技術ブループリントを含めた 101 の生成 AI ユースケースのご紹介

※この投稿は米国時間 2025 年 8 月 22 日に、Google Cloud blog に投稿されたものの抄訳です。

1 年ほど前、Google は生成 AI のユースケースのリストを公開しました。その後、このリストは拡大を続け、組織が AI をどのように活用しているかを示す事例が 600 件以上含まれるようになりました。ですが、アイデアは得られたものの、多くのデベロッパーやビジネス リーダーは「一体どこから始めればよいのか」という現実的な課題に直面しています。

そこで、特に効果的なお客様のユースケースから得たヒントを基に、技術的な補完資料を作成しました。このガイドには、次に着手するプロジェクトの実用的な基盤を築く開始点となる、101 のアーキテクチャ ブループリントのわかりやすい説明が含まれています。

各ブループリントには、文書の要約の自動化や販売予測から、患者の転帰の改善や不正行為の防止まで、現実世界の課題を解決するための設計パターンと対応する Google Cloud 技術スタックが示されています。

詳しく見ていきましょう。

リストは 10 の主要な業界グループに分類されています。

これらのアーキテクチャ ブループリントは、Mercari、Target、Carrefour Taiwan、The Home Depot、Unilever など、小売業界で AI を活用しているお客様のユースケースからヒントを得ています。

1. オンラインと実店舗の小売エクスペリエンスを統合する

• ビジネス上の課題: 利益を生み出している実店舗と成長中の e コマース チャネルを持つ大手小売業者です。これら 2 つの世界はサイロ化されており、その結果、価格、プロモーション、在庫レベルに一貫性がないという、つながりのないエクスペリエンスが顧客に提供されています。

• 技術スタック: Google Kubernetes Engine（GKE）、BigQuery、Cloud CDN、Apigee、Cloud Spanner

• ブループリント: 顧客のトラフィックが e コマースサイトに到達します -> Cloud CDN が静的コンテンツをキャッシュして迅速に表示します -> GKE がコンテナ化された e コマース マイクロサービスを需要に基づいてスケーリングします -> Apigee が店舗レベルのデータに対してリアルタイムの在庫チェックを実行する API を管理します -> すべての販売データが BigQuery にストリーミングされ、サプライ チェーン分析と需要予測に使用されます

2. 店舗管理者がリアルタイムで在庫を確認できるようにする

• ビジネス上の課題: 店舗管理者に、在庫に関する正確なリアルタイムの推奨事項を提供して、効率を高めたいと考えています。

• 技術スタック: BigQuery、Vertex AI、Looker、Google Workspace

• ブループリント: 数千店舗の日々の販売データと在庫データが BigQuery に取り込まれます -> Vertex AI モデルが過去のデータを処理して各アイテムの需要を予測します -> Looker が推奨在庫レベルを示すダッシュボードを生成します -> 推奨事項が店舗スタッフのデバイスに push されます（多くの場合、Google スプレッドシートのようなシンプルなインターフェース経由）。

3. ユーザーがオンライン サイトでユニークなアイテムを見つけやすくする

• ビジネス上の課題: 数百万ものユニークで標準化されていないアイテムがあり、これらのアイテムに対して、高度に関連性の高い、迅速でパーソナライズされた検索エクスペリエンスをユーザーに提供する必要があります。

• 技術スタック: Google Cloud Storage、Dataflow、BigQuery、GKE

• ブループリント: 販売者が新しい商品を登録すると、そのデータが Cloud Storage に保存されます -> Dataflow が商品の詳細とユーザー インタラクション データをリアルタイムで処理します -> このデータが検索インデックスを充実させ、GKE で実行される ML モデルにフィードされます -> ユーザーが検索すると、モデルがパーソナライズされたランキングをミリ秒単位で提示します。

4. AI で店舗運営をモダナイズする

• ビジネス上の課題: 生産性とカスタマー サービスを向上させるために、店舗スタッフが行う従来の紙ベースのプロセスをデジタル化して効率化する必要があります。

• 技術スタック: Vertex AI Vision、GKE、Android、ChromeOS

• ブループリント: 従業員がモバイル デバイスを使用して商品棚をスキャンします -> Vertex AI Vision が画像を分析して商品と値札を識別します -> GKE で実行されているアプリケーションがこのデータを在庫データと相互参照します -> デバイスに在庫状況、注文の必要性、または棚割りの遵守状況に関する情報が表示されます。

5. より優れたショッピング体験を実現するアシスタントを作成する

• ビジネス上の課題: テキストベースの chatbot やよくある質問など、従来のサポートチャネルでは、顧客に無機質な印象を与え、複雑なプロセスを視覚的に案内できず、買い物客との真のつながりを築くことができていません。

• 技術スタック: Vertex AI、Google Cloud Storage（3D アセット用）、GKE（ホスティングとスケーリング用）、Speech-to-Text API、Text-to-Speech API

• ブループリント: お客様がアプリでトラブルシューティングに関する質問をします（例: 「コーヒーメーカーの浄水フィルターを交換するにはどうすればよいですか？」）。➝ リクエスト（音声またはテキスト）は、Vertex AI 上の会話型 AI の「頭脳」に送信され、意図が特定されます。➝ AI がテキストの回答を生成し、対応する視覚的な説明補助資料（filter_replacement_step1.mp4 など）を特定します。➝ GKE 上のサービスが、Google Cloud Storage からこの動画クリップを取得します。➝ アプリにテキストが表示され、短い動画が再生されます。お客様は視覚的に手順を確認できるため、問題を迅速に解決できます。

6. 差別化された商品紹介文を作成する

• ビジネス上の課題: 大規模な e コマース小売業者は、数千もの商品について、手作業を減らし、コンテンツの重複を避けながら、ユニークで高品質な SEO 対応の商品説明を大規模に作成する必要があります。

• 技術スタック: Vertex AI、Cloud Run、BigQuery

• ブループリント: マーチャンダイザーが商品の主な属性（素材、色、対象ユーザーなど）を商品管理ツールに入力します -> これらの属性が Cloud Run のサービスに送信されます -> サービスが詳細なプロンプトを作成し、Vertex AI の生成 AI API を呼び出します -> Vertex AI が属性を分析し、複数のユニークな説明オプションを返します -> 説明がマーチャンダイザーに表示され、レビュー、編集、最終承認が行われます。

7. ユーザーが参考写真を基に商品を見つけられるようにする

• ビジネス上の課題: お客様が参考写真を基に、希望する商品（衣料品など）を簡単に見つけられるようにしたいと考えています。

• 技術スタック: Vertex AI Vision、Vector Search、Google Cloud Storage、Cloud Run

• ブループリント: お客様がアプリに参考写真をアップロードします -> アプリが写真を Cloud Run 上のサービスに送信します -> サービスが Vertex AI Vision を使用して写真をベクトル エンベディングに変換します -> このエンベディングを使用して Vector Search をクエリし、インデックス登録されたカタログから最も視覚的に類似した商品のエンベディングを検索します -> サービスが一致する商品情報を数秒でお客様に返します。

8. リアルタイムの商品レコメンデーション エンジンを構築する

• ビジネス上の課題: デジタル小売業者が、客単価と顧客ロイヤルティを向上させようとしています。従来のレコメンデーション エンジンは単純すぎることが多く、基本的なキーワードを超えて顧客の真の意図やスタイルを理解できないことがよくあります。その結果、一般的な提案しかできず、カタログ内のユニークなアイテムの発見可能性が低くなり、買い物客は不満を抱えてカートを放棄し、収益の大きな損失につながります。

• 技術スタック: BigQuery、Vector Search、Dataflow、Cloud Run

• ブループリント: ユーザーのクリックストリーム データが Dataflow にストリーミングされます -> Dataflow がこれらのイベントを処理して拡充し、ユーザー プロフィールとエンべディングをリアルタイムで更新します（BigQuery または Feature Store） -> ユーザーが閲覧すると、Cloud Run 上のサービスにリクエストが送信されます -> サービスがユーザーのエンべディングで Vector Search をクエリし、最も関連性の高いアイテムまたは補完的なアイテムを見つけます -> パーソナライズされた商品リストが返され、ユーザーにミリ秒単位で表示されます。

9. 傾向をすばやく特定し、顧客とのやり取りを改善する

• ビジネス上の課題: アンケート、レビュー、サポートチケットから得られた貴重なフィードバックが、何千行もの非構造化テキストに埋もれています。このデータを人の目で読み取り、タグ付けして分類するのは、時間と手間がかかるプロセスです。重要な分析情報の取得が遅れ、チームが新たな傾向や緊急の問題に迅速に対応できなくなります。

• 技術スタック: Google スプレッドシート、Gemini for Google Workspace、Google フォーム（データソースとして）

• ブループリント: Google フォームなどのソースから顧客フィードバックを収集し、Google スプレッドシートに集約します -> アナリストが未加工のフィードバックの列をハイライト表示し、統合されている Gemini 機能を「このフィードバックを分類して」などのプロンプトとともに使用します -> Gemini が各セルのテキストを処理し、対応するカテゴリを新しい列に入力します -> アナリストは、新たに構造化されたデータに基づいてグラフやピボット テーブルを作成し、傾向を特定できます。

10. メールから直接ベンダーの提案を比較する

• ビジネス上の課題: 購入に関する意思決定を行う責任者である購入担当者または部門長のもとには、ベンダーからの複雑な提案がさまざまな形式で届き、費用、スケジュール、成果物などの重要な詳細は、数十ページにわたる情報の中に埋もれています。手動で比較するのは時間がかかり、面倒で、人為的ミスが発生しやすいため、重要な詳細を見落として費用のかかる意思決定をしてしまうリスクがあります。

• 技術スタック: Gmail、Gemini for Google Workspace

• ブループリント: 購入担当者は、ベンダーの提案が添付された複数のメールを受け取ります（PDF、ドキュメントなど）。-> Gmail スレッドで、ユーザーが Gemini を有効にし、「添付された提案書から、費用、スケジュール、主な成果物を比較する表を作成してください」のようなプロンプトを入力します -> Gemini がメールのコンテキストと添付ファイルの内容を読み取ります -> Gmail インターフェースに直接、簡潔な要約と比較表が生成されます -> 購入担当者は、ドキュメントを自分の目で相互参照することなく、より迅速かつ情報に基づいた意思決定を行うことができます。

11. 重複する商品リスティングを統合する

• ビジネス上の課題: 複数のベンダーから提供された膨大な商品カタログの管理を担当する e コマース カタログ マネージャーです。データに一貫性がないと、同じ商品に対して重複するリスティングが数多く作成されます。これにより、カスタマー エクスペリエンスが低下し、在庫データと販売データが分断されて正確な予測が不可能になります。また、検索ランキングにも悪影響を及ぼします。その間、チームは手作業でデータを検索して統合しようと何時間も費やします。

• 技術スタック: BigQuery、Vertex AI、Dataflow

• ブループリント: 商品カタログのデータが、データ処理パイプライン（Dataflow）によって処理されます -> Dataflow は Vertex AI モデルを呼び出して、商品のテキストと画像をベクトル エンベディングに変換します -> エンベディングは BigQuery に保存されます -> BigQuery ML クラスタリング モデルは、類似したエンベディングを持つアイテムを重複セットにグループ化します -> これらの重複セットは、確認用ダッシュボードまたは自動統合サービスに送信されます。

これらのアーキテクチャ ブループリントは、フォーミュラ E、ゴールデンステート ウォリアーズ、Spotify、ワーナー ブラザース ディスカバリーなど、メディア、マーケティング、ゲーム業界で AI を活用しているお客様のユースケースからヒントを得ています。

12. 解説を要約してポッドキャストを作成する

• ビジネス上の課題: 放送局やスポーツリーグは、イベントごとに何時間ものライブ解説を配信しています。ハイライトのリール動画、要約、毎日のポッドキャストを手動で作成するには、時間と労力がかかり、遅れが生じるため、タイムリーにファンと交流する機会を逃してしまいます。

• 技術スタック: Google Cloud Speech-to-Text、Vertex AI、Cloud Functions、Google Cloud Storage

• ブループリント: ライブ音声解説をキャプチャして Google Cloud Storage に保存します ➝ Cloud Functions がトリガーされ、音声ファイルが Speech-to-Text API に送信されて、タイムスタンプ付きの完全な文字起こしが生成されます ➝ 文字起こしが Vertex AI 生成モデルに送信され、「このレースの文字起こしから、感嘆符、キーワード（例: 『追い越し』、『衝突』など）を基に上位 5 つの盛り上がった瞬間と、感情を特定してください。各瞬間について、30 秒の要約スクリプトを作成してください」といったプロンプトが与えられます ➝ 生成されたポッドキャスト スクリプトは、テキスト読み上げエンジンまたは人間のホストに送られて録音され、「今日のハイライト」ポッドキャストが数時間ではなく数分で作成されます。

13. コンテンツのレコメンデーション エンジンを構築する

• ビジネス上の課題: スポーツ フランチャイズまたはメディア企業が、すべてのファンデータを統合データ基盤に集約しました。関連性の高いパーソナライズされたコンテンツをすべてのファンに配信して、エンゲージメントを深め、収益を増やしたいと考えています。コンテンツには、リアルタイムでの試合のハイライト、スコア、チケット販売やイベントに関するアラートなどが含まれます。

• 技術スタック: BigQuery、Vertex AI Search、Vector Search、Dataflow、Cloud Run

• ブループリント: ファンとのリアルタイムのやり取りと試合データ（スコア、統計）が Pub/Sub にストリーミングされます ➝ Dataflow パイプラインがこのデータを処理して拡充し、BigQuery の統合データ基盤でファンのプロファイルを更新します ➝ Vertex AI がこの履歴データとリアルタイム データを使用してレコメンデーション モデルをトレーニングします ➝ ファンがチームのアプリを使用すると、Cloud Run のサービスにリクエストが送信されます ➝ サービスがファンの ID で Vertex AI Search をクエリし、パーソナライズされたコンテンツ（ハイライト、記事、チケット販売アラート）のリストが返されます ➝ アプリがパーソナライズされた推奨事項をファンにリアルタイムで表示します。

