プレイブック

ビジネスユースケースに応じてAIの種類を区別する。

→コンテンツ作成（テキスト、画像、コード）には生成AIを使用する。既存データの分類、予測、分析には従来の識別AIを使用する。

理由: 生成AIは新しい独自のコンテンツを*作成*する。従来のAIは既存データを*分析*または*分類*する。これは基本的な概念である。

モデルをゼロから構築するか、事前学習済みのものを使用するかを決定する。

→大規模で多様なデータセットで事前学習された基盤モデル（例：Gemini）を活用し、特定のタスクに適応させる。

理由: 基盤モデルは、プロンプトまたはファインチューニングによって専門化できる強力な汎用ベースを提供することで、開発時間とリソースコストを大幅に削減する。

テキスト、画像、音声、または動画の組み合わせを理解し、処理する必要があるソリューション。

→Geminiのようなマルチモーダル基盤モデルを使用する。これは単一のプロンプトで異なるデータタイプを横断的に推論できる。

理由: マルチモーダルモデルは、データタイプごとに個別のモデルを組み合わせる複雑さを回避し、より高度なクロスドメイン理解を可能にする。

LLMが、もっともらしいが事実と異なる情報を自信を持って生成している。

→主にRetrieval-Augmented Generation（RAG）などのグラウンディング技術を実装し、モデルを検証可能なデータソースに接続する。

理由: ハルシネーションは固有のリスクである。グラウンディングはモデルの応答を真実のソースに固定し、事実の正確性を向上させる主要な戦略となる。

現代のLLMがコンテキストを理解することを可能にする中核技術を理解する。

→自己注意メカニズムを備えたTransformerアーキテクチャにより、モデルは入力内のすべての単語の相対的な重要性を考慮できる。

理由: 自己注意は、古いシーケンシャルモデル（RNN）とは異なり、LLMが長距離の依存関係とコンテキストを把握することを可能にする主要な革新である。

キーワードだけでなく、クエリの背後にある意味を理解する検索システムを構築する。

→埋め込みモデル（例：Vertex AI）を使用してテキストを数値ベクトルに変換する。これらのベクトルを保存し、ベクトル類似度検索を使用して意味的に関連するコンテンツを見つける。

理由: 埋め込みは意味論的な意味を捉える。クエリはキーワードを共有していなくても、概念的に類似した結果を見つけることができる。

クリエイティブなアプリケーションでは多様な出力が必要だが、事実に基づくチャットボットでは決定論的な応答が必要である。

→クリエイティブなタスクでは`temperature`パラメータを高くする（例：>0.7）。事実に基づいた一貫性のある応答には`temperature`を低くする（例：<0.3）。

理由: Temperatureは出力のランダム性を制御する。低いtemperatureは最も可能性の高い単語を選択し、高いtemperatureは多様性を高める。

モデルのトークン制限を超える大規模なドキュメントを処理する。

→チャンキング、要約、またはRAGアプローチを使用して、コンテキストウィンドウ内に収まるようにドキュメントを管理可能な部分に処理するソリューションを設計する。

理由: モデルには有限のコンテキストウィンドウがある。この制限を超える入力は無視され、情報損失につながる。アーキテクチャはこれを考慮する必要がある。

Google Cloud上で様々な基盤モデルを発見、テスト、デプロイする。

→Vertex AI Model Gardenを、Google独自のモデル（Gemini）、オープンソースモデル（Llama, Mistral）、およびパートナーモデルの集中カタログとして使用する。

理由: Model Gardenは、厳選された基盤モデルへのアクセスを統合したエントリーポイントであり、エンタープライズグレードの環境内での発見とデプロイを簡素化する。

リファレンス↗

AIアシスタントが、製品在庫や最近のニュースなど、頻繁に変化する情報に関する質問に答える必要がある。

→Retrieval-Augmented Generation（RAG）パターンを実装する。LLMを外部の最新の知識ベース（例：データベース、ドキュメントストア）に接続する。

