Gen AI の核心概念・用語と定義
試験で必須の AI・ML・LLM・基盤モデルほか主要用語を体系的に定義する
試験最頻出
🌌 AI → ML → 深層学習 → 生成 AI の包含関係（最重要図）
試験では「生成 AI は AI の一種か？」「LLM と基盤モデルの違いは？」のような問いが出る。 まず包含関係の全体像を正確に理解することが出発点。
人工知能（AI）
人間の知的行動をコンピュータで模倣する技術分野全体の総称。最も広い概念。機械学習・エキスパートシステム・ロボティクスなどを含む。
機械学習（ML）
データからパターンを自動的に学習するAIの手法。教師あり・教師なし・強化学習の3アプローチ。
深層学習（DL）
多層ニューラルネットワークを使ったML手法。大量データと高い計算能力で複雑なパターンを学習する。
生成 AI（Gen AI）
新しいコンテンツ（テキスト・画像・音声・動画・コード）を生成できるDLモデル。最も内側の概念。
📖 試験必須用語グロッサリー
Foundation Model
基盤モデル
大規模データで事前学習された汎用モデル。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。GPT・Gemini・Claude が代表例。
Large Language Model
LLM（大規模言語モデル）
テキストに特化した基盤モデル。数兆トークンで学習し、自然言語の理解・生成に優れる。基盤モデルのサブセット。
Multimodal Model
マルチモーダルモデル
テキスト・画像・音声・動画など複数のモダリティを同時に理解・生成できるモデル。Gemini が代表例。
Prompt
プロンプト
モデルへの入力指示。Zero-shot（例なし）・Few-shot（例あり）・Chain-of-Thought（思考過程）の3種類が試験頻出。
Hallucination
ハルシネーション（幻覚）
LLM が事実ではない情報を自信を持って生成する現象。RAG やグラウンディングで軽減できる。
Fine-tuning
ファインチューニング
事前学習済みモデルを特定タスク用データで追加学習する手法。プロンプトエンジニアリングより高精度だがコスト高。
RAG
検索拡張生成
Retrieval-Augmented Generation。最新情報をベクトルDBから動的取得してコンテキストに注入する手法。ハルシネーション抑制に有効。
Embedding
埋め込みベクトル
テキスト・画像などを意味を保ったまま高次元数値ベクトルに変換したもの。類似度計算・RAG・検索の基盤技術。
試験攻略ポイント
- 「基盤モデル ⊃ LLM」— LLM は基盤モデルの一種。マルチモーダルモデルは LLM ではない
- 「Gen AI ⊂ DL ⊂ ML ⊂ AI」— 内包関係を逆に答えさせる問題に注意
- ハルシネーション対策として「RAG」「グラウンディング」「温度パラメータ低下」が選択肢に出やすい
- Few-shot プロンプトは「例を含むプロンプト」— Zero-shot は「例なし」
🎓 機械学習の3つのアプローチ — 完全解説
試験では「このビジネス課題には教師あり・教師なし・強化学習のどれが適切か」という実践的な問いが出る。 各アプローチのデータ形式・学習方法・代表的ユースケースを正確に区別する。
教師あり学習
Supervised Learning
正解ラベル付きのデータ（入力→正解ペア）でモデルを訓練する手法。 最も広く使われるアプローチ。
教師なし学習
Unsupervised Learning
ラベルなしのデータから自律的にパターン・構造・グループを発見する手法。
強化学習
Reinforcement Learning
エージェントが試行錯誤しながら報酬を最大化するよう学習する手法。
試験頻出の引っかけ
- LLM の事前学習は「教師なし学習」— 次のトークン予測は自己教師あり学習とも呼ばれるが試験では教師なし学習に分類
- RLHF（人間フィードバックによる強化学習）は「強化学習」— Gen AI 改善でよく使われる
- ファインチューニング（SFT）は「教師あり学習」— ラベル付きデータが必要
🔄 ML ライフサイクル 5 ステージと Google Cloud ツール対応表
試験では「このステージを担当する Google Cloud ツールは？」の問題が頻出。 各ステージの目的と対応ツールを正確にマッピングして覚える。
1
データ収集・準備
学習に必要なデータを収集し、クリーニング・ラベリング・前処理を行う
BigQueryCloud StorageDataflow
2
モデル開発・実験
アーキテクチャ選択・ハイパーパラメータ探索・実験管理
Vertex AI WorkbenchColab Enterprise
3
学習・評価
スケーラブルな学習インフラでモデルを訓練し、メトリクスで評価
Vertex AI TrainingModel Evaluation
4
デプロイ・提供
本番環境にモデルをデプロイし、推論エンドポイントを提供
Vertex AI EndpointsModel Registry
5
監視・改善
本番モデルのドリフト検知・再学習トリガー・継続的改善
Vertex AI MonitoringCloud Monitoring