14. 高度にパーソナライズされたメディア キャンペーンを作成する

• ビジネス上の課題: 一般的なマーケティングから脱却し、ユーザー一人ひとりに深くパーソナライズされた、共有可能な瞬間を創出したいと考えています。

• 技術スタック: BigQuery、Vertex AI、Dataflow、Cloud Run、Google Cloud Storage

• ブループリント: 大規模な Dataflow パイプラインが BigQuery から取得した 1 年分のユーザー インタラクション データを処理し、各ユーザーのパーソナライズされた統計を計算します ➝ 各ユーザーについて、Cloud Run 上のサービスが、Gemini API に、上位の統計データ（お気に入りのアーティスト、最も再生された曲など）とともに、「これらのリスニング傾向をまとめた、楽しくてアップビートなポッドキャストのスクリプトを生成してください」のようなプロンプトを送信します ➝ Cloud Run サービスは、生成されたテキストを使用してパーソナライズされたアセット（オーディオ クリップ、ソーシャル メディア画像）を作成し、Google Cloud Storage に保存します ➝ ユーザーがアプリを開くと、Cloud Storage から事前に生成されたユーザー固有のアセットが取得され、パーソナライズされたエクスペリエンスが提供されます。

15. AI 字幕ツールを構築する

• ビジネス上の課題: 大量の動画コンテンツをアーカイブしている大手メディア企業です。課題は、正確なタイムスタンプ付きの字幕と文字起こしを作成して、これらのコンテンツにアクセスして検索できるようにすることです。このプロセスを手動で行うと、非常に時間がかかり、費用もかかります。

• 技術スタック: Google Cloud Storage、Speech-to-Text API、Vertex AI、Cloud Functions

• ブループリント: 動画ファイルが Google Cloud Storage にアップロードされます。➝ Cloud Functions がトリガーされ、動画の音声トラックが Speech-to-Text API に送信されます。このとき、メディア コンテンツ用にトレーニングされたモデルが指定されます。➝ API は、タイムスタンプ付きの詳細な文字起こしを返します。➝ コンテキストを追加するために、文字起こしを Gemini モデルに送信し、「この文字起こしで異なる話し手を特定し、それぞれの発言にラベルを付けてください」などのプロンプトを使用します。これにより、検索可能でアクセスしやすい情報豊富な字幕ファイルが提供されます。

16. ソーシャル メディアのキャプションを作成する

• ビジネス上の課題: スポーツリーグや放送局には、イベントの映像が何時間分もあります。課題は、盛り上がった瞬間を捉えた魅力的なソーシャル メディア クリップをすばやく作成することです。このプロセスでは、ソーシャル メディア マネージャーが映像を自分の目で視聴し、クリップを選択してキャプションを作成する必要があります。

• 技術スタック: Gemini for Google ドライブ、Google ドライブ

• ブループリント: イベントのすべての放送映像が Google ドライブの共有フォルダに保存されます。➝ ソーシャル メディア マネージャーが Gemini in ドライブのサイドパネルを開きます。➝ 次のようなプロンプトを与えます。「このフォルダにある過去 1 時間の動画ファイルを分析してください。解説と観客の歓声に基づいて、最も盛り上がった瞬間トップ 3 を見つけてください。それぞれの瞬間について、5 秒の動画クリップを提案し、関連するハッシュタグを使用して、3 つの異なる魅力的なソーシャル メディアのキャプションを作成してください。」 ➝ Gemini は、動画クリップとキャプションをドライブのインターフェースに直接提供するため、数時間かかるタスクを 1 つのプロンプトで完了できます。

17. 高度にパーソナライズされた動画広告とオーディオ広告の何百もの広告バリエーションを数分で作成する

• ビジネス上の課題: デジタル広告プラットフォームを提供する企業とそのクライアントは、画一的な広告から脱却したいと考えています。課題は、さまざまなオーディエンスに合わせてカスタマイズされた広告バリエーションを何百と作成することです。従来の方法では、費用も時間もかかりすぎてしまいます。

• 技術スタック: Vertex AI、Text-to-Speech API、Cloud Run、BigQuery

• ブループリント: 広告主が、BigQuery に保存されている複数のターゲット オーディエンス セグメント（例: 「若手社会人」、「大学生」など）をターゲットにしたキャンペーンを定義します。➝ 各セグメントについて、Cloud Run 上のサービスが Gemini API を呼び出し、「若手社会人をターゲットとする新しいコーヒー ブランドの 15 秒のオーディオ広告スクリプトを生成してください。洗練されたエネルギッシュなトーンにしてください」といったプロンプトを与えます。 ➝ Gemini がオーディエンスごとに独自のスクリプトを生成します。➝ スクリプトは Text-to-Speech API に送られ、さまざまなスタイルのナレーションが作成されます。➝ これらの音声ファイルは BGM と組み合わされ、数百ものパーソナライズされた広告バリエーションが数分で作成されます。

18. 生成 AI を活用して写真編集とデザインを行う

• ビジネス上の課題: フランチャイズ ビジネスを経営しており、数百もの地域店舗向けに高品質でプロフェッショナルなマーケティング資料を作成する必要があります。課題は、地域のオーナーはグラフィック デザイナーではなく、地域の広告ごとにデザイナーを雇うのはスケーラブルではないことです。

• 技術スタック: Vertex AI、Google Cloud Storage、カスタム マーケティング ポータル（App Engine または Cloud Run 上に構築）

• ブループリント: 地域のスタジオのオーナーが、中央のマーケティング ポータルにログインします。➝ 地域の生徒の写真を Google Cloud Storage にアップロードします。➝ ポータルには、Google の画像生成モデルである Imagen 3 を活用した編集インターフェースが用意されています。➝ オーナーは、「この写真の背景を拡張して、縦型のソーシャル メディア投稿に合うようにして」や「この写真を使って、ダイナミックな『新入生向け特別キャンペーン』のグラフィックを作成して」といった簡単なプロンプトを使用できます。 ➝ AI がブランドに沿ったプロ品質のマーケティング アセットを生成するため、デザインの専門知識がなくても、地域のフランチャイズが独自の資料を作成できるようになります。

19. 数万のコースからデータを検索する

• ビジネス上の課題: 大規模なメディア企業または教育企業で、数万ものコース、記事、学習教材があります。課題は、膨大で多様なコンテンツ ライブラリの中から、ユーザーが必要とする特定の情報を簡単に見つけられるようにすることです。

• 技術スタック: Vertex AI Search、BigQuery、Google Cloud Storage

• ブループリント: テキスト、動画、メタデータを含むすべてのコース コンテンツは、Google Cloud Storage や BigQuery などのソースから Vertex AI Search にインデックス登録されます。➝ ユーザーが学習プラットフォームにアクセスし、「スプレッドシートでの財務モデリングの基本を学びたいのですが、30 分しかありません」などの自然言語検索クエリを行います。 ➝ Vertex AI Search は、複数のインテント（トピック、形式、期間）を理解し、カタログ全体に対してクエリを実行します。➝ 10 分間のビデオ講義や 20 分間の実践演習など、関連性の高い結果がランク付けされたリストで返されるため、単純なキーワード検索よりもはるかに関連性の高い結果が得られます。

20. 動画コンテンツをより迅速に生成する

• ビジネス上の課題: デジタル アバターや自動化されたニュースレポートなど、AI を活用した動画コンテンツを作成する企業です。課題は、高品質の動画を迅速にレンダリングするために必要な膨大なコンピューティング能力です。これがボトルネックとなり、制作パイプライン全体が遅くなる可能性があります。

• 技術スタック: Cloud GPU（または TPU）、Google Kubernetes Engine（GKE）、Google Cloud Storage

• ブループリント: ユーザーがスクリプトを送信し、新しい動画のデジタル アバターを選択します。➝ リクエストは、GKE クラスタで実行されているレンダリング アプリケーションに送信されます。➝ GKE は、高性能な Cloud GPU を搭載したノードプールを自動的にスケールアップします。➝ GPU は並列で動作し、AI モデルを処理して動画フレームを高速でレンダリングします。➝ レンダリングが完了すると、最終的な動画ファイルが Google Cloud Storage に保存され、GPU を搭載したノードが自動的にスケールダウンされるため、速度と費用の両方が最適化されます。

21. レコメンデーション機能を作成する

• ビジネス上の課題: ライブスポーツからメロドラマまで、膨大なコンテンツ カタログを持つ大手放送局です。課題は、人気のあるコンテンツだけを表示するのではなく、多様なポートフォリオ全体から視聴者個人に関連するコンテンツを提示して、視聴者のエンゲージメントを維持することです。

• 技術スタック: BigQuery、Vertex AI、Dataflow、Cloud Run

• ブループリント: リアルタイムでの視聴者のインタラクション データが Dataflow パイプラインにストリーミングされ、ここでイベントが処理されて BigQuery の視聴者プロファイルが更新されます。➝ BigQuery にある統合された視聴者データを使用して Vertex AI Search モデルをトレーニングします。➝ 視聴者がストリーミング アプリを開くと、Cloud Run 上のサービスにリクエストが送信されます。➝ サービスは、視聴者の ID を使用して Vertex AI Search モデルにクエリを実行します。➝ モデルは、「サッカーの試合をご視聴になったので、こちらのスポーツ ドキュメンタリーもおすすめです」といった、パーソナライズされたコンテンツのリストを返します。これにより、魅力的でパーソナライズされたエクスペリエンスを創出できます。

これらのアーキテクチャ ブループリントは、Volkswagen of America、PODS、Uber、UPS、BMW Group など、自動車業界や物流業界で AI を活用しているお客様のユースケースからヒントを得ています。

22. AI を活用したインタラクティブなオーナーズ マニュアルを作成する

• ビジネス上の課題: 自動車メーカーや複雑な製品のメーカーでの課題は、従来の紙のオーナーズ マニュアルは扱いにくい上に検索しにくく、お客様がほとんど使用しないため、不満につながり、簡単な質問でもサポートセンターへの電話が増えることです。

• 技術スタック: Vertex AI、AlloyDB for PostgreSQL、Cloud Run、Google Cloud Storage

• ブループリント: すべてのオーナーズ マニュアルのコンテンツが処理され、ベクトル エンベディングにチャンク化されて、AlloyDB に保存されます。➝ 運転手がアプリを使って「パンクしたタイヤを交換するにはどうすればいいですか？」などの質問をすると、クエリは Cloud Run 上のサービスに送信されます。➝ マルチモーダル クエリの場合、ユーザーがスマートフォンのカメラをダッシュボードのライトに向けると、画像が Vertex AI Vision に送信されて識別され、その情報がクエリに追加されます。➝ サービスは、AlloyDB から最も関連性の高いマニュアルのセクションを見つけ、ユーザーの質問とともに Gemini に送信します。Gemini は、明確で会話形式の回答を生成します。

23. 移動中のリアルタイムの音声をモニタリングして安全アラートをトリガーする

• ビジネス上の課題: 毎日何千人もの運転手と乗客の安全を確保する責任を負う、運輸または物流会社です。従来の方式では、乗客や運転手が手動でアラームをトリガーするため、危険な状況に十分な速さで対応することが難しいという課題があります。

• 技術スタック: Speech-to-Text API、Vertex AI、Pub/Sub、Cloud Functions

• ブループリント: 移動中、車両からの音声がチャンク化されて Pub/Sub にストリーミングされます。➝ Cloud Functions の関数がトリガーされ、音声スニペットが Speech-to-Text API に送信されて音声文字変換が行われます。➝ 生成されたテキストはGemini モデルに送信され、「このテキストを分析して、異変や敵意に関連するキーワード（「強盗」、「助けて」など）を特定してください。キーワードが見つかった場合は「赤」のアラートを、それ以外の場合は「緑」のアラートを返してください」のようなプロンプトが与えられます。 ➝ 「赤」のアラートが返された場合、システムは自動的に中央のセキュリティ ダッシュボードに、移動の詳細と車両の位置を通知します。

24. 動的な位置認識対応のデジタル広告をデプロイする

• ビジネス上の課題: 移動可能で物理的な存在感が高い（例: たくさんのトラックなど）企業であるため、静的なロゴを表示するだけの広告から脱却したいと考えています。課題は、特定の地域に住む人々の関心を引き付けるために、関連性が高く、コンテキストを認識した広告を独自のメッセージで作成することです。

• 技術スタック: Gemini、Google Maps Platform（Geocoding API）、Cloud Run、BigQuery

• ブループリント: トラックに搭載されたデバイスが、GPS 座標を Cloud Run 上のサービスに定期的に送信します。➝ サービスは Google Maps Geocoding API を呼び出して現在地の周辺地域を特定し、その地域に関連する人口統計データや地域の関心事データについて BigQuery にクエリします。➝ これらの詳細は、「若い家族や公園が多い地域にある引越し会社の、機知に富んだ広告のキャッチフレーズを 10 単語で作成してください」などの Gemini のプロンプトを作成するために使用されます。 ➝ Gemini が複数のキャッチフレーズの候補を返します。その中から最適なキャッチフレーズが、トラックのデジタル広告にリアルタイムで表示されます。

25. カスタマー サービス チーム向けの生産性向上エージェントを構築する

• ビジネス上の課題: 毎日数千件のやり取りを処理するカスタマー サービス チームを擁する大企業です。エージェントは、品質レベルの高い問題解決に集中する代わりに、要約の作成に多くの時間を費やしています。

• 技術スタック: Vertex AI、BigQuery、Cloud Functions

• ブループリント: すべてのカスタマー サービスのやり取り（チャット、メール）は、BigQuery などの中央データストアに保存されます。➝ エージェントが新しいチケットを開くと、Cloud Functions がトリガーされます。➝ 関数は、お客様のすべてのやり取りの履歴を BigQuery から取得し、「このお客様の過去 5 回のやり取りから主な問題を要約し、現在の感情を教えてください」のようなプロンプトとともに Gemini に送信します。 ➝ 簡潔な要約がエージェントの CRM に直接表示されるため、エージェントは数秒でコンテキスト全体を把握し、より効果的で共感的な対応を提供できます。

