組織への統合の手順、効果の測定）
• セキュアな AI（ML のライフサイクル全体のセキュリティ、SAIF、セキュア・バイ・デザインのインフラ、IAM、Security Command Center、ワークロードの監視）
• 責任ある AI（透明性、プライバシー、匿名化・仮名化、データの品質・バイアス・公平性、説明責任・説明可能性）

参考リソース

• Generative AI Leader 試験ガイド（英語・PDF） ↗
• Secure AI Framework（SAIF） ↗
• Google の AI 原則 ↗
• GAIL 試験ガイド（・詳細な評価項目） ↗