企業向け生成 AI の 25 以上のトップガイド
Andrea Sanin
AI Editor, Google Cloud
※この投稿は米国時間 2025 年 7 月 23 日に、Google Cloud blog に投稿されたものの抄訳です。
AI を学ぶ最善の方法は、構築することです。オープンモデルを迅速にデプロイする方法を見つけることから、複雑なマルチエージェント システムを構築することまで、膨大な量のリソースに圧倒されるのは簡単です。
そこで、Google Cloud に関する 25 以上の入門ガイドを厳選し、常に最新の状態に保たれたコレクションを作成しました。このコレクションは、次の 4 つの分野に分かれています。
-
モデルのデプロイの高速化: 効率的な CI/CD パイプラインを作成し、Llama 3 などの大規模モデルを高性能インフラストラクチャにデプロイして、Vertex AI Studio でオープンモデルを使用します。
-
生成 AI アプリとマルチエージェント システムの構築: LangGraph を使用して、ドキュメントの要約ツール、マルチターン チャットアプリ、高度な調査エージェントを構築します。
-
ファインチューニング、評価、検索拡張生成(RAG): 教師ありファインチューニング、RAG、人間からのフィードバックを用いた強化学習(RLHF)でモデルを改良します。
-
インテグレーション: 多言語対応のモバイル chatbot を構築したり、Google Cloud Databases と統合したりすることで、AI を世界とつなげます。
このページをブックマークして、最新の発見を定期的にチェックしてください。
モデルのデプロイを迅速化
1. ML ワークフローの CI/CD パイプラインを構築する。GitHub リポジトリを Cloud Build トリガーに接続して、Vertex AI パイプラインのビルド、テスト、デプロイのプロセスを自動化します。GitHub リポジトリ
2. Llama 3 などの大規模モデルを、高性能な A3 VM にデプロイできます。このガイドでは、AI Hypercomputer クラスタ(GPU を搭載した A3 VM)をプロビジョニングし、JAX を使用して大規模なオープンモデルをデプロイして最大限のパフォーマンスを実現するための Terraform スクリプトを提供します。GitHub プロビジョニングのドキュメント。
3. AI Hypercomputer で DeepSeek モデルと Llama 4 モデルにアクセスできます。たとえば、このTPU レシピは、Trillium TPU を使用して JetStream MaxText Engine で Llama-4-Scout-17B-16E モデルをデプロイする手順を示しています。Llama4 の Scout モデルおよび Maverick モデル、DeepSeekV3 / R1 モデルは、AI Hypercomputer GitHub リポジトリから推論レシピを使用して、今すぐデプロイできます。
4. Vertex AI Studio でオープンモデルを使用する。モデルの選択は、もはや Gemini に限定されません。Claude モデルも選択できます。Vertex AI Studio でオープンモデルを使用するためのドキュメントはこちらです。
5. わずか 10 分でリモート MCP サーバーを構築して Google Cloud Run にデプロイこのガイドでは、MCP サーバーのホストに関する Cloud Run の公式ドキュメントを直接参照しながら、独自のリモート MCP サーバーを簡単に設定する手順を示します。 ブログ
生成 AI アプリとマルチエージェント システムの構築
6. Gemini Pro を使用してドキュメント(テキスト)の要約ツールを作成する。この Python ノートブックでは、Vertex AI SDK を使用して Gemini Pro モデルを操作し、長いドキュメントの簡潔な要約を生成するという実用的なタスクを実行する方法を示します。GitHub レシピ。
7. Gemini を使用して、マルチターン チャット アプリケーションを構築する。このノートブックでは、Gemini API を使用して、会話履歴を記憶できるステートフルなマルチターン チャット サービスを構築する方法を示します。公式ドキュメント
8. LangGraph を使用してマルチモーダル調査エージェントを構築する。ループで動作する真の AI エージェントを構築するための高度なレシピ。LangGraph を使用して、エージェントがウェブを検索し、Gemini を使用して結果から画像を分析し、最終的な回答を合成できるワークフローを作成します。サンプルコード。 ブログ
9. AI を使って優れた SQL クエリ(Text-to-SQL)を作成する。コンテキストの構築とテーブルの取得に対する最先端のアプローチ、LLM-as-a-Judge 手法によって Text-to-SQL の品質を効果的に評価する方法、LLM のプロンプト作成と後処理に対する最適なアプローチ、システムが事実上保証された正解を提供可能にする手法にアプローチする方法を取り上げます。ガイド
10. スタンドアロンの ADK/MCP エージェントを A2A に対応したコンポーネントに変換し、こうしたエージェントを管理するオーケストレーターを構築する方法を紹介しました。プロジェクトのソースコード公式 A2A Python SDK公式 A2A サンプル プロジェクト
