Google Maps Platform

Statiq: Places UI キットでユーザーエクスペリエンスを改善し、EV アプリの使用を促進

Wed, 02 Sep 2026 02:00:00 +0000

※この投稿は米国時間 2026 年 8 月 21 日に、Google Maps Platform blog に投稿されたものの抄訳です。

編集者注: 今回のブログ記事は、Statiq の最高技術責任者である Raghav Arora 氏によるものです。Statiq が Places UI キットを使用して Google マップを Statiq アプリのインターフェースに直接統合し、ユーザーエクスペリエンスを改善して、収益の増加に直接つなげた方法について、Raghav 氏が説明します。

Statiq が販売しているものは「電子」です。1 ミリ秒あたり数百京個の電子です。

インドではクリーンエネルギーが国家的な優先事項ですが、ガソリンスタンドはどこにでもあり、電気自動車（EV）の充電スタンドよりもはるかに多く存在します。電気自動車のオーナーにとって最も大きな不安は「航続距離の不安」です。私自身も EV のオーナーとして経験しましたが、「必要なときに近くに充電スタンドが見つかるだろうか？」という不安があります。これは、EV 購入の決定を左右する重要な心理的ハードルです。

2019 年に、「ガソリンスタンドと同じくらい簡単に充電スタンドを見つけられるようにすることで、インドでの EV の急速な普及を支援する」という明快なミッションを掲げて、Statiq を共同設立しました。そしてわずか 6 年で、当社はインド最大の充電ネットワークになりました。当社のアプリは、国内の充電スタンドの 80% を網羅しています。そのうち 2,000 か所以上は Statiq が所有および運営しており、これはインドのすべての充電スタンドの 20% に相当します。Statiq アプリは、インドの EV ドライバーの 80% が利用するアプリとなり、これまでに 100 万回以上ダウンロードされています。

当初から、Google Maps Platform により、ユーザーは充電スタンドをすばやく見つけ、そこまで簡単に移動できています。地図に依存するスタートアップである当社にとって、Google を選ぶことに迷いはありませんでした。Google は、シームレスな位置情報サービスを実現する世界最大かつ最高クラスのデータセットを備えています。このデータセットは、当社が 800 以上の都市に迅速に展開するうえで重要な役割を果たしました。また、Google マップを使用することで、リアルタイムの位置情報とナビゲーションデータの精度がすべて向上することもわかっていました。さらに、エンドユーザーはすでにそのインターフェースに慣れていたため、アプリの信頼性はすぐに高まりました。

EV の早期導入から、このテクノロジーが広く受け入れられる状態へと移行するにつれ、インド全土の EV ドライバーは、サービスを提供するインフラストラクチャを簡単に見つけられるだけでは満足しなくなりました。充電スタンドの検索や車両の充電に使用するアプリに、スムーズなエクスペリエンスを求めていました。

充電スタンドが増えれば、ガソリン車から電気自動車に乗り換えるドライバーも増えます。充電スタンドが見つけやすくなれば、それを繰り返し利用する人も増えます。しかし、車両の充電には時間がかかり、場合によっては 1 時間ほどかかることもあります。そのため、親戚を訪ねる途中の家族であれ、300 台の車両を保有するタクシー会社の運転手であれ、ドライバーは充電スタンドの場所だけでなく、充電中に食事や買い物ができるかどうかを知りたいと思うようになりました。

そのためには、単なるナビゲーションツール以上の地図が必要です。だからこそ、Google Maps Platform の Places UI キットがリリースされたとき、当社はすぐに導入しました。

インフラストラクチャからインテリジェンスへ

Places UI キットを使用することで、Google マップを Statiq アプリのインターフェースに直接統合できました。以前は、Statiq アプリで充電スタンドを見つけてから、Google マップを開き、そこまでのルートを検索して移動する必要がありました。

今では、Statiq アプリは EV 充電のエンドツーエンドのユーザーエクスペリエンスを提供するようになりました。ユーザーはアプリを使って充電スタンドを見つけ、Google のプレイスデータにすでに含まれているユーザー提供のレビューや写真とともに、トイレ、駐車場、カフェなどの周辺施設を確認できます。その後、Statiq のユーザーインターフェースから、選択した充電スタンドまでナビゲーションの案内に従って移動し、車を充電して、その料金を支払うことができます。

また、プロジェクトの開始からプロダクトのリリースまで 3 週間と、非常にスムーズに進みました。Google Maps Platform チームは、当社のユースケースを深く理解し、最初から最後までサポートしてくれました。Places UI キットには既製のコンポーネントが用意されているため、実装のために新たに開発する必要があるものは最小限で済みました。Places UI キットのわかりやすいドキュメントのおかげで、デザイナーは当社のブランディングに合わせて UI を簡単にカスタマイズできました。

各施設の名前、ユーザーが投稿した画像、充電スタンドからの距離（Directions API で計算）などのプレイスデータを表示するために、カード形式の横スクロールビューを選択しました。

Places UI キットを実装したことで、Statiq アプリは機能的なユーティリティから、ユーザーフレンドリーな位置情報インテリジェンスプラットフォームへと変貌を遂げ、競合他社との差別化を明確に図ることができました。それにより、Statiq の戦略的転換が可能になりました。インフラストラクチャ主導の成長からエクスペリエンス主導の成長へ、単なる充電器の空き状況の一覧表示から充電器のインテリジェントな発見へ、そして最終的には、トランザクションセッションから、ユーザーの維持を重視した、ユーザーエクスペリエンスベースのエンゲージメントへと転換できたのです。

このエンゲージメントと成長はすでに、測定可能な結果を生み出す大きな競争上の優位性となっています。

周辺施設情報で利用率とエンゲージメントが向上

2026 年 1 月に、Places UI で一新されたアプリをリリースした後、すぐにプロダクト主導の成長を実感しました。

わずか 3 か月で、ナビゲーションの開始回数（ドライバーがアプリを開いて充電スタンドの検索を開始した回数）が 13% 増加しました。また、ドライバーが Statiq アプリを開いてから充電セッションが正常に完了するまでの時間が 15% 短縮されました。これらの重要な統計データは、アプリのユーザーエクスペリエンスとコンテキストに応じた場所データが改善され、その結果としてドライバーが自信を持って充電スタンドを見つけて選択できるようになったことに起因しています。

また、「充電器発見インタラクション」、つまり充電セッション中に周辺施設のアイコンを見てクリックしたユーザーが 7% 増加しました。

これらの改善は、収益の増加に直接つながりました。リピート充電セッション（1 回限りのユーザーがリピーターになった回数）は 9% 増加し、充電セッション頻度（既存のユーザーが車両を充電した回数を測定）は 8% 増加しました。また、検索放棄（ドライバーが充電スタンドを探したものの車両を充電しなかった回数）は 8% 減少し、アプリのダウンロードから最初の充電セッションまでのコンバージョンは 3% 増加しました。

最も重要な点として、アプリ内評価とセッション後のフィードバックで測定した全体的なユーザー満足度が 10% 向上しました。要するに、Places UI キットでアプリを改善したことで、Statiq のお客様は全体的に優れたユーザーエクスペリエンスを得ることができ、その結果、利用率と収益が向上しました。

今後の機能強化としては、Google ストリートビューとの統合が挙げられます。これにより、ドライバーが到着前に充電スタンドとその周辺エリアをバーチャルにプレビューできるようになります。場所をストリートビューで表示することで、ユーザーは充電器の配置、駐車場のレイアウト、アクセスルート、近くのランドマークをよりよく理解できるため、充電スタンドを確実に見つけて、たどり着くことができます。

Statiq は単なる充電サービス事業者ではなく、電気自動車とサステナブルなエネルギーの普及を推進しています。Google Maps Platform および Places UI キットの継続的な利用により、Statiq は EV 充電だけでなく、発見プロセス全体でも、可能な限り最高のエクスペリエンスを提供するという取り組みをさらに強化します。なぜなら、当社の目標を達成する唯一の方法は、車での移動の質を高めることだからです。

- Statiq、最高技術責任者、Raghav Arora 氏

新しいルート検索機能: Gemini Enterprise Agent Platform の Google マップによるグラウンディング

Wed, 02 Sep 2026 01:10:00 +0000

※この投稿は米国時間 2026 年 8 月 20 日に、Google Maps Platform blog に投稿されたものの抄訳です。

大規模言語モデル（LLM）は、ユーザーによる地図の活用方法を一変させた一方で、依然として静的なデータを使用しているのが現状です。リアルタイム交通情報や突然の通行止めなど、現実世界の状況を反映することはできません。ユーザーが求めている正確で信頼性の高い AI エクスペリエンスを構築するには、エージェントとアプリケーションが推論を物理的世界にグラウンディングするための「信頼できる情報のレイヤ」が必要です。

このたび、Google マップによるグラウンディング機能を拡張し、エージェントやユーザーによる経路案内やルート沿いのスポット検索をサポートする新しいルート検索機能を追加しました。併せて、より深いロケーションコンテキストを提供する新しい豊富な場所属性も追加しました。

これらの機能は一般提供を開始しており、移動時間、距離、道路状況、ルート沿いの注目スポット、場所に関する豊富な情報を Gemini Enterprise Agent Platform を介して AI アプリケーションに直接統合することができます。

ルート検索機能を使用すると、リアルタイムの交通状況に基づいて、車、徒歩、公共交通機関、自転車などのさまざまな移動手段に合わせた最適なルートを求めることができます。また、最大 13 か所の経由地を設定したルートの計画が可能なほか、ルート沿い検索を使用してホテルへのドライブ中に立ち寄れる夕食の場所を探す、給油のための立ち寄り先を提案してもらうなど、道中のスポットも簡単に見つけることができます。

Google マップによるグラウンディングでは、複数の API を手動で順序付けするのではなく、場所検索機能とルート検索機能を自動的に組み合わせます。これにより、「ユーザーの通勤経路上にある特定の雰囲気のカクテルバーを探す」といった複雑なセマンティッククエリを 1 回のリクエストで解決できます。

現実世界の複雑な推論の課題を解決

Realtor.com と Neurun は、これらのグラウンディング機能を活用したカスタマーエクスペリエンスの向上が、ビジネスの主要指標の改善にいかに寄与するかを示す好例です。

Realtor.com は、ネイティブの AI アシスタントである RealAssist™ AI でルート検索機能を活用して、購入者が正確な通勤時間やルート沿いの周辺施設を確認しながら物件を検討できるようにしています。Google マップによるグラウンディングが最初から統合されている RealAssist™ エクスペリエンスをリリースして以降、非ユーザーと比較して、ユーザーがプラットフォーム上で過ごすセッション時間は 4 倍、一意の見込み顧客の獲得数は 15 倍になったことが確認されています*。

地理的コンテキストを別のタブに表示したり、後から追加したりしたくないと考えていました。Google マップによるグラウンディングを RealAssist™ AI と連携させたことで、空間インテリジェンスを会話にネイティブに組み込むことができました。ユーザーが物件について質問すると、RealAssist™ AI は朝の通勤から近隣の施設に至るまで、地域に則したコンテキストを自動的に考慮して回答します。これにより、検索プロセスが単なるデータベースの照会から、地理的条件を反映した直感的なエクスペリエンスへと一変しました。 Dave Herman 氏
Realtor.com®、プロダクトおよび AI イノベーション担当シニアバイスプレジデント

Google マップによるグラウンディングを活用した Realtor.com の RealAssist™ AI による会話型の通勤ルート計画機能。

デジタルイベントガイドプラットフォームの Neurun は、ニューヨーク / ニュージャージーワールドカップホスト委員会のバーチャルコンシェルジュに Google マップによるグラウンディングを統合しました。これにより、サッカーファンたちは数十か所の会場と交通拠点（「ブルックリンファンゾーンから最寄りのピザ店までの道順」など）を結ぶリアルタイムかつマルチモーダルなルート案内をリクエストできるようになりました。このアシスタントは大会期間中、10 万人以上のユニークユーザーとやり取りし、交通やナビゲーションに関する質問はファンからの全問い合わせの 23% を占めました**。

ワールドカップは、土地勘のない約 100 万人もの訪問者を地域に呼び込みます。NYNJ World Cup Concierge を利用すれば、目的地への行き方を尋ねるだけで、その日の現地の状況を反映した回答をワンストップで得ることができます。 Bruce Revman 氏
FIFA ワールドカップ 26 ニューヨーク / ニュージャージー開催委員会、共同開催都市マネージャー

より迅速で正確なエージェントエクスペリエンスを構築

お客様からのフィードバックに基づいて、Google マップによるグラウンディングのルート検索ツールの速度と精度を向上させ、これまで以上に使いやすくなるようアップデートしました。

高精度な運転ルートの算出: 最大 13 か所の経由地を設定した複雑なルートを計画し、出発時刻や到着時刻をカスタマイズして（「午後 5 時出発でロンドンからリッチモンドまで運転する場合の所要時間は？」など）、リアルタイムの交通情報を反映したより正確な運転時間を確認できます。
詳細な場所属性による回答の充実: 非常に具体的なコンテキストから分析情報を取得し、場所に関する複雑なクエリへの回答や、混雑状況の傾向、雰囲気のラベル、設備のより詳細な説明、リアルタイムの EV / ガソリン価格といった詳細情報を提供します。
Gemini 3.7 Flash を使用して、よりスマートでセマンティックなルート検索機能を構築: 推論機能が向上し、曖昧な会話形式のクエリを解決できるようになりました（ロサンゼルス空港から出発する場合、「ユニオン駅」はロサンゼルスユニオン駅を指すことを識別するなど）。

使ってみる

Google マップによるグラウンディングの新しいルート検索機能（経路案内とルート沿い検索）は、Agent Platform API と Gemini Enterprise Agent Platform の Agent Studio で今すぐご利用いただけます。

インタラクティブなデモで機能を視覚的に確認できます。
ドキュメントの手順に沿って、Gemini Enterprise Agent Platform でルート検索機能の実装を開始できます。

