§1 ローコード AI ソリューションの設計
コードを最小限に AI を実装する手段（AutoML / 基盤モデル / API）の使い分けを問う。比重 ~13%。
🌳 意思決定ツリー
💾 BigQuery ML
BigQuery 内の SQL だけで ML モデルの作成・推論・評価を完結させる。
対応モデル種別
線形 / ロジ
linear_reg / logistic_reg。解釈性◎
Boosted Tree
XGBoost。テーブルデータで高精度
DNN
シンプルな多層
k-means
クラスタリング
ARIMA_PLUS
時系列予測（季節性・トレンド自動）
Matrix Factorization
推薦
AutoML Tables（埋め込み）
BQML から AutoML を呼ぶ
TensorFlow Import
外部 TF モデルをインポート
🆕 Remote Models
Gemini 等を BQ から呼ぶ
主要関数
-- 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. 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)
);
-- 4. 🆕 Gemini ファインチューニング（BigQuery 経由）
CREATE MODEL `project.dataset.tuned_gemini`
REMOTE WITH CONNECTION `project.us.vertex_conn`
OPTIONS (
endpoint = 'gemini-2.0-flash-001',
training_data = (SELECT prompt, expected_output FROM `project.dataset.train`),
tuning_method = 'supervised_fine_tuning'
);🤖 Agent Platform AutoML / Tabular Workflows
AutoML
データさえあればモデル自動構築・チューニング・評価・デプロイ。Tables / Image / Edge / Text / Video に対応。
🆕 Tabular Workflows
E2E パイプライン化された AutoML 上位互換。前処理・特徴量化・モデル選定・チューニングを 個別にカスタマイズ可能。
| 観点 | BigQuery ML | AutoML Tables | Tabular Workflows | Custom Training |
|---|---|---|---|---|
| インターフェース | SQL | UI / SDK | Pipeline | Python |
| 自動チューニング | △ | ◎ (NAS含む) | ◎ | 自分で実装 |
| カスタマイズ | × | × | △ ステップ単位 | ◎ |
| 第一候補 | データが BQ | コードレス + 中規模 | AutoML + 細制御 | フル制御 |
📡 業界別 API（プリビルト API）
Vision API
一般物体検出 / OCR / 顔・ランドマーク / 不適切コンテンツ
Document AI
請求書・領収書・身分証から 構造化抽出。Invoice / Receipt / W-2 / Custom Extractor
Translation API
100+ 言語、Advanced は Glossary 対応
Speech-to-Text
多言語音声認識
Text-to-Speech
多言語音声合成、複数の声質
Natural Language API
エンティティ抽出・感情分析・構文解析
🌟 基盤モデル & Model Garden
Google 製基盤モデル
Gemini Pro / Flash / Nano
マルチモーダル。Flash = 低レイテンシ低コスト、Nano = オンデバイス
Imagen
画像生成・編集（inpainting / outpainting / 超解像）
Veo
動画生成（短尺）
Chirp
多言語 ASR 基盤
Codey
コード生成（Gemini に統合中）
Embeddings
text-embedding-005 / multimodal-embedding。RAG に
Model Garden（カタログ）
Google 製 + OSS（Llama / Mistral / Stable Diffusion 等）を一元検索・1-click デプロイ。OSS モデルも マネージドエンドポイント として提供される MaaS あり。
⚡ Gemini ベースアプリの最適化（コスト / レイテンシ / 可用性）
| 戦略 | 効果 | 注意 |
|---|---|---|
| モデルサイズ選定（Flash 優先） | 単価 1/10 前後 | 単純タスクで Pro は過剰 |
| プロンプトキャッシング（2048+ トークンのプレフィックス） | キャッシュ部分 75% 割引 | TTL 5〜60 分 |
| コンテキストキャッシング（明示） | 長文プロンプト再利用 | 保管時間で課金 |
| Batch API（非同期） | 約 50% 割引 | レイテンシ要件なしジョブ向け |
| ファインチューニング | Flash + tuning で Pro 近い精度 | 初期コストあり |
| 構造化出力 / temperature 0 | 余分な解説削減 + 再試行不要 | 決定的タスク向け |
- Gemini Flash をデフォルト、必要時のみ Pro へ
- 同一リージョン にエンドポイントとアプリ配置
- ストリーミング応答（
stream_generate_content）でユーザー体感改善 - プロンプトキャッシング で固定部分の処理スキップ
- 最小プロンプト（不要な前置きを削る）
- マルチリージョン展開（us-central1, asia-northeast1 等）+ ルーティング
- モデルバージョン固定（
gemini-2.0-flash-001） - 指数バックオフ + リトライ
- フォールバックモデル（Pro が混雑なら Flash、または逆）
⚠️ 試験での頻出ひっかけ
| 問題文の示唆 | 不正解になりがち | 正解の方向 |
|---|---|---|
| "コードを書きたくない / ML 専門家がいない" | Custom Training | AutoML or BigQuery ML |
| "BigQuery に既存、SQL で処理中" | Dataflow + Custom Training | BigQuery ML |
| "請求書 PDF から品目・金額" | Vision API OCR | Document AI Invoice Parser |
| "多言語 FAQ チャットボット" | カスタム NLP | Gemini + RAG |
| "プロンプトで頭打ち、低レイテンシ要件" | Gemini Pro | Flash + ファインチューニング |
| "夜間バッチで OK、コスト最優先" | 同期 API | Batch API + Flash |
| "PII を含むテキストを Gemini に" | 直接送信 | DLP + VPC SC + Model Armor |
| "OSS Llama 3 を使う最簡単な方法" | 自前 GKE | Model Garden から 1-click |
📝 セルフチェック（5 問）
BigQuery に既存の購買データから解約予測モデルを最速で構築したい（SQL 得意なチーム）。
PDF 請求書 1 万通から品目・金額・日付を構造化抽出したい。
Gemini アプリのコスト削減として効果的なもの 2 つ：
頻繁に更新される社内 FAQ のチャットボット。鮮度と精度の両立に最適：
BigQuery から Gemini をファインチューニングする際の構文の概要：