理由: RAGにより、モデルは推論時にリアルタイム情報にアクセスでき、知識カットオフを克服し、正確で最新の回答を提供できる。

企業データに基づいたエンタープライズ検索エンジンまたは会話型AIエージェントを構築する。

→Vertex AI Search and Conversation（Agent Builderの一部）を使用する。これをデータソース（ウェブサイト、ドキュメント）に指定して、検索アプリまたはチャットボットを作成する。

理由: これは、グラウンディングされたエンタープライズグレードの検索およびチャットアプリケーションを構築するためのマネージド型ローコードソリューションであり、開発の複雑さを大幅に軽減する。

モデルが、プロンプトだけでは達成できない高度に専門化されたスキル、用語、または一貫した動作を学習する必要がある。

→高品質な例のキュレーションされたデータセットを使用して、基盤モデルで教師ありファインチューニングを実行する。

理由: ファインチューニングはモデルの内部重みを適応させ、特定のドメインのエキスパートにする。深い専門化のためには、プロンプトよりも強力である。

特定のドメイン用に基盤モデルをカスタマイズする必要があるが、完全なファインチューニングのためのリソースが不足している。

→Vertex AIで利用可能なLoRAやアダプターチューニングのようなParameter-Efficient Fine-Tuning（PEFT）手法を使用する。

理由: PEFTはモデルのパラメータのごく一部のみを調整するため、計算コストと時間を大幅に削減しながら、大幅なカスタマイズを実現する。

モデルが、複雑な多段階推論を必要とするタスク（例：数学の問題、論理パズル）で失敗している。

→Chain-of-thought（CoT）プロンプトを使用する。最終的な回答を出す前に、モデルに「段階的に考える」ように指示する。

理由: CoTはモデルが問題を分解することを促し、複雑なタスクでの推論能力と最終的な回答の正確性を大幅に向上させることが示されている。

モデルが特定の形式（例：JSON、特定の文章スタイル）で一貫して出力を生成する必要がある。

→few-shotプロンプトを使用する。プロンプト内に直接、目的の入出力パターンを2〜5例提供する。

理由: 形式を説明するだけよりも、例を提供することがより効果的である。モデルはパターンを学習し、新しいリクエストに適用する。

特定のユースケースに適したGeminiモデルバリアントを選択する。

→複雑で高品質な推論にはGemini Proを使用する。大量処理、低レイテンシ、コスト重視のタスクにはGemini Flashを使用する。オンデバイスアプリケーションにはGemini Nanoを使用する。

理由: 適切なモデルサイズを選択することは、機能、速度、コスト間の重要なトレードオフである。要件を満たす最小のモデルを使用することがベストプラクティスである。

請求書や領収書などの非構造化ドキュメントから、構造化データ（例：明細項目、日付、合計）の抽出を自動化する。

→Google Cloud Document AIを使用する。一般的なドキュメントタイプ向けの事前学習済みプロセッサを利用するか、独自のフォーマット向けにカスタムプロセッサを構築する。

理由: Document AIは、単なるOCRを超えてドキュメント構造と意味を理解するように構築された専用サービスであり、データ抽出タスクで大幅に高い精度を提供する。

リファレンス↗

BigQueryデータウェアハウスに保存されているデータに、生成AI機能（例：要約、感情分析）を適用する。

→BigQuery MLを使用して、SQLコマンドでVertex AI基盤モデルを直接呼び出す。データを移動せずにその場で処理する。

理由: これにより、アーキテクチャが簡素化され、データをBigQuery内に保持することでセキュリティが向上し、データアナリストが慣れたSQL構文を使用してAIを活用できるようになる。

Gmail、Docs、Sheetsなどの既存ツール内でビジネスユーザーの生産性を向上させる。

→Google Workspace向けGeminiを統合する。これにより、メール作成、ドキュメント要約、データ分析などのタスクに対して、Workspaceアプリケーション内で直接AIアシスタンスが提供される。

