book

Google CloudではじめるAI/ML入門 ―ハンズオンで学ぶデータ基盤、分析、エージェント開発

Name: Google CloudではじめるAI/ML入門 ―ハンズオンで学ぶデータ基盤、分析、エージェント開発
ISBN: 9784814401741

by 藤森立, 岡安優, 原和希, 徳山健斗

August 2026

Intermediate to advanced

552 pages

8h 9m

Japanese

O'Reilly Japan, Inc.

Read now

Unlock full access

　表紙
　大扉
　クレジット
　まえがき
　　本書の対象読者　　本書の構成と読み方　　　第1部：基礎と理論の習得　　　第2部：実践と応用ハンズオン　　検証環境・免責事項について　　表記上のルール　　サンプルコードの使用について　　オライリー学習プラットフォーム　　意見と質問
第Ⅰ部　サービス紹介編
　1章　データサイエンス概論
　　1.1　はじめに　　1.2　データサイエンスの定義と目的　　　1.2.1　データサイエンスの基本概念　　　1.2.2　データサイエンスがビジネスや技術分野で果たす役割　　　1.2.3　データサイエンスと人工知能　　　1.2.4　データの収集、分析、可視化、モデリング、意思決定支援の流れ　　1.3　まとめ
　2章　Google Cloudにおけるデータサイエンス
　　2.1　はじめに　　2.2　クラウドコンピューティングとは　　　2.2.1　無料クレジットの活用　　2.3　クラウドでよく聞く用語集　　　2.3.1　IaaS、PaaS、SaaS　　　2.3.2　デプロイメント戦略　　2.4　Google Cloudの概要　　　2.4.1　Google Cloudの主要なデータサイエンス関連サービス　　2.5　学習済みのAIを使う　　　2.5.1　Agent Platformの生成AI機能　　　2.5.2　Model Garden　　　2.5.3　Translation API　　　2.5.4　Speech-to-Text　　　2.5.5　その他の事前学習済みAIサービス　　2.6　まとめ
　3章　Google Cloudの準備
　　3.1　はじめに　　3.2　Google Cloudの構成要素　　　3.2.1　組織（Organization）　　　3.2.2　フォルダ（Folder）　　　3.2.3　プロジェクト（Project）　　　3.2.4　リソース（Resource）　　3.3　IAM（Identity and Access Management）　　　3.3.1　IAMの概要　　3.4　サービスアカウント（Service Account）　　　3.4.1　サービスアカウントとは　　　3.4.2　サービスアカウントの利用場面　　　3.4.3　キー管理の重要性　　3.5　課金の基本と予算アラート　　3.6　リソースの地理的な場所：リージョンとゾーン　　3.7　Google Cloudの初期設定　　　3.7.1　Googleアカウントの作成　　　3.7.2　Google Cloud Consoleへのログイン　　　3.7.3　Google Cloudプロジェクトを作成する　　　3.7.4　言語を日本語にする　　3.8　Cloud Shellとgcloudコマンドラインツール　　　3.8.1　gcloudの初期設定（gcloud init）　　　3.8.2　ユーザーアカウントでの再認証（gcloud auth login）　　　3.8.3　アプリケーションのデフォルト認証（gcloud auth application-default login）　　　3.8.4　認証方法の使い分け　　3.9　ハンズオン：プロジェクトの安全対策と基本設定　　　3.9.1　ハンズオンの準備：プロジェクトIDの確認　　　3.9.2　ハンズオン：予算アラートの設定　　　3.9.3　ハンズオン：サービスアカウントの作成　　　3.9.4　ハンズオン: IAMによる権限付与　　3.10　ハンズオン：サービスアカウントの権限借用（Impersonation）　　　3.10.1　権限借用されるサービスアカウントの準備　　　3.10.2　ユーザーへの借用権限の付与　　　3.10.3　gcloudによる権限借用と動作確認　　3.11　まとめ
　4章　最新のデータ基盤とデータ処理
