Google Cloud 認定試験 完全対策ガイド

Generative AI Leader
試験完全マスター

初学者でも安心！4つの出題セクションを図解・ベストプラクティス付きでステップバイステップ解説。生成AI時代のビジネスリーダーを目指す方の決定版ガイド。

試験時間
90 分
問題数
50〜60問
形式
多肢選択式
受験料
$99
有効期間
3 年間
前提知識
不要

出題セクション別 比重

Section 1: Gen AI 基礎
~30%
Section 2: GCP サービス
~35%
Section 3: モデル改善技術
~20%
Section 4: ビジネス戦略
~15%
01

生成 AI の基礎知識（Fundamentals of Gen AI）

AI・ML・生成AIの中核概念、データの種類、Gen AIランドスケープ、Googleの基盤モデルを理解する

~30%
1.1Gen AI の中核概念と用語
人工知能 (AI)
人間の知的行動をコンピュータで模倣する広い分野。機械学習・深層学習・生成AIを包含する上位概念。
機械学習 (ML)
データから自動的にパターンを学習するAIの手法。明示的にルールをプログラムせずとも予測・分類ができる。
大規模言語モデル (LLM)
膨大なテキストデータで訓練された、人間のような文章を生成・理解できる大規模なニューラルネットワーク。
基盤モデル (Foundation Model)
大量のデータで事前学習した汎用モデル。特定タスクへのファインチューニングなしに、多様なタスクに対応できる。
生成 AI (Generative AI)
テキスト・画像・音声・動画・コードなど新しいコンテンツを生成できるAI。LLMや拡散モデルが代表例。
拡散モデル (Diffusion Model)
ノイズを徐々に除去することで高品質な画像を生成する手法。Stable Diffusion や Imagen が代表例。
マルチモーダル
テキスト・画像・音声・動画など複数のデータ形式を同時に処理・生成できるモデル。GeminiはGoogle代表例。
プロンプトエンジニアリング
LLMから望ましい出力を得るために入力文（プロンプト）を設計・最適化する技術。
自然言語処理 (NLP)
人間の言語をコンピュータが理解・処理・生成できるようにする技術分野。翻訳・感情分析・テキスト要約など。
ファインチューニング
事前学習済みモデルを特定のタスクや業界ドメインのデータで追加学習させ、精度を向上させる手法。
試験ポイント：AI・ML・Gen AI の階層関係
  • AI ⊃ ML ⊃ 深層学習 ⊃ 生成AI という包含関係を理解する
  • LLM は生成AIの一種だが、生成AIはテキスト以外も含む（画像・動画等）
  • 基盤モデルは「汎用性が高い」点が特徴——ファインチューニングで特化できる
1.1機械学習のアプローチ（3種類）
1
教師あり学習（Supervised Learning）