26. 大規模なテレマティクス データを分析してフリート管理を最適化する

• ビジネス上の課題: 数百万台のコネクテッド カーを管理するグローバルな物流会社またはテレマティクス会社です。課題は、フリート管理の効率、運転手の安全性、サステナビリティの向上に役立つ膨大な量のデータポイントを毎日処理することです。

• 技術スタック: BigQuery、Vertex AI、Looker

• ブループリント: 数百万台の車両から得られる数十億のデータポイントが、毎日 BigQuery に直接ストリーミングされます。➝ BigQuery ML はそのデータを使用して、データ ウェアハウス内で直接モデルをトレーニングし、燃料消費、危険な運転習慣、最適な経路に関連するパターンを特定します。➝ モデルは継続的に実行され、新しいデータが到着すると分析し、「88 号線の車両は交通パターンにより燃料消費量が 15% 増加している」などの分析情報を出力します。➝ これらの分析情報は Looker ダッシュボードで可視化され、フリート管理者は経路設定、運転手のトレーニング、車両のメンテナンスについて、情報に基づいた意思決定を行うことができます。

27. AI を活用したサプライ チェーン リスク インテリジェンス プラットフォームを構築する

• ビジネス上の課題: 複雑な多層サプライ チェーンを擁するグローバル企業です。課題は、業務停止の可能性（サプライヤー ネットワークの根深いところで発生する金融不安、労働にまつわる諸問題、地政学的な出来事など）を可視化できないことです。これにより、コストのかかる遅延や規制への未準拠のリスクが生じます。

• 技術スタック: Gemini、Pub/Sub、BigQuery

• ブループリント: システムは、Pub/Sub を介して、一般的に公開されているソース（ニュース、ソーシャル メディア、財務報告書）からデータを継続的に取り込みます。➝ このデータは、社内のサプライヤー データとともに、BigQuery に保存されて処理されます。➝ Gemini モデルは非構造化テキストデータを分析し、感情分析とエンティティ認識を実行して、特定のサプライヤーに関連する潜在的なリスク（例: 「ニュースによると、X 工場で労働ストライキが発生した」）を特定します。➝ システムはサプライヤーごとにリスクスコアを生成し、ダッシュボードでこの情報をリアルタイムで更新します。これにより、サプライ チェーンに影響が及ぶ前に、業務停止の可能性を管理者に警告できます。

28. 流通ネットワークのデジタルツインを構築する

• ビジネス上の課題: 車両、倉庫、仕分け施設からなる広大で複雑なネットワークを運用する物流および配送会社です。課題は、運用状況全体をリアルタイムで一元的に把握できないことです。そのため、経路の最適化、遅延の予測、お客様への正確な追跡情報の提供が困難になっています。

• 技術スタック: Pub/Sub、Dataflow、BigQuery、Vertex AI、Google Maps Platform

• ブループリント: 荷物、車両、施設に設置された IoT センサーが、リアルタイムの位置情報とステータスデータを Pub/Sub にストリーミングします。➝ Dataflow パイプラインがこの大量のデータストリームを処理し、クレンジングと構造化を行ってから BigQuery に読み込みます。➝ Vertex AI モデルは、この履歴データとリアルタイム データを使用して数千のシミュレーションを実行し、潜在的なボトルネックを予測して経路を最適化します。➝ ネットワーク全体の状況が Google Maps Platform インターフェースで可視化され、「デジタルツイン」が作成されます。これにより、オペレーターはネットワーク全体の状況を一目で確認でき、お客様は荷物をピンポイントで正確に追跡できるようになります。

29. 3D デジタルツインでインダストリアル プランニングを最適化する

• ビジネス上の課題: 複雑な工場レイアウトとサプライ チェーンを持つメーカーです。課題は、施設設計、生産ラインのフロー、倉庫の物流の最適化を物理世界でテストすることが非常に困難で費用もかかることです。

• 技術スタック: Vertex AI、3D モデリング エンジン、Google Cloud Storage

• ブループリント: モバイル デバイスやドローンを使用して工場のアセットをスキャンし、数千枚の画像をキャプチャします。➝ 画像は Google Cloud Storage にアップロードされ、Vertex AI Vision モデルによって処理されて、物体とその寸法が特定されます。➝ この構造化データは 3D モデリング エンジンにフィードされ、施設の実写的なデジタルツインが作成されます。➝ プランナーは、このデジタルツインを使用して Gemini で数千ものシミュレーションを実行し、「ロボットがステーション A からステーション B に移動する最も効率的な経路は？」といった質問をすることで、高額な物理的変更を行う前に仮想的にプロセスを最適化できます。

30. 従業員が AI を理解できるようにする

• ビジネス上の課題: 工場現場に関する豊富な運用知識を有する製造会社ですが、熟練した従業員には AI ソリューションを構築するためのコーディング スキルがありません。課題は、現場のチームが AI を使って自分たちの問題を簡単に解決できるようにし、効率と品質管理を向上させる方法を見つけることです。

• 技術スタック: Vertex AI、BigQuery、簡素化されたユーザー インターフェース（App Engine 上に構築されたものなど）

• ブループリント: 工場のセンサーと品質管理のデータが収集され、BigQuery に保存されます。➝ 工場の従業員がデータセットを選択し、「これらのセンサーの測定値に基づいて、欠陥が発生する可能性が高い部品を予測する」などの目標を定義できる、シンプルなノーコードのユーザー インターフェースが作成されます。 ➝ インターフェースは Vertex AI AutoML API を呼び出します。これにより、従業員がコードを記述することなく、カスタム ML モデルが自動的にトレーニング、テスト、デプロイされます。➝ デプロイされたモデルは、生産ラインでリアルタイムで使用できるようになるため、潜在的な問題を特定し、効率を直接的に向上させることができます。

31. e コマース向けの AI 搭載セールス アシスタントを構築する

• ビジネス上の課題: 洗練されたオンライン ショップを運営する小売業者です。課題は、お客様が微妙な質問をしたり、単純な検索バーやよくある質問では提供できないガイダンスを必要としたりすることが多く、その結果、カートが放棄され、販売機会を逃してしまうことです。

• 技術スタック: Vertex AI、BigQuery、Cloud Run

• ブループリント: BigQuery から Vertex AI Agent Builder に、商品カタログ全体と顧客とのやり取りの履歴がインデックス登録されます。➝ お客様がウェブサイトでチャット アシスタントとやり取りすると、お客様のクエリが Cloud Run のサービスに送信されます。➝ サービスは Agent Builder を使用してユーザーの意図を理解し、関連する商品情報を取得します。➝ 複雑なクエリや会話型のクエリの場合、取得された情報は、「お客様は、耐久性があり、ファミリー向けの車を求めています。これら 3 つのモデルに基づいて、最適なモデルとその理由を説明してください」といったプロンプトとともに Gemini に送信されます。 ➝ Gemini が、お客様を適切な商品に導く、会話形式の有益な回答を生成し、コンバージョンを促進します。

これらのアーキテクチャ ブループリントは、Bud Financial、Deutsche Bank、Discover Financial、Scotiabank など、金融サービス業界で AI を活用しているお客様のユースケースからヒントを得ています。

32. 金融 LLM で銀行業務を自動化する

• ビジネス上の課題: デジタル ネイティブの顧客層にサービスを提供するネオバンクまたは金融機関です。課題は、顧客が、自動的な当座貸越の防止など、従来の銀行のワークフローでは提供できないインテリジェントでプロアクティブなサービスを期待していることです。

• 技術スタック: Vertex AI、Cloud Functions、Pub/Sub、BigQuery

• ブループリント: リアルタイムのトランザクション データが Pub/Sub にストリーミングされ、Cloud Functions によって分析されます ➝ 当座貸越の可能性が検出された場合、関数はファインチューニングされた Gemini モデル（金融 LLM）を呼び出し、「このユーザーの口座では当座貸越が発生する可能性があります。アカウント履歴に基づいて、最適なアクションを提案してください」といったプロンプトを与えます。➝ Gemini は「預金口座から 50 ドルを移動します」といった回答を返します。➝ その後、システムは自動的に送金を実行するか、ユーザーに事前通知を送信して、ユーザーが手数料を回避し、財務状況を改善できるようにします。

33. AI 住宅ローン エージェントを作成して見積もりをパーソナライズする

• ビジネス上の課題: 競争の激しい市場で住宅ローンを提供するデジタル企業です。課題は、借り入れを検討しているユーザーは多くの場合、比較検討を行っており、長い申し込みプロセスを経ずに迅速かつ明確にパーソナライズされた金利の見積もりを得られないと、サイトを離れてしまうことです。

• 技術スタック: Vertex AI、Cloud Run、安全なドキュメント ストア（Cloud Storage など）

• ブループリント: 借り手が「この金利よりも有利な金利を確認する」といったような機能を使用して、競合他社の見積もりシートを Cloud Storage にアップロードします。➝ ドキュメントは Cloud Run 上のサービスに送信され、マルチモーダル Gemini モデルが呼び出されます。➝ Gemini がドキュメントから重要な用語（金利、項目、借入期間）を抽出します。➝ サービスはこのデータを使用して内部料金表をクエリし、Gemini への新しいプロンプトを作成します。たとえば、「当社の 2.95% の金利が競合他社の 3.15% の金利よりも優れていることを示す比較表と、親しみやすいチャット メッセージを作成してください」といったプロンプトです。 ➝ パーソナライズされた見積もりと比較が数秒で借り手に表示されます。

34. AI エージェントを構築して資産管理アドバイザリを強化する

• ビジネス上の課題: 財務アドバイザーが電話の要約の作成などの管理タスクに多くの時間を費やしている資産管理会社です。課題は、アドバイザーが手作業から解放され、顧客との関係構築や戦略的なアドバイスといった価値の高い業務に集中できるようにすることです。

• 技術スタック: Speech-to-Text API、Vertex AI、CRM システム

• ブループリント: クライアントとの通話中、音声は Speech-to-Text API によってリアルタイムで文字起こしされます。➝ 通話後、完全な文字起こしが、次のようなプロンプトとともに Gemini モデルに送信されます。「この財務アドバイザリの通話を要約してください。お客様の主な懸念事項、アドバイザーのアクション アイテムを特定し、お客様の財務目標を更新してください。」 ➝ Gemini が構造化された要約とアクション アイテムのリストを生成します。➝ この要約は自動的に会社の CRM システムに記録されるため、アドバイザーは時間を大幅に節約でき、すべてのやり取りの記録を確実に一貫したものにできます。

35. AI を活用したドキュメント分析でローン審査にかかる時間を短縮する

• ビジネス上の課題: 住宅ローン融資機関またはブローカーとして、数千件のローン申請を処理しています。課題は、複雑な財務書類を人間が読み解く必要があるため、ローン審査のプロセスが手作業で時間がかかることです。これにより、契約成立までに時間がかかり、運用コストが高くなります。

• 技術スタック: Document AI、Vertex AI、BigQuery、Cloud Run

• ブループリント: ブローカーが借り手の財務書類（給与明細、銀行明細書）をポータルにアップロードします。➝ Cloud Run のサービスがドキュメントを Document AI に送信し、すべての元データ（収入、資産、負債）を抽出して構造化します。➝ 構造化データは BigQuery に保存され、Gemini モデルに送信されます。その際、「この借り手の財務データを当社のローン審査ガイドラインに照らして分析し、潜在的なリスクを特定してください」といったプロンプトが与えられます。 ➝ モデルはリスク分析の結果を返します。これにより、人間のローン審査担当者は数時間ではなく数分で最終的な決定を下すことができ、生産性が大幅に向上します。

36. チャット インターフェースで国際送金を自動化する

• ビジネス上の課題: 通貨両替を専門とする金融機関です。国際送金を開始するには、複雑なオンライン フォームに記入したり、営業時間中に支店を訪れたりする必要があることが多く、時間もかかり不便です。

• 技術スタック: チャット プラットフォーム API、Dialogflow CX（または Vertex AI Conversation）、Cloud Functions

• ブループリント: お客様が会話を始め、「英国にいる兄に 500 ドル送金したい」と言います。 ➝ メッセージは、送金リクエストを処理するようにトレーニングされた Dialogflow CX エージェントに送信されます。➝ エージェントが確認のための質問をします（例: 「受取人の銀行情報を教えてください」）。➝ 必要な情報がすべて収集されると、Dialogflow は安全な Cloud Functions を呼び出します。➝ Cloud Functions は、銀行のコアシステムを介して送金を実行し、チャット インターフェースを通じて確認メッセージをお客様に返します。これにより、人手を介さずに 24 時間 365 日、いつでも取引全体を完了できます。

37. 財務アナリスト向けの AI リサーチ アシスタントを構築する

• ビジネス上の課題: 金融機関のアナリストが調査報告書を作成するために、データの収集と情報の統合に数時間、場合によっては数日を費やしています。課題は、最高水準のデータプライバシーを維持しながら、このプロセスを迅速化して、よりタイムリーな分析情報をクライアントに提供することです。

• 技術スタック: Vertex AI、BigQuery

• ブループリント: 財務アナリストが社内の調査ツールを使用して、「半導体業界の第 3 四半期の業績に関する調査メモを作成してください。その際、サプライ チェーンの動向と主要企業の収益に焦点を当ててください」のようなプロンプトを入力します。 ➝ このツールは、Vertex AI Search を使用して、BigQuery の社内専有データセットと、承認された外部の市場データソースにクエリを実行します。➝ 取得したデータは、詳細なプロンプトとともに Gemini モデルに渡され、報告書の下書きが生成されます。➝ モデルは、重要な分析情報、グラフ、要約を含む構造化された下書きを生成します。これにより、アナリストは報告書を数日ではなく数分で修正して完成させることができます。

