【Google Cloud】Generative AI Leader 受験するならこれだけ覚えよう

はじめに

Google Cloud 認定資格 Generative AI Leader が今年から受験できるようになりました。
今年 7 月に日本語版対応したことで受験される方が多いと思うため、ここだけは憶えた方が良いというきーわどを集めました。
「本記事を見れば絶対合格する！」ということを保証するものではなく、参考程度に見て頂ければと思います。

生成 AI の基礎

生成 AI

テキスト・画像・音声・動画などのコンテンツを生成するのに特化した人工知能 (AI) のことです。

LLM (大規模言語モデル)

生成 AI の中でも特に言語の理解や生成に特化した生成 AI モデルで、Google の Gemini や、Open AI が代表例です。

イメージとして、AI と呼ばれるカテゴリーの中に、生成 AI が位置しており、その中の言語生成 AI を特に LLM (大規模言語モデル) と呼んでいます。

基盤モデル

大量のデータを用いて事前学習した汎用的な AI・機械学習モデルのこと。**ファインチューニング**して特化型 AI にすることもできます。

構造化データ

行と列を持つ表形式のデータのことで、データベースや CSV のデータが代表例です。明確にスキーマが定義されていることも特徴です。

非構造化データ

特定の構造を持たないデータのことで、テキスト文書や画像、音声、動画のデータが代表例です。

ラベル付きデータ

人間が付与した正解ラベルやタグを持つデータです。後述する教師あり学習に用いられます。

ラベル無しデータ

正解ラベルやタグを持たないデータです。後述する教師無し学習や自己教師あり学習に用いられます。

教師あり学習

ラベル付きデータ (教師データ) を用いてモデルを学習させる手法です。先生が生徒に正解の書かれた問題集を与えるように学習を進めます。

教師なし学習

ラベルなしデータを用いてモデルを学習させる方法です。データの中に潜む構造やパターン、関連性を自律的に見つけ出す手法です。正解が分からない大量の生データから、法則や特徴を抽出するのが目的です。

強化学習

「エージェント（学習するシステム）」が、「環境」の中で行動し、その行動の結果として得られる「報酬」**を最大化するように、試行錯誤を通じて最適な行動戦略を学習する手法です。

生成 AI ソリューションのレイヤー

Gen AI Applications

インターフェースを通じて AI 機能をユーザに提供します。

Agents

モデルレイヤを活用してより複雑なアクションを実行します。

Platform

AI モデルの構築とデプロイに役立つツールとサービスを提供します。

Models

AI システムの頭脳といえる部分です。

Infrastructure

モデルのトレーニングなどに必要な計算リソースを提供します。

Google の基盤モデルユースケース

Gemini

マルチモーダルで高性能な AI モデル

Gemma

軽量で高性能なオープンモデル

Imagen

テキストの説明から高品質な画像を生成するモデル

Veo

テキストや画像から高品質な動画を生成するモデル

Chirp

テキストから音声を生成するモデル

Google Cloud の生成 AI サービス

Vertex AI

概要

機械学習モデルの開発、トレーニング、デプロイ、管理を行うための統合プラットフォームで、トレーニング、推論、開発ツール、パイプライン管理など、MLOps のための包括的な機能を提供します。Google製(Gemini, Imagen, Chirp等)だけでなく、サードパーティ製(Anthropic の Claude Model Family等)やオープンソースのモデルも利用できます。

Model Garden

多様な基盤モデルや事前トレーニング済みモデルを発見、探索、試用できるカタログです。ここからモデルを選択し、Vertex AI 上でファインチューニングやデプロイを行います。

Model Registry

トレーニング済みの機械学習モデルを一元的に管理、バージョニング、デプロイするためのリポジトリです。モデルのバージョン管理も可能となっています。

Vertex AI Pipelines

機械学習ワークフローを自動化・監視・ガバナンスが効いた状態で実行できるサービスです。
データ準備 → モデルトレーニング → 評価 → デプロイ →再トレーニング など、ML の開発・本番運用の段階をつなげて、パイプラインとして定義でき、繰り返し実行できます。

Vertex AI Search

ウェブサイトやドキュメントなどに対して、高度な検索やチャットボットなどを迅速に構築できるサービスです。LLMを利用して、自然言語での質問に対してより文脈に沿った回答が可能です。

Gemini を使った開発

Google AI Studio

素早く AI を試作するためのツールであり、無料で利用可能です。

Vertex AI Studio

本格的に運用可能な AI アプリケーションを構築・デプロイするためのツールです。

Google Agnetspace

企業向けAI エージェントプラットフォームです。
社内外の多様なデータソース（ドキュメント／メール／チャット／ファイル共有システム etc.）を統合し、検索・要約・生成・アクション実行（メール送信・スケジュール登録など）を行えるエージェントを構築・運用可能です。

Notebook LM

資料（ドキュメント・PDF・ウェブページ・YouTube動画 等)」を読み込ませ、それをもとに要約・質問応答・アイデア生成などが可能となります。

Google Cloud が提供する生成 AI サービスの API

• Speech-to-Text API
  • 音声をテキストに変換
• Text-to-Speech API
  • テキストを音声に変換
• Translation API
  • 多言語翻訳
• Document Translation API
  • ドキュメントのレイアウトを保持したまま翻訳
• Document AI API
  • ドキュメントからのデータ抽出
• Cloud Vision API
  • 画像コンテンツの分析
• Cloud Video Intelligence API
  • 動画解析
• Natural Language API
  • 自然言語の理解