正解ラベル付きデータで学習。例：スパムメール分類、画像認識（猫か犬か）、価格予測。
→ 業務活用例：顧客チャーン予測、不正検知、需要予測

2
教師なし学習（Unsupervised Learning）

ラベルなしデータからパターンを発見。例：顧客セグメンテーション、異常検知、次元削減。
→ 業務活用例：顧客グループの自動分類、レコメンデーション

3
強化学習（Reinforcement Learning）

試行錯誤で報酬を最大化するよう学習。例：ゲームAI、自動運転、ロボット制御。
→ 業務活用例：広告入札最適化、在庫管理、RLHF（LLMの品質向上）

1.1機械学習ライフサイクル と Google Cloud ツール
ステージ内容Google Cloud ツール例
1. データ取り込み各種データソースからデータを収集Cloud Storage Pub/Sub BigQuery
2. データ準備クレンジング・変換・ラベリングDataflow Vertex AI Datasets
3. モデルトレーニングモデルの学習・チューニングVertex AI Training AutoML
4. モデルデプロイ本番環境へのモデル公開Vertex AI Prediction Model Registry
5. モデル管理監視・更新・バージョン管理Vertex AI Pipelines Vertex AI Feature Store
1.2データの種類と品質
構造化データ (Structured)
表形式で整理されたデータ。CSVやRDBMSのテーブルが代表例。検索・集計が容易。
非構造化データ (Unstructured)
テキスト・画像・動画・音声など形式が定まっていないデータ。データの80〜90%を占める。
ラベルあり (Labeled)
正解（アノテーション）が付いたデータ。教師あり学習に必要。作成コストが高い。
ラベルなし (Unlabeled)
正解がないデータ。教師なし学習や自己教師あり学習（LLMの事前学習）に使用。
データ品質の6つの特性（試験頻出）
  • 完全性（Completeness）：欠損値がない、必要な項目が揃っている
  • 一貫性（Consistency）：異なるシステム間でデータが矛盾しない
  • 関連性（Relevance）：目的のタスクに必要なデータである
  • 可用性（Availability）：必要なときにアクセス可能である
  • コスト（Cost）：データ収集・維持のコスト対効果が良い
  • フォーマット（Format）：モデルが処理できる形式である
1.3Gen AI ランドスケープ（5層構造）
1
インフラストラクチャ（Infrastructure）

GPU/TPU、クラウドコンピューティング、高速ネットワーク。AIの計算基盤。
GCP例：TPU v4/v5、A100/H100 GPU、Google のデータセンター

2
モデル（Models）

Gemini、Gemma、Imagen、Veo などの基盤モデル。AIの「頭脳」部分。
GCP例：Model Garden（150以上のモデルを提供）

3
プラットフォーム（Platforms）

モデルを構築・デプロイ・管理するツール群。開発の生産性を上げる。
GCP例：Vertex AI Platform、Vertex AI Studio、Google AI Studio

4
エージェント（Agents）

ツールを使いながら自律的に複数タスクを実行するAIシステム。
GCP例：Vertex AI Agent Builder、Conversational Agents

5
アプリケーション（Applications）

エンドユーザーが実際に使うGen AI搭載の業務システム・消費者向け製品。
GCP例：Gemini app、Gemini for Workspace、NotebookLM

1.4Google の基盤モデル（Gemini / Gemma / Imagen / Veo）
モデルタイプ特徴代表的用途
Geminiマルチモーダル LLMテキスト・画像・音声・動画・コードを統合処理。Ultra/Pro/Flash/Nano の各サイズ文書要約、コード生成、複雑な推論、エージェント
Gemma軽量オープンモデルオープンウェイト。Geminiの技術を使いながら小型・軽量。ローカル/エッジでも動作自社インフラでの実行、カスタマイズ、コスト最適化
Imagenテキスト→画像生成高品質・高解像度な画像生成。安全フィルタ内蔵。商用利用可能マーケ素材作成、商品画像生成、デザインプロトタイプ
Veoテキスト→動画生成高品質な動画をプロンプトから生成。様々なスタイルや解像度対応広告動画制作、コンテンツ制作、教育コンテンツ
基盤モデル選定時の考慮ポイント（試験頻出）
  • モダリティ：テキストのみ？画像も必要？動画も？→ 処理したいデータ形式で選ぶ
  • コンテキストウィンドウ：長い文書を一度に処理したい場合は大きいウィンドウが必要
  • セキュリティ・プライバシー：機密データを扱う場合は自社インフラ or VPC内で
  • コスト vs パフォーマンス：Flash（速い・安い）vs Ultra（高精度・高コスト）
  • ファインチューニング可否：特定業務に最適化したい場合はカスタマイズ対応モデルを選ぶ
参照リソース
https://cloud.google.com/vertex-ai/generative-ai/docs/learn/modelshttps://cloud.google.com/model-garden
02

