Generative AI Leader 認定試験範囲の解説

Transcript

1. Generative AI Leader 認定試験範囲の解説
2. 自己紹介 - 概要 • クラウドエース株式会社　廣瀬 隆博 • Google Cloud 歴 3 年 4 カ月（2025 年 11 月現在） ◦ Google Cloud Partner Top Engineer 2024 ◦ Google Cloud Partner All Certification Holders 2025 ◦ Google Cloud 認定トレーナー @taka_hirose
3. 自己紹介 - ブログ • Google Cloud 認定資格の解説記事をコンプリートすべく執筆中 ◦ 3 か月に 1 記事を目標 ◦ 公開済み ▪ [2023/3Q] 日本語化された Professional Cloud DevOps Engineer 認定試験範囲の解説 ▪ [2024/1Q] Professional ChromeOS Administrator 認定試験範囲の解説 ▪ [2024/2Q] Professional Google Workspace Administrator 認定試験範囲の解説 ▪ [2024/3Q] Professional Machine Learning Engineer 認定試験範囲の解説 ▪ [2025/2Q] Professional Cloud Developer 認定試験範囲の解説 ▪ [2025/2Q] Professional Cloud Database Engineer 認定試験範囲の解説 ▪ [2025/3Q] Associate Google Workspace Administrator 認定試験範囲の解説 ▪ [2025/3Q] Generative AI Leader 認定試験範囲の解説 　<- 今日はココ！ ▪ [2025/3Q] Professional Chrome Enterprise Administrator 認定試験範囲の解説 ◦ 予定 ▪ [2025/4Q] Professional Security Operations Engineer 認定試験範囲の解説
4. Generative AI Leader 認定試験範囲の解説
5. 普段から 「ブログを書いたら社内勉強会」 やってます
6. GAIL は 60 分で社内勉強会やりました ちょっと短縮して 20 分で 本試験の概要をお伝えします！
7. 試験範囲の概要 • 生成 AI がビジネスをどのように変革し、その中でどのように活用できるか • 技術的な実装ではない • 組織への AI 導入を加速させるための知識が問われる
8. 生成 AI の基礎
9. 生成 AI の基礎 • 従来の AI ◦ 与えられたデータをカテゴリごとに分類したり、データの傾向から将来を予測するためのもの
10. 生成 AI の基礎 • 生成 AI ◦ ユーザーからのテキストや画像での指示（以下、プロンプト）に応じて、これまで世の中になかった 新しいコンテンツを生成
11. 生成 AI の基礎 • Google の生成 AI モデル ◦ Gemini（ジェミニ・ジェミナイ） ▪ Google のフラッグシップ モデルであり、汎用的な 基盤モデル として、とても強力な性能を発 揮する
12. 生成 AI の基礎 • Google の生成 AI モデル ◦ Gemma（ジェマ） ▪ Gemini と同じ技術基盤から作られた、軽量でオープンなモデル
13. 生成 AI の基礎 • Google の生成 AI モデル ◦ Imagen（イマジェン） ▪ 写実性と表現の忠実性を追求した、高品質な画像生成モデル
14. 生成 AI の基礎 • Google の生成 AI モデル ◦ Veo ▪ テキストや画像の指示から、高品質で長時間の動画を生成するモデル
15. 生成 AI の基礎 • 機械学習とは ◦ 教師あり学習 ▪ データに答え（ラベル）を与え、特徴を分析させる
16. 生成 AI の基礎 • 機械学習とは ◦ 教師なし学習 ▪ データに答えを与えず、特徴を分析させる
17. 生成 AI の基礎 • 機械学習とは ◦ 強化学習 ▪ 特定のルールに従った行動を繰り返させて、より良い結果が出るように学習する
18. 生成 AI の基礎 • 構造化データ ：表形式みたいな整理されたデータ • 非構造化データ ：画像やテキストファイルみたいな整理されてないデータ 構造化データ 非構造化データ
