本記事は、Azure OpenAI、Anthropic Claude、Google Vertex AI Gemini などの生成 AI を活用して、日々の業務生産性を向上させたい方向けの内容です。特に、業界・業種・学生などを問わずおすすめです。🎯

👤 著者プロフィール

項目	詳細
使用デバイス	主にMac
業務内容	IT営業（提案書作成、製品デモ制作）

🤔 よくある課題

皆さんも日々の業務で以下のような経験はありませんか？

GPT 4o や Claude 3.5 Sonnet などのモデルは確かに優秀で活用できてたけど、ここぞという思考を要する質問に対する回答があと一歩という感じ
できる限り良いモデルを利用したいけど、課金する程でも無いし、課金しても使いこなせるか不安
"gemini-exp-1206" を試験的に自家製アプリや Terminal/コマンドプロンプトからサクッと利用したい

💡 解決策というか本題

Google AI Studio 経由でなく、あえて Vertex AI 経由でを Python を使って API 経由で活用する。

なぜVertexAI？"gemini-exp-1206"?

選定理由 📋

Google Vertex AI 採用理由: 会社契約の API が利用可能かつ、試験的なモデルは正式版が Vertex AI に追加されるので実装に即時対応できる
"gemini-exp-1206" 採用理由: Chatbot Arena LLM Leaderboard であらゆるカテゴリで軒並み首位である（てか Gemini 2.0 が o1-preview 抜いてるのヤバすぎる）

🛠 実装方法

システムの流れ

Python コードを作成して利用（コードは下記）
クリップボードへモデルへ質問したいテーマをコピー OR 入力してコピー
Python コードを実行
回答を確認する。

今回は、試験モデルなのでデプロイとかは不要です！
通常の Vertex AI を利用する通り、REGION や PROJECT_ID、仮想環境をご準備ください。

コード実装

もちろん Vertex AI の GUI ページからサンプルコードは出力できるのですが、それだと絶妙に欲しい形の出力や、入力ができなかったので少し魔改造しました。

（環境変数は本来ベタ打ちしないですが、サンプル用に記載してます）

Python

import os
import base64
import pyperclip
import vertexai
from vertexai.preview.generative_models import GenerativeModel, Part, SafetySetting, Tool
from vertexai.preview.generative_models import grounding

system_prompt = """
あなたは有能なAIアシスタントです。以下の手順に従って問題を解決してください：

1. まず、与えられたテーマや意図を注意深く読み、理解してください
2. テーマの主要な要素を分解してください
3. テーマの理解や解決のための各ステップを考えてください
4. 明確な理由付けとともに解決策を提示してください
5. これまでの出力を批判的に評価して最終出力の質を高めてください

以下の点に注意してください：
- すべての過程を示してください
- 各ステップでの理由付けを説明してください
- 具体的かつ正確に記述してください
- エッジケースも考慮してください
"""

def generate():
    vertexai.init(project="ここにプロジェクト名を入れる", location="ここにロケーションを入れる")
    model = GenerativeModel(
        "gemini-exp-1206",
        system_instruction=[system_prompt]
    )

    response = model.generate_content(
        [pyperclip.paste()],
        generation_config=generation_config,
        stream=False,
    )

    print(response.text)
    pyperclip.copy(response.text)


generation_config = {
    "max_output_tokens": 8192,
    "temperature": 0.1,
    "top_p": 0.1,
}

generate()

📸 出力イメージ

（長いので記事の一番下にテキストをベタ貼りしてます）
うまくできました‼️

🔥 活用のコツ

外部アプリ/サービス連携: Pythonを活用してAPI経由で呼び出せるので、Input/Outputを他の既存アプリやサービスと連携してサービス体験を拡張できる 🔀
エイリアス設定: python sample.pyなどをショートカット化 ⌨️
プロンプト設計: 体感ですが、詳細な要件や振り返り事項、期待する出力形式を記載することで、しっかり命令を反映してくれています。他のモデルだと特に重要なものを反映するだけだったり、出力量をサボる傾向がある 📝

⚠️ 注意点

Google VertexAIの環境設定は別途必要です
社内のセキュリティポリシーに準拠したAPI利用を心がけましょう
いつ試験が終了し課金が必要になるか分からないので注意！

🎉 まとめ

Google VertexAIは、高度なAI機能を必要とする様々な分野・業務に最適なソリューションです。
適切な実装と利用戦略により、以下のメリットが得られます：

業務プロセスの効率化
より深い分析と洞察の獲得
スケーラブルなAIソリューションの構築

ぜひ皆様の業務効率化にお役立てください！ 🙌

上記Python出力テキストのベタ貼り 🖼️

出力内容

Input = "VertexAI を日本の大手製造業（ディスクリート：多品種少量生産）で採用するべきか？"
Output =

## Vertex AI を日本の大手製造業（ディスクリート：多品種少量生産）で採用するべきか？

この問いに答えるために、以下の手順で検討を進めます。

**1. テーマの理解**

* **テーマ:** Vertex AI の日本の大手製造業（ディスクリート：多品種少量生産）における採用の是非
* **意図:** Vertex AI が日本の大手製造業（ディスクリート：多品種少量生産）の課題解決やビジネス成長に貢献できるかどうかを判断すること