Agent Studio コンソールで Google マップのグラウンディングソースとルート検索サブツールを構成する様子。（動画）

動的な旅行アシスタント、地域のショッピングガイド、複雑なロジスティクスルーティングワークフローなど、Google マップによるグラウンディングを活用して皆様が構築するエージェントエクスペリエンスを拝見するのを楽しみにしています。

^{* Realtor.com 内部データ、2026 年}

^{** Neurun 内部データ、2026 年 8 月}

^{画面はシミュレーションです。機能と提供状況は異なる場合があります。ルートと場所の詳細は必ず個別に確認してください。}

- Google Maps Platform 担当プロダクトマネージャー、Ju Tan
- Google Cloud、シニアプロダクトマネージャー、Guangsha Shi

デザインの自律性を実現: Navigation SDK のレイアウトカスタマイズフレームワークについて

Wed, 02 Sep 2026 01:00:00 +0000

※この投稿は米国時間 2026 年 8 月 20 日に、Google Maps Platform blog に投稿されたものの抄訳です。

世界中のプロドライバーは、ハンドルを握るその一瞬一秒に迅速な判断を求められています。さまざまな地域の商用車を対象とした UX リサーチの結果、多くのデベロッパーが求めているのは、ブランドを反映しつつドライバーエクスペリエンスを向上させることができる、画一的なレイアウトではない柔軟なデザインシステムであることがわかりました。

柔軟な UI フレームワークのニーズにお応えするため、このたび Navigation SDK にレイアウトカスタマイズフレームワークを導入しました。このフレームワークが提供する革新的なレイアウト管理 UX パラダイムにより、開発チームは創造性を存分に発揮して、コンテキストに応じた最適なドライバーエクスペリエンスを構築できるようになります。このレイアウトカスタマイズフレームワークの試験運用版の提供が、Android Navigation SDK で開始されました。

これまで、 Navigation SDK の UI フレームワークには、静的なアプリケーションビューの中でしか動作しないという制約がありました。このたび導入した新しいフレームワークでは、Google のコアマッピングインターフェースと、デベロッパーアプリ独自のビジネスワークフローという 2 つの異なるビジュアルレイヤをリアルタイムでオーケストレートすることができます。

デモ画面例

ドライバーの認知負荷を軽減する

運転中のドライバーの意識は、高速道路の案内や交通状況のトラブル、目的地への到着など、状況の変化に応じてめまぐるしく移り変わります。この新しいフレームワークは、一連のデジタル「ビルディングブロック」を提供します。これにより、コンテンツカード、制限速度インジケーター、フローティングコントロールなどをデベロッパーが自在に配置できるようになります。道路上の危険が検知されたときは、安全アラートが最優先で表示されます。一方、ドライバーが配達先に接近したらカスタムの配達確認シートを表示させ、次の配達を受け付けられるようにするといったスムーズなインターフェースの切り替えは、デベロッパーが自由にカスタマイズできます。

こうした主要なナビゲーション要素をモジュール化することで、デザインの自律性を実現しました。これにより、モバイルチームは独自のブランドアイデンティティを維持しながら、ドライバーが使い慣れている信頼性の高いターンバイターン方式の案内はそのままに、情報豊富な複数レイヤのレイアウトを構築できるようになりました。ドライバーワークスペースの未来は、よりダイナミックでレスポンシブ、そして完全に統合されたものになります。Google は、この Navigation SDK のレイアウトカスタマイズフレームワークにより、世界中のドライバーがわかりやすく、安全で、効率的な移動を実現できる機能を提供します。

レイアウトカスタマイズフレームワークを使用すると、UI コンポーネントの位置をカメラの動きに連動させて、地図のビューポートを動的に調整することができます。画面に表示される UI 要素に合わせたカスタム制約を設定すれば、地図の視覚的中心を動的に調整可能です。これにより、ナビゲーション条件の変化に適応してインターフェースが調整されても、車両マーカーを常にフレーム内に収めてドライバーの視界から隠れないようにできます。

使ってみる

Navigation SDK のレイアウトカスタマイズフレームワークについて詳しくは、Android 向けデベロッパードキュメントをご覧ください。サンプルデザインテンプレートとレイアウト実装は、GitHub でお試しいただけます。また、Discord の Google Maps Platform デベロッパーフォーラムでのプロダクトチームや UX チームとの意見交換にぜひご参加ください。

- Google Maps Platform、UX リード、Rakhi Parekh
- Google Maps Platform、UX リサーチ、Aakanksha Parameshwar

元データを空間インテリジェンスに変換

Tue, 01 Sep 2026 10:00:00 +0000

※この投稿は米国時間 2026 年 7 月 23 日に、Google Maps Platform blog に投稿されたものの抄訳です。

適切な場所とタイミングの把握

物理的な拠点を有する企業や、自社の業務が刻々と変化する現実世界の状況に左右される企業にとって、その地点について理解することは、新たなビジネス機会を見出すうえで極めて重要です。

Google Maps Platform の最新機能を活用して、建物の立地、クリーンエネルギーの可能性、大気質を分析することで、元データを空間インテリジェンスに変換して、トレンドの特定や予測、サステナブルな収益源の構築に役立てることができます。

立地情報の重要性: Places Insights データセットを拡張

実店舗を構える企業にとって、新しい店舗や施設をどこに建設、開設するかという判断は、収益や ROI に大きな影響を及ぼします。事業拡大を成功させるには、現地の市場を正確に把握する必要があります。

Google Maps Platform の Places Insights データセットは、これまでも、店舗のパフォーマンス分析や新規の見込み顧客の特定に必要なインテリジェンスを提供してきました。このたび、米国、英国、カナダ、オーストラリアにおける Places Insights を拡張し、ブランドの展開状況に関する情報が含まれるようになりました。

この新しい Places Insights データセットは、商業エリアの特性や、補完または競合する事業者の所在地を把握するのに役立ち、販売エリアの最適化、配送ネットワークの拡大、新規事業との統合の評価など、さまざまな用途に利用できます。この新しいデータを活用して商業密度を分析することで、市場拡大、製品流通、出店場所の選定といったデータドリブンな意思決定をより精緻化できます。

Places Insights を活用することで、新しい支店や小売店舗、サービス拠点に最適な場所を選定できます。

Places Insights のデータはすべて BigQuery で利用できるため、それらのデータを自社の売上、顧客、運用のデータや、サードパーティの人口統計、交通、環境のデータにマッピングして、わかりやすい形で可視化できます。また、データサイロを解消することで、市場飽和度、市場浸透度、空間需要をより効率的に分析できるようになります。

Places Insights は、アルゼンチン、フィンランド、韓国などで新たに利用できるようになり、合わせて 50 か国へと拡大しました。

太陽光発電パネルの設置状況を把握

屋上太陽光発電パネルが設置されている場所を特定するには、これまでは衛星画像を丹念に調べる必要がありました。新しい Detected Arrays は、既存の太陽光発電パネルの設置状況を可視化することで、あらゆる建物の発電の可能性を把握できるようにします。

Google は、当社の Earth AI の地理空間基盤モデルを使用して、Solar API にこの新しい太陽光発電検出データセットを作成しました。これにより、地域全体の実際の太陽光発電容量をデスクトップから直接分析できるようになり、現地調査にかかる時間と費用を削減できます。

Detected Arrays は、既存の屋上太陽光発電パネルを可視化し、各建物においてどれだけ電化の可能性があるかを把握できるようにします。

エネルギー状況をミクロな視点で把握できるようになることで、クリーンエネルギーの機器やサービスを提供する事業者は、住宅の電化を検討している顧客の発掘、現地調査の強化、拡大の余地がある地域の特定などが可能になります。また、エネルギー事業者は、エネルギーインフラストラクチャ、負荷調整、バーチャルパワープラントプログラムについて、エビデンスに基づく意思決定を行い、新規ビジネスの獲得につなげることができます。

過去の大気質と花粉のデータを実践的なビジネス戦略に変換

花粉の量と、花粉が原因で起こる季節性アレルギーは、地域ごとに絶えず変化しています。Air Quality Insights は、汚染物質に関する超局地的な最新データを長年にわたって提供しており、健康やビジネスのリスクをより正確に評価できるようにしてきました。

このたび、Pollen Insights と Air Quality Insights のデータセットに 4 年分のデータが追加されました。これにより、リアルタイムのモニタリングだけでなく、予測的な分析も可能になり、季節的な環境要因が人々に影響を及ぼす前に予測できるようになります。

マンハッタンにおける特定の種類の花粉の中央値を可視化した例。

製薬、ヘルスケア、ライフサイエンスの企業は、この花粉と大気質の過去のデータを活用して、研究開発に役立てたり、季節ごとのサプライチェーンを最適化したりできます。また、粒子状物質、アレルゲン、花粉（形状や種類なども含む）を詳細に把握することで、アレルギーをより適切に管理するために必要な予測や健康に関する推奨事項を提供できます。

さらに、BigQuery では、大気質や花粉のデータと各企業固有のビジネスデータとを簡単に結合できるため、呼吸器系の健康動向や、関連する医薬品のサプライチェーンの需要予測に役立てることができます。Air Quality Insights と Pollen Insights は、米国、カナダ、オーストラリアでご利用いただけます。

花粉飛散量の現在のデータと予測データを提供し、花粉対策に役立つヒントをユーザーに提供します。

Google Maps Platform の新旧のデータセットと機能を組み合わせることで、強力な「空間インテリジェンスエンジン」を実現できます。業務をより深く理解して、新たな機会を特定できるほか、ビジネスの実世界におけるフットプリントを賢く、かつ持続可能な形で最適化することが可能になります。

Places Insights、Solar API、Pollen Insights で、Google Maps Platform の最新のデータセットを今すぐご利用ください。

- Google Maps Platform、シニアプロダクトマネージャー、Saleem Van Groenou
- Google Maps Platform、プロダクトマネージャー、Amit Lesman
- Google Maps Platform、グループプロダクトマネージャー、Erika Yamasaki

ピーターパーカーの世界を体験: Sony Pictures の映画『スパイダーマン: ブランド・ニュー・デイ』の「スパイディトラッカー」を構築

Tue, 01 Sep 2026 01:10:00 +0000

※この投稿は米国時間 2026 年 7 月 22 日に、Google Maps Platform blog に投稿されたものの抄訳です。

編集者注: 今回の記事は、Google Maps Platform のセールスリードである Rawleigh Smith と、Google マップのプロダクトマーケティングマネージャーである Emily Gao によるものです。Sony Pictures の映画『Spider-ManTM: Brand New Day』（邦題: スパイダーマン: ブランド・ニュー・デイ）に登場するスパイディトラッカーを支えるエクスペリエンスがどのように開発されたかを両氏が紹介します。

7 月 31 日、私たちの親愛なる隣人であるスパイダーマンが、Sony Pictures の待望の新作『スパイダーマンTM: ブランド・ニュー・デイ』で劇場に帰ってきました。この記念すべき劇場公開を祝して、Sony Pictures は Samsung および Google マップのチームとともに、映画の魅力を世界中のファンに直接届けることにしました。SpideyTracker.com は、映画の中で Ned Leeds（Jacob Batalon）が作成した架空のアプリに着想を得たもので、Ned は Samsung のスマートフォンを使用してスパイダーマンの居場所を追跡します。Sony Pictures は、このアイデアを実際のオンラインエクスペリエンスとして具現化しました。

スパイディトラッカーのウェブサイトには、スパイダーマンの目撃情報、キャンペーンイベント、イースターエッグ、ファンが作成したユーザー生成コンテンツ、映画の限定コンテンツなどが掲載されています。スパイディトラッカーでは、Google Maps Platform を使用して開発されたオリジナルの地図を通じて、世界中のスパイダーマン関連イベントを閲覧したり、視覚的な体験を楽しんだりできます。

Google Maps Platform で開発されたスパイディトラッカー

スパイディトラッカーは、主人公のピーターパーカーの世界をファンが直接体験できるカスタムメイドの没入型のマップであり、世界 35 か国で利用可能です。開発にあたっては、トラフィックの多いプロモーションサイトを構築するために、スケーラビリティ、スピード、場所に関する豊富な情報のシームレスな統合が必要であり、開発者はこのビジョンを実現するために、Google Maps Platform API の堅牢な機能を積極的に利用しました。このサイトの基盤は Maps JavaScript API で構築されており、これにより、高度にカスタマイズされたインタラクティブな世界地図を提供しています。Cloud ベースのマップのスタイル設定が、地図に特徴的な外観を与え、高度なマーカーがカスタムデザインのピンで目撃情報を生き生きと表現しています。一部の目撃場所では、ファンはストリートビューを通じて直接そのシーンに足を踏み入れることができ、その位置情報により、ユーザーはリアルタイムで地図上の自分の位置を把握できます。地図自体に加え、@SpideyTracker からの最新投稿を表示するライブ X フィードや、世界中のスパイダーマン関連イベントの最新情報をファンに提供するカスタムイベントパネルも備わっています。Samsung が提供するこのエクスペリエンスは、「Exclusives」セクションによってさらに充実しています。Galaxy デバイス向けの壁紙、ステッカー、絵文字パックをダウンロードでき、これらのブランドコンテンツを画面の外の世界でも楽しめるように設計されています。

スパイディトラッカーでは、マップを探索してイベントや目撃情報などを確認できます。

Google マップのストリートビューで宝探し

映画の公開を記念して、ニューヨーク市内のストリートビューに 5 つの象徴的なサプライズが隠されています。これらは、ストリートビューの撮影車がスパイダーマンの活躍に偶然遭遇したときに撮影された、スパイダーマンならではの特別な瞬間です。屋上の見張り台からの眺め、ウェブスリング（「スウィップ」）の瞬間、路上での遭遇後の余韻など、すべてのシーンが Google マップにシームレスに組み込まれています。そして何よりすばらしいのは、ファンが自分自身でそれらを発見できることです。Google マップのストリートビューが持つ没入感あふれる機能を活用してニューヨークをバーチャルに探索することで、街中に隠されたスパイダーマンのサプライズを発見できます。

