EXAM OVERVIEW
Section 3 の全体像
試験ガイドに基づく出題範囲と、学習の全体像を把握しましょう。 本ページは公式試験ガイドに完全対応しています。
🧠
3.1 AI と ML の基礎
AI・ML の定義、データアナリティクスとの違い、ML が解決できる課題、 ビジネス価値、データ品質の重要性、説明可能・責任ある AI。
定義と概念ビジネス価値
⚙️
3.2 Google Cloud AI/ML ソリューション
事前学習済み API・AutoML・カスタムモデルのトレードオフ（スピード、労力、 差別化、必要な専門知識）と、適切なソリューションの選択。
選択と比較トレードオフ
🏗️
3.3 Google Cloud AI/ML ソリューションの構築・活用
BigQuery ML、事前学習済み API（Vision, NL, Translation, Speech）、 AutoML、Vertex AI、TensorFlow、Cloud TPU の詳細。
実装詳細各サービス
📌 試験の重要ポイント：Section 3 は試験全体の約 16% を占めます。各 Google Cloud AI サービスの違いと使い分け、そして AI/ML の基礎概念の理解が特に重要です。
3.1 AI AND ML FUNDAMENTALS
AI と ML の基礎概念
AI・ML の定義から、ビジネス価値、データ品質の重要性まで。 試験で頻出の基礎概念を体系的に理解しましょう。
AI 技術の包含関係（最重要！）
AI（人工知能 / Artificial Intelligence）
「人間の知的行動をコンピュータで模倣する」技術の総称
ML（機械学習 / Machine Learning）
「データからパターンを自動学習する」— AI のサブフィールド
深層学習（Deep Learning）
「多層ニューラルネットワーク」— ML のサブフィールド
生成 AI（Generative AI）
「新しいコンテンツ（テキスト・画像・動画）を生成」— DL のサブセット
LLM（大規模言語モデル）
「テキスト生成に特化した超大規模モデル」（例：Gemini、GPT-4）
試験の落とし穴：「生成 AI ＝ LLM」は誤りです。LLM はテキスト生成専用ですが、生成 AI には画像生成（Imagen）・動画生成（Veo）・音楽生成なども含まれます。
AI/ML とデータアナリティクスの違い頻出
| 技術領域 | 時間的焦点 | 分析の性質 | 主な出力 | ビジネス上の役割 |
|---|---|---|---|---|
| データアナリティクス / BI | 過去〜現在 | 記述的・診断的 | レポート・ダッシュボード・KPI | 「何が起きたか」を人間が理解して意思決定 |
| 機械学習（ML） | 現在〜未来 | 予測的 | スコア・予測値・確率 | 「将来何が起きるか」を自動予測してプロセス自動化 |
| AI / 生成 AI | 未来の行動創造 | 処方的・生成的 | 自動応答・コンテンツ・エージェント行動 | 「どう行動すべきか」をシステムが自律判断・実行 |
ML がビジネスに創出する価値頻出
大規模データセットからのパターン抽出
人間が認知できる変数の数には限界がありますが、ML アルゴリズムはペタバイト規模のデータポイント間の 微細な相関関係を瞬時に発見し、予測モデルに変換します。
ビジネス意思決定のスケーリング
不正検知・商品推奨・品質管理など、数百万回のトランザクションに対するリアルタイムかつ高精度な 意思決定を属人的なリソースに依存せずにスケールさせます。
非構造化データの解放
企業データの大部分（画像・音声・動画・テキスト）は従来の RDB では分析困難でした。ML はこれらの非構造化データから文脈・意味を抽出し、新たな洞察の源泉として活用します。
高品質データの重要性頻出
Garbage In, Garbage Out（GIGO の法則）
「ゴミを入れればゴミが出る」— ML 品質はデータ品質に直結します
十分な量
学習データが少ないと精度が出ない
高品質・正確
ノイズ・誤りが少ないデータ
多様性
バイアスを排除した多様なデータ
目的との関連性
ユースケースに関連したデータ
機械学習の 3 つのアプローチ頻出
教師あり学習
Supervised Learning
定義：正解ラベルが付いたデータを使って学習。 「先生（ラベル）」が「生徒（モデル）」を指導するイメージ。
タスク種別：
- 分類（Classification） — スパム判定・画像分類
- 回帰（Regression） — 売上予測・不動産価格
ビジネス活用例：
- 顧客の離脱（解約）予測
- クレジットカード不正検知
