【合格体験記】Google Cloud Generative AI Leaderに合格！勉強方法とつまずいた用語まとめ
はじめに
Google Cloudの Generative AI Leader に合格しました！！
うかった〜〜〜！！！
この記事では、
- どうやって勉強したのか
- どんな人におすすめだと思ったか
- 勉強中につまずいた用語
- 似ていて混乱した用語
を、自分の復習も兼ねてまとめます。
特に今回は、
「生成AIについて詳しく実装できるようになる」
というより、
「生成AIをビジネスでどう使うのか、Google CloudにはどんなAIサービスがあるのか」
を勉強する資格だと感じました。
自分はインフラ系の勉強をしているエンジニアですが、生成AIの用語は知らないものがかなり多く、普通につまずきました。
そのため後半では、自分が特に分かりにくかった用語をまとめています。
※この記事では便宜上、Generative AI Leaderを「GAIL」と書くことがあります。
※実際の試験問題の内容ではなく、受験勉強中に学習した内容をまとめています。
※Google CloudのAIサービスは更新が速いため、最新情報は公式ドキュメントも確認してください。
Generative AI Leaderとは
Google Cloudの生成AIに関する基礎的な認定資格です。
Google Cloud公式では、技術職だけでなく、技術的な実務経験がない人も対象とされています。
主に以下のような内容を学びます。
- 生成AIの基礎
- Google Cloudの生成AIサービス
- 生成AIの出力を改善する方法
- 責任あるAI
- セキュリティ
- ビジネスで生成AIを活用する考え方
自分が受験した時点では、日本語でも受験できました。
個人的には、
「AIを作る人だけの資格ではない」
というところが、この資格の面白いところだと思います。
勉強方法
Udemyをめっちゃ回した
自分は主にUdemyを使いました。
使用した教材
Google Cloud Generative AI Leader 対策講座（Udemy）
基本的には、
- 問題を解く
- 間違えた用語を調べる
- もう一度問題を解く
- また間違えたところを調べる
を繰り返しました。
とにかく、
めっちゃ回しました。
最初から全部覚えようとするより、
問題を解く
↓
分からない単語が出る
↓
調べる
↓
また問題を解く
というやり方が自分には合っていました。
最終的には、Udemyの問題で90%くらい取れる状態になってから受験しました。
単語だけでなく「違い」を意識した
勉強していて感じたのが、
単語の意味だけ覚えても問題を解きにくい
ということです。
例えば、
- Google AI Studio / Vertex AI
- Model Garden / Model Registry
- Grounding / Fine-tuning
- Prompt Engineering / Prompt Tuning
- Agent Assist / CX Insights / CCaaS
など。
単語単体ではなく、
「AとBは何が違うの？」
まで説明できるように勉強しました。
ここからは、自分が特につまずいた用語をまとめます。
生成AIの基本用語
基盤モデル（Foundation Model）
大量かつ幅広いデータで事前学習され、さまざまな用途に利用できる土台となるモデル。
最初は、
大規模なモデル = 基盤モデル
くらいに考えていました。
しかし重要なのは単純なモデルサイズではなく、
いろいろな下流タスクへ適応できる土台になっている
ということ。
例えば、
- 文章生成
- 要約
- 翻訳
- 質問応答
- コード生成
など、さまざまな用途へ応用できます。
自分なりの理解
基盤モデル = いろいろなAIサービスを作るための土台。
知識のカットオフ
AIモデルが内部に持っている知識には、学習データの時点による限界があります。
例えば、
モデルの学習が終わった後に発生したニュースは、モデル内部の知識だけでは知らない可能性があります。
そこで登場するのが Grounding です。
自分なりの理解
モデルは何でもリアルタイムで知っているわけではない。
データ依存性
AIの出力品質は、学習や評価に使用するデータに大きく影響されます。
例えばデータが、
- 古い
- 間違っている
- 偏っている
- 一部のパターンしか含んでいない