Google マップの公式ソーシャルチャネルをこまめにチェックして手がかりを探しましょう。お気に入りの街をまったく新しい方法で体験できる絶好の機会です。

アクションの世界へ飛び込みましょう

7 月 31 日の映画公開にあたって、デベロッパーもファンも、アクションの世界に足を踏み入れることができます。Google マップと Google Maps Platform を統合することで、Sony Pictures は、地図を利用したストーリーテリングの驚くべき力を示す、真に没入感のあるエクスペリエンスを創出しました。ぜひ宝探しを楽しんでください！

- Google Maps Platform、セールスリード、Rawleigh Smith
- Google マップ、プロダクトマーケティングマネージャー、Emily Gao

Red Taxi: Google Maps Platform で地域密着型の配車サービスを拡大

Wed, 19 Aug 2026 01:03:00 +0000

※この投稿は米国時間 2026 年 7 月 1 日に、Google Maps Platform blog に投稿されたものの抄訳です。

編集者注: このブログ記事は、Red Taxi のディレクターである Deepak U Subramaniam 氏によるものです。同社が Google Maps Platform を使用して、配車場所の精度を向上させ、ピーク時間帯の到着予定時刻の信頼性を高め、さまざまな車種間でシームレスに機能するルート案内を実現した経緯についてご紹介いただきます。

Red Taxi は、インドのタミルナードゥ州で 13 年間にわたって事業を展開しています。コーヤンブットゥールで 30 台のタクシーからスタートし、現在では 17 都市で 15,000 台の車両を運用し、1 日あたり 50,000 件の配車サービスを提供するまでに成長しました。当社は、より大きな予算を持つ全国規模の配車プラットフォームと競合する地域密着型の事業者ですが、他社との差別化要因はサービス品質へのこだわりです。ここでは、細かな配慮が大きな違いを生み出します。正確な到着予定時刻は、信頼を築くうえで特に重要であり、お客様に期待どおりのサービスを提供するために、シームレスな乗車体験を重視しています。また、ドライバーの日々の業務はアプリに依存しているため、その使い勝手も同様に重要です。

事業が拡大するにつれて、私たちが提供できるサービスをさらに高める機会が見えてきました。乗車場所の精度を向上させたい、ピーク時間帯の到着予定時刻の信頼性を高めたい、異なる車種間でシームレスに機能するルート案内を実現したい、と私たちは考えました。そして、このビジョンを実現するには、適切な技術パートナーを見つけることが不可欠でした。

最適なソリューションを見つける

いくつかの選択肢を評価した結果、Google Maps Platform が優れていることがわかりました。地図データの精度は非常に高く、リアルタイムで交通情報を処理できる機能も当社のニーズに完全に合致していました。しかし、決め手となったのは、当社のドライバーとお客様がすでに Google マップのインターフェースに慣れ親しんでいたことです。学習期間を設ける必要もなく、反対意見もありませんでした。チームやユーザーに新しいものへの適応を求めることもなく、迅速に実装してスケールできました。また、新たな都市や車種への拡大を計画する中で、その親しみやすさと柔軟性により、技術的な壁にぶつかることなく成長できるという確信を得ることができました。

移行自体は 8 週間で完了し、業務に支障をきたすことは一切ありませんでした。Google Maps Platform の API 群から、Google Maps Platform のモビリティサービスへと移行するにあたり、当社のチームは戦略的にロールアウトを計画し、請求サイクルが終了する 1 週間前に新しい構成を有効にしました。これにより、移行期間中も新旧両方の API キーが有効な状態を維持できたため、サービスを中断することなく、すべてのプラットフォームを同日に移行できました。

その肝になったのが Navigation SDK でした。以前は、ドライバーがナビゲーションを利用する際に、外部の Google マップアプリにリダイレクトされていたため、当社のドライバー専用アプリを離れる必要があり、ルートや運賃に差異が生じることがありました。現在では、ドライバーはアプリ内で運賃計算に使われたルートを確認でき、実際の運転もそのルートに沿って行われます。想定外の事態や不一致は発生しません。このメリットは、乗客にも及んでおり、リアルタイムのルート追跡や到着予定時刻について常に最新情報を確認できるようになりました。今では、ドライバーがどこにいて、いつ到着するのかを正確に把握できます。

現在、当社のプラットフォームでは、複数の Google Maps Platform プロダクトを連携して活用しています。近隣のタクシーの検索、運賃見積もり、予約フロー、到着予定時刻の計算には、Routes API と Distance Matrix API を使用しているほか、ドライバーが利用するナビゲーションと移動経路の可視化には、Navigation SDK と Maps SDK を使用しています。また、場所の検索、お気に入りの場所、分析の処理には、Geocoding API と Places API を活用しています。ドライバーの位置情報は、ソケット通信を通じて 10 秒ごとに更新され、リアルタイム処理のために Redis キャッシュにデータが保持されます。

1 か月あたりの乗車回数は 711,000 回から 956,000 回に増加し、34.4% の成長を遂げました。乗車場所に関連する運用上の問題は 30～40% 減少しました。運賃に関するクレームは 20～25% 減少しました。ドライバーとお客様との通話は 30% 減少しました。

大規模な成長

その効果は予想を上回るものでした。1 か月あたりの乗車回数は 711,000 回から 956,000 回に増加し、34.4% の成長を遂げました。乗車場所に関連する運用上の問題は 30～40% 減少しました。運賃に関するクレームは 20～25% 減少しました。ドライバーとお客様との通話は 30% 減少しました。当社の運用チームは、タクシーの運行状況、ドライバーの場所、到着予定時刻の進捗、ルートが適切かどうかをリアルタイムでモニタリングできるようになり、車両の状況をこれまでにないレベルで把握できるようになりました。

この取り組みにおいて、Lepton Software は、当社にとって信頼できるガイドでありパートナーでした。Lepton Software は、モビリティパッケージへの移行に関する話し合いを主導し、包括的なドキュメントサポートを提供するとともに、セットアップ期間中は当社の技術チームと緊密に連携しました。また、Google とのコラボレーションは、単なる技術的な実装にとどまりませんでした。Google のチームはコーヤンブットゥールを訪れ、実際の配車状況を観察し、主要なランドマークや乗車地点における具体的な課題を特定しました。この地域密着型の実践的なアプローチにより、見落としていたかもしれない問題に対処することができました。

6 か月前には二輪車のサービスを開始し、先月には三輪車も導入しました。Google Maps Platform は、車種ごとに異なるルート要件に対応できるほか、当社の車両多様化戦略の推進を可能にしています。2028 年までに 2,500 万人の利用者を獲得するという目標に向けて順調に進んでおり、カルナータカ州やケララ州への拡大計画もすでに進行中です。

Google Maps Platform を 10 年間使用してきましたが、正直なところ、これなしでは当社の未来は考えられません。このプラットフォームのおかげで、Red Taxi の特徴であるサービス品質を損なうことなく事業を拡大できました。当社のような地域密着型の事業者にとって、世界トップクラスの地図技術を利用できることは、競争の場が公平になるというメリットを得られるだけでなく、タミルナードゥ州とその周辺地域のお客様に、信頼性と品質の高い配車サービスを提供するという、当社の最も得意とする分野に集中することを可能にしてくれます。

- Red Taxi、ディレクター、Deepak U Subramaniam 氏

米国テキサス州オースティンの不動産価値を予測: BigQuery の Places Insights を使用した地理空間分析

Wed, 19 Aug 2026 01:00:00 +0000

※この投稿は米国時間 2026 年 7 月 16 日に、Google Maps Platform blog に投稿されたものの抄訳です。

編集者注: このブログ投稿は、Navagis のカスタマーエンジニアである Topher Lund 氏によるものです。このブログ記事では、Navagis が以前日本で行った調査をさらに進展させ、オースティンで新たに実施した ML 分析について紹介します。この分析では、地域の商業エコシステムの質が、隠れた不動産投資機会をどう明らかにするかを定量化しています。

不動産の取得、開発、資産管理において、過去の物件記録や静的な人口統計データに頼ることは、機会損失や資本の不適切な配分につながります。人口統計データや犯罪統計などの従来のデータセットは、基本的なコンテキストを提供しますが、変化し続ける地域経済の活気や居住地としての魅力を捉えることはできません。競合他社に先駆けて、過小評価されている成長性の高い住宅地域を見つけ出し、不動産リスクを正確に価格に反映させるには、投資家はその地域の商業的および社会的構造の全体像を、動的かつ包括的に把握する必要があります。

Navagis は以前、東京と四日市で、地元の施設に近いことが土地の価格にどのように影響するかを分析することで、これを実証しました。当社は、そうした以前のプロジェクトと分析を発展させ、最近、米国テキサス州オースティンの動的な不動産市場に焦点を移しました。私たちは Google Maps Platform の高品質な BigQuery の Places Insights データセット（商業密度の分析専用に構築された、分析にすぐ活用できるスポットデータセット）を使用して、ML モデルをデプロイしました。このモデルは、オースティンの国勢調査区全体で住宅価値の変動の 85.9% を捉えることに成功しました。

Places Insight の毎月更新される集計済みスポットインテリジェンスと一般公開データセットを BigQuery 内で直接かつ安全に組み合わせることで、地域にあるビジネスの質的な特徴を分析すると、他の一般公開データセットでは到達できない住宅価格に関する定量化可能な指標が得られることがわかりました。Places Insights の最も優れた点の一つは、構築やインポートが不要なことです。アナリストは、集計されていないスポットの元データを複数の地域ベンダーから調達するのではなく、50 の対象国をカバーする、統合された事前集計済みの分析データセットをデプロイできるからです。集計されていないスポットの元データを調達する場合、データの準備と統合に大きなオーバーヘッドがともないます。データは BigQuery にネイティブに配信されます。ユーザーが利用するテーブルと並んで直接表示されるため、すぐに使用できます。サブスクリプションが有効になると、プロジェクトにアクセスできるユーザーは、パイプライン、ファイル転送、継続的なインフラストラクチャのオーバーヘッドなしで、3 億を超えるスポットに対してクエリを実行できるようになります。

グローバルデータをローカルレベルで活用

オースティン市場の完全かつ実用的なプロファイルを作成するために、当社は BigQuery ML を使用して線形回帰モデルを直接トレーニングしました。このアプローチの主な利点は、分析全体が Google Cloud 上の BigQuery で標準 SQL を使用して実行されるため、データのエクスポート、別のツール、インフラストラクチャの管理が不要であることです。Places Insights データセットをサブスクライブした後、BigQuery の組み込みの地理空間関数（ST_WITHIN や ST_DWITHIN など）を使用して、SQL で各スポットと国勢調査区を照合しました。組み込みの地理空間ツールが照合を自動で処理するため、独自の商圏、投資対象地域、配送ゾーンに対しても、同じアプローチをスムーズに使用できます。

分析対象の地域を定義すれば、企業は自社のガバナンスを維持したまま、独自のシグナル（データ）を安全に統合できます。このモデルでは、Places Insights のデータが、オースティンの国勢調査区全体のデータと照合されました。具体的には、国勢調査データ、平均住宅価格、住宅所有者の平均年齢、地域の犯罪報告、テキサス州の学校評価、ブロードバンドインフラストラクチャデータ、FEMA の洪水地帯などです。企業は、Places Insights を自社の販売データ、不動産記録、または国勢調査の人口統計データなどの一般公開データセットとシームレスに照合させることができます。その際、企業の自社データが安全な BigQuery 環境から流出することはありません。

学校の評価や人口統計データなどの一般公開されているベースラインデータは不可欠でしたが、モデルが捉えた住宅価格変動のうち、約 32% が Places Insights のデータによるものでした。これは、Places Insights のデータが、今回の分析において最も強力なシグナルであることを示しています。つまり、Places Insights のデータがなければ、不動産の価値を実際に左右する要素の 3 分の 1 近くが評価モデルから欠落している可能性があるということです。というのも、Places Insights では、単純なカテゴリごとの店舗密度を超え、アナリストは数だけでなく、質という重要な要素を把握できるからです。ユーザーの評価、価格帯、営業時間、サービス施設など、70 近くの豊富なスポット属性にアクセスできるため、アナリストは多面的な品質シグナルを引き出せるようになります。

同じ SQL クエリで、モデルの精度を支える品質重み付けも行いました。単純なカウントではなく、条件付き集計によって高評価の店舗や高価格帯の店舗を集計することで、元の密度データを真の品質シグナルへと変換したのです。高評価のカフェが 3 軒ある地域と、平均的なカフェが 10 軒ある地域では、根本的に異なる全体像が導き出されます。PLACES_COUNT_PER_H3 などの組み込みの空間関数を使用すると、1 つのクエリで都市全体を標準化された空間グリッドに簡単に分割できます。これにより、ML に対応したクリーンな特徴量が生成され、モデリングワークフローが大幅に高速化されます。

Places Insights が示すプラスとマイナスの主要シグナル（動画）

主な調査結果: ユーザーの評価、ウェルネス、市場のマイナス要因

地元のビジネスの質を重み付けして評価することで、オースティンの不動産に関するいくつかの強力な予測の手がかりが明らかになりました。重要な点として、日本での以前の調査と同様に、これらの調査結果は相関関係の傾向分析であり、因果関係を断定するものではありません。

