0
0

Delete article

Deleted articles cannot be recovered.

Draft of this article would be also deleted.

Are you sure you want to delete this article?

@leomarokun(れおまろ)

GCP AI学習カリキュラム: メインメニュー Phase 3: AIアプリを作る

0
Posted at

🌟 GCP AI学習カリキュラム：メインメニュー

このプロジェクトでは、GCP（Google Cloud Platform）のAI分野、特にVertex AIと生成AIを1日1時間の学習で習得することを目指します。

なお、初心者向けです。自分は AWS をメインとしています。

GCP は AWS のようにコミュニティが盛んではない印象であるため、とっつきにくかったのですが、AI 時代の世の中 GCP についても少しづつやっていこうという思いで作成しました。

📅 学習スケジュール概要

フェーズ タイトル 期間 内容
Phase 1 GCPの基礎 1週間 環境構築、予算管理、コンソール操作
Phase 2 AIを体験する 2週間 Vertex AI Studio, プロンプト設計
Phase 3 AIアプリを作る (この記事) 3週間 Python SDK (VS Code), RAG, 実践アプリ
Phase 4 AIのプロへ（次回） 継続 エージェント開発、チューニング、責任あるAI

🛠 準備するもの

  • Googleアカウント（Gmailなど）
  • GCPプロジェクト（Phase 1で作成済みのもの）
  • PC（VS Code, Pythonが動く環境）

🏗 Phase 3 詳細手順ガイド：AIアプリを作る（Python実践）

VS Code（ローカル環境）を使用して、Gemini APIをプロフェッショナルなワークフローで利用するためのガイドです。
※本ガイドは、最新の google-genai SDK（2026年以降の標準方式）に基づいています。

📅 Week 1: ローカル開発環境とSDKの基礎

目標: AI開発ができる環境を作る。

Day 1: VS Code環境構築

  1. Pythonインストール: 公式サイト から最新のPythonをインストール。
  2. プロジェクト作成: 適当なフォルダ（gemini-study）をVS Codeで開く。
  3. 仮想環境の作成: ターミナルで python -m venv venv を実行。
  4. gcloud CLIのインストール: Google Cloud SDK をインストールし、gcloud init で初期設定。

Day 2: 認証(ADC) & 初回呼出

  1. ADCの設定: ターミナルで gcloud auth application-default login を実行。ブラウザが開くので許可。
  2. SDKインストール: pip install google-genai
  3. Hello World: main.py を作成。
day2.py 
from google import genai

# 環境変数の設定
PROJECT_ID = "my-ai-study-494913"  # あなたの実際のプロジェクトIDに書き換えてください
LOCATION = "us-central1"

# クライアントの初期化 (Vertex AIモード)
client = genai.Client(
    vertexai=True,
    project=PROJECT_ID,
    location=LOCATION
)

# テキスト生成
response = client.models.generate_content(
    model="gemini-2.5-flash-lite", # 使用するモデルを指定
    contents="こんにちは Vertex AI!"
)

# 結果表示
print(response.text)

Day 3: テキスト生成詳細

  1. レスポンス構造: response オブジェクトの中身（candidates, usage_metadata）を print して観察。

Day 2のコードに以下を追加して、レスポンスの詳細を確認します。

day3_1.py 
# 追加の情報も表示
print(response.candidates)
print(response.usage_metadata)
  1. Markdown出力: AIの回答を Markdown ファイル（output.md）として保存するコードを書く。
day3_2.py 
# 生成されたテキストをファイルに保存
with open("output.md", "w") as f:
    f.write(response.text)

Day 4: ストリーミング実装

  1. Streaming: client.models.generate_content_stream を使用.
  2. リアルタイム表示: for chunk in response: を使い、print(chunk.text, end="", flush=True) で文字が流れる演出を実装。
day4.py 
from google import genai

# 環境変数の設定
PROJECT_ID = "my-ai-study-494913"
LOCATION = "us-central1"

# クライアントの初期化(Vertex AIモード)
client = genai.Client(
    vertexai=True, 
    project=PROJECT_ID, 
    location=LOCATION
    )