理由: これにより、AI機能がユーザーの慣れたワークフローに導入され、コンテキストスイッチなしで採用が加速し、即時の生産性向上効果が得られる。

開発者の速度とコード品質を向上させる。

→開発者にGemini Code Assistを提供する。これはIDEに統合され、コード補完、生成、説明、テスト作成を提供する。

理由: AIコードアシスタントは、ボイラープレートコードに費やす時間を削減し、複雑なコードベースの理解を助け、全体的な開発者の生産性を向上させる。

生成AIの実験と開発に適したツールを選択する。

→APIキーを介してGeminiモデルでの迅速な無料のウェブベースのプロトタイピングにはGoogle AI Studioを使用する。GCP統合、セキュリティ制御、およびMLOps機能を備えたエンタープライズグレードの開発にはVertex AI Studioを使用する。

理由: Google AI Studioは迅速なプロトタイピング向けであり、Vertex AI Studioはエンタープライズセキュリティ、データガバナンス、スケーラビリティを提供する本番環境への道である。

AIエージェントが特定のペルソナを採用し、ルールに従い、会話全体で一貫したトーンを維持する必要がある。

→システムプロンプトを使用してエージェントの動作を定義する。この指示は、モデルの全体的な振る舞いを導くために、ユーザーのクエリとは別にモデルに提供される。

理由: システムプロンプトは、ユーザー向けのすべてのプロンプトで繰り返すことなく、永続的で一貫性のある行動ガイドラインを確立するための最も効果的な方法である。

ソリューションが、翻訳、音声認識、テキスト読み上げなどの一般的で特定のAI機能を必要とする。

→事前学習済みの専用API、Cloud Translation API、Speech-to-Text API、またはText-to-Speech APIを使用する。

理由: これらのマネージドAPIは、特定のタスクに高度に最適化されており、同じ機能のために汎用LLMを使用するよりもコスト効率が高く、実装が簡単である。

AIシステムが、エラーが高価または危険な高リスクプロセス（例：医療要約、財務報告）に使用される。

→Human-in-the-Loop（HITL）ワークフローを実装する。AIがドラフトを生成し、それを人間の専門家がレビュー、編集、承認する。

理由: HITLはAIの速度と人間の判断力および責任を組み合わせるものであり、重要なアプリケーションにおけるリスクを軽減するために不可欠である。

本番環境にデプロイされたAIモデルのパフォーマンスが時間とともに低下する。

→継続的な監視を実装し、モデルのパフォーマンスを追跡し、データドリフトまたはコンセプトドリフトを検出する。

理由: 現実世界は変化する。データドリフトは、本番データがトレーニングデータと一致しなくなったときに発生する。再トレーニングや更新が必要な時期を知るために、監視は不可欠である。

生成AIサービスの運用コストを予測し、管理する。

→Vertex AI GenAIサービスが従量課金制であり、通常、入力および出力の1,000文字またはトークンごとに課金されることを理解する。

理由: コストは使用量に直接結びついている。アーキテクトは、運用費用を管理するためにプロンプトと応答の長さを管理するシステムを設計する必要がある。

AIアプリケーションがピーク時のユーザー量で高レイテンシまたはエラーを経験する。

→モデルのデプロイをスケールする。Vertex AI Predictionエンドポイントの場合、マシンレプリカの数を増やすか、より高性能なマシンタイプを使用する。

理由: 推論パフォーマンスは無限にスケーラブルではない。基盤となるインフラストラクチャは、予期されるリクエスト量を処理できるようにプロビジョニングする必要がある。

生成AIソリューションは、地域的なデータ主権規制（例：GDPR）の対象となる機密データを処理する必要がある。

→Vertex AIを地域エンドポイントを使用するように構成する。VPC Service Controlsと統合して、データ漏洩を防ぐサービス境界を作成する。

理由: Google Cloudは、データが特定の地理的地域内で処理され、パブリックネットワークから隔離されることを保証する明示的な制御を提供し、これは多くのコンプライアンス体制で必須である。

アプリケーションが単純なクエリと複雑なクエリの混在を処理し、単一の大きなモデルを使用することがコスト的に困難である。

→モデルルーターを実装する。受信プロンプトを事前に分類し、単純なリクエストは小型、高速、安価なモデル（例：Gemini Flash）にルーティングし、複雑なリクエストは強力なモデル（例：Gemini Pro）にルーティングする。