11. ADK を使用してシンプルなマルチエージェント システム(この場合は旅行計画システム)を構築します。 プロジェクトのソースコードを確認する。
12. Google の ADK を使用して、インタラクティブなデータ匿名化エージェントを構築する。エージェントは、テーブルのスキーマとデータをインタラクティブに分析して機密性の高い列を特定し、匿名化されたサンプリング コピーを作成するための、すぐに実行できる SQL スクリプトを提案して生成します。プロジェクトのサンプルコードを確認する。
13. Imagen 3 と Gemini で優れたブランドロゴを作成する方法。Imagen 3、Gemini、Python ライブラリの Pillow を使用して、ロゴでブランド スタイルを構築する方法をご紹介します。サンプルコード
ファインチューニング、評価、RAG
14. Gemini を使用した教師ありファインチューニングの究極のベスト プラクティス ガイド。 このガイドでは、最適なモデルバージョンの選択、高品質なデータセットの作成、問題を診断して修正するためのツールを含む、モデル評価のベスト プラクティスなど、デベロッパーが SFT プロセスを効率化する方法について詳しく説明します。フルガイド:生成 AI リポジトリ。
15. Vertex AI RAG を使い始めるための究極ガイド。 Vertex AI RAG Engine を理解するための重要なコンセプトをブックマークしましょう。これらのコンセプトは、検索拡張生成(RAG)プロセスの順序で記載されています。ノートブックを使ってみる
16. プロダクション レディな RAG システムを設計する。生成 AI アプリにおける Vertex AI とベクトル検索のエンドツーエンドの役割を理解するための包括的なアーキテクチャ ガイド。システム図、設計上の考慮事項、ベスト プラクティスが含まれます。公式アーキテクチャ ガイド。
17. 高度な RAG 手法 - Vertex RAG Engine の検索品質評価とハイパーパラメータ チューニングRAG Engine を使用して検索の評価とハイパーパラメータ チューニングを行う方法を学びます。GitHub リポジトリ
18. 強化学習(RLHF)を使用してモデルをファインチューニングする。このチュートリアルでは、Vertex AI で人間のフィードバックによる強化学習(RLHF)を使用して大規模言語モデル(LLM)をチューニングする方法について説明します。このワークフローでは、人間から収集されたフィードバックを使用してモデルの精度を向上させます。Colab
19. Vertex AI で動画入力をファインチューニング。コンテンツの管理、動画字幕作成、イベントのきめ細かいローカライズなどの作業に携わっている方は、ぜひこのガイドをご覧ください。サンプル ノートブック
20. 開発中にテキスト プロンプトとモデルを迅速に比較できます。 この「迅速評価」SDK を使用すると、さまざまなテキストベースのプロンプトやモデルの出力を並べて迅速に比較できます。Colab。
21. Explainable AI で特徴アトリビューションを取得します。分類モデルと回帰モデルの場合、Vertex Explainable AI を使用して、モデルが特定の予測を行った理由を把握できます。ドキュメント
22. RAG 検索を最適化する。 根本原因の分析からテスト フレームワークの作成まで、ハルシネーションを最小限に抑え、AI アプリケーションへの信頼を構築するための手順を説明します。 ブログ
統合
23. モバイル向けの多言語 chatbot を構築する。Android で多言語 chatbot を構築するための完全なエンドツーエンド ガイドです。Gemma、Gemini API、MCP を組み合わせて、グローバル対応の強力なアプリケーションを作成します。GitHub リポジトリ。ブログ
24. 外部の MCP サーバーに接続する ADK エージェントを開発する。MCP を活用して Wikipedia の記事にアクセスする ADK エージェントの例を紹介します。これは、外部の専門的なデータを取得する一般的なユースケースです。また、MCP 通信における SSE の後継として設計された次世代トランスポート プロトコルである Streamable HTTP も紹介します。 ガイド
25. テキスト サービス用の Vertex AI エンベディングと StackOverflow データセットを使用して、テキスト エンベディングをエンコードします。ベクトル検索はフルマネージドのサービスであるため、運用上のオーバーヘッドをさらに削減できます。これは、Google Research が開発した近似最近傍(ANN)テクノロジーを基盤として構築されています。ノートブック。
26. MCP を Google Cloud データベースと統合する。MCP に対応する AI アシスタント(Claude Code、Cursor、Windsurf、Cline など)を Google Cloud データベースと統合する方法を学びます。このブログでは、データベースをクエリするアプリケーション コードの記述方法、新しいアプリケーションのスキーマの設計方法、データモデルが変更された場合のコードのリファクタリング方法、統合テスト用のデータの生成方法などを説明しています。ブログ
今後の情報にご注目ください
今回はここまでです。作業時間を大幅に短縮できる GitHub リポジトリや Codelab を見逃していませんか?X でお気に入りのリソースを共有してください。
-Google Cloud、AI 編集者、Andrea Sanin