質は量よりも重要: 商業エコシステムの質は、住宅価値を大きく左右する要因です。たとえば、スポットの星評価が平均 4.5 の地域と、平均 4 の地域では、住宅価格に平均約 26 万ドルの差が生じています。高価格帯レストランは住宅価格とプラスの相関関係にありますが、手頃な価格のレストランが密集している場合はモデルにマイナスの影響を及ぼします。
「ウェルネス」ジェントリフィケーション指標: フィットネスセンター、美容院、スパなどの特定のスポットタイプをグループ化および分析し、ライフスタイル関連の施設を追跡することで、富裕層の多い地域や価値が上昇している地域を特定する強力な指標が明らかになりました。オースティンでは、評価の高いジム（星評価 4 以上）の存在が、その地域の平均資産価値を 74 万 3,000 ドルを押し上げるという相関が見られます。同様に、評価の高い美容院とスパのある地域では、住宅価格が 27 万 3,000 ドルから 27 万 5,000 ドルほど高くなっており、富裕層の住民が質の高いライフスタイルサービスをその地域に呼び込んでいることを示しています。
マイナス要因の特定: 逆に、モデルは特定の商業ゾーンのマイナス要因を定量化しました。ある国勢統計区に倉庫施設が 1 つあると、工業用地は住宅地としての魅力が減少するため、その地域の住宅価値の中央値が平均 44 万 2,000 ドル低下します。同様に、自動車サービス店舗の密集地は低所得の商業ゾーンとなることが予測され、墓地が近くにある場合は住宅価値が平均 1 万 5,000 ドル下がることがわかっています。

そこから、私たちは Gemini で数行の SQL を使用して BigQuery ML で回帰モデルをトレーニングしました。トレーニングには CREATE MODEL、スコアリングには ML.PREDICT を活用し、特徴量エンジニアリング、トレーニング、予測をすべて 1 か所で行いました。最後に、BigQuery のネイティブな可視化ツールとデータポータルを使用して、予測された「価値のギャップ」を実際の住宅価値と照らし合わせました。

潜在力が高く、過小評価されている地域を見つける

モデルの予測評価額と実際の住宅価格の中央値を比較することで、各国勢統計区の「価値ギャップ」を可視化しました。このアプローチにより、商業インフラストラクチャが現在の住宅価格を上回っている地域や、価格が基礎的要因を上回っている地域を特定できます。

実際の平均住宅価格と Places Insights ML モデルの予測値の比較（動画）

国勢統計区 23.04 では、現在の平均価格（参照した特定の住宅データによって約 57 万 3,000 ドルと報告されている）とモデルの予測（最大 81 万 8,000 ドルと推定されている）の間に 20 万ドルを超える差があり、投資を検討している人々にとって魅力的な投資対象となっています。このプラス要因は、並外れて優れた商業環境によって強化されており、この統計区内のすべての商業施設を合わせると、評価額が累計で 400 万ドル押し上げられています。最も大きなプラス要因は、高い星評価（4 以上）のジム、美容院、スパ、カフェです。これらのスポットは、同地域の平均価値をそれぞれ 74 万 3,000 ドル、27 万 4,000 ドル、24 万 7,000 ドル押し上げる傾向があり、公園や学校がバランスよく配置されていることもプラスに働いています。7 つの評価の高い美容院とスパ施設が牽引するこの統計区内のアメニティ環境は、モデルが住宅価値の上昇と一貫して結び付けている、高品質なエコシステムの典型といえます。

Places Insights のスポットシグナルに基づいて過大評価された統計区（動画）

国勢統計区 20.03 は、価値ギャップ手法が逆の形で作用し、地域の住宅価値を引き下げる環境要因を浮き彫りにしています。ここでは、周辺の商業施設の組み合わせにより、Places Insights のシグナルが合計で -27 万 3,000 ドルとなっています。これは、居住地としての魅力を損なうような土地利用が原因です。1 つの倉庫施設が -44 万 2,000 ドルと最も大きなマイナス要因となっており、産業利用が居住地としての魅力を低下させることを如実に示しています。自動車サービス関連の店舗が集中していることが、この傾向をさらに強めています。10 軒の自動車修理工場（-11 万 3,000 ドル）と 3 軒の自動車ディーラー（-9 万 9,000 ドル）は、低所得者向けの商業地域であることを示しています。これらに加え、葬儀場（-2 万 8,000 ドル）、20 か所にのぼるバス停と公共交通機関の停留所（-4 万 1,000 ドル）、さらには墓地に近いこと（-1 万 5,000　ドル）までもが、価格を押し下げる要因となっています。これらが合わさることで、高評価のジムおよび星評価が 4 の数軒のカフェやスパといったこの統計区の長所を打ち消してしまいます。これは、数か所の質の高い施設を合わせても、工業用地や自動車サービス用地が中心の環境を相殺できないことを示しています。

きめ細かいレベルでスケーラブルなインテリジェンス

現代の不動ビジネスを極めるには、物件を取り巻くエコシステムを定量化する必要があります。Google Cloud の規模と、BigQuery にネイティブに統合された Google Maps Platform の Places Insights を組み合わせることで、企業は近隣の施設の単純なリストを作成するだけでなく、商業環境の正確な品質、価格レベル、ブランド系列を把握できます。

Places Insights で外部データと自社データを重ね合わせて、シグナルを把握

Google Maps Platform は、世界中の 3 億を超えるスポットのデータセットを提供しているため、Navagis（新しいタブで開く）のチームが実施したこの分析は、スケーラビリティに優れています。不動産の専門家は、シカゴやマイアミなどの市場でこのモデルを適用し、スポットの重み付けが地域によってどのように異なるかを対比できます。たとえば、投資家は、オースティンの住宅価値を 24 万 7,000 ドル引き上げる高評価のカフェが、他の場所でも同じ付加価値をもたらすかどうかを特定できます。

ポートフォリオの価値ギャップを明らかにする

Google Maps Platform の Places Insights を活用すれば、データサイエンスチームはわずか数行の SQL で予測モデルを構築できるようになります。これにより、不動産ポートフォリオの評価や、過小評価されている買収対象の特定、さらに地域の資産価値上昇の予測などができるようになります。今回の調査はオースティンの不動産に焦点を当てたものですが、その基盤となる手法は業界を問わず応用できます。住宅の評価額を小売店の収益、用地の適合性、ネットワークの需要などに置き換えることで、隠れたインサイトを引き出せます。

Places Insights が、組織がより大きな全体像を把握するうえでどのように役立つのか、ぜひご確認ください。登録してサンプルデータをリクエストするか、実装パートナーの Navagis に問い合わせて、今すぐカスタム評価モデルの構築を開始しましょう。

- Navagis、カスタマーエンジニア、Topher Lund 氏

ピクセルデータから物理的な分析情報を取得する: Gemini による地理空間画像の理解

Mon, 29 Jun 2026 01:10:00 +0000

※この投稿は米国時間 2026 年 6 月 10 日に、Google Maps Platform blog に投稿されたものの抄訳です。

衛星コンステレーションからストリートレベルのリッチな画像まで、現実世界に対する前例のないレベルの視覚的アクセスが実現しています。しかし、GIS プロフェッショナル、インフラストラクチャ管理者、都市計画担当者にとって、未加工の非構造化ピクセルから構造化された空間データベースへの変換が運用上の大きなボトルネックであることは変わっていません。

これまでは、ストリートレベルの画像から自動的に分析情報（インフラストラクチャの完全性の監査、地域の駐車標識の読み取り、特定のハードウェアアタッチメントの検出など）を得るためには、高度に専門化されたカスタムのコンピュータビジョンモデルをトレーニングする必要がありました。このアプローチでは、何か月にもわたって手作業による境界ボックスのラベル付けを行い、継続的にモデルの再トレーニングを実施し、複雑な ML パイプラインを構築する必要があります。

しかし、Gemini Enterprise Agent Platform 上の Gemini 3.1 の高度な視覚的推論機能により、パラダイムは根本的に変化しました。さまざまな空間タスクのそれぞれについてカスタムモデルをトレーニングする時代は終わり、マルチモーダル基盤モデルにプロンプトを投げかけて現実世界について直接推論する時代が始まったのです。

この機能はあらゆる地理空間データセットに適用できますが、特に Street View Insights に適用した場合、大規模なストリートレベルの画像から優れた価値を引き出すことができ、大きな力を発揮します。

1. コールドスタートの回避: 少数ショットのビジュアル検出

従来の ML で新しいクラスのローカライズされたアセットを検出できるようにするには、ラベル付きのサンプルが何千と必要となります。そのため、GIS チームが対象を新しい自治体へと拡大する場合、その都度「コールドスタート」しなければならないという大きな問題が生じます。

Gemini 3.1 には広範なコンテキストウィンドウが備わっており、コンテキスト内でのビジュアル学習をシームレスに行うことができます。たとえば高度に専門化されたアセットやローカライズされたアセット（地域固有の道路標識やカスタムの自治体インフラストラクチャなど）をターゲットとする場合、数枚のビジュアル参照画像をプロンプトに直接渡せば、モデルは即座に明確なビジュアルパターンに適応します。基盤となる重みの更新は一切必要ありません。

code_block: <ListValue: [StructValue([('code', 'import vertexai\r\nfrom vertexai.generative_models import GenerativeModel\r\nmodel = GenerativeModel("gemini-3.1-pro")\r\nprompt = """\r\nあなたは自治体のインフラストラクチャ点検員です。画像 1 と 2 は「タイプ A」アセット構成の例です。画像 3 と 4 は「タイプ B」構成の例です。最終ターゲット画像を分析し、アセット構成を分類して、取り付けスタイルに基づいて簡潔に視覚的根拠を示してください。\r\n"""\r\n# 参照画像、ターゲット画像、プロンプトをモデルにネイティブに渡す\r\nresponse = model.generate_content([\r\n reference_image_1, reference_image_2, \r\n reference_image_3, reference_image_4, \r\n target_image, prompt\r\n])'), ('language', ''), ('caption', <wagtail.rich_text.RichText object at 0x7f58378b32b0>)])]>

2. ネイティブな空間認識: 境界ボックスの抽出

デベロッパーの多くは、大規模言語モデルをテキスト入力に対してテキスト出力を返すエンジンであると捉えています。しかし、Gemini 3.1 は強力なネイティブ空間認識機能を備えています。たとえば、ストリートレベルの画像を分析する場合、物理インフラストラクチャを特定し、[0, 1000] の座標空間にスケールされた 2D 境界ボックス検出を使用してそのローカライズされたピクセル座標を返します。

ワークフローでは、専用のオブジェクト検出機能を構築する必要はありません。主要なインフラストラクチャアセット上の特定のサブコンポーネントやアタッチメントを分離するプロンプト（たとえば、対象アセット上の機器コンポーネントや街灯の位置を特定するなど）をモデルに送信するだけです。

code_block: <ListValue: [StructValue([('code', 'prompt = """\r\nこれはターゲットアセットのストリートレベルの画像です。これを分析して、取り付けられているすべての機器コンポーネントと街灯を見つけてください。また、アセットインベントリにマッピングできるよう、特定したすべてのコンポーネントについて、2D 境界ボックスを [ymin, xmin, ymax, xmax] の形式で返してください。\r\n"""\r\nresponse = model.generate_content([image_part, prompt])'), ('language', ''), ('caption', <wagtail.rich_text.RichText object at 0x7f58378b3fa0>)])]>

3. コード実行による物理的および幾何学的推論

地理空間アプリケーションにおける Gemini 3.1 の最も注目すべき機能は、視覚的抽出とピクセルレベルの数学的推論を組み合わせる機能でしょう。

Gemini は画像をネイティブに理解しますが、多くの土木工学タスクでは厳密な数学的しきい値が必要です。Gemini は Gemini Enterprise Agentic Platform のネイティブなコード実行機能を活用することで、cv2（OpenCV）や numpy などの標準的なコンピュータビジョンライブラリを使用して動的に Python スクリプトを作成および実行できます。

そのため、モデルは単に画像を「見る」だけでなく、アクティブにピクセルデータを理解することができるようになります。たとえば、Gemini は主要なアセットを特定し、その座標ジオメトリを抽出する OpenCV スクリプトを生成し、三角法で傾斜角を推定して構造の安定性を評価することができます。また、cv2 を使用してラプラシアンの分散を計算し、数学的なブラー指標を算出して画像のトリアージに使用することもできます。

code_block: <ListValue: [StructValue([('code', 'from vertexai.generative_models import Tool\r\n# Equip Gemini with Code Execution capabilities\r\ncode_execution_tool = Tool.from_code_execution()\r\nmodel = GenerativeModel("gemini-3.1-pro", tools=[code_execution_tool])\r\nprompt = """\r\n以下の指示に従い、順に実行してください。\r\n1. 前景にある主要なインフラストラクチャアセットを特定します。\r\n2. `cv2`（OpenCV）ライブラリと `numpy` ライブラリを使用して、ピクセルデータを操作する Python スクリプトを作成して実行します。\r\n3. アセットの絶対的な上端と下端のピクセル座標を抽出します。\r\n4. 垂直軸に対するアセットの傾斜角を度単位で計算します。\r\n5. 計算された角度を返し、標準の安全しきい値である 5 度を超えているかどうかを評価します。\r\n"""\r\nresponse = model.generate_content([image_part, prompt])'), ('language', ''), ('caption', <wagtail.rich_text.RichText object at 0x7f58378b3d90>)])]>

4. 自動画質分析とビジュアルトリアージ

基となる画像が鮮明でなければ、深い視覚的分析情報を効果的に抽出することはできません。しかし実際のストリートレベルの画像フィードでは、カメラに起因するぼやけ、強い太陽光の反射、生い茂った葉や枝などによって重要なインフラストラクチャが見えにくいことも少なくありません。そのようなきわめて不明瞭な画像で高価なジオメトリ計算やデータベース取り込みを行っても、破損した GIS データしか得られません。

Gemini は視覚的な理解とトリアージに優れており、アセットが木で遮られている、照明による影で判別しにくい、モーションブラーによりハードウェアが識別できないなどの問題を検出できるので、画像の物理的な制約を分析するよう指示して、複雑な地理空間パイプラインを開始する前の視覚的なゲートキーパーとして機能させることができます。

code_block: <ListValue: [StructValue([('code', 'prompt = """\r\nこのストリートレベル画像に対して、土木調査のための詳細な画質分析を行ってください。以下の条件について評価し、構造化された分析を返してください。\r\n1. オクルージョン: 主要なターゲットオブジェクトの全体が見えるか、それとも枝葉や構造物で隠れているか。\r\n2. 照明: ハードウェアの識別を阻害するような強い逆光や影がないか。\r\n3. 鮮明さ: 設置された標識を判別できないほどの強いモーションブラーが発生していないか。\r\n以上に基づき、この画像を GIS データベースに送るか破棄するかを判断してください。\r\n"""\r\nresponse = model.generate_content([image_part, prompt])'), ('language', ''), ('caption', <wagtail.rich_text.RichText object at 0x7f58378b3f70>)])]>