　　4.1　はじめに　　4.2　最新のデータ基盤とガバナンス　　　4.2.1　データ基盤の進化　　4.3　Cloud Storage：ビッグデータを支えるデータレイクとしての役割　　　4.3.1　従来のデータ保管の課題とデータレイクの必要性　　　4.3.2　Cloud Storageが提供する解決策　　　4.3.3　ハンズオン: Cloud Storageをデータ置き場として使う　　　4.3.4　より実践的なデータ管理　　4.4　BigQuery: Google Cloudが誇るビッグデータ分析基盤　　　4.4.1　BigQueryのリソース階層　　　4.4.2　BigQueryデータセットの作成　　　4.4.3　bq loadコマンドでデータをロード　　4.5　Lakehouse：データのサイロを解消する統合ストレージエンジン　　　4.5.1　従来の課題: データのサイロ化と移動コスト　　　4.5.2　Lakehouseが提供する解決策　　　4.5.3　Lakehouseの活用メリット　　4.6　Knowledge Catalog：インテリジェントデータファブリック　　　4.6.1　Knowledge Catalogの役割とデータメッシュ　　　4.6.2　Knowledge Catalogの主要機能　　4.7　データ処理とパイプラインの構築　　　4.7.1　Google CloudのETL/ELTサービス選択ガイド　　4.8　Cloud Data Fusion: GUIによるノーコードETL　　　4.8.1　主な機能とメリット　　　4.8.2　アーキテクチャ　　4.9　Managed Service for Apache Spark：Hadoopのモダナイゼーション　　　4.9.1　オンプレミスからの移行とモダナイゼーション　　　4.9.2　Managed Service for Apache Spark Serverless　　　4.9.3　Agent Platform　との連携　　　4.9.4　その他の機能　　4.10　Dataflow：サーバーレスで統合されたデータ処理　　　4.10.1　Dataflowの核心：Apache Beamモデル　　　4.10.2　Python SDKによるパイプライン記述例　　　4.10.3　Dataflowの高度な機能　　4.11　Managed Service for Apache Airflow：ワークフローのオーケストレーション　　　4.11.1　Apache Airflowのフルマネージドサービス　　　4.11.2　Managed Service for Apache Airflow 3の進化（2024-2025）　　　4.11.3　DAGの記述例　　4.12　Dataform：BigQueryのためのモダンなELT　　　4.12.1　Dataformの主な特徴　　　4.12.2　Dataformを活用した高度なデータパイプライン構築　　　4.12.3　Dataformハンズオン：データパイプライン構築　　4.13　まとめ
　5章　データ分析、AI/ML開発環境を構築する
　　5.1　はじめに　　5.2　本章の目的と前提条件　　　5.2.1　ハンズオンで使用する共通設定　　5.3　クラウドネイティブな開発環境　　　5.3.1　比較の観点　　　5.3.2　Colab Enterprise　　　5.3.3　BigQuery Studio　　　5.3.4　Workbench　　　5.3.5　Cloud Workstations　　　5.3.6　マネージドサービスのコストを正当化する（TCOの考え方）　　　5.3.7　ハンズオン時の費用確認　　　5.3.8　サービス選択フロー　　5.4　各サービスの利用方法　　　5.4.1　共通：サービス画面への移動とAPI有効化　　　5.4.2　Colab Enterprise　　　5.4.3　BigQuery Studio　　　5.4.4　Workbench　　　5.4.5　Cloud Workstations　　5.5　ローカル開発環境とハイブリッドワークフロー　　　5.5.1　Google Cloud SDK（gcloud CLI）の確認　　　5.5.2　Python開発環境の構築（uv）　　　5.5.3　ローカルからの認証設定（ADC）　　　5.5.4　ハンズオン：ローカルPythonからBigQueryを操作する　　5.6　まとめ