# ストリーミングでテキスト生成
response = client.models.generate_content_stream(
    model="gemini-2.5-flash-lite",
    contents="こんにちは Vertex AI!"
)

# リアルタイムで表示
for chunk in response:
    print(chunk.text, end="", flush=True)

Day 5: チャットセッション（履歴管理）

  1. 状態保持: chat = client.chats.create(model=...) を使用。
  2. 対話型CLI: while True: ループを作成し、ターミナルでAIとチャットし続けられるプログラムを作成。
day5.py 
from google import genai

# 環境変数の設定
PROJECT_ID = "my-ai-study-494913"
LOCATION = "us-central1"

# クライアントの初期化(Vertex AIモード)
client = genai.Client(
    vertexai=True, 
    project=PROJECT_ID, 
    location=LOCATION
)

# チャットセッション開始
chat = client.chats.create(
    model="gemini-2.5-flash-lite"
    )

# 対話型CLI
while True:
    user_input = input("You: ")
    if user_input.lower() in ["exit", "quit"]:
        print("Exiting chat.")
        break
    response = chat.send_message(user_input)
    print("AI:", response.text)

Day 6: マルチモーダル分析（ローカルファイル）

  1. メディアの渡し方: from google.genai import types の Part を使用。
  2. 実装: with open("image.jpg", "rb") as f: で画像を開き、AIに渡して説明させる。
day6.py 
from google import genai
from google.genai import types

# 環境変数の設定
PROJECT_ID = "my-ai-study-494913"
LOCATION = "us-central1"

# クライアントの初期化(Vertex AIモード)
client = genai.Client(
    vertexai=True, 
    project=PROJECT_ID, 
    location=LOCATION
)
# 画像ファイルをAIに渡す
with open("image.jpg", "rb") as f:
    # 画像をPartオブジェクトに変換
    image_part = types.Part.from_bytes(
        data=f.read(),
        mime_type="image/jpeg"
    )

    # AIに画像を渡して説明させる
    response = client.models.generate_content(
        model="gemini-2.5-flash-lite",
        contents=image_part
    )

# 結果表示
print(response.text)

Day 7: パラメータ制御 & 安全設定

  1. GenerateConfig: types.GenerateContentConfig を使用して、温度や最大トークン数を調整。
  2. SafetySettings: types.SafetySetting を設定し、特定のカテゴリの有害な内容をブロックする例を実装。
day7.py 
from google import genai
from google.genai import types

# 環境変数の設定
PROJECT_ID = "my-ai-study-494913"
LOCATION = "us-central1"

# クライアントの初期化(Vertex AIモード)
client = genai.Client(
    vertexai=True, 
    project=PROJECT_ID, 
    location=LOCATION
)

# パラメータ制御と安全設定の例
config = types.GenerateContentConfig(
    temperature=0.9,
    safety_settings=[
        types.SafetySetting(
            category='HARM_CATEGORY_HATE_SPEECH',
            threshold='BLOCK_LOW_AND_ABOVE'
        ),
        types.SafetySetting(
            category='HARM_CATEGORY_DANGEROUS_CONTENT',
            threshold='BLOCK_LOW_AND_ABOVE'
        )
    ]
)

# テキスト生成
response = client.models.generate_content(
    model="gemini-2.5-flash-lite",
    contents="こんにちは Vertex AI!",
    config=config
)

# 結果表示
print(response.text)

📅 Week 2: Grounding と高度な連携

目標: ローカル環境の機動性を活かし、外部知識やツールを統合する。

Day 8: Grounding (Google検索連携)

  1. 実践: tools=[types.Tool(google_search_retrieval=types.GoogleSearchRetrieval())] を設定に追加。
day8.py 
from google import genai
from google.genai import types

# 環境変数の設定
PROJECT_ID = "my-ai-study-494913"
LOCATION = "us-central1"

# クライアントの初期化(Vertex AIモード)
client = genai.Client(
    vertexai=True, 
    project=PROJECT_ID, 
    location=LOCATION
)

# Google検索ツールを追加してテキスト生成
config = types.GenerateContentConfig(
    tools=[types.Tool(google_search=types.GoogleSearch())]
)

response = client.models.generate_content(
    model="gemini-2.5-flash-lite",
    contents="最新のAIニュースを教えてください。",
    config=config
)