38. マルチモーダル AI で保険金請求処理を自動化する

• ビジネス上の課題: 保険会社では、保険金請求プロセスにおいて、保険調査員がさまざまなドキュメント（写真、修理見積もり、警察の報告書）を手動で確認しています。この方法は時間がかかり、エラーが発生しやすく、お客様がストレスにさらされている間にカスタマー エクスペリエンスが低下します。

• 技術スタック: Document AI、Vertex AI、Cloud Run

• ブループリント: 保険金請求者は、請求に必要なすべての書類と写真をアップロードします。➝ Cloud Run のサービスが、テキスト ドキュメントを Document AI に、画像を Vertex AI Vision に送信し、関連するすべての情報を抽出して構造化します。➝ この構造化データは、次のようなプロンプトとともに Gemini モデルに渡されます。「この警察の報告書、修理見積もり、損傷箇所の写真から、この自動車保険の請求がポリシー #12345 の下で有効かどうかを確認してください。また推定支払額を計算してください。」 ➝ モデルは検証結果と支払額を返します。これにより、簡単な請求はほぼリアルタイムで処理できます。

39. 法的文書からデータを抽出する AI エージェントを構築する

• ビジネス上の課題: 財務顧問会社または資産管理会社です。課題は、遺言状や信託証書などの長くて複雑な法的文書を読み解き、相続計画に必要な重要な情報を抽出する作業は、時間がかかり、手作業が中心となっていることです。

• 技術スタック: Document AI、Vertex AI

• ブループリント: ファイナンシャル アドバイザーが、クライアントの長い信託証書（PDF）をアップロードします。➝ ドキュメントは Document AI によって処理され、構造を保持したまますべての未加工テキストが抽出されます。➝ 抽出されたテキストは、ファインチューニングされた Gemini モデルにプロンプトとともに送信されます。プロンプトは「この信託証書から、受益者、受託者、資産分配ルール、相続の特定の条件を抽出してください」のようなものです。 ➝ モデルは、主要な情報を構造化された形式（JSON など）で返します。この形式での情報は、計画プラットフォームでクライアントのプロファイルを自動入力するために使用できるため、アドバイザーは自分の目で読み解く時間を節約できます。

40. ソフトウェアのバグチケットからコードを自動生成する

• ビジネス上の課題: 規制の厳しい業界のソフトウェア会社で、開発者がプロジェクト管理チケットからのバグ報告や機能リクエストを実際のコードに変換するためにかなりの時間を費やしており、開発サイクルが遅くなっています。

• 技術スタック: Vertex AI、プロジェクト管理ツール API（例: Jira）

• ブループリント: Jira で新しいバグチケットが作成されると、webhook によってサービスがトリガーされます。➝ サービスは、バグの詳細が記載されたチケットの説明を取得します（例: 「ユーザー ダッシュボードの [エクスポート] ボタンが、ステータスが [保留中] のアカウントで機能しません」）。➝ この説明は、会社のプライベート コードベースでトレーニングされた Gemini Code Assist への詳細なプロンプトを構築するために使用されます。➝ プロンプトは、「コードベースを考慮して、このチケットに記載されているバグを修正する Python コードを記述してください」といったものです。 ➝ モデルは、提案された修正を含むコード スニペットまたは pull リクエストを生成します。デベロッパーは、これをレビュー、テスト、導入して、プロセスを大幅に高速化できます。

41. 不正防止と信用分析のエンジンを構築する

• ビジネス上の課題: 決済ソリューションや融資を提供するフィンテック企業です。課題は、顧客への対応を遅らせることなく、ビジネスと顧客の両方を保護するために、信用リスクを正確に評価し、不正な取引をリアルタイムで検出することです。

• 技術スタック: BigQuery、Vertex AI、Dataflow

• ブループリント: Dataflow を介してリアルタイムの取引とユーザー行動データがストリーミングされて BigQuery に保存されます。➝ Vertex AI の ML モデルは、この履歴データで継続的にトレーニングされ、正当な行為と不正行為の両方のパターンを学習します。➝ 新しい取引が発生すると、データはデプロイされた不正行為検出モデルにリアルタイムで送信されます。➝ モデルはリスクスコアをミリ秒単位で返します。➝ スコアが高い場合、取引は自動的にブロックされるか、人の目による審査の対象としてフラグが付けられ、不正行為を未然に防ぐことができます。

これらのアーキテクチャ ブループリントは、Bayer、Mayo Clinic、Clivi、Orby、Hackensack Meridian Health など、ヘルスケアおよびライフ サイエンス業界で AI を活用しているお客様のユースケースからヒントを得ています。

42. 患者のパーソナライズされた継続的なモニタリングを可能にする

• ビジネス上の課題: 糖尿病などの慢性疾患を抱える多数の患者を管理する医療機関です。課題は、定期的な診察では患者の健康状態を完全に把握できないため、時宜にかなったパーソナライズされたアドバイスを提供したり、合併症が発生する前に治療を施したりすることが難しいことです。

• 技術スタック: IoT デバイス（またはモバイルアプリ）、Pub/Sub、Dataflow、BigQuery、Vertex AI

• ブループリント: 血糖値モニターなどのソースから患者のリアルタイム データが Pub/Sub にストリーミングされます ➝ Dataflow パイプラインがデータを処理して正規化し、患者の記録と照合して BigQuery に保存します ➝ システムが Vertex AI モデルを使用して傾向を分析し、異常が検出された場合（例: 血糖値が常に高い場合）にアラートをトリガーします ➝ Gemini が患者向けにパーソナライズされたメッセージを生成します。たとえば、「夜間の血糖値が高いようです。夕食後に少し散歩してみてください。明日の数値がどうなるか見てみましょう」といったものです。

43. 放射線ワークフロー用の AI アシスタントを構築する

• ビジネス上の課題: 医療機関において、放射線科医は、増え続ける業務量に大きなプレッシャーを感じています。課題は、複雑な画像の分析、関連する過去の研究の検索、規制に準拠した報告書の作成を、より効率的かつ正確に行えるようにすることです。

• 技術スタック: Vertex AI、Google Cloud Healthcare API、PACS システム

• ブループリント: 新しい放射線画像が Healthcare API を介して取り込まれ、匿名化されて PACS に保存されます。➝ 画像は Vertex AI ビジョンモデルに送られ、注目すべき可能性のある領域が検出されてハイライト表示されます ➝ 放射線科医は、過去の何百万もの匿名化された研究をインデックス化した Vertex AI Search を使用して、類似の症例を見つけることができます ➝ 放射線科医はレビュー後、所見を記録します。Gemini は、構造化された、規制に準拠した報告書のドラフト作成を支援します。仕上がった報告書は記録され、放射線科医は複雑な診断作業に集中できるようになります。

44. 介護者のシフト交代をサポートする仮想アシスタントを作成する

• ビジネス上の課題: 大規模な医療ネットワークで、看護師や介護士の交代が重大な障害点となっています。課題は、この交代時に重要な情報や患者の状態に関する詳細がきちんと引き継がれるようにすることです。引き継がれない場合、治療の継続性と質に影響が及ぶ可能性があります。

• 技術スタック: Speech-to-Text API、Vertex AI、電子医療記録（EHR）システム

• ブループリント: 看護師が勤務を終える際、デバイスに話しかけて患者の状態を要約して伝えます。➝ Speech-to-Text が、要約をリアルタイムで文字起こしします。➝ 文字起こしは、Gemini に送信され、その際、「この構造化されていないシフトの要約を、[バイタル]、[投与された薬]、[患者の様子]、[次のシフトでのアクション アイテム] のセクションを含む構造化されたレポートに変換してください」のようなプロンプトが使用されます。 ➝ 構造化された要約が患者の EHR に自動的に記録されるため、後任の介護者は完全かつ一貫した概要を数秒で把握できます。詳細な例については、こちらのブログをご覧ください。

45. タンパク質配列生成で創薬を迅速化する

• ビジネス上の課題: バイオテクノロジーまたは製薬会社において、従来の創薬プロセスでは膨大な時間と費用がかかっています。新しい医薬品の基礎となる可能性のある新しいタンパク質配列を迅速に設計してテストする方法を見つけることが課題です。

• 技術スタック: Vertex AI、Google Cloud TPU

• ブループリント: 科学者がタンパク質の望ましい特性（例: 「標的 X に結合してその機能を阻害するタンパク質を設計してください」）を入力します。➝ このリクエストは、Google Cloud の高性能 TPU で実行されている生成 AI モデルに送信されます。➝ 膨大な生物学的データセットでトレーニングされたモデルは、指定された基準を満たす数千の新しいタンパク質の配列を生成します。➝ AI が設計したこれらのタンパク質配列は、その後、ラボで合成およびテストされ、初期の研究開発段階が数年から数週間に大幅に短縮されます。

46. 医薬品に関するドキュメントを適切な形式で作成する作業を自動化する

• ビジネス上の課題: 製薬会社では、検査結果から FDA のコンプライアンス関連書類まで、大量の複雑なドキュメントを扱っています。課題は、この情報を書き起こし、形式を整え、要約する手作業でのプロセスに時間がかかり、業務が遅くなることです。

• 技術スタック: Gemini for Google Workspace、Document AI

• ブループリント: 従業員の受信トレイに、検査結果が PDF 添付ファイルとして届きます。➝ 従業員は Gemini in Gmail を使用し、「添付の検査結果から主要な値を抽出し、この Google ドキュメント テンプレートの標準的な表に入力して形式を整えてください」のようなプロンプトを入力します。 ➝ Gemini は Document AI の機能を利用して PDF を解析し、構造化データを抽出して Google ドキュメントに入力します。➝ これにより、複数ステップの手動プロセスが 1 つのコマンドに短縮され、1 週間あたり数時間の節約になります。

47. 保険会社向けの AI 活用型引受モデルを構築する

• ビジネス上の課題: 企業を対象とする保険会社では、複雑なリスクに対する保険契約の見積もりを出すために、保険引受人が膨大な量のデータを手作業で評価する必要があり、数日かかることもあります。課題は、このプロセスを自動化して迅速化し、見積もりを迅速に提供して競争力を高めることです。

• 技術スタック: BigQuery、Vertex AI、Cloud Run

• ブループリント: 見込み顧客、見積もり、保険金請求の結果に関する履歴データは、BigQuery に保存され、処理されます。➝ このデータを使用して、新しい見込み顧客に関連するリスクを予測する Vertex AI ML モデルをトレーニングします。➝ 見積もりに関する新しいリクエストが届くと、データは Cloud Run 上のサービスに送信されます。➝ サービスはデプロイされた Vertex AI モデルを呼び出し、数秒でリスクスコアと推奨される保険料を返します。➝ これにより、初期評価が自動化され、人間の保険引受人は AI が生成した見積もりをレビューし、数日ではなく数分で最終決定を下すことができます。

48. 臨床研究のためのインテリジェントな検索プラットフォームを構築する

• ビジネス上の課題: 貴重な臨床データをペタバイト単位で保有する大規模な研究病院または研究機関です。課題は、このデータがサイロ化されていることが多く、研究者がアクセスして分析することが困難なため、科学的発見の大きな障害となっていることです。

• 技術スタック: Vertex AI Search、BigQuery、Google Cloud Healthcare API

• ブループリント: Healthcare API を使用してペタバイト規模の臨床データを匿名化し、BigQuery に集約します。➝ 非構造化メモや構造化データを含むデータセット全体が Vertex AI Search にインデックス登録されます。➝ 研究者は、シンプルな自然言語検索バーを使用して、「50 歳以上で心臓病の既往歴があり、薬 X に肯定的な反応を示した患者コホートをすべて見つけてください」などの複雑な質問をすることができます。 ➝ Vertex AI Search は、50 ペタバイトのデータセット全体から関連する匿名化されたレコードを取得し、これまで数か月かかっていた調査を数分に短縮します。

49. 公開データと非公開データを使用して病気の流行を予測する

• ビジネス上の課題: 製薬会社または公衆衛生機関です。課題は、インフルエンザなどの季節的な流行に事後対応するのではなく、プロアクティブに予測して、リソース計画、ワクチン配布、公衆衛生に関する情報伝達を改善することです。

• 技術スタック: BigQuery、Vertex AI、Google トレンド API

• ブループリント: 「発熱」や「咳」などの用語に関する匿名化された集計済みの Google 検索トレンドデータ（トレンド API 経由）を、BigQuery にあるインフルエンザ薬の過去の社内販売データと組み合わせます。➝ Gemini モデルを使用して、これらの組み合わされたデータセットを分析し、相関関係を特定して、具体的な場所での将来の流行を予測します。➝ システムは、「オハイオ州で『インフルエンザの症状』の検索トラフィックが 20% 増加したことから、7 ～ 10 日後に患者が急増すると予測される」などの予測を生成し、リアルタイムでの医療計画のためのダッシュボードで可視化されます。

50. AI を活用した胚分析で体外受精の成功率を向上させる

• ビジネス上の課題: 不妊治療クリニックにおける体外受精のプロセスで最も重要かつ難しい部分の 1 つは、妊娠の成功率が最も高い胚を選択することです。課題は、この選択プロセスの精度を向上させ、患者に可能な限り最良の結果をもたらすことです。

• 技術スタック: Vertex AI、Google Cloud Storage

• ブループリント: 高解像度の胚の画像が Google Cloud Storage にアップロードされます。➝ Vertex AI Vision モデルが画像を分析し、人間の目には見えない数百もの形態学的特徴を抽出します。➝ この特徴データと、最終的な結果データ（移植の成功または失敗）を使用して、AutoML モデルをトレーニングします。➝ 新しい患者の胚を分析する際、モデルはそれぞれの生存率スコアを提供します。これにより、胚培養士はよりデータに基づく意思決定を行うことができ、体外受精の成功率が高まります。