Gemini の画像理解を活用してプログラムで画像をフィルタリングすることで、膨大なコンピューティングリソースを節約し、高忠実度のデータのみを空間データベースに取り込むことができます。

今後の展望

構造化されていない未加工のストリートレベル画像と、高度に構造化された空間インテリジェンスの間の距離は、かつてないほど縮まっています。広範囲にわたる地理空間画像と最先端モデルのマルチモーダル推論、境界ボックス抽出、コード実行機能の統合により、空間分析は完全に実際の現実世界のデータに基づいて実行する新しい時代に入ろうとしています。

最近のアップデートと、動的な「思考、行動、観察」ループを使用して Python コード実行による画像のズーム、トリミング、分析をアクティブに行う Gemini 3 Flash の Agentic Vision などの機能により、このようなアクティブな検査が現実のものとなっています。

Google DeepMind の研究でも、生成的事前トレーニングによって、高度な 2D および 3D 理解のための強力な汎用視覚的学習が可能になることがわかっています。Gemini の能力は拡大し、基本的な抽出を行うだけでなく、未加工の地理空間画像を正確で実用的なインテリジェンスに変換するために必要なツールを実際に提供できるようになっています。

リファレンス実装

企業の開発者やデータサイエンティストがこれらのコンセプトを運用化できるよう、Google では包括的な一連のオープンソースノートブックを公開しています。これらのリソースでは、Gemini と Vertex AI を使用して高度な地理空間分析情報を抽出する方法を紹介しています。

GitHub の Google Maps Platform Insights Samples リポジトリでは、完全なリファレンス実装を参照し、マルチモーダルプロンプトをテストし、エンドツーエンドのパイプラインを実行できます。ご活用ください。

地理空間ユースケース別のノートブック:

^{冒頭の画像は、Nano Banana Pro で生成されたものです。}

- Google Maps Platform エンジニア、Sarthak Ganguly

Abertis: Roads Management Insights でレポート作成からプロアクティブなインフラストラクチャ管理へ

Mon, 29 Jun 2026 01:05:00 +0000

※この投稿は米国時間 2026 年 6 月 2 日に、Google Maps Platform blog に投稿されたものの抄訳です。

編集部注: 今回の記事は、Abertis のグローバルイノベーション責任者 Antonio Durán 氏と、同社の Future Road Lab マネージャー Xavier Daura 氏からの寄稿です。モビリティインフラストラクチャ管理のグローバルリーダーである Abertis が、Roads Management Insights を活用して、道路交通網の安全性、効率性、持続可能性をどのように高めているかをご紹介します。

モビリティインフラストラクチャ管理分野をリードする Abertis の目的は、優れた運用力と強力なイノベーションアジェンダを組み合わせることで、道路と交通をより安全で、より効率的で、より持続可能なものにすることです。Beyond Roads を通じて、Abertis はテクノロジーパートナーやイノベーションエコシステムと連携し、モビリティ管理にデジタル機能を取り入れています。これにより、お客様である道路利用者や行政機関が、課題に単に対応するだけでなく、課題を事前に予測できるよう支援しています。

Abertis のアプローチは、安全性、持続可能性、効率性を明確に重視しながらインフラストラクチャを運用することに重点を置いています。交通、インシデント、ネットワークパフォーマンスのモニタリングと管理の方法を継続的に改善し、従来の運用上の施策をデータドリブンな意思決定で補完する取り組みも進めています。目標はシンプルです。より早く行動し、より適切に対応し、道路利用者に信頼性の高い体験を提供するとともに、公共機関の目標達成を支援することです。

Abertis は、主に 2 つの顧客グループにサービスを提供しています。道路利用者に対しては、交通の流れをより円滑にすることに重点を置いています。可能な限り渋滞を緩和し、安全性を高め、信頼できる移動体験を確保します。行政機関や公共部門に対しては、運用に関する専門知識とイノベーションを組み合わせた長期的なパートナーとして、より安全で持続可能な道路づくりを支援し、高品質のデータと分析を通じて、より優れた計画と意思決定を可能にしています。

Google との連携でモビリティインテリジェンスを拡大する

Google とのパートナーシップは Abertis にとって重要な意味を持っています。これは単なる協力関係ではなく、交通渋滞の緩和、道路の安全性向上、道路利用に伴う汚染の低減を目的とした道路管理サービスを共同で開発する真のコラボレーションだからです。私たちは単にプロダクトを導入しているのではありません。運用現場で得た知見を積極的に提供し、その方向性づくりにも貢献しています。両社に共通する目標は、道路管理者や公共機関に、より高品質なモビリティインテリジェンスを提供することです。具体的には、より信頼性の高いデータ、より細かな粒度、より迅速なインサイトを提供し、より早く、より確信を持って意思決定できるようにすることを目指しています。最終的な目標は、分析を運用上のアクションへとつなげることです。つまり、道路の安全性を高め、交通の乱れを減らし、ネットワーク管理をより効率化することです。

その中核となるのが、Google Maps Platform の Roads Management Insights です。Abertis はこれを Google Cloud の BigQuery 環境を通じて活用し、Google Cloud の高度な分析機能および AI 機能と組み合わせています。これにより、実際の運用ユースケースに必要なスケーラビリティと堅牢性を備えた形で、交通パターンの分析、異常の検出、予測モデルの開発が可能になります。

Google との連携は真のパートナーシップだと感じています。オープンで協力的であり、現実世界の状況で機能するソリューションの構築に重点を置いているからです。私たちは運用現場の実態とお客様のニーズを提供し、Google は優れたプロダクトとスケールを提供します。両社が協力することで、迅速にイテレーションを重ね、継続的に学ぶことができています。

インサイトを活用して安全性とパフォーマンスを向上させる

Abertis は Roads Management Insights を活用し、道路網が時間の経過やさまざまな条件下でどのように変化するかをより深く理解しています。これには、繰り返し発生する渋滞パターンの特定、異常な状況の早期検出、得られた知見を運用上の対応や計画策定の提案へとつなげることが含まれます。これにより、安全性とパフォーマンスの向上を支援できます。また、Google のロードマップに含まれている追加データソースの組み込みに向けた準備も進めており、リアルタイムの状況把握をさらに強化し、より十分な情報に基づく意思決定を支援できるようになります。

特徴的なのは、データの品質、粒度、そしてスケーラブルな分析環境を通じて分析結果を運用に落とし込める点です。Roads Management Insights により、Abertis は記述的なレポート作成にとどまらず、プロアクティブな管理へと移行できます。つまり、繰り返し発生するパターンを把握し、問題をより早期に検出し、安全性と交通効率を高めるためのより適切な介入を支援できます。また、固定された区間分けに依存するのではなく、可変長の道路セグメントを定義できるため、他のソリューションと比べて精度と適応性を高めることができます。

Roads Management Insights は、より早い段階で対応し、場合によっては事前に予測するための能力を強化します。渋滞パターンの特定、交通の遅れを引き起こしている要因の把握、インシデントへの迅速な対応を支援します。また、道路管理者は事故が発生しやすいエリアを特定し、的を絞った安全対策を講じることができます。これにより、渋滞や安全上の問題が深刻化する前に、予測と緩和に取り組むことが可能になります。

Roads Management Insights の活用

Roads Management Insights のテスト初期段階では、バルセロナの C-32 やイタリアの A4 Holding での初期導入を含め、実際の運用環境でソリューションの検証を進めています。分析開発とモデル構築は、高度な交通管理、コネクテッドモビリティ、リアルタイムモニタリングに重点を置く Abertis の Future Road Lab を通じて行っています。

主な効果は、明確な能力向上です。交通パターンや交通の乱れをより高い解像度で可視化できるようになり、インシデント検出とプロアクティブな管理を改善するためのより強固な基盤を構築できます。Google の高い市場浸透率により、夜間など交通量が非常に少ない時間帯でも、堅牢なデータ可用性を維持できます。導入範囲が拡大するにつれて、これらの機能は安全性、交通効率、サステナビリティ面で測定可能な改善につながると期待しています。

インフラストラクチャ管理の未来を見据えて

Abertis の運用面での役割に加えて、目的あるイノベーションへの取り組みも強調しておきたい点です。Beyond Roads と Future Road Lab を通じて、実際の運用事業者や行政機関が導入できる実用的なソリューションを構築しています。その際、常に安全性とサステナビリティを重視しています。Abertis の目標は、具体的で測定可能な進歩を通じてモビリティの未来を形作る、信頼できるパートナーになることです。

Abertis は Google とともに、Roads Management Insights の共同開発と導入を進め、高品質なモビリティデータを実用的なインテリジェンスへと変換しています。このパートナーシップにより、交通をプロアクティブに管理し、安全性を高め、道路利用者と公共機関の双方に、よりスマートなモビリティソリューションを提供する能力が強化されます。

- Abertis、グローバルイノベーション責任者、Antonio Durán 氏
- Abertis、Future Road Lab マネージャー、Xavier Daura 氏

Google I/O 2026 より: Google Maps Platform の最新情報

Mon, 29 Jun 2026 01:00:00 +0000

※この投稿は米国時間 2026 年 5 月 21 日に、Google Maps Platform blog に投稿されたものの抄訳です。

Google が 100 名の地理空間デベロッパーを Google キャンパスに迎えた Geo Developer Day 2006 を開催してから、今年 6 月で 20 年が経ちました。当時は知る由もありませんでしたが、この小さな集まりが、現在の Google I/O の土台を築き、その発展への道を拓きました。先月、カリフォルニア州マウンテンビューの Shoreline Amphitheatre には数千人の開発者が集まり、オンラインでは数百万人が I/O 2026 に参加しました。ここでは Google Maps Platform の最新イノベーションをご紹介します。

オープニングの基調講演では、Google マップの「マップに相談」機能を紹介し、ユーザーがこれまでにない新しい方法で Google のサポートを利用している様子をお見せしました。また、検索の AI モードでは、週末の予定を立てるといったパーソナルインテリジェンスのユースケースにおいて、Google マップがどのように活用されているかも紹介されました。さらに、DeepMind の Project Genie にストリートビュー画像を導入し、インタラクティブな世界を現実に根ざしたものにできるようにすることも発表されました。I/O の参加者からは、ストリートビューを使用して生成された Genie の世界のクオリティに感銘を受けたという声が寄せられました。

現実世界の推論を備えたエージェントを構築する

Google Maps Platform が大規模言語モデルと現実世界とのギャップを埋める方法に私たちは大きな期待を寄せています。I/O デベロッパーセッション「 Building agents with real-world reasoning」では、デベロッパーエクスペリエンスチームの Ken Nevarez と Caio Moreira が、Maps Grounding Lite が Model Context Protocol（MCP）を使用して、AI アプリケーションを Google マップの信頼性の高い現実世界の地理空間データに直接、簡単に接続する方法を説明します。こうしたグラウンディングされた回答をよりわかりやすく表現できるよう、Google マップエージェント型 UI ツールキット（MAUI）が試験運用版として幅広くご利用いただけるようになったことも発表しました。この地理空間可視化レイヤは、AI エージェントに「視覚的な表現手段」を与え、構造化されていない会話テキストを、情報量豊かなインタラクティブマップへリアルタイムで簡単に変換します。

現実世界の推論を備えたエージェントを構築する

開発者との直接的な交流

開発者向け基調講演に続き、Real World AI デモでは、先日発表された Maps Imagery Grounding を紹介しました。参加者は、開発者が生成 AI メディアを Google ストリートビューに基づいて現実世界に根ざしたものにする方法をハンズオンデモで体験しました。また、Google の LLM が現実世界の情報を活用することで、より正確な AI ビジュアルを生成できることも紹介しました。開発者からは、世界で最も信頼されている地図データと画像ソースの一つを活用して AI の回答を強化できる Google マップによるグラウンディングに大きな期待の声が寄せられました。

Missed Google I_O-2

カリフォルニア州マウンテンビューで開催された I/O 2026 の Google Maps Platform チーム
Missed Google I_O-3

カリフォルニア州マウンテンビューで開催された I/O 2026 の Google Maps Platform チーム
Missed Google I_O-4

カリフォルニア州マウンテンビューで開催された I/O 2026 の Google Maps Platform チーム

マウンテンビューで開催された I/O にご参加いただいた皆さま、ありがとうございました。I/O の基調講演とすべての技術セッションは、現在オンラインでもご覧いただけます。今回参加できなかった方とは、ベルリンとベンガルールで開催される I/O Connect で直接お会いできることを楽しみにしています。

- Google Maps Platform デベロッパーコミュニティリード、Mike Pegg

没入感のある 3D エクスペリエンスと詳細な場所情報で地図を変革

Thu, 04 Jun 2026 02:00:00 +0000

※この投稿は米国時間 2026 年 5 月 12 日に、Google Maps Platform blog に投稿されたものの抄訳です。

ブランドの魅力を生き生きと伝える没入感のある UX

デモ動画を見る

新しい場所に関する豊富な情報を提供し、デジタル上での探索を可能にする地図は、ユーザーが現地に到着する前に、その場所の雰囲気をつかむのに役立ちます。Google Maps Platform の最新機能を使用すると、標準的な地図を、ユーザーが現実世界を探索する感覚に近い 3D エクスペリエンスへと変えることができます。

3D マップの新しいカスタマイズツールにより、地図の UI と UX をこれまでになく細かく制御できるようになりました。フォトリアリスティックな世界を作成し、そこに独自のブランドアイデンティティやデータを組み込むことができます。

また、新しいプログラム可能なカメラ設定により、広角レンズや望遠レンズをシミュレートできます。チルトや回転といった映画のような効果を使用して、ユーザーにさまざまな視点から場所を見せることができます。ユーザーの視野に地図をどの程度表示するかも制御できます。

