セクション1 要点と暗記 — ローコードAIソリューションの設計
🎯 試験直前に音読する用の凝縮版。意思決定ツリー、対比表、暗記カードを中心に。
🌳 意思決定ツリー（30秒で唱える）
タスクは「コード書かずに既存モデルでいけるか？」
├─ YES → 既製 API（Vision / Document AI / Translate / STT）
└─ NO →
├─ 生成系（テキスト/画像/動画）→ Model Garden（Gemini / Imagen / Veo）
│ └─ プロンプトで不足 → ファインチューニング（PEFT / LoRA）
├─ 構造化 & データは BigQuery → BigQuery ML
├─ 構造化 & コードレス & 中精度〜高精度 → AutoML Tables / Tabular Workflows
├─ 非構造化（画像/動画/テキスト）& コードレス → AutoML (Image/Video/Text)
└─ 上記いずれも不適 → カスタム訓練（§3）
🃏 暗記カード（Q→A）
| Q | A |
|---|---|
| BigQuery ML で時系列予測のモデルタイプは？ | ARIMA_PLUS |
| BigQuery ML で推薦システムに使うモデルタイプは？ | Matrix Factorization |
| BigQuery から Gemini を呼ぶ SQL 関数は？ | ML.GENERATE_TEXT() |
| BigQuery で embeddings を生成する関数は？ | ML.GENERATE_EMBEDDING() |
| BigQuery で Gemini をファインチューニングする構文は？ | CREATE MODEL ... REMOTE WITH CONNECTION ... |
| 請求書から品目・金額を抽出する API は？ | Document AI Invoice Parser |
| 一般的な物体検出は？（自前訓練なし） | Vision API |
| 自社用語を含む翻訳精度を上げるには？ | AutoML Translation または Glossary 機能 |
| 多言語 ASR の基盤モデル名は？ | Chirp |
| 画像生成の Google モデルは？ | Imagen |
| 動画生成の Google モデルは？ | Veo |
| Gemini の低レイテンシ・低コスト版は？ | Flash |
| Gemini のオンデバイス版は？ | Nano |
| Gemini で 2048+ トークンの固定プレフィックスを使う最適化は？ | プロンプトキャッシング（自動・75% 割引） |
| 長文プロンプトを明示的に再利用するには？ | コンテキストキャッシング（保管時間で課金） |
| 非同期一括処理で約 50% 安くする API は？ | Batch API |
| Vertex AI（Agent Platform）経由の Gemini はデータが学習に使われる？ | 使われない（コントラクト保証） |
| Model Garden は何のためのもの？ | Google 製 & OSS 基盤モデルの 一元カタログ |
📊 サービス対比表（A vs B）
BigQuery ML vs AutoML Tables
| 観点 | BigQuery ML | AutoML Tables |
|---|---|---|
| インターフェース | SQL | UI / SDK |
| データ場所 | BigQuery | GCS / BigQuery |
| 訓練コスト | クエリ計算量 | 時間課金（より高い） |
| 自動チューニング | 限定的（HPT は別） | フル AutoML（NAS含む） |
| 解釈性 | 線形・ツリーは明示的 | Explainable AI が自動付与 |
| 第一候補となるシナリオ | データが BQ にある & SQL で完結 | UI でやりたい / 解釈不要 |
Vision API vs AutoML Image
| 観点 | Vision API | AutoML Image |
|---|---|---|
| 訓練 | 不要（事前学習済み） | 必要（自社ラベル付きデータ） |
| 対応タスク | 一般物体・OCR・顔・ラベル等の 既製カテゴリ | カスタム分類・物体検出・セグメンテーション |
| コスト | API 呼び出し従量 | 訓練 + デプロイ |
| 用途 | "汎用ラベリングで十分" | "自社専用カテゴリで高精度" |
Document AI vs Vision API OCR
| 観点 | Document AI | Vision API OCR |
|---|---|---|
| 出力 | 構造化フィールド（金額・日付・品目） | 純粋なテキスト |
| ドメイン特化 | Invoice/Receipt/W-2 など特化版あり | 汎用のみ |
| 用途 | 帳票・身分証から 値を取り出したい | 単に文字を OCR したいだけ |
Gemini Flash vs Pro
| 観点 | Flash | Pro |
|---|---|---|
| 速度 | 非常に速い | 普通 |
| コスト | 1/10 前後 | 標準 |
| 精度 | 単純タスクで十分 | 複雑推論で優位 |
| 用途 | 要約・分類・抽出・チャット | 長文推論・コード生成・マルチステップ |
ファインチューニング vs RAG vs プロンプトエンジニアリング
| 観点 | プロンプト | RAG | ファインチューニング |
|---|---|---|---|
| コスト | 最低 | 中（検索基盤） | 高（チューニング+ホスティング） |
| 鮮度 | 学習時点 | リアルタイム | 学習時点 |
| ドメイン知識 | プロンプト次第 | 検索 corpus 次第 | モデルに焼き付く |
| 出力形式の安定 | 不安定 | 不安定 | 安定 |
| 第一候補となるシナリオ | まずはこれ | 社内ドキュメント参照 | 出力形式厳密 / 精度頭打ち |
🔥 頻出シナリオ → 即答パターン
| シナリオ | 即答 |
|---|---|
| データは BigQuery、SQL でモデル作成・予測したい | BigQuery ML |
| 商品レビュー10万件を BigQuery で感情分析 | ML.GENERATE_TEXT で Gemini Flash を呼ぶ |
| 請求書 PDF を解析して品目・金額を BigQuery に格納 | Document AI Invoice Parser → BQ |
| 多言語 SaaS の UI 翻訳（用語集あり） | Translation API Advanced + Glossary |
| 商品画像 5,000 枚で 50 カテゴリの分類器 | AutoML Image |
| 商品画像から一般的なラベル付け | Vision API |
| 社内 FAQ チャットボット | Gemini + RAG（Vector Search） |
| 業界特化の問い合わせ自動応答（精度頭打ち） | Gemini ファインチューニング |
| 夜間バッチで10万件要約、コスト最優先 | Batch API + Gemini Flash |
| 同一プロンプトプレフィックスで多数呼び出し | プロンプトキャッシング |
| 1日1回大量に同じドキュメントを参照 | コンテキストキャッシング |
| PII を含むテキストを LLM に渡したい | DLP で前処理 + VPC SC + Model Armor |
⚠️ ひっかけ警報
- 「コードを書きたくない」「ML 専門家がいない」 → Custom Training は不正解。AutoML / BigQuery ML / Pre-built API を選ぶ
- 「ドキュメントから値を抽出」 → Vision API ではなく Document AI
- 「BigQuery 内のテキストデータを LLM 処理」 → 外部 ETL ではなく
ML.GENERATE_TEXT - 「Gemini の低レイテンシ最適化」 → Pro を使い続ける ✗、Flash + プロンプトキャッシング ✓
- 「機微データ + LLM」 → 何もせず投入 ✗、DLP + VPC SC + Model Armor ✓
- 「OSS モデルを使いたい」 → 自前 GKE 構築 ✗、Model Garden に Llama / Mistral がある
- 「夜間バッチ・コスト最優先」 → 通常 API ✗、Batch API で約半額
📝 一行サマリー（このセクションのエッセンス）
既製で済むなら API、SQL で済むなら BQML、コードレスなら AutoML、生成系なら Model Garden。コードを書くのは最後の手段。