19. 生成 AI の基礎 • 機械学習のライフサイクル ◦ データ準備 ▪ いわゆる「前処理」ってやつ、一番しんどい
20. 生成 AI の基礎 • 機械学習のライフサイクル ◦ モデルのトレーニング ▪ ザ・機械学習
21. 生成 AI の基礎 • 機械学習のライフサイクル ◦ モデルのデプロイ ▪ 学習した結果をシステムに反映する工程 デプロイ 学習結果
22. 生成 AI の基礎 • 機械学習のライフサイクル ◦ モデルの管理 ▪ 更新履歴の管理的なやつ 最新 1 つ前 2 つ前
23. Google Cloud の 生成 AI に関する取り組み
24. Google Cloud の生成 AI に関する取り組み • AI ファースト ◦ 2016 年 Google「AI って、今後くるよね！スマホより AI に注力するよ！！」
25. Google Cloud の生成 AI に関する取り組み • 責任ある AI ◦ AI が 「なぜこの答えになったのか」責任を持って説明するよ！
26. Google Cloud の生成 AI に関する取り組み • 安全な AI ◦ 情報漏洩を防ぎます！
27. Google Cloud の生成 AI に関する取り組み • プライベートな AI ◦ そもそも、近寄らせない！
28. Google Cloud の生成 AI に関する取り組み • 信頼性の高い、スケーラブルな AI ◦ 簡単には止まらない！強い！
29. Google 生成 AI サービス
30. Gemini アプリ • 生成 AI と言われてみんなが想像するやつ ◦ 生成 AI モデル名が Gemini であり、それを用いた Web アプリケーションが Gemini アプリ ◦ Gemini 以外のモデルも使えます！
31. Gem • Gemini を自分好みにカスタマイズ ◦ 活用例 ▪ ブログ記事をレビューさせる ▪ 英文を翻訳させる ▪ ビジネスメールを校正させる Google も提供しているの ですぐに試せる
32. NotebookLM • 事前に様々な情報を与えておき、その内容を用いて生成 AI が回答してくれる ◦ 情報元 ▪ テキスト ▪ Web サイト ▪ PDF ▪ 動画 ▪ 音楽 ▪ Google Workspace ◦ 活用例 ▪ 就業規則集 ▪ 事例集 情報を 与える
33. Gemini Enterprise • 組織内の情報を横断的に検索し、回答を生成してくれる ◦ NotebookLM とは違い、「個別にソースを指定しなくても良い」点が便利 カレンダーの予定とか聞 いたら答えてくれる
34. Google Workspace with Gemini • Google Workspace と Gemini が統合されているから便利！ お礼メール案を 作らせたり
35. Vertex AI Studio・Google AI Studio • [Vertex AI Studio] 機械学習モデルの構築、デプロイ、管理を統合的に行うため のプラットフォームであり、Google Cloud 上で稼働する ◦ 開発者やデータ サイエンティストといったプロフェッショナル向けのサービス • [Google AI Studio] ブラウザだけで手軽に 生成 AI を試すことを目的としたサービス ◦ プログラム知識がなくても使用可能だが、 エンタープライズ向けの機能が不足している 手軽 高度
36. Contact Center as a Service • コール センターがサービス化されており、AI も活用できる ◦ 旧名称 : Contact Center AI Platform 画像引用元：Contact Center AI の活用でより多くのユーザーにリーチする: 2021 年まとめ
37. Vids • Google Workspace の一部として、手軽に動画を作成することができる ◦ モデルとしては Veo が動作しており、名前が少し似ていることから混同しないように注意
38. 基盤モデルの限界
39. データ依存症 • AI の出力する内容は、与えたデータに依存する ◦ 「Garbage In, Garbage Out（ゴミからはゴミしか生まれない）」という言葉がある ◦ できるだけ高品質なデータを与えることは常に意識しよう 高品質なデータを与え続ける
