Google Vertex Al (Gemini)について
Vertex AIは、Googleが提供する「機械学習（ML）」のための便利なプラットフォームで、AI（人工知能）を活用したアプリやモデルを作るのを手伝ってくれるツールです。
-
AIモデルの作成とカスタマイズが簡単にできる
普通、大規模なAIモデルを作るのはとても難しいですが、Vertex AIを使えば、自分のデータを使ってモデルを簡単にカスタマイズできます。 -
いろいろな作業をひとつにまとめてサポート
データの準備からモデル作り、そしてそのモデルを動かす（デプロイ）まで、必要な作業をすべてサポートしてくれるので、初心者でも始めやすいです。 -
チームでの作業がしやすい
同じツールを使って、データを扱う人（データエンジニア）やAIモデルを作る人（データサイエンティスト）、実際にモデルを動かす人（MLエンジニア）が一緒に作業できる仕組みが整っています。 -
Googleの強みを活用してスケールアップ可能
作ったアプリやモデルを、Google Cloudの力を借りて大規模に運用できるので、たくさんの人が使う場面でも安心です。
つまり、Vertex AIは、初心者からプロまで幅広く使える、AI開発の強力なサポートツールです。
AIモデルって具体的にどんなもの？
AIモデルとは、人工知能が学習した内容を元に、新たなデータに対して予測や分類などを行うための「型」のようなものです。
例えばこんなことができます
データを使って「学習」し、その学びを活かして問題を解決したり予測したりする。
- スマホの顔認証
- 音声アシスタント（SiriやAlexaなど）
- 翻訳アプリ
- レコメンド機能（YouTubeやNetflixで「これがオススメです」と出てくるもの）
など。
どうやって動くの？
たくさんのデータを使って学習し「パターン」を覚える。
例：
- 猫の画像を何千枚も見せて「これが猫だよ」と教える
- 実行する：新しいデータが来たときに、「これは猫だ！」と判断する
種類がいろいろある
AIモデルにはいろいろな種類があり、タスクによって使い分けられます。
- 画像認識：画像の中に何があるかを判断する
- 音声認識：音声を聞き取ってテキストに変換する
- 自然言語処理：文章を理解したり、文章を作ったりする
どうやって作るの？
プログラミングを使って作られることが多いですが、最近はコードを書かなくても使えるツールが増えているので、初心者でも扱いやすくなっています。
学習に必要なデータや環境（コンピュータやクラウド）が揃っていれば、誰でも簡単に試せるようになっています。
4つの基盤モデル API
Vertex AI には、次の基盤モデル API があります。
1. Gemini API（マルチモーダル テキスト、画像、音声、動画、PDF、コード、チャット）
1. PaLM API（テキスト、チャット、エンベディング）
1. Codey API（コード生成、コードチャット、コード補完）
1. Imagen API（画像生成、画像編集、画像キャプション、Visual Question Answering、マルチモーダル エンベディング）
基盤モデルAPIとは
大規模なAIモデル（基盤モデル）の機能を、外部の開発者が自身のアプリケーションに組み込むことができるように提供されるインターフェースです。
このAPIを利用することで開発者は、基盤モデルが学習した膨大な知識やパターン認識能力を自らのサービスに組み込むことができます。
全5モジュール日本語訳
ノーコードツール 「Make」で使えるGoogle Vertex Al (Gemini)のモジュールは全部で5つ あります。これらを日本語に訳した上で、それぞれどのような特徴があって、どのように使えるのかを調べてみました。
アクション
1. Analyze Image/Video (gemini-pro-vision)：画像/動画の分析 (gemini-pro-vision)
プロンプトで指定された指示に基づいて、入力パラメータから画像や動画を分析します。
1. Create a Chat Prompt (chat-bison)：チャット プロンプトの作成 (chat-bison)
指定されたプロンプトに基づいて、「chat-bison」または「chat-bison-32k」PaLM モデルに応答を問い合わせます。
1. Create a Chat Prompt (gemini-pro)：チャット プロンプトの作成 (gemini-pro)
入力パラメータに基づいて、gemini-pro モデルへのチャット プロンプトを作成します。
1. Create a Text Prompt (text-bison, text-unicorn)：テキスト プロンプトの作成 (text-bison、text-unicorn)
指定されたプロンプトに基づいて、「text-bison」、「text-bison-32k」または「text-unicorn」PaLM モデルに応答を問い合わせます。
1. Make an API Call：API 呼び出しの実行
任意の承認済み API 呼び出しを実行します。
用語の解説
| 用語 | |
|---|---|
| プロンプト | 自然言語で記述した命令 |
| 入力パラメータ | プログラムが動くために必要な「条件」や「データ」 |
| chat-bison | 2024年10月9日廃止。会話の流れを覚えていて、自然に話を続けられるようにトレーニングされていて、何度でもやりとりしながら、途中で話題が変わっても問題なく対応できます。 最大入力トークン: 8,192。最大出力トークン: 2,048。トレーニング データ: 2023 年 2 月まで。最大ターン数 : 2,500 |
| chat-bison-32k | 2024年10月9日廃止。役割はchat-bisonと同じ。 最大トークン（入力 + 出力）: 32,768。最大出力トークン: 8,192。トレーニング データ: 2023 年 8 月まで。最大ターン数 : 2,500 |