場合、AIの出力にも影響する可能性があります。
自分なりの理解
AIを見るときは、モデルだけでなく「何のデータを使ったのか」も重要。
拡散モデル（Diffusion Model）
画像生成などで利用される生成モデルの方式。
ざっくりイメージすると、
学習時
元画像
↓
ノイズを追加
↓
さらにノイズを追加
生成時
ノイズ
↓
少しずつノイズを除去
↓
画像を生成
という仕組み。
自分なりの理解
ノイズから少しずつ画像を作っていく。
TPU
Tensor Processing Unit。
Googleが機械学習向けに開発した計算アクセラレータ。
機械学習で大量に行われる行列演算などを高速に処理するために使われます。
自分なりの理解
Google製のML向け計算アクセラレータ。
Grounding
グラウンディングとは
生成AIの回答を、外部にある根拠となる情報に結びつける考え方。
例えば、
質問
↓
Google検索や社内データを検索
↓
関連情報を取得
↓
Geminiへ渡す
↓
その情報をもとに回答
というイメージ。
Groundingを利用することで、モデル内部の知識だけに頼るよりも、ハルシネーションを抑えたり、最新情報を利用したりしやすくなります。
自分なりの理解
Grounding = 外部にある根拠をAIへ渡して回答させる。
「クラウディング」ではない
勉強中に、
クラウディング
と覚えてしまっていました。
正しくは、
Grounding（グラウンディング）
です。
プロンプト関連
プロンプトエンジニアリング
AIに渡すプロンプトを工夫して、より良い回答を得る方法。
例えば、
AWSについて説明して
だけではなく、
あなたはクラウド初心者向けの講師です。
AWSとは何かを「一言 → なぜ必要か → 具体例」の順番で説明してください。
のように、
- 役割
- 対象者
- 出力形式
- 条件
などを指定します。
自分なりの理解
モデルは変えずに、入力する指示を工夫する。
ロールプロンプティング
AIへ役割を与える方法。
例えば、
あなたはGoogle Cloudの講師です。
と指定します。
さらに、
対象者は初心者です。
専門用語には必ず説明を付けてください。
などを追加できます。
自分なりの理解
AIに「誰として回答するか」を決める。
プロンプトチェーン
ここは最初かなり勘違いしていました。
最初は、
AIが前の会話を覚えて回答する仕組み
だと思っていました。
そうではなく、
前の処理の出力を、次の処理の入力として利用する
方法です。
例えば、
文章を要約
↓
要約から重要語を抽出
↓
重要語から問題を作る
という処理。
自分なりの理解
プロンプトチェーン = AIの処理を順番につなげる。
Chain-of-Thought（CoT）プロンプティング
複雑な問題に対して、段階的な推論を促す考え方。
プロンプトチェーンと似ていますが、同じではありません。
| 用語 | イメージ |
|---|---|
| Prompt Chain | 複数の処理をつなげる |
| Chain-of-Thought | 問題を段階的に考える |
自分なりの理解
Prompt Chain = 処理をつなぐ
CoT = 段階的な推論を促す
プロンプトエンジニアリング・チューニング・ファインチューニング
ここもかなり混乱しました。
| 方法 | 何をする？ |
|---|---|
| Prompt Engineering | 人間が入力する指示を工夫 |
| Prompt Tuning | 学習によってプロンプト相当のパラメータを調整 |
| Fine-tuning | 学習済みモデルを追加データで調整 |
プロンプトチューニング
プロンプトエンジニアリングとは違い、人間が文章を書き換えるだけではありません。
学習によって、特定タスクに合うプロンプト相当のパラメータを調整します。
覚え方
Engineering = 人間がプロンプトを工夫
Tuning = 学習によって調整
ファインチューニング
すでに学習済みのモデルに、自分たちのデータを使って追加学習を行い、特定の用途へ適応させます。
例えば、
汎用モデル
↓
自社の入力・正解例を学習
↓
自社業務向けモデル
というイメージ。
自分なりの理解
Fine-tuning = 既存モデルを追加学習して専門化する。
GroundingとFine-tuningの違い
ここはセットで覚えました。
| Grounding | Fine-tuning | |
|---|---|---|
