サービスを選ぶ
AI と機械学習のサービス
社員が業務で AI を使うなら Gemini Enterprise、自社のアプリに AI を組み込むなら Gemini Enterprise Agent Platform、画像の分類や文字起こしのような定型の処理なら事前構築済みの API を選びます。独自のモデルを学習するときだけ、Agent Platform Pipelines と AI Hypercomputer の出番になります。
Google Cloud の AI のサービスは、誰が使うかと、どこまで自分で作るかで選びます。要件を満たすなかで、自分で作るものが一番少ないものを選ぶのが基本です。自前でモデルを学習するのは、既製のモデルで精度が足りないと分かってからです。
試験ガイドはこの範囲をセクション 1.3、2.4、2.5 に置いています。製品名が大きく変わった範囲なので、このページの名前は 2026 年 10 月時点の公式ドキュメントに合わせています。
Gemini Enterprise Agent Platform は開発者の基盤
公式ドキュメントは Agent Platform を、AI エージェントとモデルを使ったソリューションを作り、デプロイし、統制し、最適化する統合プラットフォームと説明し、Vertex AI から発展したものだと書いています。Vertex AI と書かれた解説の多くは、試験ではこの名前で出ます。
| 機能 | 役割 |
|---|---|
| Model Garden | Google のモデル、他社のモデル、オープンモデルを選ぶ入り口 |
| Agent Development Kit (ADK) | エージェントをコードで作るフレームワーク |
| Agent Studio | エージェントの流れを画面で組むローコードの道具 |
| Agent Garden | すぐに動くエージェントのテンプレート集 |
| RAG Engine、Vector Search | 社内データをモデルにつなぎ、回答の根拠にする |
| Agent Runtime | 作ったエージェントを動かす実行環境 |
試験ガイドの 1.3 に出る Agent Builder は、現行のコンソールでは Agent Platform の左メニューの区分の名前で、Agent Garden はその中から開きます。Agent Builder と問われたら、Agent Platform でエージェントを作る道具の話だと読んでください。
Model Garden には Gemini、画像生成の Imagen、動画生成の Veo、オープンモデルの Gemma、Anthropic の Claude、Llama などが並びます。Gemini はマネージドの API で、テキスト、画像、音声、動画をまとめて扱えるので、特別な制約がなければまず Gemini を検討します。オープンモデルを選ぶのは、重みを自分で持ちたい、自分のエンドポイントで細かく調整したいときで、その計算資源は自分で払います。
独自の学習は Pipelines で自動化する
Agent Platform Pipelines は、Kubeflow Pipelines か TensorFlow Extended (TFX) で書いたパイプラインをサーバーレスで実行します。特徴量を学習と推論で共通にしたいときは Agent Platform Feature Store を使います。要件に「新しいデータで定期的に再学習する」「どのデータで学習したかを監査で示す」とあればパイプラインの案を選び、ノートブックで手動で回す案は外します。
AI Hypercomputer は AI 向けのインフラをまとめた製品群で、GPU と TPU などのインフラ、最適化した PyTorch、JAX、TensorFlow と GKE や Slurm (Cluster Director 経由) などのソフトウェア、計算資源の確保と支払いの方法 (消費モデル) を垂直に統合したものです。割引率は 2026 年 10 月時点の消費モデルのページの記載で、対象のマシンシリーズに限られます。
| 消費モデル | 向いているワークロード | 途中で回収されるか | 料金 |
|---|---|---|---|
| オンデマンド | 推論、サービング、試作 | されない | 標準料金 |
| Spot | 中断されても再開できるバッチ処理 | いつでも | 最大 91% 割引 |
| Flex-start | 最大 7 日の短い学習やバッチ推論で、空きを待てる | されない | 最大 53% 割引 |
| カレンダーモードの将来の予約 | 開始日を決めた最大 90 日の分散学習 | されない | 最大 53% 割引 |
| キャパシティブロックの将来の予約 | 基盤モデルの事前学習のような長期の大規模学習 | されない | 確約利用割引で最大 53% |
| 標準の予約 | 確実に容量が要る本番 | されない | 標準料金。確約利用割引を併用できる |