開発者はこれまでも、Google のデフォルトのピンを使用したり、画像ベースのマーカーをレンダリングしたりすることで、カスタム地図マーカーを追加できました。今回、カスタム HTML プレイスマーカーの作成機能が追加されたことで、ブランドに合わせてデザインをさらに細かく制御できるようになりました。カーソルを合わせると拡大するフォトギャラリーや、リアルタイムの価格データなど、アニメーションやインタラクティブな機能を追加することもできます。

都市計画、不動産、メディア、イベントの分野では、新しいメッシュ平坦化機能により、地図上の特定のエリアから既存の樹木や建物を取り除き、デジタル上で整理された状態にできます。これにより、独自の建築モデルやブランドアセットを配置するためのクリーンなキャンバスを作成できます。

これら 3 つの機能はすべて、ウェブデベロッパー向けの 3D Maps for JavaScript で利用できます。Android および iOS 向けの Maps 3D SDK でも近日中に利用可能になる予定です。

ユーザージャーニーのあらゆる段階で一貫したエクスペリエンスを提供

デモ動画を見る

フォトリアリスティックな地図は、ユーザーが目的地に到着する前に、その周辺の雰囲気を現地にいるような感覚で把握するのに役立ちます。一方、模式的で抽象化された地図は、道案内に必要なわかりやすいグラフィック表現を提供し、スムーズなナビゲーションを支援します。

地図を使用する体験全体に一貫性を持たせるため、3D マップに抽象ベースマップを追加しました。この機能により、ユーザーは詳細なフォトリアリスティック画像と簡略化された抽象ビューをシームレスに切り替えることができます。また、検索、発見、探索を 1 つの直感的なインターフェースに統合できます。これにより、旅行前に目的地の雰囲気を確認する場合でも、到着後に建物の入口や駐車場を特定する場合でも、ユーザーは自分のニーズに最も合った方法で地図を探索できます。

この機能は現在、Maps JavaScript API の JavaScript アルファチャンネルを通じて、ウェブ向け 3D Maps でテストできます。iOS では Maps3D SDK を有効にすることで利用できます。Android でも近日中に利用可能になる予定です。

直感的でカスタマイズ可能な UI と、ユーザーが信頼できる詳細なデータ

没入感のあるインターフェースの価値は、それを支えるデータの質によって決まります。そこで Google Maps Platform では、場所に関する情報を大幅に拡充し、エンドユーザーが正確な住所とその場所の雰囲気を同時に把握できるようにしました。

新しいプレイスタイプでは、スペイン風居酒屋から電動自転車の充電スタンドまで、約 200 種類の詳細なカテゴリを追加しました。これにより、ユーザーは探している場所をより正確に見つけられるようになります。これらのカテゴリに加え、ブランドに合わせてカスタマイズできる完全一致のローカライズ済みプレイスラベルを使用することで、単なるキーワード検索を新しい地域を探索する機会へと変えることができます。

また、Places UI キットでは、ウェブ、iOS、Android 向けに、モジュール式でカスタマイズ可能なコンポーネントを提供しています。このキットを使用すれば、Google マップが持つ場所に関する情報と直感的なインターフェースをプロダクトにすばやく組み込むことができます。

新しいシェイプファイルと 3D モデルのインポート機能で Google Earth により多くのデータを取り込む

Thu, 04 Jun 2026 01:02:00 +0000

※この投稿は米国時間 2026 年 4 月 28 日に、Google Maps Platform blog に投稿されたものの抄訳です。

Google Earth は、地理空間情報の信頼できる唯一の情報源を作成できるよう、データインポート機能を拡張しています。このたび、2 種類の新しいデータインポート形式のサポートと、測定ツールの新しいデータ機能を発表することになりましたのでお知らせします。

シェイプファイル（SHP）: 業界標準の GIS データを、柔軟なデータレイヤとして Google Earth に直接取り込むことができます。
3D モデル（GLB）: 建築物のモックアップなどのカスタム 3D モデルを、ウェブブラウザ上で簡単にアップロード、配置、共有できます。
高度プロファイル: 測定ツールでシンプルな図形を描画するだけで、インスペクタパネルに美しい高度（標高）プロファイルグラフを表示できます。

シェイプファイルと 3D モデルが Google Earth に登場

現実世界のキャンバスにデータを表示

ユーザーの皆様からは、Google Earth の現実世界のキャンバスに、より多くのデータ、画像、モデルを取り込みたいという声が寄せられていました。このたび、シェイプファイルと 3D モデルのインポートをサポートすることで、Google はその期待に応えるための次の一歩を踏み出します。

最適な意思決定を行うには、それぞれの業務に合わせてカスタマイズされた地図が必要です。インサイトの真の価値は、関係者の理解を深め、行動を促せる点にあるからです。しかし、プロジェクトが初期の敷地評価から関係者レビューへと進むにつれ、チームは動作が重い GIS ソフトウェア、計画用のスプレッドシート、プレゼンテーション資料の間を何度も行き来しなければなりません。新しいフェーズや対象者ごとに、データを手動でエクスポート、変換、ラングリングする作業は非常に負担が大きく、貴重な時間を奪います。さらに、誰かが常に古い情報を見ている状態にもつながります。

Google Earth は、こうした煩わしさを解消します。データインポート機能の拡張により、Google Cloud ベースの地図プロジェクト内で独自データをセキュアに結合し、スタイルを設定し、可視化して共有できるようにしました。Google Earth は、地図をチーム全体が共同作業し、インサイトを一元化できる統合ワークスペースへと進化させています。全員がまったく同じ、信頼できる唯一の情報源に基づいて作業できるようになれば、ファイル管理に費やす時間を減らし、確信を持って意思決定するための時間を増やせます。

シェイプファイルを追加して全体像を把握

新機能: KML、KMZ、GeoJSON に加えて、シェイプファイルもサポート対象に追加されました。シェイプファイルを含む .zip ファイルをアップロードすると、フィーチャーと関連属性の両方を、パフォーマンスに優れたクラウドネイティブなデータレイヤとしてレンダリングできます。

シェイプファイルは、GIS の専門家にとって業界標準の形式です。この機能は、不動産デベロッパーや都市計画担当者が、税区画、インフラストラクチャ、地形データなどの大規模な独自データをインポートし、敷地の適合性を評価したり、新たな機会を見つけたりする際に欠かせません。

シェイプファイル（SHP）を地図プロジェクトにインポートし、地理空間データのスタイルを設定して共有できます。

現実世界のコンテキストで 3D モデルを活用

新機能: カスタム 3D モデルをアップロード、配置、共有し、デザインや建物のボリュームを現実世界のコンテキストで確認できます。まずは GLB ファイル形式に対応し、モデルを地球上に正確に配置、拡大縮小、回転できる入力フィールドを用意しました。

これにより、Google Earth はカスタムデザインを表示するインタラクティブなステージへと変わります。建築家や建設の専門家は、リソースを投入する前に、提案中の建築デザインや建物のモックアップを実際の場所に即した形で正確に可視化できます。関係者の間で共通のビジョンをすり合わせることが、これまでよりはるかに簡単になります。

3D モデルを現実世界のコンテキストで可視化できます。

高度プロファイルを可視化

新機能: 測定ツールに高度プロファイルが追加されました。これまでと同じように測定ツールで描画するだけで、インスペクタパネルに美しい高度（標高）プロファイルが表示されます。

測定ツールは、地図探索の中核となる万能ツールとして使用されてきました。今回のアップデートにより、さらに強力で柔軟なツールになります。地形はほぼすべてのプロジェクトに影響するため、このビジュアルデータはさまざまな用途に活用でき、推測に頼っていた作業を具体的な空間インテリジェンスにすばやく置き換えることができます。複雑なルート計画や輸送計画、可視域分析、重機のロジスティクス計画など、さまざまな場面で、地形の起伏を地図上で即座に把握できるようになります。

地形を可視化して時間を節約し、プロジェクトのリスクを軽減できます。

新しい Google Earth Discord チャンネルで他のユーザーと交流

Google Earth にデータを追加する準備はできましたか。ほかのプロフェッショナルがこれらのツールをどのように活用して、効率よく作業しているのか知りたいと思いませんか。

Google Maps Platform サーバーに新設された #GoogleEarth Discord チャンネルに参加して、他のユーザーと交流しましょう。実績のあるワークフローを共有したり、複雑な空間分析の課題をリアルタイムで解決したり、Google Earth プロダクトチームと直接つながったりできます。今すぐ世界中の専門家のネットワークに参加し、Google Earth を活用してよりスマートに作業し、時間を節約する方法を学びましょう。

- Google Earth 担当プロダクトマーケティングマネージャー、Willy Thomas

事後対応からレジリエンスへ: 高度な環境インテリジェンスで業界を支援

Thu, 04 Jun 2026 01:00:00 +0000

※この投稿は米国時間 2026 年 4 月 22 日に、Google Maps Platform blog に投稿されたものの抄訳です。

このたび Cloud Next において、Google は Google Earth AI の一部である新しい環境データセットを発表しました。これらのデータセットは、現在 Google Maps Platform で試験運用版として利用できます。Environment API スイートを補完するもので、大気質、花粉、天気に関するインサイトを提供します。これにより、API で提供されるリアルタイムデータの枠を超え、BigQuery とシームレスに統合されたハイパーローカルで高解像度の過去データから、環境に関するインサイトを引き出せるようになります。

これらのデータセットは、組織が複雑な環境データを実用的なインサイトへと変換し、先を見越した計画、健康アウトカムの改善、ビジネスレジリエンスの強化に活用できるよう設計されています。たとえば、医療機関は大気質や花粉量をモデル化することで、患者数の急増を予測できます。また、製薬会社は、症状の悪化などのさまざまな健康関連指標を、集約された過去データや信頼性の高い健康基準と関連付けることができます。

これらのデータセットの精度は、Google 独自の AI モデル、政府の基準観測局や商用センサーネットワークなどの膨大な地理空間データソースの組み合わせ、信頼性の高い過去インサイトと予測インサイトを確保するための継続的な検証によって支えられています。

天気に関するインサイト

天気インサイトデータセットでは、約 5 年分の高解像度の過去の気象データにアクセスできます。このデータは、世界全体では 0.1 度、米国と欧州では約 4 km 四方で 1 時間単位の詳細な情報を提供します。この包括的な気象記録を BigQuery 上の運用データと組み合わせることで、過去のパターンを分析して需要を予測し、配送ルートを最適化し、エネルギーや旅行関連のプロジェクトを戦略的に計画できます。こうした過去のインサイトを活用して先を見越した戦略を構築し、Weather API の予測と組み合わせてリアルタイムに適切なアクションを取ることで、小売、物流、旅行、エネルギー、保険、モビリティなどの業界で、運用効率を高め、レジリエンスを維持できます。たとえば旅行会社は、季節ごとの環境パターンに基づいて天気と予約の傾向を予測し、旅行パッケージやマーケティングキャンペーンを最適化できます。

BigQuery での降水量データの可視化

大気質と花粉に関するインサイト

大気質と花粉に関するインサイトデータセットを使用すると、数年分の過去データにアクセスし、特定の汚染物質や花粉の種類の濃度を 500 m または 1 km のグリッド単位で把握できます。これにより、地域ごとの「盲点」をなくすうえで必要な高精度のデータを得られます。たとえば、こうした精緻な環境パターンを患者記録と直接関連付けたり、今後の花粉飛散のピークを見越して小売店の在庫を最適化したりすることができます。検証済みの環境コンテキストを BigQuery 上の独自データと簡単に統合することで、事後対応型の意思決定から、健康への影響に関するより深い分析や、先を見越したケア管理へと移行できます。

特定の日におけるマンハッタンの PM2.5 の中央値を可視化

大気質、花粉、天気の過去データが、より高い精度と予測力の実現にどのように役立つのか、ぜひご確認ください。早期アクセスにご登録のうえ、詳細をご覧ください。

- Google Maps Platform 担当グループプロダクトマネージャー、Yael Shamir Zelmanoff

新たな次元の理解を可能にする: Google の画像を使用した高度な地理空間 AI

Fri, 29 May 2026 01:20:00 +0000

※この投稿は米国時間 2026 年 4 月 24 日に、Google Maps Platform blog に投稿されたものの抄訳です。

Cloud Next では、Google Earth AI のイノベーションを活用した　Imagery Insights ポートフォリオの大幅な拡張を発表しました。地形に対する理解と意思決定方法の変革を支援するよう設計されています。また、Earth AI の一部として、太陽光発電の利用可能性や既存の太陽光発電設備に関して、高解像度の建物レベルのデータの提供も発表しました。これにより、電力会社やサービスプロバイダが再生可能エネルギーの導入を推進し、ネットワーク計画を最適化できるようになります。

Aerial and Satellite Insights で視野を広げる

今後数週間以内に、Aerial and Satellite Insights（試験運用版）をリリースして、Imagery Insights ポートフォリオを拡充する予定です。Street View Insights を補完する Aerial and Satellite Insights では、高解像度のグローバル画像を手軽に利用できるようになり、分析対象を都市の街路の細部から地球の鳥瞰図まで広げることができます。高い解像度と多様な角度からのビューを備えた 3D 航空写真や、柔軟性の高い更新設定による高解像度衛星画像により、幅広いタスクをカバーするあらゆる規模のデータドリブンな意思決定が可能になります。Aerial and Satellite Insights は Gemini Enterprise Agent Platform と統合されているため、現場の人員、リスク、費用を削減しながら、運用をスケールできます。また、BigQuery と Earth Engine を利用して、独自のデータと高解像度の画像コンテキストを組み合わせ、詳細な空間分析を行うこともできます。これにより、電波の障害物を特定してワイヤレスネットワーク計画を最適化する、重要インフラ付近の植生の侵入をモニタリングする、未開拓の再生可能エネルギー市場機会を認識するといった課題を解決できます。