Google Cloud の Gen AI サービス（GCP Gen AI Offerings）

Vertex AI・Gemini・Customer Engagement Suite など、GCPの主要Gen AIサービスの機能・用途・ビジネス価値を理解する

~35%
2.1Google Cloud の Gen AI における強み
AI-First アプローチ
Google 自身がAI企業として自社サービスにAIを組み込んできた実績。Search・Maps・YouTube等で10年以上の本番運用経験。
エンタープライズ対応
責任あるAI・セキュリティ・プライバシー・信頼性・スケーラビリティを標準装備。SOC2/ISO27001等の認証。
オープン性
オープンソース（Gemma）や標準API対応で、ベンダーロックインを避けられる。Hugging Faceとの連携も充実。
AI最適化インフラ
独自設計のTPU（Tensor Processing Unit）でLLM学習・推論コストを大幅削減。Hypercomputerアーキテクチャ。
民主化ツール
AutoML（ノーコード）、AI API（コード少量）、Vertex AI（フルコード）と段階的に対応。技術レベル不問でAIを活用可能。
データ管理の主権
顧客データをGoogleのAI学習に使用しない。VPC Service Controls・CMEK（顧客管理暗号化キー）でデータ保護。
2.2プリビルト Gen AI サービス（Gemini アプリ群）
サービス主な機能対象ユーザー
Gemini appチャット形式でのテキスト・画像・音声対話。Gems（カスタムAI）機能でパーソナライズ一般ユーザー・ビジネスユーザー
Gemini AdvancedGemini Ultra モデルを利用した高精度推論。複雑な分析・コード生成・長文処理が可能プロフェッショナル・開発者
Gemini EnterpriseNotebookLM API、マルチモーダル検索、カスタムエージェント構築。企業向け高度機能大企業・IT部門
Gemini for WorkspaceGmail・Docs・Sheets・Slides・MeetにAI機能を追加。メール下書き、文書要約、スプレッドシート分析オフィスワーカー全員
NotebookLM資料（PDF・URL等）をソースとして、AIが質問応答・要約・ポッドキャスト生成。ハルシネーション低減研究者・学習者・コンサルタント
ビジネス価値のポイント（試験頻出）
  • Gemini for Workspace は既存のGoogle Workspaceアドオンとして追加可能——既存ITインフラを活かせる
  • NotebookLM は企業内資料を「ソース」にするため、幻覚（ハルシネーション）を大幅に低減できる
  • Gemini Enterprise の Gems 機能で、部署・ロール別のカスタムAIアシスタントを作成できる
2.3顧客体験向上ソリューション（CX）
Vertex AI Search
企業内データ（非構造化も含む）を横断した Google品質の検索。社内ポータル・EC・サポートサイトに組み込み可能。
Conversational Agents（旧Dialogflow）
ルールベース＋Gen AI を組み合わせたチャットボット・音声ボット構築プラットフォーム。決定論的フローとLLMを融合。
Agent Assist
人間のコールセンターオペレーターをリアルタイムにAIがサポート。関連情報・返答候補を自動表示。
Conversational Insights
通話・チャットログをAIで分析。顧客感情・トピック・エージェントパフォーマンスを可視化。
CCAI Platform (CCaaS)
Contact Center as a Service。AI機能を内蔵したフルマネージドのコンタクトセンター基盤。電話・チャット・メールを統合。
参照リソース
https://cloud.google.com/products/agent-builderhttps://cloud.google.com/solutions/customer-engagement-ai
2.4開発者向け Gen AI 基盤（Vertex AI）
サービス機能使いどころ
Vertex AI PlatformMLライフサイクル全体を一元管理するプラットフォーム。AutoML、Model Garden、Training等を包含ML/AI 開発から本番運用まで全工程
Model GardenGoogle製モデル（Gemini等）＋サードパーティモデル（Llama、Mistral等）を一か所で探索・デプロイ適切なモデルを素早く選定・試用したいとき
AutoMLコードほぼ不要でカスタムMLモデルを構築。画像分類・テキスト分類・表形式データに対応MLエンジニア不在でも自社データでモデルを作りたいとき
Vertex AI Search企業データ向けRAG搭載検索。非構造化データ（PDF等）も検索可能。API経由で組み込み社内ナレッジベース検索・RAGアプリ構築
RAG API独自のRAGパイプラインを構築するためのAPI群。より細かい制御が必要な場合に使用カスタムRAGシステムの構築
Vertex AI Agent BuilderカスタムAIエージェントを構築・デプロイ。外部ツール・API呼び出しをオーケストレーション複数ステップの自動化タスクをAIエージェントで実行
2.5AIエージェントのツール種別
Extensions（拡張機能）
Google提供の既成ツール。Google Search、Google Maps等をエージェントが呼び出せる。
Functions（関数）
開発者が定義したカスタム関数。Cloud Functions・Cloud Run経由で外部APIやDBと連携。
Data Stores（データストア）
ベクターDB・構造化DB等への接続。RAGのデータソースとして活用。
Plugins（プラグイン）
OpenAPI仕様に基づく外部サービス連携。SalesforceやJira等のSaaSと接続。
Vertex AI Studio vs Google AI Studio の違い（試験頻出）