| 何をする？ | 外部情報を渡す | モデルを追加学習 |
| 最新情報 | 得意 | 学習した時点まで |
| 独自知識 | 検索して利用 | 学習させる |
| モデル自体 | 基本変更しない | 調整する |
自分なりの理解
Grounding = 知識を外から足す
Fine-tuning = モデル自身を調整する
GoogleのAIサービス
Vertex AI
Google CloudのAI・機械学習プラットフォーム。
モデルの、
- 開発
- チューニング
- 評価
- デプロイ
- 管理
など、AI/MLのライフサイクルを扱えます。
自分なりの理解
Vertex AI = Google Cloudで本格的にAIを作って運用する場所。
Google AI Studio
Geminiをブラウザから手軽に試せる開発環境。
- Geminiを試す
- プロンプトを変更する
- モデル設定を変更する
- プロトタイプを作る
- Gemini APIを試す
といったことができます。
自分なりの理解
Google AI Studio = Geminiをまず試したいとき。
Google AI StudioとVertex AI
| Google AI Studio | Vertex AI | |
|---|---|---|
| 主な目的 | Geminiを素早く試す | 本格的なAI開発・運用 |
| プロトタイプ | ○ | ○ |
| モデル管理 | 限定的 | ○ |
| MLライフサイクル | - | ○ |
| Google Cloud上での本格運用 | - | ○ |
覚え方は、
AI Studio = まず試す
Vertex AI = 本格運用
Gemma
Googleが提供する軽量なオープンモデルファミリー。
モデルの重みを利用でき、自分の環境でも動かせます。
例えば、
- PC
- 自社サーバ
- クラウド
- エッジ環境
など。
自分なりの理解
Gemma = 自分の環境でも利用できるGoogleの軽量オープンモデル。
Model Garden
利用したいAIモデルを探すためのモデルライブラリ。
Google製モデルだけでなく、さまざまなモデルを探して利用できます。
自分なりの理解
Model Garden = AIモデルを探す場所。
Vertex AI Model Registry
MLモデルやモデルのバージョンなどを一元管理するための中央リポジトリ。
Model Gardenとの違い
| Model Garden | Model Registry | |
|---|---|---|
| 目的 | モデルを探す | モデルを管理 |
| イメージ | モデルカタログ | モデル管理台帳 |
自分なりの理解
Garden = 探す
Registry = 管理する
これはかなり覚えやすかったです。
Vertex Explainable AI
AIモデルは、
なぜこの結果になったの？
が分かりにくい場合があります。
Vertex Explainable AIでは、特徴量などが予測へどのように影響したのかを理解するための説明を提供します。
例えば住宅価格なら、
- 駅からの距離
- 築年数
- 面積
などが、予測にどれくらい影響しているのかを見るイメージ。
自分なりの理解
AIが「なぜその判断をしたのか」を理解しやすくする。
注意: Vertex Explainable AIは2026年3月に非推奨となっています。
自分が受験勉強で学習した用語として残していますが、実際に利用する場合は最新のVertex AI公式ドキュメントを確認してください。
文書・Workspace関連
Document AI
請求書や帳票などの文書から、必要な情報を抽出するサービス。
例えば請求書から、
- 請求書番号
- 会社名
- 金額
- 税額
- 請求日
- 支払期限
などを抽出できます。
自分なりの理解
人間が読む文書を、システムで扱いやすいデータへ変える。
Google Vids
Google WorkspaceのAIを活用した動画作成アプリ。
ブラウザ上で、
- 動画作成
- 編集
- ナレーション
- AIアバター
- 共同編集
などを利用できます。
自分なりの理解
Google Workspace版の業務向け動画作成ツール。
コンタクトセンター関連
ここも名前が多くて混乱しました。
Contact Center as a Service（CCaaS）
コンタクトセンターを運営するための基盤そのものを、クラウドサービスとして提供する考え方。