Vertex AI Pipelines の役割
- MLOps の自動化 — ステージ1〜5全体をパイプラインとして管理・自動化するサービス
- 再現性確保 — 実験の各ステップを記録し、同じ結果を再現可能にする
- CI/CD for ML — モデルの継続的インテグレーション・デプロイを実現
データの種類とビジネス的意味
構造化 vs 非構造化・ラベルあり vs なし・データ品質の6特性 — Gen AI を成功させるデータの本質を理解する
頻出
🗄️ 構造化データ vs 非構造化データ
データの80〜90% は非構造化データと言われる。 Gen AI の革命的な点は、これまでコンピュータが扱いにくかった非構造化データを活用できるようになった点にある。
| 種類 | 特徴 | 具体例 | GCP 格納先 |
|---|---|---|---|
| 構造化データ | 明確なスキーマ・行列形式 | 売上データ・顧客情報・センサー値 | BigQuery · Cloud SQL · Spanner |
| 非構造化データ | スキーマなし・全体の80〜90% | テキスト・画像・音声・動画・PDF | Cloud Storage · AlloyDB |
| 半構造化データ | 柔軟なスキーマ・階層構造あり | JSON・XML・メール・ログ | Firestore · BigQuery JSON |
⚖️ データ品質の6特性
Accuracy
正確性
データが現実の状態を正しく反映しているか。誤ったデータはモデルを誤った方向に学習させる。
Completeness
完全性
必要なデータが欠損なく揃っているか。欠損値が多いと偏ったモデルになる。
Consistency
一貫性
異なるシステム間でデータが矛盾なく整合しているか。
Timeliness
適時性
データが最新の状態を反映しているか。古いデータで学習したモデルは時代遅れの予測をする。
Uniqueness
一意性
重複レコードがないか。重複はモデルの過学習を引き起こす。
Validity
妥当性
データが定義されたルール・形式・範囲に従っているか。
Gen AI ランドスケープ — 5 層構造とビジネス的意味
Infrastructure → Models → Platforms → Agents → Applications の5層ピラミッドと各層のビジネス的位置づけ
試験頻出
🏗️ Gen AI エコシステムの5層構造
Gen AI のエコシステムは下層から上層へ、「計算基盤→知能→ツール→自律→応用」の順で積み重なる5層構造で理解する。
5
アプリケーション層
APPLICATIONS
エンドユーザーが直接触れる Gen AI 搭載の製品・サービス。
例：Gemini app · Gemini for Workspace · NotebookLM · AI搭載SaaS
例：Gemini app · Gemini for Workspace · NotebookLM · AI搭載SaaS
4
エージェント層
AGENTS
自律的にツールを使い、複数ステップのタスクを実行するシステム。
例：Vertex AI Agent Builder · Agentspace
例：Vertex AI Agent Builder · Agentspace
3
プラットフォーム層
PLATFORMS
開発者がモデルを活用・カスタマイズするツール群。
例：Vertex AI Studio · Model Garden · AI Platform
例：Vertex AI Studio · Model Garden · AI Platform
2
モデル層
MODELS
基盤モデル・LLM・マルチモーダルモデル本体。知識と能力の中核。
例：Gemini · Gemma · Imagen · Veo · Claude · GPT
例：Gemini · Gemma · Imagen · Veo · Claude · GPT
1
インフラ層
INFRASTRUCTURE
GPU/TPU・クラウドコンピューティング・ストレージの計算基盤。
例：TPU v5e · A100/H100 · Cloud TPU · Hypercomputer
例：TPU v5e · A100/H100 · Cloud TPU · Hypercomputer
⚠️ 試験頻出：各層のビジネス的含意
- インフラ層：参入障壁が最も高い。Google・Amazon・Microsoft のような巨大企業が主役。一般企業は「利用者」として位置する。
- モデル層：基盤モデルは少数の企業が提供。一般企業はファインチューニングで自社特化モデルを作るか、API 経由で利用する。
- プラットフォーム層：ここが一般企業・開発者の主戦場。Vertex AI はこの層に位置する。
- アプリケーション層：最も参入しやすい。既存のモデル・プラットフォームを活用してビジネス価値を創出できる。Gemini for Workspace がこの代表例。
Google の基盤モデル完全解説（Gemini / Gemma / Imagen / Veo）
各モデルの特徴・強み・ユースケース・選定基準を徹底比較。試験で問われる差別化ポイントを習得する
最重要
🤖 Google 基盤モデル ファミリー 完全比較