Vertex AI Studio：エンタープライズ向け。Vertex AI プラットフォーム上で動作。本番デプロイ、セキュリティ、VPC統合、監査ログ対応。大企業・本番環境に最適。

Google AI Studio：開発者・プロトタイプ向け。Gemini APIへ素早くアクセス。無料枠あり。PoC・試作品作成に最適。

参照リソース
https://cloud.google.com/vertex-ai/generative-ai/docs/multimodal/function-callinghttps://aistudio.google.com/app/apikey
03

Gen AI モデル出力改善技術（Techniques to Improve Gen AI Output）

プロンプトエンジニアリング・RAG・グラウンディング・ファインチューニングなど、モデル性能向上の手法を理解する

~20%
3.1基盤モデルの限界と対策
限界説明Google 推奨対策
ハルシネーションAIが事実と異なる内容を自信を持って生成する現象グラウンディング、RAG、HITL（人間によるレビュー）
知識カットオフ学習データの締切日以降の情報を知らないGrounding with Google Search、RAGでリアルタイムデータ補充
バイアス・公平性学習データのバイアスがモデルに反映される多様なデータ、RLHF、定期的な公平性評価
エッジケース稀なパターン・特殊ケースへの対応が弱いファインチューニング、プロンプトエンジニアリング
データ依存性学習データの質がモデル品質に直結する高品質データガバナンス、データ品質管理
継続的モニタリングのベストプラクティス
  • Vertex AI Feature Store：特徴量の一貫性を保ち、学習・推論のデータ乖離を防ぐ
  • ドリフト監視：入力データ分布の変化を検知し、再学習トリガーを設定
  • KPI追跡：精度・レイテンシ・コストを継続的に計測
  • 自動モデルアップグレード：Vertex AI の管理モデルは安全パッチ・改善を自動適用
3.2プロンプトエンジニアリング技術
基礎
Zero-Shot プロンプティング