| PaLM モデル | 「Pathways Language Model」の略 Googleが作った新しい人工知能（AI）のモデル「PaLM 2（非推奨）」のこと。 |
| gemini-pro | Gemini API で使用可能なモデル Gemini 1.5 Pro（プレビュー）（gemini-1.5-pro） |
| text-bison | 2024年10月9日廃止。Vertex AI PaLM APIのエンドポイントの1つ。自然言語の指示に従うように微調整されており、分類、要約、抽出などのさまざまな言語タスクに適しています。 最大入力トークン: 8,192。最大出力トークン: 1,024。トレーニング データ: 2023年2月まで |
| text-bison-32k | 2024年10月9日廃止。Vertex AI PaLM APIのエンドポイントの1つ。自然言語による指示に対応できるようファインチューニングされています。さまざまな言語タスクに適しています。 最大トークン（入力 + 出力）: 32,768。最大出力トークン: 8,192。トレーニング データ: 2023年8月まで |
| text-unicorn | 2024年11月30日以降廃止。Vertex AI PaLM APIのエンドポイントの1つ。複雑な自然言語タスクに使用する PaLM モデル ファミリーの中で最も高度なテキストモデル。 最大入力トークン: 8,192。最大出力トークン: 1,024。トレーニング データ: 2023年2月まで |
チャット プロンプトの作成 ～ chat-bison と gemini-pro の違い
「Make」で使えるGoogle Vertex Al (Gemini)のモジュールの中で、『チャット プロンプトの作成 』は2つあります。
- Create a Chat Prompt (chat-bison)
- Create a Chat Prompt (gemini-pro)
どちらを選べばいいか迷いますが、チャット用 PaLM 2（chat-bison）基盤モデルは非推奨です。
『Create a Chat Prompt (gemini-pro)』を選択しましょう。
Create a Chat Prompt (chat-bison)
4つの基盤モデルのうちの PaLM API を呼び出して、PaLM 2 の機能を利用。
テキスト要約や生成など、テキスト中心のアプリケーションに特化しており、高いパフォーマンスを発揮します。
chat-bison
Model：モデルの選択
-
chat-bison
チャット用 PaLM 2。何度もやりとりするような会話（マルチターンの会話）に特化して調整されたAIモデルです -
chat-bison-32k
チャット用 PaLM 2 32k。「chat-bison」の約4倍の最大トークンと最大出力トークン
迷ったら chat-bison-32k を選択
Create a Chat Prompt (gemini-pro)
4つの基盤モデルのうちの Gemini API を呼び出して、Gemini の機能を利用。
テキストや画像を扱えるマルチモーダルなAIで、外部APIの関数呼び出しにも対応しています。複雑なアプリケーションに向いています。
Model：モデルの選択
-
Gemini 1.0 Pro
文章やコードだけの作業が得意なAIモデルです -
Gemini 1.5 Pro
テキストだけでなく、画像、音声、動画、PDFファイルといったいろいろな種類の情報を扱うことができます。そして、非常にたくさんの情報（最大100万単語分）を一度に理解することができるAIモデルです。長い文章や複雑な資料もまとめて扱える能力があります -
Gemini 1.5 Flash
軽量で高性能・低コスト化を実現したAIモデルです。100万トークンの大量データを処理でき、テキストだけでなく画像や音声などのマルチモーダル対応が可能。知識蒸留技術で効率化され、高速応答が特徴です
迷ったら 「Gemini 1.5 Pro」 の 約10分の1の料金で利用可能な 「Gemini 1.5 Flash」 を選択。
モジュールはこれを選択しましょう
PaLM は非推奨になっていることから、5つのモジュールのうち、2と4は選択しない。
選ぶなら以下の3択。
- Analyze Image/Video (gemini-pro-vision)：画像/動画の分析 (gemini-pro-vision)
- Create a Chat Prompt (gemini-pro)：チャット プロンプトの作成 (gemini-pro)
- Make an API Call：API 呼び出しの実行
Vertex AI の料金（Gemini）
画像/動画の分析やチャット プロンプトを作成するモジュールにはGeminiが使われます。
これには Google Cloud の契約が必要となります。
- テキスト：入力（プロンプト）と出力（レスポンス）それぞれ1,000 文字（約250トークン）ごとに課金
- メディア入力：画像ごとまたは秒ごと（動画）に課金
「Gemini 1.5 Flash」と「Gemini 1.5 Pro」の料金を比較すると、圧倒的に 「Gemini 1.5 Flash」の方が安い
注意点
- 文字数： UTF-8 コードポイントでカウント｟日本語の文字（漢字、ひらがな、カタカナ）も「1文字＝1コードポイント」としてカウント｠
- 約4文字を1トークンとして計算されます（日本語の文章が1,000文字の場合：約250トークンと換算されます）
- 空白文字（全角・半角）はカウントから除外
- 小数点以下は切り上げ
まとめ
「Make」におけるGoogle Vertex Al (Gemini)のモジュールは以下の３つから選びましょう。
- Analyze Image/Video (gemini-pro-vision)：画像/動画の分析 (gemini-pro-vision)
-
Create a Chat Prompt (gemini-pro)：チャット プロンプトの作成 (gemini-pro)
モデル選択は「Gemini 1.5 Flash」 - Make an API Call：API 呼び出しの実行