# 結果表示
print(response.text)

Day 9 & 10: Function Calling (関数の定義と実装)

  1. 定義: AIが呼び出せるPython関数を定義します。
  2. 実装: 自作関数を tools に渡し、AIが状況に応じて関数を呼び出し、その結果を元に回答するフローを実装します。
day9_10.py 
from google import genai
from google.genai import types

PROJECT_ID = "my-ai-study-494913" 
LOCATION = "us-central1"

client = genai.Client(
    vertexai=True, 
    project=PROJECT_ID, 
    location=LOCATION
    )

# AIが呼び出す関数の定義 (Day 9)
def get_current_stock(product_name: str) -> int:
    """指定された製品の現在の在庫数を返します。"""
    # 実際にはここでDBやAPIを確認しますが、今回はデモ用に固定値を返します
    stocks = {"laptop": 5, "smartphone": 12, "tablet": 0}
    return stocks.get(product_name.lower(), 0)

# ツールとして関数を登録 (Day 10)
config = types.GenerateContentConfig(
    tools=[get_current_stock] 
)

# AIに在庫について質問
response = client.models.generate_content(
    model="gemini-2.5-flash-lite",
    contents="タブレット（tablet）の在庫はありますか？",
    config=config
)

# 結果の表示
print(response.text)

Day 11: システム指示の活用

  1. ロールプレイ: system_instruction を設定し、AIの役割や振る舞いを固定します。
day11.py 
from google import genai

# 環境変数の設定
PROJECT_ID = "my-ai-study-494913" 
LOCATION = "us-central1"

# クライアントの初期化
client = genai.Client(
    vertexai=True, 
    project=PROJECT_ID, 
    location=LOCATION
    )

# システムプロンプトの設定
system_instruction = "あなたは熟練のGCPアーキテクトです。回答は常に簡潔に、技術的な正確さを重視して答えてください。"

response = client.models.generate_content(
    model="gemini-2.5-flash-lite",
    contents="Cloud Runのメリットを3つ教えて。",
    config={'system_instruction': system_instruction}
)

print(response.text)

Day 12: エラーハンドリング & リトライ

  1. 堅牢化: google.genai.errors を用いた例外処理を実装し、API制限やネットワークエラーに対応します。
day12.py 
from google import genai
from google.genai import errors

client = genai.Client(vertexai=True, project="my-ai-study-494913", location="us-central1")

try:
    response = client.models.generate_content(
        model="gemini-2.5-flash-lite",
        contents="こんにちは！"
    )
    print(response.text)

except errors.ClientError as e:
    print(f"クライアントエラー（認証やプロジェクト設定の不備）: {e}")
except errors.ServerError as e:
    print(f"サーバーエラー（GCP側の問題）: {e}")
except Exception as e:
    print(f"予期せぬエラー: {e}")

Day 13-14: 総復習と調整 (実践：ログ分析ツール)

  1. 課題: 「ローカルのログファイルを読み、異常があれば検索して解決策を提案する」統合ツールを作成します。
day13_14.py 
from google import genai
from google.genai import types

# ダミーのログファイル作成
LOG_FILE = "app.log"
with open(LOG_FILE, "w") as f:
    f.write("INFO: Application started\n")
    f.write("ERROR: Connection failed to database - Error Code 5003\n")

# 環境変数の設定
PROJECT_ID = "my-ai-study-494913" 
LOCATION = "us-central1"

# クライアントの初期化
client = genai.Client(
    vertexai=True, 
    project=PROJECT_ID, 
    location=LOCATION
    )

# 1. ログの読み込み
with open(LOG_FILE, "r") as f:
    log_content = f.read()

# 2. Google検索(Grounding)を有効にした設定
config = types.GenerateContentConfig(
    tools=[types.Tool(google_search=types.GoogleSearch())],
    system_instruction="あなたはシステム管理者です。提供されたログからエラーを特定し、その解決策を最新の情報を元に提案してください。"
)