TPU は大きな行列演算に特化していて、JAX などで大規模に学習するときの候補です。既存のコードが CUDA に依存しているなら GPU を選びます。推論が小さく、リクエストがないときは止めたいなら、NVIDIA L4 などの GPU を付けて 0 インスタンスまで減らせる Cloud Run も候補です。
Gemini Enterprise は社員がそのまま使う
Gemini Enterprise は、公式ドキュメントの言葉では社内検索、AI アシスタント、エージェントのプラットフォームです。Microsoft SharePoint、Jira Cloud、Confluence Cloud、ServiceNow などのコネクタで社内データを横断で検索でき、Agent Gallery のエージェントや自社で作ったエージェントを社員に使わせられます。開発者が作る基盤の Agent Platform に対して、こちらは完成品です。
試験ガイドの NotebookLM は、渡した資料 (PDF、Google ドキュメント、Web ページなど) に基づいて要約や回答をする調査用の道具で、Google Cloud の企業向けドキュメントでは Gemini Notebook Enterprise という題名です (URL のパスは notebooklm-enterprise)。データは自社の Google Cloud プロジェクトに置かれ、外部と共有できないので、「機密の資料だけを根拠に答えさせたい」ならこれを選びます。
事前構築済みの API は処理が決まっているときに使う
| 処理 | サービス |
|---|---|
| 画像のラベル付け、OCR、ロゴやランドマークの検出 | Cloud Vision API |
| 音声の文字起こし | Cloud Speech-to-Text |
| 文章の感情分析、エンティティ抽出、分類 | Cloud Natural Language API |
| 自社のサイトや文書を対象にした検索、推薦 | Agent Search (Vertex AI Search から名称を変更中) |
画像や動画の生成 (Imagen、Veo) は Model Garden のモデルとして使います。動画の分析に使われてきた Video Intelligence API は非推奨で、ドキュメントは Gemini への移行を勧めています (Video Intelligence API のドキュメント)。AI の保護 (Model Armor、Sensitive Data Protection) はセキュリティの設計で扱います。
試してみる
Cloud Vision API で、公開されているサンプル画像にラベルを付けます。Cloud Shell で実行してください。呼び出しは数回なので、無料トライアルのクレジットで足ります。
gcloud services enable vision.googleapis.com
curl -s -X POST \
-H "Authorization: Bearer $(gcloud auth print-access-token)" \
-H "x-goog-user-project: $(gcloud config get-value project)" \
-H "Content-Type: application/json" \
https://vision.googleapis.com/v1/images:annotate \
-d '{"requests":[{"image":{"source":{"imageUri":"gs://cloud-samples-data/vision/label/wakeupcat.jpg"}},"features":[{"type":"LABEL_DETECTION","maxResults":5}]}]}'labelAnnotations に、猫に関するラベルと 0〜1 のスコアが返ります。LABEL_DETECTION を TEXT_DETECTION に変えると OCR も試せます。モデルの選定も学習もせずにこの結果が得られることが、事前構築済み API を選ぶ理由です。
後片付けとして、API を無効にします。
gcloud services disable vision.googleapis.com試験で問われる判断
このカリキュラムで作った例です。
「コールセンターの通話を文字起こしして要約したい。ML の専門家はいない」なら、Cloud Speech-to-Text で文字起こしし、Gemini で要約します。音声認識のモデルを自前で学習する案は、専門家がいない条件に合いません。
「製造ラインの画像から自社製品に固有の不良を検出したい。汎用の画像 API では精度が足りなかった」なら、Agent Platform で自社の画像からモデルを学習し、再学習を Agent Platform Pipelines で自動化します。
「数日で終わる微調整を GPU で走らせたい。開始は遅れてもよいが、途中で止められるのは困る」なら Flex-start です。Spot は途中で回収されることがあり、標準の予約は使わない期間も払います。
ここでサービスを選ぶ章は終わりです。次の章では、Well-Architected Framework で設計を評価します。