51. 在宅医療の経路設定と医療指示処理を自動化する

• ビジネス上の課題: 数千件の患者訪問を行う看護師のグループを管理する在宅医療会社です。課題は、その日の訪問経路をできるだけ効率の良い経路に最適化すると同時に、医療指示を処理する手作業での紙ベースのプロセスを迅速化することです。

• 技術スタック: Google Maps Platform（Routes API）、Document AI、Cloud Run

• ブループリント: 患者の医療指示書（PDF または画像）がシステムにアップロードされます。➝ Cloud Run 上のサービスがファイルを Document AI に送信します。Document AI は、患者の詳細、必要なサービス、場所情報を自動的に抽出します。➝ 毎日、システムは必要な訪問先すべてのリストを Google Maps Routes API に送信します。この API は、看護師ごとに最も効率的な訪問経路を計算します。➝ 最適化された経路が看護師のモバイルアプリに送信され、時間と燃料が節約されます。また、指示処理が自動化されることで、管理上のオーバーヘッドが削減されます。

これらのアーキテクチャ ブループリントは、Bell Canada、Verizon、Vodafone、Nokia、Orange など、通信業界で AI を活用しているお客様のユースケースからヒントを得ています。

52. カスタマイズ可能な AI コンタクト センター ソリューションを構築する

• ビジネス上の課題: カスタマー サービスをモダナイズする必要がある企業顧客にサービスを提供する通信プロバイダです。課題は、通話を自動的に処理し、人間のエージェントをリアルタイムで支援できる、AI 搭載の柔軟なコンタクト センター ソリューションを提供することです。

• 技術スタック: コンタクト センター AI プラットフォーム（CCAI）、Vertex AI、CRM システム

• ブループリント: お客様が電話をかけると、まず Contact Center AI 上に構築された AI エージェントが対応します。➝ エージェントは、口座残高の確認など、一般的なリクエストに対応します。➝ お客様が人間の担当者と話す必要がある場合は、通話が転送されます。➝ 人間のエージェントが話すと、「Agent Assist」機能が会話を聞き取り、リアルタイムで文字起こしをし、Gemini を使用して、関連するナレッジベースの記事と次のステップの提案をエージェントの CRM インターフェースに直接提供します。

53. 生成 AI ツールで従業員の能力を強化する

• ビジネス上の課題: 大手通信企業では、全従業員が AI を活用できるようにしたいと考えています。課題は、機密性の高い企業データに対する厳格なセキュリティ、プライバシー、コンプライアンス管理を維持しながら、生成 AI ツールに簡単にアクセスできるようにすることです。

• 技術スタック: Vertex AI、Identity and Access Management（IAM）、Google Cloud Storage

• ブループリント: Vertex AI Agent Builder を使用して、社内「AI サンドボックス」プラットフォームを構築します。➝ このプラットフォームは、Google Cloud Storage に安全に保存された、厳選された社内ドキュメント（法務、人事、技術文書）を基に構築されています。➝ 従業員は、企業の ID を使用してサンドボックスにアクセスします。その際、IAM ルールにより、従業員はアクセス権のあるデータのみにアクセスできます。➝ 従業員が「新しいデータプライバシー ポリシーを要約して」などの質問をすると、信頼できる社内ドキュメントのみに基づいて Gemini が回答を生成し、社内の誰もが情報を安全に利用できるようになります。

54. 通話の要約と品質保証を自動化する

• ビジネス上の課題: 大規模なカスタマー サービス センターを擁する通信事業者です。課題は、毎日何千件も行われる通話の品質を一定に保ち、ベスト プラクティスを特定することです。この作業では、マネージャーがランダムに選んだ通話録音の短いサンプルを手作業で聴く必要があります。

• 技術スタック: Speech-to-Text API、Vertex AI、BigQuery、Looker

• ブループリント: すべてのカスタマー サービス通話の音声は Speech-to-Text API によって文字起こしされ、テキストは BigQuery に保存されます。➝ スケジュールされたジョブが、Gemini に文字起こしをプロンプトとともに送信します。プロンプトは、「この通話を要約し、お客様が電話をかけた理由を分類し、品質評価基準に基づいてエージェントの対応の有効性を評価してください」のようなものです。 ➝ 構造化された分析結果が BigQuery に書き戻されます。➝ マネージャーは Looker ダッシュボードを使用して、傾向の把握、パフォーマンスの高いエージェントの特定、チームトレーニングの例として使用できる通話の検索を行うことができます。

55. AI を使用して複雑な商用契約を分析する

• ビジネス上の課題: 複雑な相互接続契約やベンダー契約が数千件に及ぶグローバルな通信事業者です。課題は、これらの情報密度の高い法的文書に埋もれている特定の商用条件、義務、更新日を迅速に見つけることです。

• 技術スタック: Document AI、Vertex AI Search、Vertex AI

• ブループリント: Document AI で数千件の契約書を処理して、未加工のテキストを抽出して構造化し、Vertex AI Search にインデックス登録します。➝ 法務チームまたは営業チームのメンバーが検索インターフェースを使用して、「90 日前の通知を必要とする解約条項がある、事業者 X とのすべての契約書を見つけてください」のような自然言語で質問をします。 ➝ Vertex AI Search が関連する契約条項を取得します。➝ さらに分析するために、Gemini を使用して、取得した複数のドキュメントの条件を並べて表示した表を作成して比較できます。

56. 開発者向けの「Network as Code」プラットフォームを構築する

• ビジネス上の課題: 5G ネットワーク事業者として、ネットワークの独自の機能（低レイテンシ、高帯域幅など）を活用する革新的なアプリケーションを開発者が作成できるようにしたいと考えています。課題は、ネットワークの複雑さを抽象化して、シンプルでプログラム可能な API にすることです。

• 技術スタック: Vertex AI、Google Kubernetes Engine（GKE）、ネットワーク API

• ブループリント: 「Network as Code」プラットフォームは、GKE でホストされるシンプルな API を介して複雑なネットワーク機能を公開します。➝ ある開発者は、遠隔手術の相談に高品質の接続を保証する遠隔医療アプリを構築したいと考えています。➝ プラットフォームの SDK を使用し、Gemini を搭載したアシスタントとやり取りして、「病院と患者の自宅の間で、低レイテンシの専用ネットワーク スライスを 60 分間リクエストする Python コードを生成してください」とプロンプトを入力します。 ➝ Gemini は必要なコードを生成します。このコードは、プラットフォームの API を呼び出してネットワーク リソースを動的にプロビジョニングします。

57. 統合された顧客ビューを作成してサービスを強化する

• ビジネス上の課題: 大手通信プロバイダでは、顧客データが複数のシステム（請求、CRM、ネットワーク使用量）に分散しています。課題は、顧客一人ひとりの全情報を一元的に把握できるビューを作成することで、先を見越したパーソナライズされたサービスを提供し、情報に基づいたビジネス上の意思決定を行うことです。

• 技術スタック: BigQuery、Dataflow、Vertex AI、Looker

• ブループリント: すべてのソースシステムからのデータは、Dataflow を介して中央データ ウェアハウスとして機能する BigQuery にストリーミングされます。➝ Vertex AI モデルは、統合されたデータを分析して、特定の場所でネットワーク品質が低下している顧客など、パターンを特定します。➝ システムは、「このお客様は、通話が何度も切断されているため、解約するリスクが高い」などの実用的な分析情報を生成できます。 ➝ この分析情報は、Looker ダッシュボードを通じてカスタマー サービス エージェントに表示され、ネットワーク エクステンダの提供などの解決策を積極的に提案するよう促します。

58. 複雑な IoT データに対して自然言語チャットを有効にする

• ビジネス上の課題: センサーやデバイスから数百万のデータポイントを収集する、企業向けモノのインターネット（IoT）プロバイダです。課題は、フリート マネージャーやビル管理担当者などの技術に詳しくないユーザーが、必要な分析情報を得るために、この複雑なデータに簡単にアクセスしたり、理解したりできないことです。

• 技術スタック: BigQuery、Vertex AI、Looker（または別の BI ツール）

• ブループリント: すべての IoT データがストリーミングされ、BigQuery に保存されます。➝ データは、自然言語チャット インターフェースが埋め込まれた Looker などの BI ツールを通じて公開されます。➝ 技術に詳しくないユーザーが、「ダウンタウンで今日 30 分以上アイドリングしている車両はどれですか？」などの簡単な質問を自然言語で行います。 ➝ リクエストは Gemini に送信されます。Gemini はユーザーの意図を理解し、質問を SQL クエリに変換します。➝ クエリは BigQuery に対して実行され、結果はチャット インターフェースにシンプルな表または地図として直接返されるため、分析情報が得られるまでの時間が 88% 短縮されます。

59. データ主権を確保するために分散クラウドで AI サービスを提供する

• ビジネス上の課題: データ所在地の関する厳格な法律がある国々でサービスを提供する多国籍通信事業者です。課題は、リアルタイム翻訳などの強力な AI 機能を活用しながら、現地の顧客データが必ず現地国で留まるようにすることです。

• 技術スタック: Google Distributed Cloud、Vertex AI、Speech-to-Text、Text-to-Speech

• ブループリント: Google Distributed Cloud（GDC）のインスタンスが、現地国のデータセンター内にデプロイされます。➝ ユーザーがリアルタイム翻訳が必要な通話を発信します。➝ 音声ストリームは GDC 環境内で完全に処理されます。➝ Speech-to-Text サービスと Text-to-Speech サービス、および GDC で実行される Vertex AI 翻訳モデルが翻訳を処理します。➝ 翻訳された音声は超低レイテンシでユーザーに返送され、AI サービスが提供されます。その際、すべてのデータが現地国内に留まることが保証され、主権に関する規制が遵守されます。

60. サイバーセキュリティの脅威の検出と対応を迅速化する

• ビジネス上の課題: 重要インフラ プロバイダとして、常に高度なサイバー脅威にさらされています。課題は、侵害を防ぐためにこれらの脅威を迅速に検出して調査することです。これは、人間のアナリストが大規模に対応するには難しいタスクです。

• 技術スタック: Google Security Operations（SecOps）、Gemini in Security

• ブループリント: 組織全体のセキュリティ ログとテレメトリーが Google Security Operations プラットフォームに取り込まれます。➝ プラットフォームの AI 機能は、シグナルを自動的に関連付け、人間が見逃す可能性のある潜在的な脅威を検出します。➝ 優先度の高いイベントが検出された場合、セキュリティ アナリストは統合された Gemini in Security を使用して、「この脅威を要約してください。また潜在的な影響と推奨される修復方法を教えてください」といった質問をすることができます。 ➝ Gemini は簡潔な要約と段階的なハンドブックを提供し、アナリストは調査を迅速に完了できます。

61. データドリブンな AI セキュリティ ガバナンスを確立する

• ビジネス上の課題: AI モデルを構築する数千人の社内開発者とデータ サイエンティストを擁する大企業です。課題は、イノベーションを阻害することなく、すべての AI 開発が安全で、規制に準拠し、データに基づいていることを確実にする堅牢なガバナンス レイヤを確立することです。

• 技術スタック: Vertex AI、BigQuery、オープンソース ツール（モデル スキャン用など）、IAM

• ブループリント: すべての AI モデル開発は Vertex AI 内で行われます。➝ モデルが構築されると、そのメタデータ、トレーニング データソース、依存関係が BigQuery に自動的に記録されます。➝ 自動化されたセキュリティ ツールがモデルをスキャンして脆弱性を検出します。➝ ガバナンス ダッシュボードでは、すべての AI プロジェクトが 1 つのビューで表示され、コンプライアンス状況とデータリネージを確認できます。➝ IAM ポリシーは、「承認されていない顧客データでトレーニングされたモデルは本番環境にデプロイできない」などのルールを適用し、堅牢かつデータドリブンなガバナンス フレームワークが構築されます。

これらのアーキテクチャ ブループリントは、アラスカ航空、Gymshark、Priceline、Six Flags、Studiosus Reisen、trivago など、ホスピタリティ業界や旅行業界で AI を活用しているお客様のユースケースからヒントを得ています。

62. 会話型 AI 旅行代理店を構築する

• ビジネス上の課題: 航空会社またはオンライン旅行代理店です。課題は、複雑なフィルタやフォームを備えた従来の予約ウェブサイトでは、簡単な質問をしたいだけの旅行者にとって煩わしく、人間的な対応が受けられないと感じられる可能性があることです。その結果、検索が放棄され、予約を受ける機会を逃すことになります。

• 技術スタック: Vertex AI、Cloud Run、バックエンド予約システム API

• ブループリント: 旅行者がウェブサイトまたはアプリで chatbot とやり取りし、「来月、シアトルからマイアミまで 400 ドル程度で飛行機で行きたい」と尋ねます。 ➝ リクエストは Cloud Run 上のサービスに送信されます。このサービスは Vertex AI Agent Builder を使用してユーザーの意図を理解し、エンティティ（出発地、目的地、日付、料金）を抽出します。➝ サービスは航空会社の予約 API を呼び出して、一致するフライトを検索します。➝ フライトの選択肢は、Gemini 次のようなプロンプトとともに渡されます。「3 つのフライトがあります。親しみやすい会話形式で提示し、ユーザーにどれがよいか尋ねてください。」 ➝ chatbot が選択肢を提示し、予約プロセスを簡単な会話に簡素化します。

63. テーマパーク向けのパーク内デジタル アシスタントを作成する

• ビジネス上の課題: テーマパークや大規模なエンターテイメント施設の運営者です。課題は、訪問者がパーク内を移動したり、ショーの時間を調べたり、アトラクションの待ち時間を確認したりする際に、情報が多すぎて混乱してしまう可能性があることです。これは、ゲストの全体的な体験を損なう可能性があります。