Google Cloudでは、Contact Center AI Platform（CCAI Platform）がCCaaSとして提供されています。
自分なりの理解
CCaaS = コンタクトセンターの基盤。
Agent Assist
人間のオペレーターをAIがリアルタイムで支援します。
例えば、
顧客
「パスワードを忘れました」
↓
Agent Assist
↓
- 関連ドキュメントを表示
- 回答案を提示
↓
人間のオペレーターが対応
というイメージ。
自分なりの理解
Agent Assist = 今対応しているオペレーターを助ける。
ちなみに、
Agent Asist
ではなく、
Agent Assist
です。
Customer Experience Insights（CX Insights）
コンタクトセンターに蓄積された会話データを分析します。
例えば、
- 問い合わせ理由
- トピック
- 顧客の感情
- 会話パターン
- 対応品質
などを分析できます。
学習教材などでは Conversational Insights という表現を見かけることもありますが、現在のGoogle Cloudドキュメントでは Customer Experience Insights（CX Insights） という名称で案内されています。
自分なりの理解
CX Insights = 過去の会話を分析する。
CCaaS・Agent Assist・CX Insights
ここはまとめて覚えました。
| 用語 | 一言 |
|---|---|
| CCaaS | コンタクトセンターの基盤 |
| Agent Assist | 対応中の人を支援 |
| CX Insights | 会話データを分析 |
つまり、
基盤 → CCaaS
今助ける → Agent Assist
あとから分析 → CX Insights
です。
セキュリティ・Responsible AI
Sensitive Data Protection
Google Cloudで機密情報を検出・分類・保護するためのサービス。
例えばチャットログに、
メールアドレスは example@example.com です。
という情報が入っていた場合、
メールアドレスを検出して、
メールアドレスは ******** です。
のようにマスキングできます。
ほかにも、
- 削除
- マスキング
- トークン化
- 暗号化を利用した変換
などがあります。
自分なりの理解
機密情報を見つけて、安全に扱える形へ変える。
データ匿名化・非識別化
個人を特定できる情報を、そのまま利用しないように変換すること。
例えば、
山田太郎
↓
など。
ただし、
匿名化 = 必ず元に戻せない
とは限りません。
方法によっては、鍵を利用して元の情報へ戻せるトークン化などもあります。
暗号化と匿名化の違い
| 暗号化 | 匿名化・非識別化 | |
|---|---|---|
| 主な目的 | データを読めなくする | 個人を特定するリスクを下げる |
| 元に戻せる？ | 鍵があれば戻せる | 方法による |
| 例 | AESなど | マスキング、削除、トークン化 |
自分なりの理解
暗号化 = 読めなくする
匿名化 = 誰なのか分かりにくくする
透明性
AIを利用するとき、
- 何のために使っているのか
- どんなデータに依存しているのか
- どんな制約があるのか
- どのように評価したのか
などを分かるようにすることが重要です。
透明性があることで、
- 出力を検証しやすくなる
- 問題を発見しやすくなる
- AIに対する信頼を高めやすくなる
といったメリットがあります。
注意
透明性 = 公平性
ではありません。
透明性や説明可能性は、公平性を確認するためにも重要という関係です。
HITL（Human in the Loop）
AIだけで処理を完結させず、人間による確認を処理の中へ入れる考え方。
AIが回答
↓
人間がレビュー
↓
必要なら修正
↓
最終判断
という流れ。
自分なりの理解
AIに全部任せず、重要なところは人間が確認する。
品質だけでなく、安全性や責任の観点でも重要。
SAIF
Secure AI Framework。
Googleが提唱している、AIシステムを安全に構築・運用するためのセキュリティフレームワーク。
AIでは従来のシステムと同様のセキュリティに加えて、
- モデル
- 学習データ
- プロンプト
- AIエージェント