　6章　BigQueryを活用したデータ分析と機械学習
　　6.1　はじめに　　　6.1.1　前提条件　　6.2　BigQueryの基礎知識　　　6.2.1　BigQueryのアーキテクチャ　　　6.2.2　一般的なデータウェアハウスとの違い　　　6.2.3　BigQueryの現在：Data to AIプラットフォームへの進化　　　6.2.4　BigQueryのリソース構造とデータ管理　　　6.2.5　BigQuery Studio：統合された分析、開発環境　　　6.2.6　Gemini in BigQuery：AIによる分析支援　　　6.2.7　ハンズオン：クエリの実行　　6.3　SQLによるデータ分析の実践　　　6.3.1　Google SQLの基本構文と主要な句　　　6.3.2　BigQueryの主要な関数群　　　6.3.3　直感的に記述できるPipe Syntax　　　6.3.4　実践：GA4パブリックデータセットを用いた分析　　6.4　運用を支える便利な機能　　　6.4.1　スケジューリングクエリ（Scheduled Queries）　　　6.4.2　継続的クエリ（Continuous Queries）　　　6.4.3　BigQuery Omni on AWS/Azure：クロスクラウドデータ分析　　　6.4.4　データの取り込みと出力（Importing & Exporting Data）　　　6.4.5　Data Transfer Service （DTS）による自動化　　　6.4.6　BigQuery Sharing：組織の枠を超えたデータ共有　　　6.4.7　BigQueryの課金体系とコスト最適化　　6.5　BigQuery MLと生成AIアプリケーション開発　　　6.5.1　BigQuery MLの基礎：SQLで機械学習　　　6.5.2　モデル作成のステップ　　　6.5.3　生成AIモデルの活用（Gen AI）　　　6.5.4　Cloud AI APIによるマルチモーダル分析　　　6.5.5　ベクトル検索とエンベディング（RAGの構築）　　　6.5.6　Agent Platformとの連携（MLOps）　　　6.5.7　BigQuery DataFrames：Pythonによる大規模データ処理とML　　6.6　高度な分析機能とエージェント　　　6.6.1　BigQuery Data Science Agent　　　6.6.2　BigQueryデータキャンバス（Data Canvas）　　　6.6.3　会話型分析とConversational Analytics API　　6.7　まとめ
　7章　Gemini Enterprise Agent Platformによるモデル開発の実践
　　7.1　はじめに　　　7.1.1　前提条件　　7.2　ハンズオンの準備：データと環境のセットアップ　　　7.2.1　BigQueryデータセットの作成　　　7.2.2　BigQuery SQLワークスペースでのクエリ実行　　7.3　ノーコードでの挑戦：AutoMLによる高速なモデル開発　　　7.3.1　手順1：Agent Platformデータセットの作成（BigQueryから直接）　　　7.3.2　手順2：モデルのトレーニングを開始する　　　7.3.3　手順3：トレーニングの詳細設定　　　7.3.4　手順4：モデルの評価と解釈　　　7.3.5　手順5：（オプション）バッチ予測の実行　　7.4　コードベースでの探求：インタラクティブな開発環境　　　7.4.1　ハンズオン：Workbench / Colab EnterpriseでのMLワークフロー　　7.5　トレーニングの本格化：Agent Platform Managed Trainingによるサーバーレス実行　　　7.5.1　LightGBMモデルのカスタムトレーニング（CPU）　　　7.5.2　さらなるスケールアップ：複数ワーカー構成（分散学習の入口）　　　7.5.3　最適なモデルを自動で探索：ハイパーパラメーターチューニング　　　7.5.4　発展：ディープラーニングモデルでの挑戦（GPU）　　7.6　実行の自動化：Cloud Schedulerによる定期実行　　　7.6.1　Cloud SchedulerによるCustom Trainingジョブの定期実行　　　7.6.2　スケジュールされた実行（旧称：ノートブックの定期実行）　　7.7　ツールの使い分けと考え方　　　7.7.1　Agent Platform開発ツールの使い分け　　　7.7.2　Custom TrainingにおけるCPUとGPUの使い分け　　7.8　発展ハンズオン：画像分類モデルの構築　　　7.8.1　準備とAgent Platformへの登録　　　7.8.2　AutoMLとCustom Trainingでの学習　　7.9　リソース削除まとめ　　7.10　まとめ　　　7.10.1　学習からデプロイまでの全体像　　　7.10.2　MLOpsの世界へ　　　7.10.3　次のステップ