例示なしで直接タスクを依頼。シンプルなタスクや明確な指示で効果的。
例：「次の文章を日本語に翻訳してください：Hello World」

入門
One-Shot プロンプティング

1つの例示を与えてからタスクを実行。出力フォーマットを指定したいときに有効。

標準
Few-Shot プロンプティング

複数の例示（2〜8例）を与えて精度向上。特定のパターンや形式に従わせたいときに最適。

応用
Role Prompting（ロールプロンプティング）

AIに役割を与える。「あなたはシニアデータアナリストです。次のデータを分析してください」

高度
Chain-of-Thought（思考の連鎖）プロンプティング

「ステップバイステップで考えてください」と指示。論理的推論・計算・複雑な分析に効果的。

最高
ReAct プロンプティング

Reason（推論）+ Act（行動）を繰り返す。外部ツールを使いながら問題を段階的に解決するエージェント向け。

プロンプト設計のベストプラクティス
  • タスクを明確・具体的に記述する——曖昧さを排除する
  • 期待する出力フォーマット（JSON・箇条書き・表等）を明示する
  • コンテキスト（背景情報）を十分に与える
  • 複雑なタスクは Prompt Chaining（連鎖）で段階的に処理する
  • ネガティブプロンプト（やらないこと）も明示すると品質が上がる
参照リソース
Chain-of-Thought / ReAct サンプルChain-of-Thought Prompting 論文 (Wei et al.)ReAct 論文 (Yao et al.)
3.3グラウンディング（Grounding）と RAG
グラウンディングとは
LLMの回答を信頼できるデータソースに紐付け、幻覚を減らし事実に基づく回答を生成させる手法。
RAG（Retrieval-Augmented Generation）
外部知識ベースから関連情報を検索（Retrieve）し、それを元にテキストを生成（Generate）する手法。
ファーストパーティデータ
自社の企業内データ（社内文書、DB等）を使ったグラウンディング。機密情報の取り扱いに注意が必要。
Grounding with Google Search
Googleの検索結果をリアルタイムでLLMに注入。最新情報・知識カットオフ問題を解決。
1
プリビルト RAG：Vertex AI Search

最も簡単なRAG実装方法。ドキュメントをアップロードするだけで検索・回答生成。ノーコードで利用可能。

2
RAG APIs（Vertex AI RAG Engine）

RAGパイプラインをAPI経由でカスタム構築。チャンク分割・ベクター検索・再ランキングを細かく制御可能。

3
Grounding with Google Search

Vertex AI API経由でGoogleのWebインデックスを活用。リアルタイム情報が必要なユースケースに最適。

サンプリングパラメータ（試験頻出）
  • Temperature（0〜1）：低い→決定論的・一貫性高い、高い→多様・創造的。事実確認には低い値を推奨
  • Top-P（nucleus sampling）：確率上位P%のトークンのみから選択。多様性と品質のバランス調整
  • Max Output Tokens：生成する最大トークン数。長い回答が必要な場合は増やす
  • Safety Settings：有害コンテンツのフィルタリング強度。エンタープライズ用途では高めに設定
参照リソース
https://cloud.google.com/vertex-ai/generative-ai/docs/grounding/overviewRAG 原論文 (Lewis et al.)
04

Gen AI ビジネス戦略（Business Strategies for Gen AI）

組織へのGen AI導入ステップ、セキュアなAI、責任あるAIの原則を理解する

~15%
4.1Gen AI ソリューション実装ステップ
1
ビジネスニーズの特定（Identify）

解決すべき課題を明確化。ROIが高く、実現可能性のあるユースケースを選定する。
ポイント：「AI for AI's sake」ではなく、ビジネス価値が明確なもの優先