• 技術スタック: Google Maps Platform、Vertex AI、BigQuery、Cloud Run

• ブループリント: リアルタイムのパークデータ（アトラクションの待ち時間、ショーのスケジュール、キャラクターの場所）が BigQuery にストリーミングされます。➝ 訪問者がパークのモバイルアプリを開き、デジタル アシスタントに「近くで待ち時間が 20 分以内の楽しいアトラクションはありますか？」と尋ねます。 ➝ アプリはリクエストとユーザーの位置情報を Cloud Run 上のサービスに送信します。➝ サービスは BigQuery に現在の待ち時間を問い合わせ、Google Maps Platform を使用して近くのアトラクションを検索します。➝ Gemini はこの情報を統合して、「ゴリアテは徒歩 5 分の場所にあり、待ち時間は 15 分です」といったパーソナライズされたおすすめを提示します。

64. 食事の注文とロイヤリティに関する予測ツールを構築する

• ビジネス上の課題: クイックサービス レストランまたはピザチェーンを経営しています。課題は、ピーク時の在庫管理と調理時間を効果的に管理し、顧客の関心を引くことが難しいことがよくある一般的なポイント プログラムを通じてリピーターを増やすことです。

• 技術スタック: BigQuery、Vertex AI、Cloud Run

• ブループリント: 過去のすべての注文データは BigQuery に保存されています。➝ Vertex AI の予測モデルがこのデータを分析し、特定の時間と場所での注文量を予測します（例: 「金曜の夜にダウンタウンの店舗でペペローニ ピザの注文が 30% 増加する可能性を予測して」）。➝ ポイント プログラムのメンバーがアプリを開くと、Cloud Run のサービスが注文履歴を取得し、Gemini に次のようなプロンプトとともに送信します。「このユーザーは火曜日に頻繁に注文します。次の火曜日の注文で、サイドメニューを 1 品無料にするパーソナライズされたオファーを作成してください」 ➝ このような予測に基づく準備とパーソナライズされたマーケティングにより、効率と顧客ロイヤルティを向上させることができます。

65. 宿泊施設の自然言語検索を有効にする

• ビジネス上の課題: ホテル予約プラットフォームまたは民泊サイトを運営しています。課題は、ユーザーには標準的なチェックボックス フィルタでは表現しにくい、具体的で微妙な違いのあるニーズ（「ビーチに近く、子供用プールがある静かなホテル」など）があることが多いことです。

• 技術スタック: Vertex AI Search、BigQuery

• ブループリント: 施設、レビュー、場所情報など、数百万件のホテルの詳細データが BigQuery から Vertex AI Search にインデックス登録されます。➝ ユーザーが「オースティンのダウンタウンにある、1 泊 300 ドル以下で、屋上にバーがあるペット可のホテルを探して」のような自由テキスト形式のクエリを入力します。 ➝ Vertex AI Search は自然言語を処理して、複数の意図（ペット可、場所、施設、価格）を理解します。➝ エンジンは、指定されたすべての条件に最もよく一致するホテルをランク付けして返します。これにより、より直感的でパーソナライズされた検索エクスペリエンスが実現します。

66. AI を活用したバーチャル フィットネス コーチを作成する

• ビジネス上の課題: フィットネス ブランドやジムでは、お客様がパーソナライズされたトレーニング プランを求めています。しかし、マンツーマンのコーチングは費用がかかり、規模を拡大できないため、ほとんどのメンバーは汎用的でワンパターンなワークアウト プログラムを行っています。

• 技術スタック: Vertex AI、モバイル アプリケーション、ウェアラブル デバイスの統合

• ブループリント: ユーザーがフィットネスの目標を入力し、一連の評価エクササイズを行います。エクササイズの様子はスマートフォンのカメラで記録されます。➝ Vertex AI 上のコンピュータ ビジョン モデルが動画を分析して、フォームとフィットネス レベルを評価します。➝ このデータは、ウェアラブル デバイスからの入力とともに Gemini モデルに送信されます。その際、「脂肪を減らすことを目標とする、中級レベルの筋力を持つユーザー向けの 4 週間の漸進的なフィットネス プログラムを作成してください」といったプロンプトが与えられます。 ➝ AI が、ユーザーのパフォーマンスに基づいて時間とともに適応する仮想トレーナーとして機能し、高度にパーソナライズされた毎日のワークアウト プログラムを生成します。

67. 広告キャンペーンを大規模にパーソナライズする

• ビジネス上の課題: グローバルなホテル グループで、さまざまな地域や顧客セグメント向けに広告キャンペーンを実施する必要があります。課題は、それぞれの特定のオーディエンスの心に響く広告コピーと画像を作成することです。これは、人力では時間がかかり、規模を拡大するのが難しい作業です。

• 技術スタック: BigQuery、Vertex AI、Google Ads API

• ブループリント: 顧客とキャンペーンのパフォーマンス データは BigQuery に集約されます。➝ マーケティング チームは、「スペインで夏休みを過ごす家族」などのターゲット オーディエンスを設定して、新しいキャンペーンを定義します。➝ サービスは、このコンテキストを Gemini に送信します。その際、「バルセロナにある家族向けのホテルについて、プール付きで観光スポットへも近いことを強調した広告の見出しと説明を 5 つ生成してください」といったプロンプトも送信されます。 ➝ Gemini が複数の広告バリエーションを作成し、Google Ads API に自動的に push して、ターゲットを絞り込んだパーソナライズされたキャンペーンを作成します。これにより、広告チームの生産性と収益が向上します。

68. 航空会社の運営におけるデータ ガバナンスを自動化する

• ビジネス上の課題: 大手航空会社として、フライトの運航から顧客ロイヤリティに関する情報まで、数十のシステムでペタバイト単位のデータを扱っています。課題は、このデータの管理とガバナンスです。テーブルを手動で分類し、メタデータを管理するのは、大規模で費用がかかり、エラーが発生しやすい作業です。

• 技術スタック: BigQuery、Gemini、Dataplex

• ブループリント: BigQuery で新しいデータテーブルが作成されると、プロセスがトリガーされます。➝ テーブル スキーマとサンプルデータが次のようなプロンプトとともに Gemini モデルに送信されます。「このテーブルを分析して、ビジネスに適した説明を生成し、データ品質ルールを割り当て、PII を含む列を分類してください。」 ➝ モデルは構造化されたメタデータを返します。➝ このメタデータは、Dataplex データカタログに自動的に入力されます。これにより、すべてのデータが適切に文書化、分類、管理され、手作業が大幅に削減されます。

69. 旅行者のセキュリティ アラートをリアルタイムで自動分類する

• ビジネス上の課題: 世界中の数千人の旅行者の安全を確保する責任を負うツアー オペレーターです。課題は、大量のグローバルなセキュリティ アラートをモニタリングしてフィルタリングし、特定の顧客に実際に即時のリスクをもたらすものを特定することです。

• 技術スタック: Vertex AI、Pub/Sub、旅行者の旅程データベース

• ブループリント: さまざまなニュースや政府機関のソースからのグローバルなセキュリティ アラートが Pub/Sub にストリーミングされます。➝ アラートごとに、場所とトピックを取得する関数がトリガーされます。➝ 関数は旅程データベースをクエリして、影響を受けている地域に現在いる旅行者がいないかを確認します。➝ 旅行者がいる場合、アラートのテキストは Gemini に送信され、その際、「パリでの抗議活動に関するこのアラートに基づいて、8 km 離れた場所にいる観光客のリスクレベルを「低」、「中」、「高」に分類してください」のようなプロンプトが使用されます。 ➝ 分類されたアラートがセキュリティ ダッシュボードに表示されるため、チームはリスクの低いノイズを無視して、実際に影響を及ぼす可能性のある脅威のみに集中できるようになり、手作業が軽減されます。

70. AI データアナリストでゲストサービスを合理化する

• ビジネス上の課題: 民泊や企業向け住宅の物件管理者です。課題は、到着したお客様が電話で同じような質問を頻繁にしてくるため（例: 「Wi-Fi のパスワードは何ですか？」、「サーモスタットはどうやって操作しますか？」など）、サポートスタッフの負担が高すぎることです。

• 技術スタック: Gemini for Google Workspace、通話ログシステム

• ブループリント: すべてのサポート通話のログと文字起こしが、中央の Google スプレッドシートに集約されます。➝ マネージャーは、統合された Gemini 機能を使用して、「過去 30 日間のすべての通話を分析し、到着したばかりのお客様からよく寄せられる質問の上位 5 つを特定してください」のようなプロンプトを入力します。 ➝ Gemini がテキストを分析して要約を返します。その結果、「Wi-Fi のパスワード」が最も一般的な問題であることがわかります。➝ これを受けて Wi-Fi の詳細を記載したウェルカム メールをより目立つように送信するなど、事前に対策を講じることができ、このような繰り返し起こる問い合わせを減らすことができます。

71. AI を活用して動画広告コンテンツを生成する

• ビジネス上の課題: 航空会社のマーケティング チームでは、機内エンターテイメントやオンライン広告でさまざまな目的地を宣伝するために、常に新しい動画コンテンツを必要としています。従来の動画制作では費用も時間もかかるという課題があります。

• 技術スタック: Google の Veo、Vertex AI

• ブループリント: マーケティング チームは、プロモーションする目的地を特定します。たとえば、「秋の京都」などです。➝ Gemini を使用してコンセプトをブレインストーミングし、「秋の京都の寺院の静かな美しさについて 30 秒の動画スクリプトを作成してください」といったプロンプトでスクリプトを生成します。 ➝ このスクリプトは、参考画像やスタイルガイドとともに、Google の動画生成モデルである Veo に入力されます。➝ Veo は、テキストと画像のプロンプトに基づいて高品質の動画クリップを生成します。これにより、チームは従来の撮影にかかる時間と費用のほんの一部で、新しい魅力的な広告コンテンツを作成できます。

これらのアーキテクチャ ブループリントは、Motorola、AES、Broadcom、COI Energy、Bayer Crop Science など、製造、産業、エレクトロニクス業界で AI を活用しているお客様のユースケースからヒントを得ています。

72. より優れた、より応答性の高い AI ホーム コンパニオン ロボットを構築する

• ビジネス上の課題: 次世代のスマートホーム製品を開発しようとしている家電メーカーです。課題は、単純な音声コマンドだけでなく、自然な会話を理解し、環境とインテリジェントにやり取りできる、真に役立つホーム コンパニオンを作成することです。

• 技術スタック: Vertex AI、オンデバイス AI モデル、Home API

• ブループリント: ホームロボット（「Max」）は、オンデバイスのマイクを使用して、Speech-to-Text API 経由でユーザーのコマンドをキャプチャします。➝ ユーザーのリクエストが Gemini モデルに送信されます。Gemini モデルは、会話のコンテキストと意図を理解します。➝ スマートホーム デバイスの操作をリクエストされた場合（例: 「リビングの電気をつけて」）、Gemini は適切なコマンドを Google Home Platform API に送信します。➝ Gemini が自然言語の回答を生成します（例: 「はい、電気をつけました」）。この回答が Text-to-Speech API で音声に変換され、ロボットのスピーカーから再生されます。

73. AI を活用した商品レコメンデーション エージェントを作成する

• ビジネス上の課題: 園芸用品など、幅広い多様な商品カタログを持つ日用品メーカーです。課題は、お客様はさほど知識を持っていないことが多く、どの商品が自分のニーズに合っているのかわからないため、迷った結果購入に至らないことがあります。

• 技術スタック: Vertex AI、BigQuery、Cloud Run

• ブループリント: BigQuery などのソースから、商品カタログ全体と専門家の知識やガイドが Vertex AI Agent Builder にインデックス登録されます。➝ お客様がウェブサイトで AI エージェントとやり取りし、「テキサス州に住んでいますが、芝生に茶色い斑点ができています。どうすればよいですか？」と尋ねます。 ➝ エージェントはユーザーの意図と場所を理解します。➝ 取得した商品情報とユーザーのクエリが Gemini に送られ、「テキサス州ではこの時期によくあることですが、カブトムシの幼虫が原因のようですね。当社の商品をお勧めします。使用方法は...」といった有益かつ手順を追った回答を生成し、お客様が適切な商品を購入できるように案内します。

74. AI で産業安全監査を自動化する

• ビジネス上の課題: グローバルなエネルギー企業または製造企業では、数十の施設で安全監査を実施するのに時間がかかり、手作業で費用もかかります。課題は、多額の費用や運用上のダウンタイムを発生させることなく、コンプライアンスと安全性を確保するために、これらの監査を合理化することです。

• 技術スタック: Vertex AI、Google Cloud Storage、モバイル アプリケーション

• ブループリント: 現場の監査担当者はモバイルアプリを使用して機器の写真や動画を撮影し、Google Cloud Storage にアップロードします。➝ Vertex AI Vision が画像を分析して機器を特定し、視覚的な遵守状況（「安全ガードは設置されていますか？」）を確認します。➝ チェックリストのテキストとともに、視覚データが、同社の安全性プロトコルでトレーニングされた Gemini モデルに送られます。➝ モデルは、完全な監査レポートを自動的に生成し、非遵守の項目にフラグを立てて、特定の安全ルールを引用します。これにより、2 週間かかっていたプロセスが 1 時間に短縮されます。

75. 構成可能な商品の販売見積もり作成を自動化する

• ビジネス上の課題: 太陽光パネル システムなどの構成可能な製品のメーカーです。正確な見積もりを作成するには、屋根の寸法など、お客様固有の変数を専門家が評価する必要があるため、手作業で時間がかかり、販売プロセスでボトルネックが生じています。

• 技術スタック: Google Maps Platform（Aerial View API）、Vertex AI、Document AI

• ブループリント: 見込み顧客が住所を提供します。➝ サービスが Google Maps Aerial View API を呼び出して、物件の屋根の高解像度画像を取得します。➝ この画像は Vertex AI モデルによって分析され、屋根の寸法が測定され、障害物が特定されます。➝ システムが最適なソーラーパネルの数を計算し、見積もりを生成します。➝ お客様が光熱費の請求書を Document AI でアップロードすると、システムが節約見込み額までも計算し、これまで 2 時間かかっていた見積もりを 15 分で完全かつ正確に提示できます。