　8章　機械学習パイプラインによるMLOpsの実現
　　8.1　はじめに　　8.2　MLOpsのモチベーションと必要な構成要素　　8.3　Agent Platform PipelinesにおけるSDKの選択　　8.4　環境構築　　　8.4.1　必要なライブラリのインストール　　　8.4.2　Agent Platform API（旧称：Vertex AI API）の有効化　　8.5　Agent Platform Pipelinesを活用した機械学習パイプラインの構築　　　8.5.1　アーティファクトとは　　　8.5.2　必要なライブラリのインポートとプロジェクト情報の設定　　　8.5.3　パイプラインの定義　　　8.5.4　各種コンポーネントの定義　　　8.5.5　パイプラインのコンパイル　　　8.5.6　パイプラインをAgent Platform Pipelinesで実行する　　　8.5.7　実行結果を確認する　　8.6　Agent Platform ML Metadataでアーティファクトと履歴を管理する　　8.7　コンテナ化されたPythonコンポーネントを作成する　　　8.7.1　ディレクトリ構成　　　8.7.2　ヘルパーモジュールの作成　　　8.7.3　コンポーネント本体の作成　　　8.7.4　コンテナイメージのビルド　　　8.7.5　パイプラインの定義　　　8.7.6　パイプラインのコンパイルと実行　　8.8　Agent Platform Experimentsを用いた実験管理　　8.9　スケジューラを用いて定期実行をしてみよう　　8.10　まとめ　　　8.10.1　次のステップ
　9章　Agent Platform Inferenceを用いた予測基盤の構築
　　9.1　はじめに　　9.2　Agent Platform Inferenceの概要　　　9.2.1　バッチ予測とオンライン予測　　　9.2.2　どちらを選ぶべきか：ユースケース別ガイド　　　9.2.3　Agent Platform Endpointsとは　　　9.2.4　事前構築済み予測コンテナとは　　　9.2.5　本章で実装する内容　　9.3　環境構築　　　9.3.1　Pythonのバージョン確認　　　9.3.2　必要なライブラリのインストール　　　9.3.3　環境変数の設定　　　9.3.4　8章で作成したリソースの確認　　9.4　バッチ予測の実装　　　9.4.1　Batch Prediction Jobの仕組み　　　9.4.2　バッチ予測の実装　　　9.4.3　バッチ予測の入力データ形式　　　9.4.4　予測用データの準備　　　9.4.5　バッチ予測ジョブの作成と実行　　　9.4.6　バッチ予測結果の確認　　9.5　Endpointの作成とモデルのデプロイ　　　9.5.1　Endpoint作成の概要　　　9.5.2　2つのデプロイ方法　　　9.5.3　パイプラインコンポーネントを使用したデプロイ　　　9.5.4　デプロイパラメーター　　　9.5.5　デプロイ結果の確認　　9.6　オンライン予測の実装　　　9.6.1　オンライン予測の入出力スキーマ　　　9.6.2　オンライン予測の実装　　　9.6.3　Endpointの取得　　　9.6.4　前処理関数の実装　　　9.6.5　Python SDKを使用したオンライン予測　　　9.6.6　予測結果の解釈　　　9.6.7　オンライン予測スクリプトの実行　　9.7　コスト最適化とスケーリング　　　9.7.1　バッチ予測とオンライン予測のコスト比較　　　9.7.2　マシンタイプの選択　　9.8　リソースのクリーンアップ　　9.9　まとめ　　　9.9.1　次のステップ
　10章　Gemini Enterprise Agent Platformにおける生成AIサービス
　　10.1　はじめに　　10.2　Agent Platformと生成AI：進化するプラットフォーム　　　10.2.1　Agent Platform上で利用可能な主要生成AIモデル　　10.3　生成AIモデルの手軽な試行とカスタマイズ：Agent Studio　　　10.3.1　主な機能　　　10.3.2　Geminiをテストする　　　10.3.3　メディアコンテンツを生成する　　　10.3.4　独自データでGeminiをチューニングする　　10.4　多様な生成AIモデルの発見と利用：Model Garden　　　10.4.1　Model Gardenを利用したモデルの発見から活用まで　　10.5　まとめ　　　10.5.1　次のステップ