Aerial and Satellite Insights により、組織は敷地の選定とアセットの管理を革新できます。過去のデータを使用して、経時的な変化を検出してパターンを予測することで、より包括的な敷地分析と在庫監査の自動化が可能になります。たとえば、デジタルの地形モデルと組み合わせることで、通信事業者はワイヤレスネットワークの計画を最適化し、電波障害を最小限に抑えることができます。

Aerial and Satellite Insights を活用することで、電気通信の専門家はワイヤレスネットワークの計画を最適化し、電波障害を最小限に抑えることができます。

Aerial and Satellite Models で分析を強化

また、Google Cloud の Model Garden 内に Aerial and Satellite Models（試験運用版）を導入します。Google Research のリモートセンシング基盤の取り組みの一環として開発されたこれらのモデルは、複雑なモデルを自分でトレーニングまたは維持する必要なく、地球規模の分析情報を抽出できるようにすることで、地理空間ワークフローを変革するように設計されています。さらに、このモデルは Google のカタログに限定されません。独自の航空写真や衛星画像を取り込み、Google の高度な AI を適用して、すでに所有しているデータから分析情報を引き出すことができます。

高度なゼロショット分析とオープンボキャブラリ分析機能により、オブジェクトを説明するだけで識別できます（「風力タービン」をすべて検索するなど）。また、自然言語を使用してセマンティック検索を実行し、複雑なシーン（「都市の中心部を流れる川」など）を見つけることができます。また、このモデルには強力なセマンティックチェンジ検出が備わっていて、変化の意味と方向を理解するのに役立ちます。たとえば、長期間稼働している「産業用工場」と新しい「産業用工場」を区別したり、「建設前」や「建設中」などのプロジェクトの進行状況を特定したりできます。このマルチモーダル機能により、地球の個々の要素だけでなく、より広範な意味的および時間的コンテキストを理解できるようになり、幅広い重要なユースケースにおいて、よりプロアクティブでデータドリブンな意思決定が可能になります。

Aerial and Satellite Models を使用すると、エネルギーアナリストは「大型の HVAC 冷却塔を探して」といったプロンプトを入力するだけで、関連する冷却塔オブジェクトを広範囲にわたって特定できます。

太陽光発電データで再生可能エネルギーの導入を加速し、ネットワーク計画を最適化

Google の包括的な航空写真と衛星画像に基づき、太陽光発電データを使用して、建物がクリーンエネルギーを生成するポテンシャルを把握することもできます。Solar Insights（試験運用版）は、市場機会を特定して太陽光発電の導入を加速するために設計された高解像度データセットです。このツールは、米国とヨーロッパの 90% を超える建物を対象に、建物ごとの太陽光発電のポテンシャル、屋根の統計情報、既存の太陽光パネルに関する分析可能なデータを提供します。電力会社やサービスプロバイダは、このツールを使って価値の高い顧客を特定してネットワーク計画を最適化できます。これらの建物レベルの詳細情報を Google の気象モデルと統合することで、組織は屋上太陽光発電パネルによる発電量を正確に予測できるようになり、エネルギーの信頼性を高め、再生可能インフラストラクチャへのより収益性の高い投資を促進できます。

Milken Institute による Solar Insights の活用事例

Milken Institute の Community Infrastructure Center は、Solar Insights を使用して、図書館、学校、診療所、その他の重要なアンカー機関などのコミュニティレジリエンスセンターの太陽光発電のポテンシャルを評価し、それを気候リスクや人口統計データと組み合わせて、十分なサービスを受けていないコミュニティでレジリエンスハブへの投資が最も大きな効果を発揮する場所を特定しています。

Solar Insights は、これまで得られなかった建物レベルやコミュニティレベルでの明瞭な情報を提供してくれます。Google のプラットフォームパートナーは、数分でコミュニティの主要施設における太陽光発電のポテンシャルを評価し、気候データや社会経済データと重ね合わせて、レジリエンスへの投資が最も重要な場所を特定できます。Milken Institute では、コミュニティ組織と連携してクリーンエネルギープロジェクトの範囲を定める方法をすでに変革しています。 Rachel Halfaker 氏
Milken Institute ディレクター

LiDAR を使用した Street View Insights で、より正確な 3D 測定とインフラストラクチャに関する分析情報を取得できます。

Street View Insights で地上レベルの精度を向上

今後数週間以内に、有用な LiDAR データを使った試験運用版をリリースして、Street View Insights を強化する予定です。Google ストリートビューの膨大なリポジトリには、インフラストラクチャを網羅する 2,800 億枚以上の 360° 画像と 3D 画像が含まれています。このリポジトリにアクセスして、より精度の高い計測が可能になることを想像してみてください。このイノベーションにより、現場やアセットへの費用と時間がかかる訪問の必要性が最小限に抑えられ、電柱の高さ、架空送電線のクリアランス、道路標識の寸法をデスクにいながら正確に判断できるようになります。さらに、Gemini Enterprise Agent Platform を活用した自然言語クエリを使用すれば、分析情報をはるかに迅速に抽出できるため、アセット管理と状態評価の効率が向上し、メンテナンスを事後対応型から事前対応型に移行できます。

LiDAR を使用した Street View Insights で、より正確な 3D 測定とインフラストラクチャに関する分析情報を取得できます。

これらの強力でシームレスに統合されたツールを提供することで、イニシアチブのライフサイクル全体にわたって、より費用対効果の高いデータドリブンなビジネス上の意思決定を支援できると確信しています。

Google の高度な地理空間 AI が分析情報をどのように強化できるか、ぜひご確認ください。こちらから早期アクセスに登録して、ウェブサイトで詳細をご確認ください。

- Google Maps Platform 担当シニアプロダクトマネージャー、Andre Kelly
- Google Maps Platform 担当プロダクトマーケティングマネージャー、Dan Meyer

ハイパーローカルデータとリアルタイムルーティングで移動効率と配送完了率を大幅に向上

Fri, 29 May 2026 01:10:00 +0000

※この投稿は米国時間 2026 年 4 月 16 日に、Google Maps Platform blog に投稿されたものの抄訳です。

すべての配送がビジネスを左右する

ドライバーが渋滞にはまっています。配送はすでに遅れており、荷物が今どこにあるのか、いつ届くのかもわかりません。ようやくドライバーが建物の前に到着しても、入口が見つからないことがあります。さらに悪い場合には、住所が間違っていて、配送そのものができないこともあります。時間はそのままコストになります。刻一刻と時間が過ぎていきます。

そして、ドライバー、配車担当者、顧客の誰もがストレスを感じ、不満を抱えることになります。

モビリティ業界や物流業界では、単に A 地点から B 地点に移動できるだけでは不十分です。商品と人の移動が絡み合う複雑なジャーニーを効率的に管理するには、信頼できる移動情報と正確な位置データが欠かせません。ドライバーには、集荷場所や目的地に関するピンポイントの情報が必要です。配車担当者には、車両全体を滞りなく稼働させるため、道路状況に関するリアルタイムの情報が必要です。こうした情報を確実に提供するには、道路名を表示するだけにとどまらない地図が求められます。

Google Maps Platform を使用すれば、各ドライバーの車両タイプに合わせて最適なルートを設定し、渋滞や悪天候などの道路状況の変化にもリアルタイムで対応できるため、車両全体の効率的な運用を維持できます。さらに、地域密着型の新しいハイパーローカルインテリジェンスにより、ドライバーを毎回確実に目的地へ導くことができます。

荷物の搬入口まで、正しい住所を正確に把握

Google Maps Platform の Autocomplete と Address Validation は、いずれも Places API の一部であり、住所入力時のエラーを防ぎ、住所が実在するかどうかを確認します。しかし、住所そのものが正しくても、ドライバーが駐車場所や見つけにくい裏口を探さなければならない場合、最後の数メートルで集荷や配達がうまくいかないことがあります。Geocoding API で利用できる目的地の詳細情報を活用すれば、ドライバーが正しい住所に到着した後も、各配送を効率的に完了できるよう支援できます。

Geocoding API の目的地の詳細情報を使用すると、デベロッパーは、建物の入口、施設の敷地、駐車場、ナビゲーションの目印、さらには個々のテナント区画や住戸まで、正確なハイパーローカルデータをあらゆるアプリに組み込むことができます。また、AI が生成する到着時の概要を含めることもできます。この概要には、アクセスポイントのストリートビューに基づいた進行方向の手がかりや、駐車可能な場所に関する情報が含まれます。Navigation SDK を使用すれば、希望する降車場所や配達場所を正確に指定できるため、ドライバーが目的地に近づいた際に、こうした情報が地図上でわかりやすくハイライト表示されます。

この「ラストワンマイル」データにより、混雑した都市部や大規模な商業施設でも、ドライバーを最終的な集荷地点や配達地点まで案内できます。その結果、配送にかかる時間と燃料をより効率的に使用でき、配送完了率の向上にもつながります。世界各地のデータを確認するには、新しい Geocoding API Destinations デモをご覧ください。

最適化されたナビゲーションと信頼性の高いルート追跡でドライバーを目的地まで確実に案内

交差点での指示、信号や様式に応じた適切な誘導は、Navigation SDK を使用してアプリに追加できる機能として、長年提供されてきました。Navigation SDK により、ドライバーは、ブランドに合わせてカスタマイズできる使い慣れたインターフェースで信頼性の高いターンバイターンナビゲーションを利用できます。

Route Optimization API は、フリート内で利用可能な車両数や車両の積載量といった制約に加え、道路の種類や交通状況など、ナビゲーション上の考慮事項を分析します。そのうえで、複数の配送先を回る配送に適した、効率的で費用対効果の高いルートを作成します。車両を滞りなく走行させるため、Navigation SDK では、ルート上で発生するリアルタイムの障害や遅延要因を地図上に視覚的に表示できます。

また、Fleet Engine は、輸送管理プラットフォームと統合できるバックエンドサービスで、リアルタイムナビゲーションとリアルタイムの可視性をつなぎます。移動データをアプリにフィードバックすることで、車両の割り当てを管理し、個々のドライバーの移動を追跡し、顧客に配送状況の更新情報や到着予定時刻（ETA）を提供できます。

Google Maps Platform を使用すると、住所入力から玄関先への配送まで、複雑な移動のライフサイクル全体を支えることができます。新しいハイパーローカルな配送データとリアルタイムルーティングにより、ドライバーと配車担当者はより確信を持って業務を進められます。また、フリート運用の時間効率とコスト効率を高め、すべての配送を時間どおりに完了させ、顧客満足度の向上につなげることができます。

ラストワンマイルのさらなる最適化を今すぐ始められます

Geocoding API の目的地の詳細情報について詳しく確認するか、既存の地図に地域密着型の場所情報や目的地のハイライト表示を追加してみましょう。人や物を正しい目的地にスムーズに届けるために必要なナビゲーションツールを今すぐ導入できます。

- Google Maps Platform 担当シニアプロダクトマネージャー、Nick DeMeuse
- Google Maps Platform 担当グロースマーケティングリード、Tutku Gulkaya Toksoz

Roads Management Insights を拡張し、公共セクターと民間セクター向けの新機能を導入

Thu, 28 May 2026 01:05:00 +0000

※この投稿は米国時間 2026 年 4 月 22 日に、Google Maps Platform blog に投稿されたものの抄訳です。

Google Maps Platform は昨年、公共セクターの道路管理者が都市インフラを最適化するために必要となる詳細なネットワークインテリジェンスを利用できるように、Roads Management Insights（RMI）をリリースしました。このたび、Cloud Next において、安全性、効率性、信頼性という使命をさらに一歩推し進めました。Google Earth AI の一部として、既存のユーザー向けに強力な新しい RMI 機能のスイートを提供し、民間セクターにプロダクトを公開します。これにより、道路を維持管理する機関と、道路を走行する商用車フリートを結び付けることが可能となります。

強力な新しいデータセットの導入

今回の拡張の一環として、2 つの強力な新しいデータレイヤが RMI ポートフォリオに追加されます。これらは、今後数週間以内にプレビュー版として提供予定です。

障害情報

交通停滞の根本原因を把握するのに役立つ、道路障害に関するタイムリーな情報です。

初期シグナルの検知: 衝突事故、路上落下物、故障車など、ネットワーク全体に影響が及ぶ前に、潜在的な障害に関する初期シグナルを取得します。

インフラ状況の把握: 通行止めをリアルタイムで特定し、正確な運用状況を維持します。

車両数

交通量を把握して、エビデンスに基づいたインフラ投資、安全性の向上、渋滞管理を推進します。

インフラ整備事業の評価: 車両数により、新しい道路や橋、大規模修繕プロジェクトの必要性と影響を評価するために必要となる正確な交通量予測を提供します。
予算決定の正当化: 推測ではなく客観的な交通量データを使用してインフラ計画の指針とし、助成金申請の優先順位を付け、設備投資を正当化します。
的を絞った安全性の向上: 交通量と過去の事故データを関連付けて真の危険地帯を特定し、最も効果の高い安全対策を優先的に実施します。

ロードサービス事業者のためのコンテキストインテリジェンス

ロードサービス事業者にとって、高速道路の路肩は世界で最も危険な場所の一つです。RMI の新機能により、配車担当者は安全性を考慮した配車を行えるようになります。配車センターのオペレーターは、リアルタイムの障害を分析することで、危険性が高い場所と二次事故の発生が懸念される場所を即座に特定し、レッカー車が危険を回避して安全に移動できるよう手動でルートを設定できます。

RMI を使ってみる

Google の比類のない物理世界に関する理解とお客様独自のデータを組み合わせることで、道路ネットワークの安全性と効率性を向上させ、迅速かつスケーラブルなデプロイを実現できます。

Roads Management Insights のデモ（デモ画面へ）

Roads Management Insights の詳細については、こちらからお申し込みください。また、これらの新機能が業務をどのように変革できるかについては、ウェブサイトをご覧ください。

