セクション1 基礎 — ローコードAIソリューションの設計
📘 対象：新人エンジニア。各サービスの「何ができるか」と「いつ使うか」をまず1行で言える状態を目指す。
1. ローコードとは何か
ローコード AI = "モデルを自前で書かない" 道筋すべて。
コード量 多 ←──────────────────────────────────────────────→ 少
[Custom Training] [Tabular Workflows] [AutoML] [BigQuery ML] [Pre-built API] [Model Garden basis model]
選定の鉄則：
- 既製の API で解ける → Vision / Document AI / Translate API などをまず検討
- データは BigQuery にある + SQL でいける → BigQuery ML
- 画像・テキストなどでマルチモーダル or 凝った構造 → Agent Platform AutoML
- 生成 AI で済むタスク → Model Garden の Gemini / Imagen / Veo
- そのいずれでも要件を満たせない → カスタム訓練（セクション3で扱う）
2. BigQuery ML
できること
- BigQuery の SQL だけで ML モデルの作成・推論・評価
- 対応モデル：線形回帰 / ロジスティック回帰 / DNN / Boosted Tree (XGBoost) / k-means / ARIMA_PLUS (時系列予測) / AutoML Tables / Matrix Factorization (推薦) / PCA / TensorFlow モデルのインポート
- 🆕
ML.GENERATE_TEXT関数で Gemini を呼び出す（プロンプト推論） - 🆕 Gemini モデルのファインチューニング（
CREATE MODEL ... REMOTE）
基本的なフロー
-- 1. モデル作成
CREATE OR REPLACE MODEL `project.dataset.my_model`
OPTIONS (model_type='logistic_reg', input_label_cols=['target'])
AS SELECT * FROM `project.dataset.train_data`;
-- 2. 予測
SELECT * FROM ML.PREDICT(
MODEL `project.dataset.my_model`,
(SELECT * FROM `project.dataset.test_data`)
);
-- 3. 評価
SELECT * FROM ML.EVALUATE(MODEL `project.dataset.my_model`);
-- 4. Gemini 呼び出し（生成AI）
SELECT ml_generate_text_result
FROM ML.GENERATE_TEXT(
MODEL `project.dataset.gemini_remote_model`,
(SELECT prompt FROM `project.dataset.prompts`),
STRUCT(0.2 AS temperature, 256 AS max_output_tokens)
);
強み
- データ移動なし（BigQuery 内で完結）
- SQL だけで書ける = データエンジニアでも書ける
- スケジュールクエリで再訓練を自動化しやすい
弱み
- 画像・音声など非構造化データは不向き（テキストは embeddings 経由で可能）
- 複雑な NN アーキテクチャは作れない（DNN は限定的）
3. Agent Platform AutoML（旧 Vertex AI AutoML）
できること
- データセットをアップロードするだけでモデル自動構築・チューニング・評価・デプロイ
- 対応領域：
- AutoML Tables / Tabular Workflows（構造化データの分類・回帰・予測）
- AutoML Image / Edge（画像分類・物体検出・セグメンテーション）
- AutoML Text（テキスト分類・エンティティ抽出・感情分析）— Gemini に置き換わりつつあり
- AutoML Video（動画分類・物体追跡）
基本的なフロー
- データセット作成（GCS / BigQuery からインポート）
- モデル訓練（タスク選択・予算時間設定）
- 評価（自動で精度メトリクスが出る）
- デプロイ（エンドポイント作成、トラフィック割り当て）
強み
- ML 知識が浅くても本番品質に近いモデルを得られる
- 非構造化データ（画像・動画）でも数クリックで動く
弱み
- BigQuery ML より高コスト（訓練に時間課金）
- 内部のアーキテクチャはブラックボックス（解釈性は Explainable AI で補う）
4. 業界別 API（プリビルト API）
| API | 用途 | 代表的なケース |
|---|---|---|
| Vision API | 画像認識 | OCR、ラベル付け、顔/ランドマーク検出、不適切コンテンツ検出 |