# 3. AIによる分析と提案
print("--- ログ分析中 ---")
response = client.models.generate_content(
    model="gemini-2.5-flash-lite",
    contents=f"以下のログを分析して、エラーの解決策を教えてください:\n\n{log_content}",
    config=config
)

# 4. 結果表示
print(response.text)

📅 Week 3: 実践アプリ開発

目標: 1つの完結したツールを形にする。

Day 15-21: アプリ開発 (AI インフラ・モニター)

目標: 1つの完結したツールを形にする。

  1. JSON出力: response_mime_type="application/json" を活用。
  2. 外部通知: 最終結果を Slack や Discord に投稿。
  3. 仕上げ: ログ出力、設定の外部ファイル化（.env）を行い、ツールとしての完成度を高めます。

1. 設定ファイル (.env)

.env 
GCP_PROJECT_ID="your-project-id"
GCP_LOCATION="us-central1"
NOTIFICATION_WEBHOOK_URL="https://hooks.slack.com/services/..."

2. メインプログラム (monitor_app.py)

day15_21.py 
import os
import json
import logging
import httpx
from datetime import datetime
from dotenv import load_dotenv
from google import genai
from google.genai import types

# 環境変数の読み込みとロギング設定
load_dotenv()
logging.basicConfig(level=logging.INFO, format='%(asctime)s - %(levelname)s - %(message)s')
logger = logging.getLogger(__name__)

PROJECT_ID = os.getenv("GCP_PROJECT_ID")
LOCATION = os.getenv("GCP_LOCATION", "us-central1")
WEBHOOK_URL = os.getenv("NOTIFICATION_WEBHOOK_URL")

# クライアントの初期化
client = genai.Client(
    vertexai=True, 
    project=PROJECT_ID, 
    location=LOCATION)

# 外部通知関数
def send_notification(message: str):
    """外部サービス(Slack/Discord等)に通知を送信する"""
    if not WEBHOOK_URL:
        logger.warning("通知先URL未設定のためスキップします。")
        return
    try:
        httpx.post(WEBHOOK_URL, json={"text": message}).raise_for_status()
        logger.info("外部通知の送信に成功しました。")
    except Exception as e:
        logger.error(f"通知送信エラー: {e}")

# AIによるログ解析関数
def run_ai_audit(log_data: str):
    """AIによるログ解析を実行し、JSON形式で結果を返す"""
    config = types.GenerateContentConfig(
        response_mime_type="application/json",
        system_instruction=(
            "あなたはシニアSREエンジニアです。ログを解析し、"
            "{'severity': 'HIGH/LOW', 'summary': '概要', 'action': '推奨アクション'} "
            "という形式のJSONで回答してください。"
        )
    )
    try:
        response = client.models.generate_content(
            model="gemini-2.5-flash-lite",
            contents=f"以下のログを解析してください:\n{log_data}",
            config=config
        )
        return json.loads(response.text)
    except Exception as e:
        logger.error(f"AI解析エラー: {e}"); return None

# メイン関数
def main():
    dummy_logs = "2026-05-19 10:05:01 ERROR Database connection timeout after 30s."
    audit_result = run_ai_audit(dummy_logs)

    if audit_result:
        notification_text = (
            f"🚨 *AIインフラ監視レポート*\n"
            f"【重要度】: {audit_result.get('severity')}\n"
            f"【概要】: {audit_result.get('summary')}\n"
            f"【対応】: {audit_result.get('action')}"
        )
        print(f"\n--- 解析結果 ---\n{notification_text}")
        send_notification(notification_text)

if __name__ == "__main__":
    main()
0
0
0

Register as a new user and use Qiita more conveniently

  1. You get articles that match your needs
  2. You can efficiently read back useful information
  3. You can use dark theme
What you can do with signing up
Sign upLogin
0
0

Delete article

Deleted articles cannot be recovered.

Draft of this article would be also deleted.

Are you sure you want to delete this article?