　11章　Google ADKを用いたAIエージェント開発
　　11.1　はじめに　　11.2　Google CloudにおけるAIエージェント開発　　　11.2.1　Google ADK (Agent Development Kit) とは　　　11.2.2　Agent Runtimeとは　　　11.2.3　Gemini Enterpriseアプリとは　　　11.2.4　ADKエコシステムの全体像　　　11.2.5　本章で構築するエージェント　　11.3　環境構築　　　11.3.1　Python環境のセットアップ　　　11.3.2　ADKのインストール　　　11.3.3　プロジェクトの作成　　　11.3.4　Google Cloudプロジェクトの設定　　11.4　Google ADKでエージェント開発　　　11.4.1　ADKの組み込みツール　　　11.4.2　BigQueryToolset の設定　　　11.4.3　エージェントの定義　　　11.4.4　__init__.py の編集　　　11.4.5　ローカルでのテスト　　11.5　Agent Runtimeへのデプロイ　　　11.5.1　デプロイの準備　　　11.5.2　デプロイの実行　　　11.5.3　デプロイ後のテスト　　　11.5.4　セッション管理　　11.6　Gemini Enterpriseアプリとの連携　　　11.6.1　Gemini Enterpriseアプリの作成　　　11.6.2　エージェントの追加　　11.7　まとめ　　　11.7.1　ADKの概要とエージェントタイプ　　　11.7.2　組み込みツールによるエージェントの機能拡張　　　11.7.3　エージェントの定義と実装　　　11.7.4　ローカル環境でのテストとデバッグ　　　11.7.5　Agent Runtimeへのデプロイ　　　11.7.6　Gemini Enterpriseアプリとの連携　　　11.7.7　次のステップ
第Ⅱ部　実践編
　12章　Agent Platform WorkbenchとAgent Platform AutoMLによる機械学習の実践
　　12.1　はじめに　　　12.1.1　前提条件　　　12.1.2　仮定するシナリオ　　　12.1.3　本章で構築するシステム　　　12.1.4　本章の流れ　　12.2　データの確認　　　12.2.1　Agent Platform Workbenchの準備　　　12.2.2　データの確認　　12.3　モデルの学習、推論と精度評価　　　12.3.1　データの読み込みと前処理　　　12.3.2　特徴量と目的変数の作成　　　12.3.3　交差検証の設定　　　12.3.4　モデルの学習　　　12.3.5　特徴量重要度の確認　　12.4　推論システムの開発　　　12.4.1　推論システムの要件とサービス選定　　　12.4.2　AutoMLでの学習の準備　　　12.4.3　AutoMLの学習用データセットの作成　　　12.4.4　AutoMLによるモデルの学習　　　12.4.5　AutoMLによる推論　　　12.4.6　推論ジョブの定期実行の設定　　　12.4.7　このセクションのまとめ　　12.5　まとめ
　13章　Agent Platform Vizierによるベイズ最適化
　　13.1　はじめに　　　13.1.1　前提条件　　13.2　最適化の試行錯誤を効率化するために　　13.3　ベイズ最適化のメカニズムとVizierの役割　　　13.3.1　ベイズ最適化：少ない試行で最適解を特定する技術　　　13.3.2　Vizierのアーキテクチャ：最適化サービスと実行リソース　　　13.3.3　数理的背景：ブラックボックス最適化の核心　　13.4　ハンズオンの準備：ビル環境シミュレーターの構築　　　13.4.1　手順1：開発環境の用意　　　13.4.2　手順2：シミュレーターの実装　　13.5　最適化：Vizierによる段階的アプローチ　　　13.5.1　ステップ1：初級編 - 1項目入りのグリッドサーチ　　　13.5.2　ステップ2：中級編 - 2項目のベイズ最適化　　　13.5.3　ステップ3：上級編 - 多変数および多目的最適化の同時攻略　　　13.5.4　最適化戦略の比較：検索アルゴリズムの選択と特性　　13.6　サロゲートモデルによる解析：「ブラックボックス」を解明する　　　13.6.1　Agent Platform Experimentsによる比較と分析　　　13.6.2　サロゲートモデルによる詳細解析（scikit-learnの活用）　　13.7　まとめ　　　13.7.1　発展的な課題：最適化フレームワークの選択　　　13.7.2　「見えないコスト」：トータルコスト（TCO）の観点