| Document AI | 文書理解 | 請求書・領収書・身分証から 構造化データ抽出、フォーム解析 |
| Translation API | 翻訳 | 100+ 言語の翻訳、ドメイン特化は AutoML Translation |
| Speech-to-Text | 音声 → 文字 | 文字起こし、コールセンター録音解析 |
| Text-to-Speech | 文字 → 音声 | IVR、読み上げ |
| Natural Language API | テキスト解析 | エンティティ抽出、感情分析、構文解析 |
鉄則
- 既製で十分なら必ずプリビルト API。自前モデル開発は最終手段
- 業界別 API は マルチリージョン対応、ペイメント・ヘルスケアなど規制対応、SLA 99.9%+
5. 基盤モデル & Model Garden
Model Garden とは
- Google 製 (Gemini / Imagen / Veo / Chirp) と OSS（Llama, Mistral, Stable Diffusion 等）を 一元検索・デプロイできるカタログ
- "Models as a Service (MaaS)" としてエンドポイント提供されるものもある
Google 製モデル
| モデル | 特徴 | 主用途 |
|---|---|---|
| Gemini (Pro / Flash / Nano) | マルチモーダル（テキスト・画像・音声・動画・コード） | チャット、要約、抽出、翻訳、分類、コード生成 |
| Imagen | 画像生成・編集 | 商品画像生成、修正 (inpainting / outpainting)、超解像 |
| Veo | 動画生成 | 短尺動画コンテンツ |
| Chirp | 音声認識基盤モデル | 多言語 ASR |
| Codey | コード生成（Gemini に統合中） | コード補完、リファクタ |
Gemini の主要バリアント
- Gemini Pro：標準的な品質・コストバランス
- Gemini Flash：低レイテンシ・低コスト、シンプルなタスクに最適
- Gemini Nano：オンデバイス向け（モバイル/エッジ）
- Gemini Ultra / Pro 1.5 / 2.0 など：長コンテキスト（数百万トークン）
基本的な呼び出し（Python SDK）
from google import genai
client = genai.Client(project="my-project", location="us-central1")
response = client.models.generate_content(
model="gemini-2.0-flash-001",
contents="Summarize this support ticket: ...",
config={"temperature": 0.2, "max_output_tokens": 256},
)
print(response.text)
6. 「ローコードでどこまで行けるか」の判断軸
| 課題 | 第一候補 | 理由 |
|---|---|---|
| BigQuery にある顧客テーブルから解約予測 | BigQuery ML (logistic_reg or boosted_tree) | データ移動不要・SQL のみ |
| 商品画像の自動タグ付け（100カテゴリ・既存タグあり） | AutoML Image | 高精度・データを集めるだけで動く |
| 商品画像の汎用ラベル（一般的なオブジェクト検出） | Vision API | 訓練不要、API 呼ぶだけ |
| 請求書 PDF から品目・金額を抽出 | Document AI（Invoice processor） | 業界別プリトレインモデルあり |
| 多言語 FAQ の自動応答 | Gemini + RAG | 訓練不要、長コンテキスト活用 |
| 商品レビューの感情分析（5,000件） | BigQuery ML + Gemini (ML.GENERATE_TEXT) |
SQL ワンライナーで分析 |
| 自社ドメイン特化の専門用語を含む回答が必要 | Gemini ファインチューニング | プロンプトでは精度不足 |
7. このセクションで覚えておく重要キーワード（基礎）
- BigQuery ML：SQL で ML、
CREATE MODEL/ML.PREDICT/ML.EVALUATE/ML.GENERATE_TEXT - Agent Platform AutoML：データセット + 1クリック訓練
- Model Garden：Google 製 + OSS モデルの統合カタログ
- Gemini：マルチモーダル基盤モデル (Pro / Flash / Nano)
- Document AI：文書から構造化抽出（請求書・身分証など特化版あり）
- Vision API / Translation API：プリビルト API
次は 02_応用.md で「コストと精度のトレードオフをどう選ぶか」「Gemini のコスト最適化」を扱います。