公式試験ガイドに準拠して合格のために押さえるべきポイントを簡潔に列挙
Section 1: Fundamentals of gen AI (~30%)
-
人工知能（AI）：人間の知能を模倣するコンピューターシステム。狭義のAI（特定タスク特化）と汎用AI（AGI）の違いを理解し、現在の生成AIは狭義のAIに分類される
-
自然言語処理（NLP）：コンピューターが人間の言語を理解・生成する技術。翻訳、感情分析、要約、質問応答などのビジネス応用例を知っておく
-
機械学習（ML）：データからパターンを学習してタスクを実行するAIの手法。従来のルールベースプログラムとの違いは、明示的なプログラミングではなくデータから自動学習する点
-
生成AI（Generative AI）：テキスト、画像、音声などの新しいコンテンツを作成するAI。判別AI（分類・予測）との違いは、既存データの分析ではなく新しいコンテンツの創造能力にある
-
基盤モデル（Foundation Models）：大規模データで事前訓練され、複数タスクに適用可能なモデル。GPT、BERT、T5などが代表例で、ファインチューニングで特定用途に最適化可能
-
マルチモーダル基盤モデル：テキスト、画像、音声、動画などの複数形式データを統合処理できるモデル。Geminiがその典型例で、異なるモダリティ間の相互理解と変換が可能
-
拡散モデル（Diffusion Models）：ノイズから段階的に画像を生成する手法。GANとの違いは、より安定した学習プロセスと高品質な生成結果を実現
-
大規模言語モデル（LLM）：大量のテキストデータで訓練された言語処理モデル。パラメータ数が数十億から数兆に及び、創発的能力（emergent abilities）を示す
-
プロンプトエンジニアリング：LLMから最適な結果を得るための指示文設計技術。明確性、具体性、文脈提供が重要で、ビジネス成果に直結する重要スキル
-
プロンプトチューニング：特定タスクに対してプロンプトを最適化する手法。フルファインチューニングより軽量で、少数のパラメータ調整で性能向上を実現
-
機械学習アプローチ：教師あり学習（正解データありの学習）、教師なし学習（パターン発見中心）、強化学習（試行錯誤による最適化）の3つの基本手法
-
MLライフサイクル：データ取り込み→準備→訓練→デプロイ→管理の5段階プロセス。各段階でGoogle Cloudツールが提供され、継続的な改善サイクルを形成
-
構造化データ vs 非構造化データ：構造化（CSV、データベーステーブル）は分析しやすく定量化可能、非構造化（テキスト、画像、音声）は生成AIの主要な処理対象
-
ラベル付きデータ vs ラベルなしデータ：教師あり学習にはラベル付きが必須、自己教師あり学習ではラベルなしデータから効率的学習可能
-
生成AIランドスケープ5層構造：下位からインフラ（ハードウェア基盤）、モデル（AI基盤技術）、プラットフォーム（開発・運用環境）、エージェント（自律タスク実行）、アプリケーション（エンドユーザー接点）
-
Googleの基盤モデルファミリー：Gemini（最先端マルチモーダル）、Gemma（軽量オープンソース）、Imagen（高品質画像生成）、Veo（動画生成・編集）の特徴と用途を理解
Section 2: Google Cloud's gen AI offerings (~35%)
-
AIファーストアプローチ：Googleの企業哲学として、AI研究への継続的巨額投資と最新技術の迅速な商用化により、競合他社より先進的なソリューションを提供
-
企業対応AIプラットフォーム：責任ある、セキュア、プライベート、信頼性があり、スケーラブルな特徴。エンタープライズ級のガバナンスとコンプライアンス対応
-
包括的AIエコシステム統合：Gmail、Google Drive、Google Meet等の既存プロダクトに生成AIが深く統合され、シームレスなユーザー体験を提供
-
オープンアプローチ戦略：ベンダーロックインを避ける標準API提供、オープンソースモデル公開、マルチクラウド対応により、企業の技術選択自由度を確保
-
AI最適化インフラストラクチャ：TPU（Tensor Processing Unit）はGoogle独自開発のAI専用チップで、汎用GPUより高効率。ハイパーコンピューターアーキテクチャで大規模AI処理を実現
-
Geminiアプリ & Gemini Advanced：一般消費者向けChatGPT競合サービス。Gems機能でパーソナライズされたAIアシスタント作成が可能