- 医療画像による疾患診断支援
教師なし学習
Unsupervised Learning
定義：ラベルなしのデータからパターン・構造を自動発見。 「先生」なしで生徒が自分でルールを見つけるイメージ。
タスク種別：
- クラスタリング — 顧客セグメント自動分類
- 異常検知 — 不正アクセス検知
ビジネス活用例：
- 顧客ペルソナの自動分類
- レコメンドエンジン
- ネットワーク侵入検知
強化学習
Reinforcement Learning
定義：エージェントが環境と対話しながら 「報酬の最大化」を試行錯誤で学習。ゲーム攻略 AI のイメージ。
タスク種別：
- 最適制御 — ロボット制御・自動運転
- RLHF — 人間フィードバックによる LLM 改善
ビジネス活用例：
- データセンターの電力最適化
- Gemini モデルの品質向上（RLHF）
- 広告入札の自動最適化
3.2 AI AND ML SOLUTIONS
Google Cloud AI/ML ソリューションの選択
スピード・労力・差別化・必要な専門知識のトレードオフに基づいて、 最適な AI/ML ソリューションを選択する方法を学びます。
4 つのトレードオフ要因最重要
| ソリューション | スピード 🚀 | 労力（工数）💪 | 差別化 🏆 | 必要な専門知識 👨💻 | 適用場面 |
|---|---|---|---|---|---|
| 🔌 事前学習済み API | ●●● 即座 | 低 ● | 低 ● | 不要 ● | 汎用タスク（翻訳・感情分析・OCR） |
| 🤖 AutoML | ●●○ 数時間〜1日 | 中 ●● | 中 ●● | 最小限 ●● | 自社データでカスタムモデルが必要（ML知識なし） |
| 🏗️ カスタムモデル（Vertex AI） | ●○○ 数週間〜 | 高 ●●● | 高 ●●● | ML エンジニア必須 ●●● | 競合優位性のために独自モデルが必要 |
AI/ML ソリューション選択デシジョンツリー
AI 機能が必要
→
自社独自のデータで学習が必要？
NO（汎用タスクで十分）
🔌 事前学習済み API
Vision / NL / Translation / Speech API
YES（カスタムが必要）
ML の専門知識がある？
NO
🤖 AutoML
YES
🏗️ Vertex AI
✅ ベストプラクティス：ソリューション選択の原則
- まず事前学習済み API から試す（コスト・時間が最小）。精度が不十分であれば AutoML を検討。
- AutoML でも要件を満たせない場合のみ Vertex AI（カスタムモデル）へ進む。
- 「差別化がコアバリューとなる領域のみ」カスタムモデルに投資する。
- 既存の BigQuery データがある場合は BigQuery ML でデータ移動なしに ML を実行する。
3.3 BUILDING AND USING AI/ML SOLUTIONS
Google Cloud AI/ML ソリューションの構築・活用
各サービスの具体的な機能・ユースケース・ベストプラクティスを詳解します。
PRE-TRAINED APIs
事前学習済み API頻出
Google が膨大なデータで事前に学習済みのモデルを API として提供。 ML 知識不要で即座に高度な AI 機能を利用できます。
👁️
Cloud Vision API
Cloud Vision API
画像から情報を自動抽出する画像認識 API。OCR・物体検出・コンテンツモデレーションに対応。
主な機能
- ラベル検出（物体の自動タグ付け）
- OCR（画像内のテキスト抽出）
- 顔検出（感情・属性分析）
- 物体検出と位置特定
- 不適切コンテンツの自動検出
ビジネス活用例
- EC 商品画像の自動タグ付け
- 製造ラインの外観検査自動化
- 書類・伝票のデジタル化（OCR）
- SNS の不適切コンテンツ自動削除
💬
Cloud Natural Language API
Natural Language API
テキストから感情・エンティティ・構造を自動抽出する自然言語処理 API。
主な機能
- 感情分析（ポジ/ネガ/中立の判定）
- エンティティ抽出（人名・地名・組織名）
- 構文解析（品詞・文構造の分析）
- コンテンツ分類（700 以上のカテゴリ）
ビジネス活用例
- カスタマーレビューの感情自動分析
- ソーシャルリスニング（ブランド評判監視）
- サポートチケットの自動カテゴリ分類
- ニュース・文書の自動タグ付け
🌐
Cloud Translation API
Cloud Translation API