76. 自然言語での SQL クエリを可能にすることで、誰もがデータにアクセスできるようにする

• ビジネス上の課題: 複雑なデータベースに貴重なデータが保存されている大規模な製造企業です。課題は、SQL クエリを記述できる技術系従業員がごくわずかであることです。これがボトルネックとなり、ビジネス ユーザーが必要な分析情報を入手できなくなっています。

• 技術スタック: BigQuery、Vertex AI、Looker またはその他の BI ツール

• ブループリント: すべての重要な企業データ（例: SAP の資材データ）が BigQuery に集約されます。➝ 従業員が社内の BI ツールを使用して、「第 2 四半期の南部地域のパルプ総生産量はどのくらいで、第 1 四半期と比較してどうですか？」などの自然言語の質問を入力します。➝ 質問は、会社の BigQuery スキーマでトレーニングされた Gemini モデルに送信されます。➝ モデルは、自然言語の質問を正確な SQL クエリに変換します。➝ クエリは BigQuery に対して自動的に実行され、結果が返されて従業員に表示されるため、クエリ時間が短縮されます。

77. AI を活用した農業分析情報プラットフォームを構築する

• ビジネス上の課題: 農業科学分野の企業です。課題は、農家が従来の農法からよりデータドリブンなアプローチに移行できるよう支援し、気候条件の変化に直面しながらも収穫量を増やし、より持続可能な方法で農場を運営できるようにすることです。

• 技術スタック: BigQuery、Vertex AI、Google Earth Engine、IoT センサー

• ブループリント: 農場の IoT センサーからのデータ、Google Earth Engine からの衛星画像、気象データがすべて BigQuery に集約されます。➝ Vertex AI モデルがこの多層データセットを分析し、特定のフィールドに関する超ローカルな分析情報を生成します。➝ 農家は、デバイスで「区画 B の土壌水分は最適値より 15% 低くなっています。7 日間の予報に基づき、明日の朝に 2.5 cm の高さまで水を引き、収穫量を最大化することをおすすめします」といった推奨事項を受け取ります。

78. オンデバイス AI を組み込んで現場スタッフの効率を向上させる

• ビジネス上の課題: 小売業の従業員向けモバイル コンピューティング デバイスなどの特殊なハードウェアのメーカーです。現場の従業員が業務中に迅速かつ的確な意思決定を行えるよう、インテリジェントな組み込み機能を提供して、製品を差別化したいと考えています。

• 技術スタック: オンデバイス AI モデル（例: Gemini Nano）、Vertex AI、デバイス管理プラットフォーム

• ブループリント: 小売店の従業員がデバイスで棚をスキャンします。➝ オンデバイスのコンピュータ ビジョン モデルが商品を認識し、在庫を数えます。➝ デバイスは、その数を店舗の在庫データと比較し、在庫が少ない商品を特定します。➝ デバイス上の軽量モデルがアラートと「棚に『商品 X』が残り 2 個しかありません。倉庫には 25 個あります。補充タスクを作成することを提案します」といった推奨アクションを生成します。これにより、従業員はその場で在庫切れを防ぐことができます。

79. AI で電力網の CO2 排出量を予測する

• ビジネス上の課題: サステナビリティに取り組む送電事業者です。課題は、電力網のリアルタイムの二酸化炭素原単位を把握して予測することです。これは、再生可能エネルギーの使用を最適化し、全体的な排出量を削減するために必要です。

• 技術スタック: Vertex AI、BigQuery、Cloud Run

• ブループリント: すべての電力源（太陽光、風力、ガス、石炭）からのエネルギー生成に関するリアルタイム データが BigQuery にストリーミングされます。➝ Vertex AI の予測モデルは、このデータと天気予報を分析して、今後 24 時間の電力網の CO2 原単位を予測します。➝ Cloud Run 上のサービスが、API を介してこの予測を公開します。➝ これにより、送電系統運用者は、再生可能エネルギーが豊富で CO2 原単位が最も低い時間帯に、電力消費量の高い産業プロセスをスケジュールするなど、よりスマートな意思決定を行うことができます。

80. 消費されていない電力容量を特定して収益化する

• ビジネス上の課題: 電力の安定供給と社会的公平性に重点を置く電力供給会社です。課題は、数千もの商業ビル全体で消費されていない電力容量を特定し、それらをまとめて、必要としているコミュニティに再分配することです。

• 技術スタック: Vertex AI、BigQuery、IoT スマートメーター

• ブループリント: 商業ビル内の IoT スマートメーターからのデータが BigQuery にストリーミングされます。➝ Vertex AI モデルは、数千もの建物の電力消費パターンを分析して、「未消費の容量」を特定します。たとえば、金曜日の午後に常に 20% 少ない電力を使用するオフィスビルなどです。➝ システムは、これらの小規模な、分散している電力「アセット」を集約します。➝ 集約された容量は、電力会社に提供して電力供給を安定化させたり、低所得世帯にエネルギー クレジットとして提供したりすることで、公平な新しいエネルギー経済を創出できます。

81. 電力業界でお客様の初期登録を自動化する

• ビジネス上の課題: 電力供給会社において、新規顧客の登録を手作業のプロセスで行っています。このプロセスには、以前の公共料金請求書や個人 ID などの書類の処理が含まれます。このワークフローを自動化して、初期登録を迅速化し、不正行為を減らし、カスタマー エクスペリエンスを向上させることが課題です。

• 技術スタック: Document AI、Vertex AI、Cloud Run

• ブループリント: 新規顧客が、以前の公共料金請求書と運転免許証の写真をウェブサイトにアップロードします。➝ ファイルは Cloud Run 上のサービスに送信され、ここで Document AI を使用して両方のドキュメントから構造化データを抽出します。➝ サービスは、「この公共料金請求書の名前と住所は、この運転免許証の名前と住所と一致しますか？」のようなプロンプトを使用して Gemini Flash モデルを呼び出します。 ➝ 問題ないという確認を受け取ると、システムは新しい顧客アカウントを自動的に作成し、初期登録と検証のプロセスを数秒で完了します。

これらのアーキテクチャ ブループリントは、AI を活用して素晴らしい成果を達成された公共部門や非営利団体のお客様のユースケースに基づいています。お客様には、Alma、Beyond 12、Bower、Climate Ride、Code Path、ペパーダイン大学などがあります。

82. 学生が問題なく学業に励むことができるよう支援する会話型コーチを構築する

• ビジネス上の課題: 貧困コミュニティ出身の第 1 世代の学生が大学での学業に問題なく励むことができるよう支援することに重点を置いている非営利団体または教育機関です。課題は、生徒一人ひとりの学歴や目標に対応できる、パーソナライズされたスケーラブルなコーチングを提供することです。他の生徒と比較されていると感じさせないようにする必要があります。

• 技術スタック: Vertex AI、BigQuery、学生向けのモバイルアプリ

• ブループリント: 生徒の学歴、目標、過去のやり取りは BigQuery に保存されます。➝ 学生がアプリで AI コーチとやり取りすると、クエリがサービスに送信され、BigQuery から学生個人の情報が取得されます。➝ この履歴と生徒の質問が、次のようなプロンプトとともに Gemini モデルに送信されます。「この生徒は化学の授業に圧倒されています。看護師になるという目標を掲げている学生に対して、励ましの言葉を添えて、目標達成に役立つ 2 つのキャンパス リソースを提案してください。」 ➝ AI は、パーソナライズされた共感的な回答を提供し、スケーラブルなメンターとして機能します。

83. 法的支援と移民のための AI アシスタントを作成する

• ビジネス上の課題: 法的支援を行う非営利団体です。課題は、クライアントが複雑な法的文書に圧倒されて、次のステップを理解できずにいることが多いことです。一方、スタッフは、すべての問い合わせに個別にガイダンスを提供するだけの余裕がありません。

• 技術スタック: Document AI、Vertex AI、Cloud Run

• ブループリント: 難民申請者が、受け取った法的文書をスマートフォンで撮影します。➝ 画像は Cloud Run 上のサービスにアップロードされ、Document AI に送信されて、日付やケース番号などのすべてのテキストと主要なエンティティが抽出されます。➝ 抽出されたテキストは、ファインチューニングされた Gemini モデルに送信されます。その際、「この法的通知に基づいて、その意味を簡単な言葉で説明し、最も重要な次のステップを 3 つリストアップしてください」のようなプロンプトが使用されます。 ➝ アプリはわかりやすい説明と実用的なガイダンスを表示し、ユーザーが複雑な法的プロセスを理解できるようにします。

84. 公的給付金申請用の SMS chatbot を開発する

• ビジネス上の課題: SNAP のような公的給付金プログラムを管理する政府機関または非営利団体です。課題は、申請プロセスが複雑でわかりにくいことが多く、支援を必要とする対象者や家族にとって障壁となっていることです。

• 技術スタック: Vertex AI、SMS API、給付金受給資格データベース

• ブループリント: ユーザーが「FOOD」などのテキスト メッセージを指定された番号に送信します。➝ SMS API がメッセージを受信し、Vertex AI Conversation エージェントに転送します。➝ エージェントが会話を開始し、簡単な会話形式の質問をして、受給資格があるかどうかを判断します（例: 「ご家族は何人ですか？」）。➝ ユーザーの回答に基づいて、エージェントは受給資格データベースを確認します。➝ chatbot は、「ご回答に基づくと、SNAP の給付金を受け取れる可能性が高いです。よろしければ、申請手続きのお手伝いをいたしますが、いかがでしょうか？」と答えます。これにより、数日かかる手続きが数分で完了します。

85. ソーシャル ワーカーを支援するデジタル ケースマネージャーを作成する

• ビジネス上の課題: ケースワーカーが多くのケースを担当する非営利団体です。課題は、ケースワーカーが行動計画や要約の作成などの管理タスクに週に何十時間も費やし、相談者に対する直接的で影響力の大きい業務に時間を割くことができなくなっていることです。

• 技術スタック: Vertex AI、ケース管理システム（例: Salesforce）、Cloud Functions

• ブループリント: ケースワーカーが相談者との面談を終えます。➝ 会議のメモはケース管理システムに保存され、Cloud Functions がトリガーされます。➝ この関数は、新しいメモと相談者のケース履歴全体を取得します。➝ この情報は、Gemini モデルに送信され、「この相談者の履歴と今日の面談のメモに基づいて、今後 30 日間の詳細な行動計画を立案してください」のようなプロンプトが使用されます。 ➝ AI が生成した計画の下書きがケースファイルに自動的に追加され、ケースワーカーが確認して承認できるようになります。これにより、ケースワーカーは計画作成に費やす時間を節約できます。

86. 非営利団体の助成金申請書作成を迅速化する

• ビジネス上の課題: 運営資金を助成金に頼っている非営利団体です。課題は、助成金申請書の作成が時間のかかる反復的なプロセスであり、小規模なチームが本来の使命を果たすことに時間を割くことができなくなっていることです。

• 技術スタック: Gemini for Google Workspace

• ブループリント: 助成金申請書作成者が、新しい助成金申請書のテンプレートを使用して Google ドキュメント を開きます。➝ テンプレートには、「組織の歴史」、「ミッション・ステートメント」、「プログラムの予算」などの標準的なセクションが含まれています。➝ 繰り返し使用されるセクションについては、申請書作成者は統合された Gemini 機能を使用し、「ウェブサイトと過去の申請書に基づいて、組織のミッションの要約を 200 文字で作成してください」といったプロンプトを入力します。 ➝ Gemini がテキストを生成し、繰り返し使用される情報を瞬時に入力します。➝ これにより、助成金申請者は申請書固有の戦略的な部分に時間をかけて創造力を発揮させることができ、助成金申請書の作成時間を短縮できます。

87. 人材と求人をマッチングするプラットフォームを構築する

• ビジネス上の課題: 人材育成に重点を置く政府機関または非営利団体です。課題は、特に異色の経歴を持つ適任の候補者を、民間部門の関連する求人情報と効率的かつ大規模に結びつけることです。

• 技術スタック: Vector Search、BigQuery、Cloud Run

• ブループリント: 求職者と雇用主がプラットフォーム上でプロファイルを作成すると、データは BigQuery に保存されます。➝ 候補者のスキルと職務要件は、ベクトル エンベディングに変換され、Vector Search でインデックス化されます。➝ 新しい求人が投稿されると、システムは Vector Search を使用して、最も類似したエンベディングを持つ上位候補者のプロファイルを見つけます。➝ 一致する候補者ごとに、Gemini を使用して、「この候補者は、X でのプロジェクト経験が Y のニーズに合致しているため、ソフトウェア エンジニアの役割に最適であると思われます」などのパーソナライズされた提案を生成できます。

88. 市民向け chatbot で政府の透明性を高める

• ビジネス上の課題: 地方自治体または郡の事務所です。課題は、住民からの質問に迅速かつ正確に回答することです。スタッフが少ないため、電話が殺到すると対応しきれません。ウェブサイトの情報も探しにくい状況です。

• 技術スタック: Vertex AI Search、Cloud Run

• ブループリント: 郡のすべての公開ドキュメント、会議議事録、ウェブサイトのページが Vertex AI Search にインデックス登録されます。➝ 住民が郡のウェブサイトにアクセスし、chatbot を使用して「新しい公園に関する次の対話集会はいつですか？」と質問します。 ➝ クエリは Cloud Run 上のサービスに送信され、そこから Vertex AI Search に渡されます。➝ システムは、インデックスに登録されたドキュメントから関連情報を探し出し、ソースへのリンクとともに直接回答を提供します。➝ これにより、住民は情報にセルフサービスでアクセスできるようになり、郡職員の負担が軽減されます。

89. AI を使用して税金徴収と監査を改善する

• ビジネス上の課題: 税金徴収を担当する自治体の財務局です。課題は、請求書の税分類が正しいことを確認することです。手作業での監査では提出物のごく一部にしか対応できないため、分類ミスによる税収の損失が大きくなります。