**2. テーマの主要な要素の分解**

* **Vertex AI:** Google Cloud が提供する統合機械学習プラットフォーム
* **日本の大手製造業:** 日本に拠点を置く、規模の大きな製造業
* **ディスクリート製造:** 個別の製品を組み立てる製造方式
* **多品種少量生産:** 多様な製品を少量ずつ生産する方式

**3. テーマの理解や解決のための各ステップ**

1. **日本の大手製造業（ディスクリート：多品種少量生産）の現状と課題を分析する**
    * 多品種少量生産における特有の課題は何か？
    * どのような技術が求められているか？
    * どのようなデータが活用可能か？
2. **Vertex AI の機能と特徴を整理する**
    * どのような機能が提供されているか？
    * どのようなユースケースが想定されるか？
    * どのようなメリット・デメリットがあるか？
3. **Vertex AI が日本の大手製造業（ディスクリート：多品種少量生産）の課題解決にどのように貢献できるかを検討する**
    * 具体的なユースケースを想定し、Vertex AI のどの機能がどのように活用できるかを検討する
    * 導入効果を定量的に評価する指標を検討する
4. **Vertex AI 採用のメリット・デメリット、リスクを総合的に評価する**
    * 費用対効果はどうか？
    * 導入・運用における課題は何か？
    * セキュリティやデータガバナンスの観点でのリスクは何か？
5. **結論を導き出す**
    * Vertex AI を採用すべきか、見送るべきか？
    * 採用する場合、どのような点に注意すべきか？

**4. 明確な理由付けとともに解決策を提示する**

**4.1 日本の大手製造業（ディスクリート：多品種少量生産）の現状と課題**

* **現状:**
    * グローバル競争の激化
    * 顧客ニーズの多様化・個別化
    * 製品ライフサイクルの短縮化
    * 熟練工の不足
    * サプライチェーンの複雑化
* **課題:**
    * **生産効率の向上:** 多品種少量生産では、段取り替えや在庫管理が複雑になり、生産効率が低下しやすい。
    * **品質管理の徹底:** 多様な製品を扱うため、品質管理が複雑化し、不良品発生のリスクが高まる。
    * **需要予測の精度向上:** 多品種少量生産では、需要予測が難しく、過剰在庫や欠品のリスクが高まる。
    * **サプライチェーンの最適化:** 複雑なサプライチェーンを効率的に管理し、リードタイム短縮やコスト削減を実現する必要がある。
    * **熟練工の技術継承:** 熟練工の不足が深刻化しており、技術継承が急務となっている。
* **求められる技術:**
    * AI/機械学習
    * IoT
    * ビッグデータ分析
    * ロボティクス
* **活用可能なデータ:**
    * 生産データ（設備稼働状況、生産実績、品質データなど）
    * 顧客データ（受注情報、クレーム情報など）
    * サプライチェーンデータ（在庫情報、物流情報など）
    * センサーデータ（温度、湿度、振動など）

**4.2 Vertex AI の機能と特徴**

* **機能:**
    * **AutoML:** コーディング不要で機械学習モデルを構築できる。
    * **トレーニング:** カスタムモデルのトレーニングとチューニング。
    * **デプロイ:** モデルのデプロイとスケーリング。
    * **MLOps:** 機械学習モデルのライフサイクル管理。
    * **Explainable AI:** モデルの予測結果の解釈を支援。
    * **データラベリング:** 機械学習モデルのトレーニング用データのラベリング。
* **特徴:**
    * **統合プラットフォーム:** データ準備からモデルのデプロイ、運用までを単一のプラットフォームで実現。
    * **スケーラビリティ:** 大規模なデータセットや複雑なモデルにも対応可能。
    * **セキュリティ:** Google Cloud のセキュリティ基盤を利用。
    * **オープンソースとの連携:** TensorFlow、PyTorch、scikit-learn などのオープンソースフレームワークと連携可能。
* **想定されるユースケース:**
    * 需要予測
    * 品質異常検知
    * 設備故障予知
    * 生産スケジューリング最適化
    * 画像認識による外観検査
* **メリット:**
    * 開発期間の短縮
    * 運用コストの削減
    * スケーラビリティの確保
    * セキュリティの強化
* **デメリット:**
    * Google Cloud への依存
    * 導入・運用コスト
    * 専門人材の必要性