　14章　BigQueryで呼び出したGeminiによる会話情報のカテゴライズ
　　14.1　はじめに　　　14.1.1　前提条件　　14.2　サンプルデータの作成　　　14.2.1　Agent Studioへのアクセス方法　　　14.2.2　サンプルデータ作成プロンプト　　　14.2.3　Geminiの出力結果　　　14.2.4　サンプルデータのアップロード　　14.3　Geminiを用いたカテゴライズ　　　14.3.1　AI.GENERATE関数によるGemini呼び出し　　　14.3.2　会話データとの照合　　14.4　定期実行を設定する　　　14.4.1　サンプルデータの追加　　　14.4.2　スケジュールされたクエリ設定　　14.5　まとめ
　15章　BigQuery MLとGeminiによる画像データの分析
　　15.1　はじめに　　　15.1.1　前提条件　　　15.1.2　この章のスコープ　　　15.1.3　The Metデータセット　　　15.1.4　分析の流れ　　15.2　データの確認と分析内容の検討　　　15.2.1　BigQueryからのデータ確認　　　15.2.2　Cloud Storageからの画像確認　　　15.2.3　分析対象のフィルタリング　　　15.2.4　分析内容の検討とラベルの定義　　15.3　Geminiを用いた画像ラベリング　　　15.3.1　Agent Studioでのプロンプト検証　　　15.3.2　BigQuery MLによるバッチ推論　　　15.3.3　ラベリング結果の確認　　15.4　画像データの分析　　　15.4.1　スプレッドシートへの接続　　　15.4.2　国地域、年代別の作品数分布　　　15.4.3　国地域別の被写体傾向　　　15.4.4　年代別の感情変化　　15.5　まとめ
　16章　BigQuery GIS（地理情報分析）とPlace Insightsの融合
　　16.1　はじめに　　16.2　BigQuery GIS　　　16.2.1　GEOGRAPHY型　　　16.2.2　主要なGIS関数　　16.3　空間インデックス　　16.4　Place Insights　　　16.4.1　主なユースケース　　　16.4.2　Place Insightsのスキーマ　　　16.4.3　ハイブリッドアーキテクチャ：BigQueryとPlaces APIの融合　　　16.4.4　Data Clean Roomsによる安全な統合　　　16.4.5　なぜPlace Insightsなのか？　　16.5　Place Insightsデータの基本操作とクエリ　　　16.5.1　集計ベースの分析：PLACES_COUNT_PER_H3関数の活用　　　16.5.2　H3セルインデックスによる高速集計　　　16.5.3　適合性スコア（Suitability Score）の算出　　　16.5.4　時系列分析と再現性：snapshot_dateの活用　　　16.5.5　実践的なサンプルクエリの解説　　16.6　実践：多様なビジネスへの地理情報活用　　　16.6.1　地理空間ビッグデータが変える多角的なビジネス活用　　　16.6.2　実践的に深掘りする主要ユースケース　　　16.6.3　分析からアクションへのフロー　　16.7　高度な空間分析とインサイトの抽出　　　16.7.1　空間クラスタリング（エリアの特性把握）　　　16.7.2　インサイトの可視化　　16.8　まとめ
　17章　Agent Platform Feature Storeによる特徴量管理
　　17.1　はじめに　　　17.1.1　前提条件　　17.2　Feature Storeが向き合う課題と役割　　　17.2.1　Feature Storeによる解決　　17.3　Agent Platform Feature Storeのアーキテクチャ　　　17.3.1　リソース階層　　　17.3.2　BigQueryとの関係　　17.4　環境構築　　　17.4.1　Colab Enterpriseの準備　　　17.4.2　プロジェクト設定　　　17.4.3　ノートブックの構成　　17.5　特徴量の設計　　　17.5.1　サンプルデータセット：NYC TLC Taxi Trips　　　17.5.2　Entityの決定　　　17.5.3　feature_timestampによる特徴量のバージョン管理　　　17.5.4　集計クエリの定義　　　17.5.5　BigQueryテーブルの作成　　17.6　FeatureOnlineStoreの作成　　17.7　FeatureViewの作成　　　17.7.1　Feature Registryを経由して作成　　