130 以上の言語間で高品質な機械翻訳を提供。PDF・Word のレイアウトを保ちながら翻訳も可能。
主な機能
- 130 以上の言語間翻訳
- 自動言語検出
- ドキュメント翻訳（PDF/Word レイアウト保持）
- Glossary（ブランド固有の翻訳ルール）
ビジネス活用例
- グローバル EC サイトの自動多言語化
- 多言語カスタマーサポート
- グローバル企業の社内文書翻訳自動化
🎙️
Speech-to-Text API
Speech-to-Text API
125 以上の言語の音声をテキストに変換。リアルタイム・バッチ処理の両対応。
主な機能
- 125 以上の言語・方言に対応
- リアルタイム & バッチ処理
- 話者分離（誰が話しているか識別）
- ノイズ除去・自動句読点挿入
ビジネス活用例
- コールセンター通話の自動文字起こし
- 会議・インタビューの自動議事録
- 動画・ポッドキャストの字幕自動生成
🔊
Text-to-Speech API
Text-to-Speech API
40 以上の言語・220 以上の音声で人間に近い自然な音声を生成する音声合成 API。
主な機能
- 220 以上の音声で自然な音声合成
- 感情・速度・ピッチのカスタマイズ
- SSML（音声合成マークアップ）対応
- Studio 音声（より自然・感情豊か）
ビジネス活用例
- IVR（電話の自動音声応答）システム
- 視覚障害者向けアクセシビリティ
- eLearning コンテンツの音声ナレーション
✅ ベストプラクティス：事前学習済み API
- 汎用的なタスクは必ず事前学習済み API を最初に試す（コスト・時間が最小）。
- Vision API は高解像度の画像（最低 640x480 以上）を使用するほど精度が向上。
- Translation API では Glossary 機能で業界固有の専門用語・ブランド名の翻訳精度を向上させる。
- Speech-to-Text は業界特化モデル（医療・通話など）を選択することでノイズ環境でも精度が向上。
- 月間の無料枠を最大活用し、キャッシュ機能で重複リクエストを削減してコストを最適化する。
AUTOML
AutoML（ノーコード ML）頻出
ML の専門知識がなくても、自社固有データからカスタム ML モデルを構築できるサービス。
AutoML の革命的な点
❌ 従来のカスタム ML 開発（数週間〜数ヶ月）
データ収集 → 前処理 → 特徴量エンジニアリング →
モデル選択 → ハイパーパラメータ調整 → 評価 → デプロイ
✅ AutoML（数時間〜1日）
データをアップロード → トレーニング開始ボタン → 完成！
AutoML が自動実行すること
- 最適なモデルアーキテクチャの自動選択
- ハイパーパラメータの自動チューニング（Neural Architecture Search）
- データ拡張（Data Augmentation）の自動適用
- クロスバリデーションによる過学習防止
- モデルの評価指標（精度・AUC 等）の自動計算
- REST API エンドポイントとしての自動デプロイ
AutoML の種類と用途
🖼️
AutoML Vision
画像の分類・物体検出・セグメンテーションモデルを構築。
画像
📄
AutoML Natural Language
業界特有の専門用語・文脈を含むテキストの分類・エンティティ抽出。
テキスト
📊
AutoML Tables
表形式データ（CSV）を入力とし、勾配ブースティングやディープラーニングを自動適用。
表形式
Vertex AI
BIGQUERY ML
BigQuery ML（SQL でモデル構築）頻出
標準 SQL クエリを使用するだけで、BigQuery のデータウェアハウス内で直接 ML モデルを作成・実行できる革新的なアプローチ。
💡 BigQuery ML の革命的な価値
1
データ移動コストをゼロに
BigQuery 内のデータをそのまま ML 学習に活用。ETL プロセスや外部コンピュートへのデータ転送が不要。
2
SQL のみで ML を実現
Python・TensorFlow の知識不要。既存の SQL スキルを持つデータアナリストが直接 ML モデルを構築・実行できる。
📊 対応モデルタイプと用途
| モデルタイプ | タスク |
|---|---|
| 線形回帰 | 数値予測 |
| ロジスティック回帰 | 分類 |
| K-means クラスタリング | セグメンテーション |
SQL — BigQuery ML モデル作成の例
CREATE OR REPLACE MODEL `myproject.mydataset.churn_model`
