実際のデータは精度の基準となるものですが、収集にコストがかかり、多くの場合、整備されていなかったり、不完全であったりします。また、GDPR や HIPAA などのプライバシー法によって厳しく制限されています。実世界のデータの収集には数か月または数年かかることもあります。

一方、合成データは、スケーリングのコストを抑えることができます。数百万件のレコードを数時間で生成できます。完全にラベル付けされており（コンピュータが作成したため、生成内容を正確に把握しています）、設計段階からプライバシーに配慮されています。さらに、合成データはバランス調整が可能で、実世界のデータ収集でよく見られる自然なバイアスを取り除くこともできます。

デベロッパーにとって、小規模から中規模の合成データセット（単体テストや簡単なデモ用）を生成する最も速い方法は、複雑な GAN をトレーニングすることではなく、大規模言語モデル（LLM）の生成機能を利用することです。これらの機能は、Gemini Enterprise Agent Platform（旧称 Vertex AI）に統合されました。このプラットフォームは、Gemini などの強力なモデルへのアクセスを含め、ML モデルを構築、デプロイ、スケーリングするための包括的な環境を提供します。

このチュートリアルでは、Agent Platform SDK for Python（旧称 Vertex AI SDK for Python）と Gemini を使用して、合成の「顧客取引」データセットをゼロから生成します。あなたは、フィンテック ダッシュボードを構築するデベロッパーであるとします。フロントエンドをテストするには、50 行の「トランザクション データ」が必要です。

必要なフィールドは、transaction_id、timestamp、amount、merchant_category、is_fraud です。

まず、Python 環境に Agent Platform SDK がインストールされていることを確認します。プラットフォームの名称は変更されましたが、Python パッケージは google-cloud-aiplatform のままです。

ライブラリをインポートし、プロジェクトの詳細情報を指定して初期化します。 この設定は、Gemini Enterprise Agent Platform 内で Agent Platform SDK を介して Gemini モデルを使用する場合の標準的な設定です。

LLM からの合成データの品質は、プロンプトに大きく左右されます。スキーマ、制約（負の数は含めないなど）、出力形式（CSV または JSON）を具体的に指定する必要があります。 Gemini Enterprise Agent Platform の Gemini モデルで効果的なプロンプト エンジニアリングを行うには、明確かつ具体的な指示をすることが重要です。

プロンプトをモデルに送信し、レスポンスを直接 Pandas DataFrame に読み込みます。generate_content メソッドは、Agent Platform SDK の一部です。

合成の表形式データを生成する場合、ソフトウェアの機能テストに使用する「もっともらしい」データが必要なだけであれば、Gemini のような汎用 LLM を使用する方が、VAE のようなカスタム統計モデルをトレーニングするよりも迅速なことが多くあります。

• スピード: 数秒でデータを入手できます
• 柔軟性: テキスト プロンプトを編集するだけでスキーマを変更できます
• ロジック: モデルに複雑なロジック（「merchant が 'Travel' の場合、金額は 100 ドル以上でなければならない」など）を組み込むよう指示できます。これは、単純なランダム化ツールでは難しいことです。

*エンタープライズ規模向けの注意: 既存の膨大なプライベート データセットを統計的に再現するために、数百万行のデータを生成する必要がある場合、単純な LLM プロンプトから、Google Cloud Marketplace で直接利用できる Gretel.ai や MOSTLY AI などの専門パートナーと統合された Gemini Enterprise Agent Platform Pipelines（旧称 Vertex AI Pipelines）の利用へ移行するのが一般的です。これらの高度なワークフローは、より広範な Gemini Enterprise Agent Platform 内でオーケストレーションおよび管理できます。