2
適切なソリューションの選択（Choose）

プリビルト利用 vs カスタム構築 vs モデル微調整のトレードオフを評価。技術的制約・予算・セキュリティ要件を考慮する。

3
パイロット・PoC（Pilot）

小規模から始め、仮説を素早く検証。失敗を早期に発見しコストを最小化。
推奨：90日以内に初期成果を出せる範囲でスタート

4
統合・展開（Integrate）

既存システム・ワークフローへのGen AIの組み込み。変更管理・トレーニングを並行して実施。

5
効果測定（Measure）

KPI（コスト削減率・生産性向上率・顧客満足度等）を定量的に計測。継続的改善サイクルを確立。

Gen AI ソリューションタイプ別 選定基準
  • テキスト生成：コンテンツ作成・要約・翻訳が必要な場合 → Gemini / Vertex AI
  • 画像生成：マーケティング素材・商品画像が必要な場合 → Imagen on Vertex AI
  • コード生成：開発者の生産性向上 → Gemini Code Assist
  • パーソナライズ：個別対応のレコメンデーションや体験 → Vertex AI + BigQuery
4.2セキュアな AI（Secure AI）と Google SAIF
SAIF（Secure AI Framework）
Google が公開した AIセキュリティのフレームワーク。AI システムをML ライフサイクル全体でセキュアにするための原則と手法。
IAM（Identity and Access Management）
誰が（Who）・何を（What）・どのリソースに（Which）できるかを制御。最小権限の原則を適用。
Security Command Center
Google Cloud リソース全体のセキュリティ脅威・脆弱性を一元可視化・管理するダッシュボード。
ワークロード監視
モデルへの異常なアクセス・プロンプトインジェクション・データポイズニング攻撃を検知・対応。
1
データ収集時のセキュリティ

暗号化（転送中・保存時）、データガバナンス、機密データの自動検出（Sensitive Data Protection）

2
学習・ファインチューニング時

プライベートVPC内での実行、CMEK（顧客管理暗号化鍵）、学習データへのアクセスログ取得

3
デプロイ・運用時

IAMによるAPI アクセス制御、レート制限、プロンプトインジェクション対策、監査ログ

4.3責任ある AI（Responsible AI）の原則
公平性（Fairness）
AIが特定の人種・性別・年齢等で差別的な結果を出さないよう、バイアスを検出・除去する。
透明性（Transparency）
AIがなぜその判断をしたか説明できること。利用者がAIを利用していることを知ること。
説明可能性（Explainability）
AIの意思決定プロセスを人間が理解できるよう説明する能力。Vertex Explainable AI が対応。
プライバシー（Privacy）
個人データの最小収集、匿名化・仮名化、GDPR等の規制準拠。データ主権の尊重。
説明責任（Accountability）
AIの出力に責任を持つ人間・組織が存在すること。監査証跡・Human-in-the-Loopの整備。
安全性（Safety）
有害なコンテンツ生成・悪用を防ぐセーフガードの実装。Google Safety Filters 等を活用。
プライバシー保護技術（試験頻出）
  • データ匿名化（Anonymization）：個人を特定できないよう識別情報を完全に除去
  • 仮名化（Pseudonymization）：直接識別子を仮の識別子に置換。元のデータと切り離して管理
  • 差分プライバシー（Differential Privacy）：統計的ノイズを加え、個人の再識別を防ぎながらデータを活用
  • Sensitive Data Protection：GCP サービスで機密情報を自動検出・マスキング
参照リソース
https://cloud.google.com/vertex-ai/docs/start/introduction-unified-platform
試験合格のための学習ロードマップ（5 Steps）
1
試験ガイドを熟読する（30分）

全4セクションの出題領域を把握。自分の弱点分野を特定する。

2
Cloud Skills Boost ラーニングパスを受講（推定10〜20時間）

公式の Generative AI Leader Learning Path（無料コースあり）を修了。動画・ハンズオンで体験を積む。

3
サンプル問題を解く（1〜2時間）

公式サンプル問題で出題傾向と問題形式を把握。間違いの多いセクションを重点学習。

4
Google Cloud 公式ドキュメントを参照（随時）

Vertex AI・Gemini・Agent Builder等の概要ページを読み込む。実際のサービス画面も触れると理解が深まる。

5
試験当日：ビジネス視点で解答する

この試験は「技術実装者」ではなく「AI ビジネスリーダー」向け。「ビジネス価値は何か？」「どの製品が最適か？」の観点で選択肢を評価する。

試験時間 90分前提知識 不要英語・日本語対応オンライン受験 可$99
公式リンク集
試験概要ページ試験ガイド PDF公式ラーニングパスサンプル問題試験登録

Google Cloud Generative AI Leader 試験対策ガイド

参考：Google Cloud 公式試験ページ ｜ 作成日：2026年3月

※ 本ガイドは学習目的で作成されました。最新情報は必ず公式サイトでご確認ください。