OPTIONS(
model_type = 'logistic_reg',
input_label_cols = ['churned']
) AS
SELECT
purchase_count,
last_purchase_days_ago,
avg_order_value,
churned
FROM `myproject.mydataset.customer_features`;
TENSORFLOW & CLOUD TPU
TensorFlow と Cloud TPU試験出題範囲
試験ガイドに明示されている TensorFlow と Cloud TPU について、 その定義とビジネス価値を理解しましょう。
🔷
TensorFlow
End-to-End Open Source ML Framework
オープンソースGoogle 開発エンドツーエンド
- Google が開発・オープンソース化した ML フレームワーク
- ML モデルの構築・学習・デプロイまでのエンドツーエンドのツールセット
- Keras による高レベル API で素早くプロトタイピング可能
⚡
Cloud TPU
Tensor Processing Unit
Google 専有ハードウェアML 最適化
- Google が独自設計・開発した ML 専用ハードウェア
- TensorFlow ワークロードとML性能に最適化されたプロセッサ
- GPU と比較して ML の学習・推論を大幅に高速化
RESPONSIBLE AI
責任ある AI（Responsible AI）頻出
AI の倫理的・公平・透明な利用のための原則と Google の取り組み。 試験では「Google の AI 原則」と「6 つの核心原則」が重要です。
なぜ責任ある AI が必要か
差別・偏見（Bias）
AI が学習データに含まれる偏りを引き継ぐ。
例：採用 AI が過去の男性偏重データから学習 → 女性応募者を不当に低評価。
例：採用 AI が過去の男性偏重データから学習 → 女性応募者を不当に低評価。
ハルシネーション（幻覚）
LLM が事実と異なる内容を自信を持って生成する。
例：医療 AI が誤った治療法を提案 → 患者への危害リスク。
例：医療 AI が誤った治療法を提案 → 患者への危害リスク。
プライバシー侵害
学習データに含まれる個人情報の漏洩リスク。
例：AI が個人情報を不適切に学習・再現してしまう。
例：AI が個人情報を不適切に学習・再現してしまう。
不正利用・悪用
フェイクニュース・ディープフェイク・詐欺コンテンツの大量生成。
サイバー攻撃の自動化・強化。
サイバー攻撃の自動化・強化。
透明性の欠如（ブラックボックス）
AI の判断根拠を説明できない。
例：ローン否認・人事評価に AI を使う場合、理由を説明できない → 規制違反リスク。
例：ローン否認・人事評価に AI を使う場合、理由を説明できない → 規制違反リスク。
アクセス格差
AI の恩恵が特定の集団にのみ享受される。
障害者・少数民族・低所得者が AI サービスを利用しづらい設計。
障害者・少数民族・低所得者が AI サービスを利用しづらい設計。
責任ある AI の 6 核心原則最重要
① 公平性（Fairness）
人種・性別・年齢・宗教等で差別的な出力をしない。 偏りを検出・排除する仕組みを設計段階から組み込む。 多様なデータセットと評価指標を使用してバイアスを継続的に測定する。
② 信頼性と安全性
設計通りの動作をし、安全性が確保されていること。 誤動作・悪用を防ぐフェイルセーフ機能を組み込む。 継続的なテストとモニタリングで予期しない動作を防止する。
③ プライバシーとセキュリティ
個人データを最小限に収集し、適切に保護する。 ユーザーが自分のデータをコントロールできる仕組みを提供する。 データ収集の目的と範囲を透明に開示する。
④ 包括性とアクセシビリティ
すべての人（障害者・少数者を含む）が等しく AI の恩恵を受けられるよう設計する。 多様なユーザーニーズを考慮したインクルーシブな設計を実践する。
⑤ 透明性と説明可能性（XAI）
AI がどのように動作するかを理解・説明できること。 判断の根拠を示せること（Vertex Explainable AI の活用）。 ユーザーに AI が使われていることを明示する。
⑥ 説明責任（Accountability）
AI の判断・行動に対して責任を持つ人間・組織が存在すること。 Human-in-the-Loop の設計で重要な決定には人間のレビューを必須化する。 監査可能なログと透明性レポートを維持する。
EXAM PREPARATION
試験直前チェックリスト
