※ メモになりますので、間違っているところがあるかもしれないです...! 
1日目行ってまいりました！（時間の都合上、午前中だけ...）
基調講演 Day1
◾️Google Japan：
-
AIの話。AI Agentの元年
-
New：Cloud Wide Area Network
- 他社のクラウドと接続も可能 -
Vertex AI・Gemini・Google WorkSpaceがひろがる
リリース- Gemini 2.5 Flash-Lite → コストを最小限に抑えて活用できる
- Gemini 2.5 Flash
- Gemini 2.5 Pro
→ 日本でも公開（Tokyoリージョンでの展開）
-
今後のGoogleもAIの研究に投資をする
-
Geminiの他に、Imagen, Veo, Lyria...というものがある（画像生成、音声生成...）
-
上のAIのツールを統合的に使用できるVertexAI
-
New：Agent Deveiopment Kit, Agent2 Agent Protocol（A2A）
→ AIの開発を簡単にできる。ケースの用途に応じて使用できる。 -
New：Google Distribute CloudにGeminiを利用できるようになった
- 課題：オンプレミスの壁が高い。→ セキュリティ、データ量...etc
→ こちらを解消
◾️生成AIについて
- いろんなメディアの生成が実現できている
- image → 画像生成
- Veo → 動画生成
- Veo3
- インペインティング、アウトペインティング
- パンも可能
- Veo3 Fast → 処理が早くなったモデル。
- Veo3
- Cherp3：動画に音声を統合できるモデル
- Lyria 2：動画からチャプタをピックアップできるモデル
- VertexAI
- 上のモデルを統合的に使用できる。
- ノーコード
- コストも画面から確認できる
- いろんなデータストレージからデータ取得可能（S3も）
- Agent Deveiopment Kit
- Agent2 Agent Protocol
- セキュリティ
- データハブ等（他のクラウド等）
一気通貫でAI開発ができる
◾️Google Agent Spaceのデモ
-
エレベータ業務管理
-
今の課題の洗い出し
-
タスク管理
-
人員の把握
-
タスク遂行の指示出し（メールやチャットの送付）
→ Agent内で完結 -
タスク実施ユーザー
-
Googleカレンダーにタスクが入っている
-
課題の要約をAgentが表示。人間が確認
-
どこが課題点か、原因が何かをAgentが提示
-
過去の履歴をAgentが提示
-
現場への行き方、作業の内容をAgentがまとめて指示
-
現場に到着して、課題点を撮影、アップロードし、Agentに診断を依頼
-
Agentから診断結果提示、作業手順方法が提示
-
作業後、Agentに作業記録をまとめて、記載依頼。→ Agentが遂行
→ やりたいことをすべてAgentにお願いすればできてしまう。
AgentはAIの業務の協業を実現する。
◾️MIXIさんのAI活用例（あらゆるモデルの統合、推論の事例）
- ライスワークではなくライフワークへ（生きるためではなく、楽しく生きるために）
→ 管理等を難しいつまらないことはAIにまかせて、楽しい部分を人間が考える。 - GoogleAgentSpaceを活用（社内固有のデータをここで管理し、固有モデルを構築）
- 1. 社内情報検索の統合
- 2. 社内AIエージェントの集約
- 3. 自立連携AIによる業務支援
◾️メルカリさん（VertexAI Searchを活用した）
- Customer Engagement Suite With Google AI：24時間お客様をサポートするエージェント
◾️Senario Builder
-
動画のシナリオを生成AIで構築できるサービスの開発。
-
生成AIについての保証も実施
- トレーニングデータの保証
- 生成成果物の保証
◾️GoogleWorkSpaceのGemini統合
- Meet：同時音声翻訳出力機能を追加
◾️Google WorkSpace Flows
- メーリングリストに登録することで登録したメールに対してAI処理を加えることができる
→ メールの内容の要約等。蓄積
◾️博報堂さん
- AIとの対話が、人類の気づきと創造を拡張させる。（AIに答えを求めるのではなく、AIを別解としてとらえる）
◾️札幌市さん
- ライセンス費用の負荷
- 業務効率の低下（資料が増大していく中での作業）
- Google Workspace Premia
→ データを守った環境で移行を可能とする - 課題に対して組織が横断して対応することができるようになった
ブレイクアウトセッション：BigQuery 継続的クエリとVertexAIを活用したリアルタイムレコメンドシステム（DMM.comさん）
◾️レコメンドに活用したVertexAI
- Google Analitics → BigQuery → レコメンドデータに活用
- MLエンジニア+MLOpsエンジニアの境界を分けて高速ロンチした
- 継続的クエリを実施している
→ リアルタイムデータ基盤の存在
GA4のストリーミングエクスポート機能を使用。1分くらいの間隔でBigQueryに同期 - BigQuery→BigTableへの継続クエリ
- BigQuery→キュー→Proxyサーバーへの継続クエリ
- BigQuery→VertexAIの推論エンドポイントのデプロイ
MLOpsチームの役割
- 基盤の構築
- データ品質監視→Dataplexを入れた
- SLO監視→サービス品質低下しないようにした
- MLエンジニアが使いやすいようにSQL操作のみで分析できるように構築
MLエンジニア
- モデルの精度上げに集中
苦労した点
- Private endpointを使用
- モデルを日毎に載せ替えないといけない（VertexAIは1つのモデルしか対応できない）
- 日毎にPrivate endpointのデプロイが必要
感想
できれば１日行って勉強したいな...と思いました!
特にSelf-Learning Lab、気になったので、来年は時間をしっかりとっていければと思いました。