**4.3 Vertex AI が日本の大手製造業（ディスクリート：多品種少量生産）の課題解決にどのように貢献できるか**

| 課題 | ユースケース | Vertex AI の活用方法 | 導入効果指標 |
|---|---|---|---|
| 生産効率の向上 | 生産スケジューリング最適化 | AutoML やカスタムモデルを用いて、生産ラインの稼働状況や納期を考慮した最適な生産スケジュールを生成 | 生産リードタイム短縮率、設備稼働率 |
| 品質管理の徹底 | 品質異常検知 | センサーデータや画像データを基に、AutoML やカスタムモデルを用いて異常を検知 | 不良品発生率、検査工数 |
| 需要予測の精度向上 | 需要予測 | 過去の販売データや市場データを基に、AutoML やカスタムモデルを用いて需要を予測 | 予測精度（MAPE、RMSEなど）、在庫回転率 |
| サプライチェーンの最適化 | 在庫最適化 | 需要予測結果やサプライチェーンデータを基に、AutoML やカスタムモデルを用いて最適な在庫レベルを算出 | 在庫金額、欠品率 |
| 熟練工の技術継承 | 異常検知モデルの構築 | 熟練工の判断基準をデータ化し、AutoML やカスタムモデルを用いて異常検知モデルを構築 | 異常検知精度、熟練工の作業負荷軽減率 |

**4.4 Vertex AI 採用のメリット・デメリット、リスク**

* **メリット:**
    * 上記で挙げたような、生産効率向上、品質管理強化、需要予測精度向上などの効果が期待できる。
    * 統合プラットフォームにより、機械学習モデルの開発・運用を効率化できる。
    * Google Cloud のスケーラビリティとセキュリティを利用できる。
* **デメリット:**
    * 導入・運用コストがかかる。特に、データ量やモデルの複雑さによっては、高額になる可能性がある。
    * Vertex AI を使いこなすための専門人材が必要となる。
    * Google Cloud への依存度が高まる。
* **リスク:**
    * **費用対効果:** 期待した効果が得られない場合、投資が無駄になる可能性がある。
    * **導入・運用:** 専門人材の不足や、既存システムとの連携に課題が生じる可能性がある。
    * **セキュリティ:** データ漏洩や不正アクセスのリスクがある。
    * **データガバナンス:** データの品質や利用方法に関するルールを整備する必要がある。

**4.5 結論**

**Vertex AI は、日本の大手製造業（ディスクリート：多品種少量生産）の課題解決に貢献できる可能性が高い。** 特に、生産効率向上、品質管理強化、需要予測精度向上などの分野で効果が期待できる。

**しかし、導入にはコストや専門人材の確保などの課題があるため、慎重な検討が必要である。**

**採用を検討する際には、以下の点に注意すべきである。**

* **明確な目的と目標の設定:** 何を達成したいのか、どのような効果を期待するのかを明確にする。
* **費用対効果の評価:** 導入・運用コストと期待される効果を比較し、費用対効果を評価する。
* **専門人材の確保:** Vertex AI を使いこなせる人材を確保する、または育成する。
* **データガバナンスの整備:** データの品質や利用方法に関するルールを整備する。
* **セキュリティ対策の実施:** データ漏洩や不正アクセスを防ぐための対策を実施する。
* **スモールスタート:** 最初は小規模なプロジェクトから始め、効果を確認しながら徐々に拡大していく。
* **パートナー企業との連携:** 導入・運用を支援するパートナー企業と連携する。

**5. これまでの出力を批判的に評価して最終出力の質を高めてください**

* **網羅性:** 日本の大手製造業（ディスクリート：多品種少量生産）の課題、Vertex AI の機能、ユースケース、メリット・デメリット、リスクなど、必要な要素を網羅的に検討できている。
* **具体性:** ユースケースや導入効果指標を具体的に示しており、イメージしやすい。
* **論理性:** 各ステップで明確な理由付けを行い、論理的に結論を導き出している。
* **客観性:** メリットだけでなく、デメリットやリスクについても言及し、客観的な視点で評価している。
* **改善点:**
    * **競合製品との比較:** 他の機械学習プラットフォーム（AWS SageMaker、Azure Machine Learning など）との比較があると、より説得力が増す。
    * **導入事例の紹介:** 日本の製造業における Vertex AI の導入事例を紹介すると、より具体的なイメージが湧く。
    * **エッジケースの考慮:** 例えば、データが少ない場合や、リアルタイム性が求められる場合など、エッジケースにおける対応方法についても検討すると、より実用的な内容になる。

**最終的な結論:**

**Vertex AI は、日本の大手製造業（ディスクリート：多品種少量生産）の課題解決に貢献できる可能性が高いが、導入には慎重な検討が必要である。** 上記の注意点を踏まえ、費用対効果やリスクを十分に評価した上で、導入を判断すべきである。さらに、競合製品との比較や導入事例の調査、エッジケースの考慮を行うことで、より精度の高い判断が可能となる。

本記事へのご質問やご意見がありましたら、コメントにてお気軽にお寄せください。