-
Google Agentspace：企業向けカスタムエージェント作成プラットフォーム。NotebookLM API、マルチモーダル検索、カスタムエージェント機能を統合
-
Gemini for Google Workspace：業務生産性向上ツール。Gmail（メール作成支援）、Docs（文書作成）、Sheets（データ分析）、Meet（議事録自動生成）で活用
-
Vertex AI Search & Google Search統合：企業内検索と一般Web検索のハイブリッド活用。社内文書と外部情報を統合した包括的情報検索体験
-
Customer Engagement Suite：顧客接点AI化の完全ソリューション。Conversational Agents、Agent Assist、Conversational Insights、Google Cloud Contact Center as a Service
-
Vertex AI Platform：MLライフサイクル全体の統合管理プラットフォーム。Model Garden、Vertex AI Search、AutoMLを含む包括的開発環境
-
RAG（Retrieval-Augmented Generation）サービス：プリビルトRAG（Vertex AI Search活用）とRAG APIs（カスタム開発用）で、外部知識と組み合わせた高精度生成
-
Vertex AI Agent Builder：ノーコード/ローコードによるカスタムエージェント構築。業務特化型AIアシスタントを短期間で開発可能
-
エージェントツーリングエコシステム：Extensions、Functions、Data Stores、Pluginsによる外部システム連携。Google Cloud API Libraryとの統合
-
開発環境の使い分け：Vertex AI Studio（企業向け、セキュリティ重視）とGoogle AI Studio（個人開発者向け、アクセシビリティ重視）の明確な差別化
Section 3: Techniques to improve gen AI model output (~20%)
-
基盤モデルの制限事項：データ依存性、知識カットオフ、バイアス、公平性、ハルシネーション、エッジケースの理解と対策が重要
-
Google推奨対処法：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（HITL）による制限克服
-
継続的監視・評価システム：自動モデル更新、KPI設定、セキュリティパッチ、バージョニング、パフォーマンス追跡、ドリフト監視、Vertex AI Feature Store活用
-
基本プロンプトエンジニアリング：ゼロショット、ワンショット、フューショット、ロールプロンプティング、プロンプトチェーニングの技術と用途
-
高度プロンプト技術：Chain-of-Thought（段階的思考促進）とReAct（推論と行動の組み合わせ）による複雑タスクの精度向上
-
グラウンディング戦略：ファーストパーティ企業データ、サードパーティデータ、世界データでの情報補強。Google Cloudのグラウンディングサービス（プリビルトRAG、RAG APIs、Google Search連携）
-
サンプリングパラメータ制御：Token Count、Temperature、Top-p（nucleus sampling）、Safety Settings、Output Lengthによる生成結果の精密制御
Section 4: Business strategies for successful gen AI solution (~15%)
-
生成AIソリューション分類：テキスト生成、画像生成、コード生成、パーソナライズドユーザーニーズの各種類と適用領域の理解
-
組織統合の実装ステップ：ビジネス要件定義→技術制約確認→適切ソリューション選定→段階的実装→効果測定→継続改善のサイクル
-
Google Secure AI Framework (SAIF）：MLライフサイクル全体でのセキュリティ統合。データ保護、モデル保護、推論保護、システム保護の4層防御
-
責任あるAI実践原則：透明性確保、プライバシー保護（匿名化・仮名化）、データ品質・バイアス・公平性の管理、説明可能性とアカウンタビリティの確保でリスク管理