40. 知識のカットオフ • モデルがトレーニング データの終了後に発生したイベントに関する情報を欠いてい る状態を指す ◦ 機械学習のライフサイクルで解説したように、継続的にデータを準備してモデルをトレーニングし、 その結果をデプロイして品質を保ちましょう デプロイ 学習結果
41. バイアス • モデルがトレーニング データに含まれる「歪んだ視点」 や「不公平な表現」 を反映 することを指します ◦ 公平性が保たれたデータを準備してトレーニングするようにしましょう 公平なデータを与え続ける
42. エッジケース • 適切に処理できない可能性のある、「稀な」あるいは「通常とは異なる」 入力やシナ リオ ◦ 生成 AI は大量のデータからパターンを学習して新たなデータを出力しますが、そのデータにはほと んど含まれない稀な状況や、論理の穴には弱い特徴がある ◦ 無責任な結果が出力されないよう、安全性や信頼性の観点からもテストを重ねましょう 「まさか飛び出してくると は思わなかった」とは言 えませんよね
43. ハルシネーション • 生成 AI が「もっともらしい根拠と共に出力するが、事実とは異なるもの」を示します
44. 基盤モデルの限界に対処する
45. グラウンディング • 生成 AI に信頼できる情報源を与えることで回答の正確性を高めること ◦ グラウンディングの手法として、社内ドキュメントのようなデータソースを与え、その情報を元に出力 させる手法は 検索拡張生成（RAG） と呼ばれます。 この情報を元に回答して
46. プロンプト エンジニアリング • 例示 ◦ プロンプトに 例を与えるか否か で出力される結果をコントロールする ▪ Zero-Shot : 例を与えない、最もシンプルな形式であり、直接タスクを指示する • プロンプト例 : ◦ この文章を翻訳して ◦ この記事を要約して
47. プロンプト エンジニアリング • 例示 ◦ プロンプトに 例を与えるか否か で出力される結果をコントロールする ▪ One-Shot : 例を 1 つ与えることで、出力の方向性やフォーマットを限定する • プロンプト例 :
48. プロンプト エンジニアリング • 例示 ◦ プロンプトに 例を与えるか否か で出力される結果をコントロールする ▪ Few-Shot : 複数の例を与えることで、 One-Shot では難しい「独自の規則」に従った結果を 出力させる • プロンプト例 :
49. プロンプト エンジニアリング • 役割 ◦ 役割を明確に与えることで出力結果をコントロールします ▪ プロンプト例 : • あなたは採用面接官として、 新卒採用の応募者を評価する立場です ◦ 中途採用とは異なる観点での 回答に期待ができます
50. プロンプト エンジニアリング • 思考の連鎖 ◦ いきなり答えを求めるのではなく、段階的に説明させることで精度の向上を狙う ◦ 子供に勉強を教えるようなイメージ ▪ 問題の解き方を教える際には「考え方を順番に説明」して理解を促すが、同じイメージ 目的 質問 背景
51. プロンプト エンジニアリング • ファイン チューニング ◦ 既存の基盤モデルに、特定のデータセットなどを追加で学習させ、モデル自体を調整する ◦ 生成 AI の応答スタイルを特定の口調にしたり、専門用語への理解を深めたりするなど、生成 AI の 振る舞いを特定の用途に合わせてカスタマイズする 売上 原価 経費
52. プロンプト エンジニアリング • ヒューマン・イン・ザ・ループ ◦ AI と人間の知能を統合したワークフローを構築する ◦ 金銭を取り扱う業務など、特に正確性と結果の説明が必要なシステムに用いられます ▪ AI が出力した結果を人間がチェックし、問題なければワークフローを進めるような仕組み 画像引用元：【速報】Next Tokyo ’25 Day 2セッションレポート：freeeが目指す生成AI時代のデータ プラットフォーム戦略
53. プロンプト エンジニアリング • 温度 ◦ 出力される結果のランダム性を調整するための設定値 ▪ 0 に近づけると事実に基づくようになる • 法的な文章であれば温度を下げたほうが 事実に基づく結果が出力されやすい ▪ 1 に近づけるとランダムで創造的になる • 小説のアイデア出しような独創的な目的であれば、 温度を上げたほうが多くのアイデアが得られる 事実 独創
54. 終わりに
55. 生成 AI をキャッチアップしていない 私でも一発合格できたよ！ 気軽に挑んでね！！
56. おしまい