• 技術スタック: Document AI、Vertex AI、BigQuery

• ブループリント: 企業が請求書を提出すると、Document AI によって自動的に処理され、サービスの説明と申告された税区分が抽出されます。➝ 抽出されたデータは BigQuery に保存されます。➝ 正しい分類と誤った分類の履歴データでトレーニングされた Vertex AI 分類モデルが、新しい請求書のサービスの説明を分析します。➝ モデルが納税者の申告とは異なるカテゴリを予測した場合（たとえば、「コンサルティング」サービスを税率の高い「ソフトウェア開発」として分類した場合）、請求書にフラグが付けられて人間のレビューに回され、精度と税収が向上します。

90. 誤った情報を大規模に検出して対処する

• ビジネス上の課題: 非営利のファクト チェック団体です。課題は、毎秒公開される膨大な量の新しい情報です。人間のファクト チェック担当者がすべてを監視し、どの主張に最も緊急に対処する必要があるかを特定することは不可能です。

• 技術スタック: Pub/Sub、Vertex AI、Cloud Functions

• ブループリント: ニュースサイトとソーシャル メディア API からのコンテンツが継続的に Pub/Sub にストリーミングされます。➝ 新しいコンテンツごとに Cloud Functions がトリガーされます。➝ コンテンツは Gemini モデルに送信され、その際、次のようなプロンプトが使用されます。「このニュース記事を分析してください。検証可能な主張を特定し、既知の誤情報データベースと照合します。新しい主張、急速に拡散している主張、または有害である可能性のある主張にフラグを立ててください。」 ➝ システムが自動的にノイズをフィルタリングし、人間によるファクト チェック担当者が調査すべき、影響力の大きい新しい主張の優先順位リストを表示します。これにより、担当者は最も重要な主張に注力できます。

91. 隠された物体をすばやく発見する

• ビジネス上の課題: 科学研究所での課題は、人間の研究者にとって「干し草の山から針を探す」ような作業である、膨大な天体データセットから小惑星などの「隠れた」物体を見つけることです。

• 技術スタック: BigQuery、Vertex AI、Google Cloud Storage

• ブループリント: 望遠鏡調査で得られたペタバイト規模の天文画像データは Google Cloud Storage に保存され、BigQuery でカタログ化されます。➝ Vertex AI コンピュータ ビジョン モデルは、星の背後にある、移動する物体の微かな兆候を認識するようにトレーニングされています。➝ モデルは、人間がすでに確認した画像を含む、過去のデータセット全体で実行されます。➝ AI は、以前の方法では見逃されていた新しい小惑星の発見の可能性にフラグを立てます。その後、検証のために天文学者に提示され、発見率が劇的に向上します。

これらのアーキテクチャ ブループリントは、Personal AI、Causal、Abstrakt、BMC、Snap、Augment、Box、Twilio など、テクノロジー業界で AI を活用しているお客様のユースケースからヒントを得ています。

92. データから学習するパーソナル AI を構築する

• ビジネス上の課題: 真にパーソナルな AI アシスタントの作成を目指すテクノロジー企業です。課題は、汎用的なモデルから脱却し、個人のデータ、事実、意見のみでトレーニングされた AI を作成することです。これにより、プライバシーが確保され、完全にカスタマイズされたエクスペリエンスが実現します。

• 技術スタック: Vertex AI、Google Cloud Storage、Cloud Run

• ブループリント: ユーザーが個人データ（ドキュメント、メール、メモ）を安全な Google Cloud Storage バケットにアップロードします。➝ Vertex AI でファインチューニング ジョブが開始され、ベースラインの Gemini モデルがこの個人データ コーパスのみでトレーニングされます。➝ 結果として得られた「パーソナル言語モデル」は、Cloud Run の安全なエンドポイントにデプロイされます。➝ ユーザーがパーソナル AI とやり取りすると、クエリはユーザーのカスタムモデルにのみ送信され、ユーザー固有の知識、スタイル、記憶を反映した回答が提供されます。

93. AI を活用した財務計画ウィザードを作成する

• ビジネス上の課題: スタートアップ企業向けに財務計画ソフトウェアを提供するフィンテック企業です。課題は、新規ユーザーが初期設定に苦労することが多いことです。初期設定では、異なるデータソースを接続し、複雑な財務モデルをゼロから構築する必要があります。

• 技術スタック: Vertex AI、BigQuery、サードパーティのデータソース API への接続

• ブループリント: 新規ユーザーが登録し、財務データソース（会計ソフトウェア、銀行口座など）へのアクセスを許可します。➝ AI ウィザードがデータを BigQuery に取り込みます。➝ ウィザードは、集約されたデータを Gemini に送信します。その際、次のようなプロンプトも送信されます。「この会社の財務データを分析してください。主な収益源、コストセンター、成長パターンを特定し、標準的な財務三表モデルを生成してください」 ➝ Gemini がベースライン モデルを生成し、ユーザーに提示します。これにより、数時間かかる設定プロセスが数分で完了します。

94. B2B 販売者を支援するセールス コパイロットを開発する

• ビジネス上の課題: B2B セールス テクノロジー企業です。課題は、営業担当者が複雑な組織データを操作して、取引を成立させるために適切な分析情報を取得できるようにすることです。このプロセスでは、CRM データ、過去の取引、製品ドキュメントを手作業で精査することがよくあります。

• 技術スタック: Vertex AI、BigQuery、CRM の統合

• ブループリント: CRM レコード、過去の取引、商品情報など、企業のすべての販売データが BigQuery に集約され、Vertex AI Search にインデックス登録されます。➝ 電話の準備をしている営業担当者が、コパイロットに次のように尋ねます。「製造業界の見込み顧客に電話をかけようとしています。主な説明ポイント、関連する事例紹介、考えられる反論を教えてください。」 ➝ コパイロットは Vertex AI Search を使用して、最も関連性の高い情報を見つけます。➝ Gemini はこのデータを簡潔な概要資料ドキュメントにまとめ、営業担当者がより戦略的かつ効果的な会話ができるようにします。

95. 会議の文字起こしと分析を行う AI エージェントを構築する

• ビジネス上の課題: コラボレーション ソフトウェア会社です。音声会話やビデオ会議で共有された貴重な情報は、参加できなかった人には伝わらないままとなってしまうか、文字起こしや要約に何時間も手作業を行う必要があります。

• 技術スタック: Speech-to-Text API、Vertex AI、Cloud Run functions

• ブループリント: ユーザーが AI エージェントをカレンダーに接続します。➝ 会議が始まると、エージェントが通話に参加して音声を録音します。➝ 会議後、Cloud Run functions が音声ファイルを Speech-to-Text API に送信して、完全な音声文字変換を行います。➝ 文字起こしは、Gemini に送信され、「この会議の文字起こしを要約し、すべてのアクション アイテムを特定して適切な担当者に割り当て、重要な決定事項をリストアップしてください」のようなプロンプトが与えられます。 ➝ 構造化された要約とアクション アイテムがすべての参加者にメールで送信されるため、時間を節約してコラボレーションを改善できます。

96. 職場で培われた知識を検索できるエンタープライズ検索エンジンを構築する

• ビジネス上の課題: 従業員が Slack、Google ドライブ、Salesforce、Confluence など、数十種類のアプリケーションを使用しています。課題は、企業で培われた貴重な知識がこれらのサイロに分散しているため、従業員が仕事を効果的に行うために必要な情報を見つけることがほぼ不可能になっていることです。

• 技術スタック: Vertex AI Search、さまざまなエンタープライズ アプリケーションへのコネクタ

• ブループリント: 安全なコネクタを使用して、さまざまなアプリから会社のすべてのデータを Vertex AI Search にインデックス登録し、既存のすべてのユーザー権限を適用します。➝ 従業員が単一の検索バーを使用して、「新製品の発売に関する第 3 四半期のマーケティング戦略はどのようなものでしたか？」のような質問をします。 ➝ 接続されたすべてのデータソースにわたって Vertex AI Search がクエリを実行し、Google ドライブの戦略ドキュメント、Slack での関連する会話、Salesforce にあるキャンペーンの成果を見つけます。➝ 元のソースへのリンクを含む統合された回答が返されるため、従業員は情報を探すことができます。

97. あらゆる CCTV カメラに動画インテリジェンス エージェントをデプロイする

• ビジネス上の課題: セキュリティのために数百台の CCTV カメラを使用しています。課題は、これらのカメラがただその場の状況を撮影しただけの何千時間もの映像を生成し、インシデントが発生した後にのみ確認されるため、運用やビジネスに関するプロアクティブな分析情報が得られないことです。

• 技術スタック: Vertex AI、Cloud Storage、モバイル アラート システム

• ブループリント: CCTV カメラからのライブ動画フィードが Google Cloud Storage にストリーミングされます。➝ マルチモーダル Gemini モデルが「動画インテリジェンス エージェント」として機能し、フィードを継続的にモニタリングします。➝ エージェントには、「店舗の入り口を監視し、10 人以上が 5 分以上並んで待っている場合はアラートを送信する」や「午後 10 時以降に倉庫に誰かが入った場合はセキュリティにアラートを送信する」などの自然言語プロンプトで、具体的なタスクが与えられます。 ➝ AI エージェントが指定されたイベントを検出すると、関連する担当者のモバイル デバイスに動画クリップ付きのリアルタイム アラートが自動的に送信されます。

98. B2B ワークフローの自動化のためのエージェントを構築する

• ビジネス上の課題: B2B テクノロジー企業で、さまざまな部門（営業、人事、財務など）のクライアントが、汎用的なソフトウェアでは自動化が難しい、固有の複雑なワークフローを持っています。

• 技術スタック: Vertex AI、さまざまなサードパーティ API コネクタ

• ブループリント: プラットフォームは、専門的な AI エージェントを構築するためのフレームワークを提供します。➝ 企業は「HR オンボーディング エージェント」を作成し、HR システムへのアクセス権を付与できます。➝ 新しい従業員が採用されると、エージェントは自動的に多段階のワークフローを実行し、ユーザー アカウントの作成、必要なトレーニングの割り当て、オリエンテーション ミーティングのスケジュール設定などを行います。➝ エージェントは Gemini を使用して、各システムの適切な API を呼び出すことでこれらのタスクをオーケストレートし、手動で調整するには多大な労力がかかる複雑な部門横断ワークフローを自動化します。

99. 顧客からのフィードバックを製品インサイトに変換する

• ビジネス上の課題: 製品開発会社で製品に対するお客様の意見を把握する必要がありますが、お客様のフィードバックはサポート チケット、アプリストアのレビュー、ソーシャル メディアに分散しています。この非構造化テキストを手動で分析するのは非常に困難です。

• 技術スタック: Vertex AI、BigQuery、データ取り込みツール（例: Pub/Sub）

• ブループリント: さまざまなソースからのすべての顧客フィードバック ストリームを BigQuery に取り込みます。➝ スケジュールされたジョブが、新しいフィードバックのバッチを Gemini モデルに送信します。➝ モデルには、「このフィードバックを分析してください。各コメントをトピック別に分類し（例: 『UI/UX』、『価格』、『バグレポート』）、感情（ポジティブ、ネガティブ、ニュートラル）を判断し、機能リクエストを抽出してください」といったプロンプトが与えられます。 ➝ 構造化された分析データが BigQuery に書き戻されます。➝ プロダクト マネージャーは、シンプルなダッシュボードを使用して、「今週は『ログインの問題』に関する否定的なコメントが 30% 増加した」などの傾向を確認し、データに基づいた行動を取ることができます。

100. マーケティング キャンペーンのクリエイティブ制作プロセスを自動化する

• ビジネス上の課題: デジタル マーケティング プラットフォームの企業で、クライアントは、さまざまな商品やチャネル向けに大量の広告を作成する必要があります。課題は、大規模なデザインチームを必要とせずに効果的なキャンペーンを開始できるよう、クリエイティブの制作プロセスを自動化することです。

• 技術スタック: Vertex AI、Text-to-Speech API、Cloud Run

• ブループリント: ユーザーが、商品とターゲット オーディエンスに関するいくつかの重要な詳細を提供します。➝ この情報は Cloud Run 上のサービスに送信され、Gemini のプロンプトが作成されます。たとえば、「マラソン ランナーをターゲットにした新しいランニング シューズの 15 秒の動画広告用に、3 つの異なる広告見出しと短いスクリプトを生成してください」のようなプロンプトです。 ➝ Gemini がテキストを生成します。➝ サービスはスクリプトを Text-to-Speech API に送信して、ナレーションを作成します。➝ テキストとナレーションは、テンプレートを使用して商品画像と組み合わされ、すぐにデプロイできる複数の広告バリエーションが自動的に生成されます。

101. LLM 評価のための AI オブザーバビリティ プラットフォームを提供する

• ビジネス上の課題: 複数の AI アプリケーションをデプロイしている企業ですが、本番環境でのパフォーマンスをモニタリング、トラブルシューティング、評価するためのツールがありません。課題は、これらの AI システムが本番環境に移行した後も、正確、安全、かつ効果的であることを確実にすることです。

• 技術スタック: Google Kubernetes Engine（GKE）、BigQuery、Vertex AI

• ブループリント: 企業の AI アプリケーションは、入力、出力、モデルのテレメトリー データを GKE で実行されているオブザーバビリティ プラットフォームに送信します。➝ このデータは処理され、大規模な分析のために BigQuery に保存されます。➝ このプラットフォームは Vertex AI モデルを使用して、「モデルのドリフト」（モデルのパフォーマンスが時間とともに低下すること）や「ハルシネーション」（LLM が不正確な情報を生成すること）などの問題を自動的に検出します。➝ 問題が検出されると、プラットフォームはダッシュボードを介して開発チームにアラートを送信し、本番環境の AI システムの問題を迅速に診断して修正できるようにします。

-Google Cloud、チーフ エバンジェリスト、Richard Seroter

-Google Cloud、AI 編集者、Andrea Sanin