理由: このパターンは、各タスクに最も適切なリソースを使用することでコストパフォーマンスのトレードオフを最適化し、全体的な運用コストを大幅に削減する。

組織内で新しい生成AIイニシアチブを立ち上げる。

→高価値なビジネス課題またはユースケースを特定することから始める。テクノロジーから始めて問題を探してはならない。

理由: 成功するAIプロジェクトとは、測定可能なビジネス価値を提供するものである。明確な問題提起は、焦点を確保し、プロジェクトを戦略的目標と一致させる。

AIモデルが特定の人口統計学的グループに対して偏った振る舞いを示している。

→MLライフサイクル全体でバイアスに対処する：公平性のためにトレーニングデータを監査およびキュレートし、モデルの異なる影響をテストし、デプロイ後の監視を実装して偏った結果を特定する。

理由: バイアスは主にデータに起因する。単一の技術的ソリューションで修正することはできず、テストと軽減の包括的で継続的なプロセスが必要である。

企業が複数の部門でAIの利用を責任を持って拡大する必要がある。

→クロスファンクショナルなAIガバナンス委員会を設立する。AI開発、リスク評価、倫理的レビュー、デプロイ、監視に関する明確なポリシーを作成する。

理由: 一元的なガバナンスは、一貫性を確保し、リスクを管理し、AIの責任ある利用を促進し、管理されていないAIプロジェクトの混沌とした「無法地帯」を防ぐ。

公開チャットボットが有害、憎悪的、または不適切なコンテンツを生成するのを防ぐ。

→Vertex AIの組み込み安全フィルターを有効にする。ヘイトスピーチ、ハラスメント、危険なコンテンツなどのカテゴリのしきい値を構成する。

理由: これらの事前学習済み分類モデルは、安全でないコンテンツの生成に対する重要な最初の防衛線を提供し、責任あるAIデプロイの中核を成す。

役員に対してAI投資を正当化する。

→ROIを総合的に測定する。効率性指標（例：時間短縮、コスト削減）と有効性指標（例：収益増加、品質改善、顧客満足度）を追跡する。

理由: 包括的なROI分析は、コスト削減だけでなく、品質の向上や新たな収益機会を含む、ビジネス価値全体を把握する。

意思決定の透明性を必要とする規制産業（例：金融、ヘルスケア）でAIシステムをデプロイする。

→従来のMLにはVertex AI Explainabilityを使用する。生成AIには、ソース属性付きのRAGを使用して、生成された回答の引用と正当性を提供する。

理由: 透明性は信頼を築き、多くのドメインで法的要件である。生成AIの応答に引用を提供することは、説明可能性の主要な方法である。

新しい種類の脅威からAIシステムを保護するための企業戦略を開発する。

→GoogleのSecure AI Framework（SAIF）の原則を採用する。SAIFは、AIサプライチェーン、モデル、デプロイを保護するための推奨事項を提供する。

理由: SAIFは、従来のサイバーセキュリティプラクティスを、プロンプトインジェクションやデータポイズニングなど、AI特有の課題に拡張するための構造化された概念的ガイドを提供する。

リファレンス↗

新しいAIツールを従業員に展開し、成功裏に導入されることを確実にする。

→構造化された変更管理プログラムを実装する。エグゼクティブスポンサーシップを確保し、AIの役割について明確に伝え、包括的なトレーニングを提供し、AIを既存のワークフローに段階的に統合する。

理由: テクノロジーは解決策の一部にすぎない。AIの成功的な導入は人々とプロセスに依存しており、スキル、信頼、新しい働き方を構築するための意図的な努力が必要である。

顧客データを使用して生成AIモデルをトレーニングまたは実行する。

→データプライバシー規制（例：GDPR）への厳格な準拠を確保する。データ最小化の原則を使用し、可能な限りPIIを匿名化し、AIプロバイダーのデータ使用ポリシーを慎重にレビューする。

理由: AIで顧客データを使用することは、重大なプライバシーおよびコンプライアンスリスクを生み出す。データガバナンスとプライバシーは、最初からコア設計考慮事項でなければならない。