17.8　データ同期　　17.9　定期的なデータ同期の設定　　　17.9.1　スケジュール同期と継続的同期の作成　　17.10　同期方式の選択と運用　　　17.10.1　同期方式の比較　　17.11　学習時の特徴量取得　　　17.11.1　学習時と推論時で同じデータソースを参照する仕組み　　17.12　推論時のオンラインサービング　　　17.12.1　Online Serving APIによる特徴量取得　　　17.12.2　特徴量の取得元の整理　　17.13　Feature Monitoringによるドリフト検出　　　17.13.1　Feature Monitoringの概要　　　17.13.2　FeatureMonitorの作成　　　17.13.3　Feature Monitoring Jobの実行（ベースライン取得）　　　17.13.4　ドリフトのシミュレーションと結果の可視化　　17.14　クリーンアップ　　17.15　まとめ　　　17.15.1　本章で学んだこと　　　17.15.2　次のステップ
　18章　Dataformを用いたMLパイプラインの構築
　　18.1　はじめに　　18.2　Dataformとは　　　18.2.1　Dataformのコンポーネント　　　18.2.2　サービスアカウントの設定　　　18.2.3　リポジトリ、開発ワークスペースの作成　　18.3　開発ワークスペースの初期化　　　18.3.1　初期状態のディレクトリとファイル　　18.4　BigQuery MLパイプライン構築　　　18.4.1　サンプルデータ　　　18.4.2　workflow_settings.yamlの変更　　　18.4.3　データソースの宣言　　　18.4.4　データセットの前処理　　　18.4.5　モデルの学習　　　18.4.6　モデルの評価　　　18.4.7　クエリのプレビュー　　18.5　ワークフローの実行とスケジューリング　　　18.5.1　オンデマンド実行　　　18.5.2　ファイルのコミットとプッシュ　　　18.5.3　リリース構成の作成　　18.6　まとめ
　19章　Gen AI Evaluation ServiceによるLLMとAIエージェントの品質評価
　　19.1　はじめに　　19.2　LLM-as-a-Judgeの概要と必要性　　　19.2.1　LLM-as-a-Judgeのメリット　　　19.2.2　評価基準の設計　　　19.2.3　導入時の注意点と評価データセットの構築　　19.3　Gen AI Evaluation Serviceとは　　　19.3.1　評価の2つのアプローチ　　　19.3.2　評価方式：ポイントワイズとペアワイズ　　19.4　組み込み評価指標の紹介　　　19.4.1　適応型ルーブリック（Adaptive Rubrics）　　　19.4.2　静的ルーブリック（Static Rubrics）　　　19.4.3　計算ベースのメトリクス　　19.5　独自の評価指標の導入　　　19.5.1　カスタムプロンプト　　　19.5.2　カスタム関数　　19.6　環境構築　　　19.6.1　環境の準備　　　19.6.2　ライブラリのインストールと認証　　19.7　評価対象データセットの準備　　　19.7.1　データセットの構造とカラム　　　19.7.2　データセットの作成　　　19.7.3　データセット設計のベストプラクティス　　19.8　単一出力に対しての評価　　　19.8.1　推論の実行　　　19.8.2　単一メトリクスでの評価　　　19.8.3　複数メトリクスでの評価　　　19.8.4　モデルの比較評価　　　19.8.5　バッチ評価　　19.9　エージェントの評価　　　19.9.1　エージェント評価の特徴　　　19.9.2　評価対象エージェントの準備　　　19.9.3　Agent Engineへのデプロイ　　　19.9.4　評価データセットの作成　　　19.9.5　推論と評価の実行　　　19.9.6　評価結果の確認　　　19.9.7　クリーンアップ　　19.10　まとめ　　　19.10.1　単一生成の評価　　　19.10.2　エージェントの評価
　付録A　環境セットアップ
　　A.1　はじめに　　A.2　開発環境のセットアップ　　　A.2.1　gcloud CLIのインストール　　　A.2.2　Pythonパッケージマネージャーuvの導入　　A.3　gcloud CLIクイックリファレンス　　　A.3.1　認証、プロジェクト設定　　　A.3.2　APIの有効化　　　A.3.3　IAMとサービスアカウント　　　A.3.4　Cloud Storage（GCS）　　A.4　まとめ
　あとがき
　　謝辞　　執筆を終えて
　著者紹介
　奥付