生成 AI モデルの出力改善

プロンプトエンジニアリング

ゼロショットプロンプト (Zero-shot Prompting)

指示だけを直接与える方法であり、プロンプトがシンプルで作りやすい特徴があります。一方で、複雑なタスクや特定の出力形式を求める場合には意図しないことがある。

ワンショットプロンプト (One-shot Prompting)

モデルに1つだけ具体例（お手本）を与えてから、本題の質問を投げかける方法です。モデルは与えられた例を参考に、どのような形式で、どのような内容を返せばよいかを理解できるようになりゼロショットよりもタスクの意図が伝わりやすくなるため、回答の精度が向上することが多いです。

フューショットプロンプト (Few-shot Prompting)

モデルに複数の具体例を与えてから、質問を投げかける方法です。最も高い精度が期待できるため複雑なタスクや、微妙なニュアンスの判断が求められる場合に非常に有効であるが、プロンプトが長くなり、作成に手間がかかるというデメリットもあります。

LLM のパラメータ

トークン数

LLMがテキストを処理する際の最小単位(単語、句読点、記号など) です。モデルには最大で処理できるトークン数（コンテキストウィンドウ）があり、これを超えるとエラーになったり、前の情報が切り捨てられたりします。

安全性設定

モデルが生成するコンテンツが有害な情報（ヘイトスピーチ、暴力的な内容など）を含まないようにするためのフィルタリング機能です。

出力長

モデルが生成するテキストの最大トークン数を指定するパラメータです。

温度 (Temperature)

モデルの出力の「創造性」または「ランダム性」を制御するパラメータです。
値が高いほど（例: 0.8-1.0）、モデルはより多様で予測不能なテキストを生成しやすくなり、値が低いほど（例: 0.1-0.3）、モデルはより確率の高い、一貫性のあるテキストを生成します。

Top-P

次のトークンを選択する際に、累積確率がPになる上位のトークン群からのみサンプリングする手法です。

Top-K

次のトークンを選択する際に、最も確率の高い上位K個のトークンに選択肢を絞り込む手法です。

LLM の特性

• 学習データへの依存
  • モデルの性能は学習データに大きく依存するため、偏ったデータや不完全なデータは出力の信頼性低下につながる
• ナレッジカットオフ
  • モデルは特定のタイミングまでしか学習していないため、それ以降の最新情報は反映されない
• バイアス
  • 学習データに含まれる偏りが出力で大きくなる可能性がある
• 公平性
  • 出力が差別的・不公平にならないかを評価することが重要
• ハルシネーション
  • 存在しない事実や誤情報を生成するリスクがあるため、検証が必要
• エッジケース
  • レアケースな状況で誤った結果を出すことがあるため、想定外シナリオに備えた検証が必要

LLM の回答精度向上について

RAG (Retrieval-Augmented Generation)

大規模言語モデル (LLM) の知識を外部の信頼できる情報源（データベース、ドキュメントなど）から検索し、その情報を参照しながらテキストを生成する手法です。
LLMが学習データにない最新の情報や、特定の専門知識に基づいて回答を生成できるようになり、ハルシネーションを軽減できます。

ファインチューニング

事前に大規模なデータセットで学習済みの汎用的な大規模言語モデル (LLM) を、特定のタスクやドメインに特化した少量のデータセットで再学習させるプロセスです。
モデルは特定の業界用語、スタイル、タスクのニュアンスをより深く理解し、その分野に特化したタスク（例：特定の業界のQ&A、社内ドキュメントの要約、顧客対応チャットボットなど）において、汎用モデルよりもはるかに高い性能を発揮できるようになります。

生成 AI ソリューションによるビジネス戦略

アプローチ手法

• トップダウンアプローチ
  • リーダーシップによるビジョンと戦略の設定
• ボトムアップアプローチ
  • 従業員による実用的なアプリケーションの特定とフィードバック提供

責任ある AI

AI アプリケーションが害を及ぼさず、倫理的な方法で使用されることを保証することです。
以下の観点を考慮します。

• プライバシー
  • プライバシーリスク、データ匿名化、仮名化などのプライバシー上の考慮事項に対処
• データ品質、バイアス、公平性
  • トレーニングデータに含まれるバイアスがモデルの出力で増幅されないように、データの品質を確保し、公平性を評価
• 説明可能性と説明責任
  • AI システムの意思決定プロセスを理解し、その結果に対して責任を持つ
  • Vertex Explainable AI は、モデルの意思決定プロセスをよりよく理解するための機能を提供

勉強法

私が勉強した方法を一例として紹介します。

1. [試験ガイド]https://cloud.google.com/learn/certification/generative-ai-leader?hl=ja)を読む
2. Qiitaの受験対策記事やG-genを見て試験でよく問われることを押さえる
3. 模擬試験を受験する
4. Udemy などの問題集を利用して知識強化を図る

個人的には、4の方法で解答を見ながら問題を読んでいき、キーワードを押さえて行くのが効率的な勉強方法かなと思います。

まとめ

以上が Generative AI Leader 合格に向けた要点です。この内容がこれから受験される方の参考になれば幸いです。
また、私が別で書いたGoogle Cloud 全認定資格の難易度などについての記事もございますので、こちらも参照ください。