CDL 試験 Section 3 の頻出ポイントを確認しましょう。 すべての項目を自分の言葉で説明できるかどうかがポイントです。
3.1 AI/ML 基礎
- AI ⊃ ML ⊃ 深層学習 ⊃ 生成 AI ⊃ LLM の包含関係を図で説明できる
- 「生成 AI ≠ LLM」の違いを具体例で説明できる
- AI/ML とデータアナリティクス・BI の時間的焦点の違いを説明できる
- ML がビジネスに創出する 3 つの価値（大規模データ・スケーリング・非構造化データ）を説明できる
- GIGO の法則と高品質データの 4 つの条件を説明できる
- 教師あり・教師なし・強化学習の定義と具体例を言える
- 責任ある AI の 6 原則をすべて列挙できる
- ハルシネーションの定義と主な対策方法を説明できる
3.2 ソリューション選択
- 4 つのトレードオフ要因（スピード・労力・差別化・専門知識）を比較できる
- 「事前学習済み API → AutoML → Vertex AI」の選択基準を説明できる
- 「自社独自データが必要か」「ML 専門知識があるか」でどのサービスを選ぶかを即答できる
3.3 各サービスの詳細
- Vision / NL / Translation / Speech-to-Text / Text-to-Speech API の用途を言える
- AutoML の「ノーコードでカスタムモデルを構築できる」点を具体例で説明できる
- BigQuery ML が「SQL でデータ移動なしに ML を実行できる」点を説明できる
- Vertex AI がビジネス差別化のために「フル制御のカスタムモデル」を可能にする点を説明できる
- TensorFlow が「エンドツーエンドのオープンソース ML ツールセット」であることを説明できる
- Cloud TPU が「Google 専有・TensorFlow と ML に最適化されたハードウェア」であることを説明できる
よく出る問題パターンと解法
PATTERN 01 — AI サービスの選択
「製造業の顧客が製品の外観不良を AI で検出したい。ML の専門知識がないが、自社固有の不良パターンがある。どのサービスが最適か？」
考え方：
- 自社固有データが必要 → 事前学習済み API では不十分
- ML 知識がない → Vertex AI（フルコード）ではない
- 画像データ・ノーコード →AutoML Vision が正解
PATTERN 02 — BigQuery ML
「BigQuery にデータがあり、データアナリストが SQL で顧客の解約予測モデルを作りたい。最も効率的な方法は？」
考え方：
- すでに BigQuery にデータあり → データ移動不要
- SQL アナリストが実行 → ML 専門知識不要
- →BigQuery ML が最適
PATTERN 03 — 責任ある AI
「採用システムに AI を導入したい。AI の判断が応募者に不当な影響を与えないよう、どの責任ある AI の原則を最も重視すべきか？」
考え方：
- 採用における不当な扱い → 差別・バイアスの問題
- 人種・性別・年齢等の差別 →公平性（Fairness）が正解
PATTERN 04 — TensorFlow / TPU
「Google Cloud の Cloud TPU とは何か？」
正解の要素：
- Google が独自設計したプロプライエタリ（専有）ハードウェア
- TensorFlow と ML ワークロードの 性能に最適化
- 汎用 GPU とは異なり ML 専用に設計
混同しやすいポイントの整理
| 混同パターン | ✅ 正しい理解 |
|---|---|
| 生成 AI ＝ LLM | LLM はテキスト生成専門。生成 AI は画像・動画・音声なども含む広い概念 |
| AutoML ＝ Vertex AI | AutoML はノーコードの ML 構築ツール、Vertex AI はフル機能の ML プラットフォーム（AutoML を内包） |
| TensorFlow ＝ Cloud TPU | TensorFlow はソフトウェアフレームワーク、Cloud TPU は ML 専用ハードウェア（別の概念） |
| AI ＝ ML | ML は AI のサブフィールド。AI ⊃ ML（AI の方が広い概念） |
| BigQuery ML ＝ Vertex AI | BigQuery ML は SQL でデータ移動なしに ML を実行、Vertex AI はフル ML ライフサイクル管理 |
| 教師なし学習 ＝ 正解不要 | 正解ラベルが不要なだけで、データ品質・量は同様に重要。クラスタリング等でパターンを自動発見 |