Content preview from Google CloudではじめるAI/ML入門 ―ハンズオンで学ぶデータ基盤、分析、エージェント開発

●著者紹介

藤森立（ふじもりりゅう）

AI・データエンジニア。AI、データ、クラウド技術を横断し、技術基盤の高度化とAI活用による価値創出に取り組む。Google Developer Expert、Jagu'e'r AI/ML分科会リードとして、実践に根ざした知見の共有を通じ、技術普及とコミュニティ形成を推進している。

岡安優（おかやすまさる）

株式会社VLOOMY代表取締役。東京大学大学院卒業。CUDAエンジニア、機械エンジニア、経営アナリスト、データサイエンティストを経て、株式会社VLOOMYを創業、AIエージェントプロダクトの開発に従事。Jagu'e'r運営リード、Google Cloud ExpertとしてGoogle Cloudの活用促進を広げる啓蒙活動を積極的に推進している。

原和希（はらかずき）

AI/MLエンジニア。IT企業に入社後、Vertex AIを活用したMLOpsシステムの構築や機械学習モデルの開発など、複数の機械学習プロジェクトに従事。現在は、生成AIを活用したプロダクト開発や社内の業務効率化の推進に注力している。また、Google Developer Experts (Cloud/AI)としても活動し、登壇や技術記事などを通じて、自身の知見を技術コミュニティに発信している。

徳山健斗（とくやまけんと）

情報科学博士。AIエンジニアとして、最先端技術の高度化と社会実装を牽引。技術コミュニティの活性化にも注力しており、異業種データサイエンス研究会の共同代表を務めるほか、人工知能学会や情報計算生物学会での研究会発足にも参画。研究と実装の知見を活かし、産業と学術の双方からAI活用を推進している。

●寄稿者紹介

堂原竜希（どうはらりゅうき） ...

Become an O’Reilly member and get unlimited access to this title plus top books and audiobooks from O’Reilly and nearly 200 top publishers, thousands of courses curated by job role, 150+ live events each month,
and much more.

Read now

Unlock full access

More than 5,000 organizations count on O’Reilly

O’Reilly covers everything we've got, with content to help us build a world-class technology community, upgrade the capabilities and competencies of our teams, and improve overall team performance as well as their engagement.

Julian F.

Head of Cybersecurity

I wanted to learn C and C++, but it didn't click for me until I picked up an O'Reilly book. When I went on the O’Reilly platform, I was astonished to find all the books there, plus live events and sandboxes so you could play around with the technology.

Addison B.

Field Engineer

I’ve been on the O’Reilly platform for more than eight years. I use a couple of learning platforms, but I'm on O'Reilly more than anybody else. When you're there, you start learning. I'm never disappointed.

Amir M.

Data Platform Tech Lead

I'm always learning. So when I got on to O'Reilly, I was like a kid in a candy store. There are playlists. There are answers. There's on-demand training. It's worth its weight in gold, in terms of what it allows me to do.

Mark W.

Embedded Software Engineer

クラウドデータレイク ―無限の可能性があるデータを無駄なく活かすアーキテクチャ設計ガイド

Publisher Resources

ISBN: 9784814401741Publisher Website

Cloud Computing

Data Engineering

Data Science

AI & ML

Programming Languages

Software Architecture

IT/Ops

Security

Design

Business

Soft Skills