Gemini
Multimodal LLM Family
Google DeepMind が開発したフラッグシップのマルチモーダル基盤モデル。 テキスト・画像・音声・動画・コードを統合的に理解・生成できる。Ultra/Pro/Flash/Nano の4バリアントで用途別に最適化。
Gemma
Open-weight LLM
Gemini の技術を基にしたオープンウェイト軽量モデル。 自社環境へのデプロイ・ファインチューニングが可能。2B・7B など複数サイズ展開。
Imagen
Text-to-Image Model
テキストから高品質な画像を生成する拡散モデル。 企業向けの高解像度画像生成・編集・スタイル変換に対応。
Veo
Text-to-Video Model
テキストや画像から高品質動画を生成するモデル。 長尺・高解像度動画の生成に対応。映像制作ワークフローを変革する。
モデル選定の判断基準（試験頻出）
- クローズドで高精度なタスク → Gemini Pro/Ultra（Vertex AI API 経由）
- 自社環境デプロイ・カスタマイズ → Gemma（オープンウェイト）
- 画像生成・編集 → Imagen
- 動画生成 → Veo
- レイテンシ重視・モバイル/エッジ → Gemini Nano / Gemma 2B
- 複数モダリティが混在するタスク → Gemini（全モダリティ統合処理）
✦ Section 1 試験攻略 — 最重要ポイント完全まとめ
~30%
試験全体での配点
4
サブセクション数
8+
必須用語数（1.1）
6
データ品質特性数
5
ランドスケープ層数
4
Google 基盤モデル数
1.1 で絶対押さえる5点
① AI⊃ML⊃DL⊃GenAI の包含関係
② LLM・基盤モデル・マルチモーダルの定義の違い
③ Prompt Engineering vs Prompt Tuning の差
④ 教師あり・教師なし・強化学習の判断基準
⑤ ML ライフサイクル5ステージと GCP ツール対応
② LLM・基盤モデル・マルチモーダルの定義の違い
③ Prompt Engineering vs Prompt Tuning の差
④ 教師あり・教師なし・強化学習の判断基準
⑤ ML ライフサイクル5ステージと GCP ツール対応
1.2 で絶対押さえる3点
① 構造化 vs 非構造化データの定義と実例
② ラベルあり vs なしデータの学習アプローチへの対応
③ データ品質6特性（正確性・完全性・一貫性・適時性・一意性・妥当性）の定義
② ラベルあり vs なしデータの学習アプローチへの対応
③ データ品質6特性（正確性・完全性・一貫性・適時性・一意性・妥当性）の定義
1.3 で絶対押さえる2点
① 5層構造の名称と順序（Infrastructure → Models → Platforms → Agents → Applications）
② 各層のビジネス的意味と GCP での具体例（Vertex AI はプラットフォーム層）
② 各層のビジネス的意味と GCP での具体例（Vertex AI はプラットフォーム層）
1.4 で絶対押さえる4点
① Gemini = マルチモーダル LLM（全モダリティ対応）
② Gemma = オープンウェイト・ローカル実行
③ Imagen = テキスト→画像生成（拡散モデル）
④ Veo = テキスト→動画生成
② Gemma = オープンウェイト・ローカル実行
③ Imagen = テキスト→画像生成（拡散モデル）
④ Veo = テキスト→動画生成
⚠️ Section 1 で特に混同しやすい概念
- 「生成 AI = LLM」は誤り：LLM は主に言語タスクを扱うが、近年はマルチモーダル拡張もある。生成 AI は画像・動画・音楽生成も含む広い概念
- 「基盤モデル = LLM」は誤り：基盤モデルは LLM を含む概念。Imagen（画像）・Veo（動画）も基盤モデル
- Prompt Engineering ≠ Prompt Tuning：前者はプロンプト文を人間が工夫するだけ、後者は機械学習でプレフィックスを最適化する
- Gemma ≠ Gemini の小型版：GemmaはGeminiとは別のオープンウェイトモデルファミリー。目的（オープン化）が異なる
📎 Section 1 全体の参照リソース
試験ページ: https://cloud.google.com/learn/certification/generative-ai-leader試験ガイド PDF: https://services.google.com/fh/files/misc/generative_ai_leader_exam_guide_english.pdfVertex AI モデルガイド: https://cloud.google.com/vertex-ai/generative-ai/docs/learn/modelsModel Garden: https://cloud.google.com/model-gardenGemma ドキュメント: https://ai.google.dev/gemma/docsVertex AI: https://cloud.google.com/vertex-ai