- AI固有の攻撃
などについても考える必要があります。
自分なりの理解
SAIF = AIを安全に作って使うためのセキュリティの考え方。
特につまずいた用語を一言でまとめる
試験前に見返すなら、この表が一番分かりやすかったです。
| 用語 | 一言でいうと |
|---|---|
| Foundation Model | いろいろなAIの土台 |
| Grounding | 外部の根拠を渡す |
| Prompt Engineering | 人間が指示を工夫 |
| Prompt Tuning | 学習でプロンプト相当を調整 |
| Fine-tuning | モデルを追加学習 |
| Prompt Chain | 処理を順番につなぐ |
| Chain-of-Thought | 段階的な推論を促す |
| Role Prompting | AIへ役割を与える |
| Gemma | Googleの軽量オープンモデル |
| Google AI Studio | Geminiをまず試す |
| Vertex AI | 本格的にAIを作って運用 |
| Model Garden | モデルを探す |
| Model Registry | モデルを管理 |
| Document AI | 文書から情報を抽出 |
| Sensitive Data Protection | 機密情報を検出・保護 |
| Agent Assist | オペレーターをAIで支援 |
| CX Insights | 会話データを分析 |
| CCaaS | コンタクトセンター基盤 |
| HITL | 人間を判断ループへ入れる |
| SAIF | AI向けセキュリティフレームワーク |
| TPU | Google製ML向けアクセラレータ |
みんな受けた方がいい？
結論、自分はかなりおすすめ
個人的には、
エンジニア以外の人にもおすすめできる資格
だと思いました。
Google Cloud公式でも、Generative AI Leaderは技術的な実務経験の有無にかかわらず対象とされています。
この資格では、
Kubernetesを構築してください
とか、
Pythonで機械学習モデルを実装してください
みたいな技術力そのものを求めるというより、
生成AIとは何なのか
何ができるのか
どう使えばいいのか
どう安全に利用するのか
というところを学びます。
今後AIを使う側にも必要な知識だと思った
エンジニアだけでなく、
- 営業
- 人事
- マーケティング
- バックオフィス
- マネージャー
など、さまざまな仕事で生成AIを利用する場面は増えていると思います。
生成AIを利用するなら、
- 良いプロンプトとは何か
- ハルシネーションとは何か
- Groundingとは何か
- 機密情報を入れてよいのか
- 人間による確認が必要なのはいつか
くらいは理解しておいた方がいいと感じました。
Google Workspaceを使っている人にもおすすめ
普段、
- Gmail
- Google Docs
- Google Sheets
- Google Slides
- Google Meet
などGoogle Workspaceを使っている人は、GeminiなどのAI機能へ触れる機会も増えていくと思います。
単に、
AI便利！
で使うだけではなく、
どういう特徴があって、何が苦手で、どう安全に使うのか
を知るきっかけとしても良い資格でした。
最後に
最初は、
Generative AI LeaderってAIの資格だし難しそう……
と思っていました。
実際に勉強してみると、プログラミングや高度な数学というより、
生成AIをどう理解して、どうビジネスで使うか
という内容が中心でした。
一方で、
- Grounding
- Prompt Tuning
- Fine-tuning
- Model Garden
- Model Registry
- Agent Assist
- CX Insights
- SAIF
など、似た単語がかなり多く、
「名前は覚えたけど違いが説明できない」
状態になりやすかったです。
自分の場合は、
一言で説明する → 似たものと比較する
という勉強方法がかなり役立ちました。
そして無事、
Generative AI Leader 合格！！
うれしい！！！
今後も生成AIは使うことになると思うので、資格取得で終わりではなく、実際にGeminiやVertex AIなども触っていきたいと思います。