- Google Maps Platform、プロダクトマネージャー、Justyna Swiatkowska

- Google Maps Platform、プロダクトマーケティングマネージャー、Dan Meyer

静的な地図から地理空間 AI へ: Population Dynamics Insights を発表

Thu, 28 May 2026 01:00:00 +0000

※この投稿は米国時間 2026 年 4 月 22 日に、Google Maps Platform blog に投稿されたものの抄訳です。

このたび Cloud Next において、Google は Google Earth AI のデータセットである Population Dynamics Insights（PDI）のプレビュー版を発表しました。PDI は Google Maps Platform を通じて利用することができます。Google Research の Population Dynamics Foundation Model（PDFM）を基づいている PDI は、人間の行動と物理世界の複雑な関係を組織が読み解けるように設計された画期的な地理空間エンベディングデータセットです。Google 検索と Google マップから得られる集約された傾向を、世界中の地点に対応する情報量豊かな 330 次元エンベディングへと凝縮することで、手動による特徴量エンジニアリングを必要としない空間機械学習の新たな時代を切り拓きます。

特徴量エンジニアリングが不要: ML 対応エンベディングの力

Population Dynamics Insights は、世界を理解する方法に根本的な変化をもたらします。データチームは、静的な地図や 10 年前の国勢調査データに頼るのではなく、高次元の地理空間モデルを活用できるようになります。分析にすぐ使用できるエンベディングを BigQuery に直接提供することで、データラングリングに伴う負担を取り除きます。

PDI エンベディングは毎月更新され、Google 検索のトレンド、Google マップの混雑する時間帯、スポット、大気質や天気などの環境条件を含む、数百万件の集約シグナルを簡潔なベクトルへと凝縮します。これらのエンベディングは、S2 セルレベル 12 の粒度（約 3 km²～6 km²）でインデックス化され、標準化された高解像度のグリッドを提供します。このグリッドにより、グローバル規模の分析に必要な計算効率を維持しながら、地域ごとの細かなニュアンスを捉えることができます。

PDI は、既存の ML モデルトレーニングにそのまま追加して使用できるデータセットとして設計されています。そのため、手動による特徴量エンジニアリングを一切行わなくても、ML モデルに人間の行動や環境に関する深いコンテキストを即座に取り込むことができます。複雑な AI 処理とデータ集約は Google が担うため、データチームは最小限のアーキテクチャ変更だけで、標準化された ML 対応の特徴量レイヤをすばやく導入できます。

PDI で空間モデルをさらに強化

PDI は、汎用的な地理空間エンベディングレイヤを提供することで、盲点、古い国勢調査データ、地理的なデータギャップを克服できるよう ML チームを支援します。主な用途は次のとおりです。

サイト選定のための類似性モデリング: 最も成功している既存拠点と環境属性や行動属性が似ている「姉妹」地域を見つけることで、サイト選定を最適化できます。
コールドスタートの地理分析: グラウンドトゥルースデータがない新しい地域に既知の成果を投影できます。グローバルに比較可能なエンベディングを活用することで、ML チームは米国のようにデータが豊富な市場でモデルをトレーニングし、インドやブラジルのような新しい地域にデプロイする際にも、十分な予測力を維持できます。
コンテキスト補間: 周囲の環境コンテキストや行動コンテキストを使用して、サンプリングされていない地域の欠損値を予測し、既存データに存在する盲点をシームレスに補完できます。
超解像: 低解像度のデータセットから高解像度のデータを生成し、広域の地域トレンドから詳細なインサイトまで掘り下げることで、精度の高い地域ターゲティングを実現できます。たとえば、オーストラリアの医療機関は PDI を使用して、コミュニティレベルでは見えにくい盲点を特定し、ケアが特に必要とされる遠隔地で命を守るためのスクリーニングを優先的に実施しています。
高精度予測: 時系列モデルを静的な空間条件に基づかせ、環境特性や人間の行動特性を過去の成功と関連付けることで、製品需要や市場の変化を予測できます。

すぐに使える実証済みのパフォーマンス

PDI は、場所に関するコンテキストを提供するだけではありません。さまざまなダウンストリーム ML タスクにおいて、測定可能な精度向上を実現します。研究や技術評価を通じて、幅広い分野でその効果が実証されています。

グローバルヘルス: PDI は、複数の公衆衛生イニシアチブで価値を実証しています。たとえば、Mount Sinai の研究者と、Boston Children’s Hospital および Harvard の研究者は、PDI を活用して郡レベルのワクチン接種データを超解像し、集約されたデータから、より粒度の高い近隣レベルのインサイトを得る取り組みを進めました。その結果、従来のサーベイランスでは見えにくかったワクチン接種率の低い地域の隠れたクラスタを特定することに成功しました。これらのクラスタは、実際に麻疹の流行が発生していた地域と直接重なっており、さらに広い観点では、公衆衛生上のニーズを予測し、先回りして対応できる可能性を示しています。
業界をリードするグローバルパフォーマンス: PDI は、米国における 29 種類のターゲット変数で最先端の精度を達成し、従来の人口統計ベースのアプローチや業界標準の衛星モデルを上回りました。さらに、世界 17 か国でも同等のパフォーマンスを示しており、国境を越えて適用した場合でも、重要な社会経済指標や公衆衛生上の成果に関する予測精度を向上させています。

Public Storage による PDI の活用事例

Public Storage は、Google Earth AI の Population Dynamics Insights を活用し、市場動向の変化をモデル化し、それに対応する方法を進化させています。

Public Storage のデータサイエンス戦略の一環として、私たちは Google チームと直接連携する機会を得ました。Population Dynamics Insights は、行動、位置情報、環境に関する大規模な集約データを提供します。Public Storage では、これを独自のセルフストレージデータとモデルに統合し、複雑な実世界のデータを実用的な分析情報へと変換しています。これにより、より高い確信と精度に基づいて投資判断を行えるようになりました。 Philip Kim 氏
Public Storage、最高データ分析責任者

使ってみる

PDI は現在 17 か国で利用できます。今後も世界各地に継続的に拡大していくロードマップにより、国境を越えた空間インテリジェンスのための統合基盤を提供します。

Google は、PDI が小売、物流、金融サービス、医療、グローバルヘルス、公共部門に携わるデータサイエンティスト、ビジネスの意思決定者、AI / ML エンジニアにもたらす可能性に期待しています。

PDI が組織のより大きな全体像を把握するうえでどのように役立つのか、ぜひご確認ください。アクセスをお申し込みのうえ、詳細についてはウェブサイトをご覧ください。

- Google Maps Platform 担当グループプロダクトマネージャー、Erika Yamasaki
- Google Research 担当プロダクトマネージャー、Alex Ottenwess

現実世界の画像と AI を活用して構築する 3 つの新しい方法

Wed, 27 May 2026 01:05:00 +0000

※この投稿は米国時間 2026 年 4 月 22 日に、Google Maps Platform blog に投稿されたものの抄訳です。

インフラ計画から自然災害の評価まで、企業や都市計画担当者は現実世界を把握するために Google のマッピングツールを活用しています。このたび Cloud Next において、Google は画像関連プロダクトに関する 3 つの AI アップデートを発表しました。これには新しい Google Earth AI ツールも含まれており、組織が情報をこれまで以上に迅速に可視化し、分析できるよう支援します。

ストリートビューに基づいた生成メディアを作成

生成 AI は、クリエイティブエージェンシー、映画スタジオ、高級ブランドがソーシャルキャンペーンや広告キャンペーンを実現するための強力な手段をもたらしました。Google は今回、Maps Imagery Grounding により、想像力豊かなシーンを現実世界に根ざした形で表現できるよう支援します。米国内の場所を対象に限定公開プレビュー版として提供されるこの新しいツールを使用すると、Google ストリートビューの実際の情報に基づいた魅力的な AI ビジュアルを生成できます。

たとえば、映画のシーンに最適な撮影場所を見つけるには、複雑なロジスティクスの調整、初期段階のロケハン、天候を待つこと、何百枚もの参考写真の撮影などが必要になる場合があります。Maps Imagery Grounding を使用すれば、映画スタジオは、ロケハン担当者が現地に足を運ばずとも、ニューヨーク市のワシントンスクエアパークのような特定の場所を舞台にしたシーンをノートパソコン上ですばやく可視化できます。使い方は簡単です。Gemini Enterprise Agent Platform に「ワシントンスクエアアーチの前に浮かぶ未来的な宇宙船の画像を生成して」といったプロンプトを入力し、設定で Google Maps Imagery によるグラウンディングを有効にするだけです。数秒で、クリエイティブな構想を正確な画像としてストーリーボード化できます。さらに、Veo を使用することで、そのシーンをアニメーション化することもできます。

現在、世界大手の広告会社である WPP は、ストリートビューの現実世界の情報に基づいた、クライアント向けの没入感ある広告制作を例にして、Maps Imagery Grounding の機能をテストしています。

Maps Imagery Grounding を使用すると、映画スタジオは、ニューヨーク市のワシントンスクエアアーチのような現実世界の場所を舞台にした映画のシーンを瞬時に可視化できます（説明を目的とした出力結果の例です。結果は状況によって異なる場合があります）。- アニメーションを見る

航空写真や衛星画像から新たなインサイトを引き出す

また、上空から世界を分析する作業も、より簡単になります。現在、データアナリストや都市計画担当者は、地形や都市の変化を把握するために、何千枚もの衛星画像を手作業で確認しています。この課題により簡単に対応できるよう、Google は今後数週間以内に、地理空間モデルとデータセットのコレクションである Google Earth AI に、新しい Aerial and Satellite Insights を追加する予定です。

これにより、ユーザーは Google Cloud の BigQuery でこうした画像を自動的に分析できるようになり、これまで手作業での画像確認に数週間かかっていた作業をわずか数分に短縮できます。たとえば都市では、このデータセットを活用して、住宅地内で進行中の建設現場の場所を把握できます。これにより、計画担当者は、新しい道路や電力線に必要なリソースを正確に割り当てられるようになります。

Aerial and Satellite Insights を使用すると、新しい建設現場など、画像から有用な情報をすばやく抽出できます。

Earth AI で画像インサイトをより迅速に取得

新しいデータセットに加えて、Google Cloud の Model Garden で試験運用版として提供される 2 つの新しい Earth AI Imagery モデルも導入しました。これらのモデルは、橋、道路、送電線など、画像内の特定のオブジェクトを識別できるようにトレーニングされています。これにより、企業は自社プロダクトを開発する際に、AI をゼロからトレーニングしてビルドするために何か月も費やす必要がありません。

たとえば、大規模な暴風雨の発生後、復旧チームは地域社会の再建を支援するため、被害状況を明確に把握する必要があります。空間インテリジェンスの大手企業である Vantor は、自社の Sentry アプリでこれらのモデルを使用し、未加工の衛星画像を実用的な知見へと変換しています。これにより、組織は寸断された道路をすばやく特定し、がれきを撤去し、長期的な修復作業の優先順位を判断できるようになります。

Vantor の Sentry アプリケーションは、Earth AI Imagery モデルを使用して、未加工の画像を実用的なインサイトへと変換します。たとえば、損傷したインフラが写っている場面などを特定できます。- アニメーションを見る

これらの AI 関連のアップデートにより、企業、データアナリスト、都市計画担当者にとって、まったく新しい可能性が広がります。クリエイティブコンセプトの可視化、新たな開発計画の策定、災害対応の管理など、Google の新しい画像ツールは、よりスマートで迅速な作業を支援します。

地理空間分析プロダクトの早期アクセスに登録し、Maps Imagery Grounding の限定公開プレビュー版へのアクセスをお申し込みください。

- Google Maps Platform および Google Earth 担当バイスプレジデント兼ゼネラルマネージャー、Yael Maguire

エージェントエクスペリエンスの新時代へ

Wed, 27 May 2026 01:00:00 +0000

※この投稿は米国時間 2026 年 4 月 22 日に、Google Maps Platform blog に投稿されたものの抄訳です。

今回の Cloud Next で、差別化された AI エクスペリエンスの構築に役立つ新機能と拡張機能を発表いたしました。単純なチャットを超えるために、AI エージェントには 2 つの基礎的なレイヤが求められています。推論を実世界に固定するグラウンディングの「真実のレイヤ」と、直感的でインタラクティブなエクスペリエンスを通じて情報を伝えるビジュアルインターフェースです。

Google の新しいポートフォリオは、このための地理空間インテリジェンスレイヤを提供します。まず、グラウンディングの基盤を拡大し、AI を事実データと空間推論に固定します。さらに、エージェントが複雑な AI テキストをインタラクティブな地図や場所固有の画像に変換するのを支援する可視化ツールを導入します。

Maps Grounding Lite: 一般提供を開始

Maps Grounding Lite は、Model Context Protocol（MCP）を介して Google マップの機能を LLM に組み込む、ポータブルで強力な方法です。

このインテグレーションは迅速なプロトタイピングを目的として設計されており、3 億件以上の場所に関する Google マップの信頼できるデータを使って AI エージェントを即座にグラウンディングできます。モデルを Google マップの最新の事実情報に接続することで、場所の情報、天気予報、距離や移動時間などの経路に関する基本情報など、役立つ位置情報を提供する会話型エクスペリエンスを構築できます。

たとえば、不動産のスタートアップは Grounding Lite を使用して、「この家の近くにある、子供連れでも入りやすいレストランや公園は？」「この物件から市街地までの通勤はどのような経路になる？」といったユーザーの質問に、AI アシスタントがチャットインターフェース内で直接回答できるようにすることができます。Grounding Lite の主なメリットは次のとおりです。

LLM との柔軟な相互運用性: 標準化された MCP インテグレーションを使用して、AI エージェントの試作やデプロイを迅速に行います。
事実と最新情報に基づいた回答: モデルの回答をリアルタイムの実世界データにグラウンディングすることで、ハルシネーションや古い参照を回避します。
スムーズなスケーラビリティ: Google マップのインテリジェンスを、お好みの AI プロトタイプやエージェントにスムーズかつ低コストで組み込むことができます。オプションを比較して、ニーズに合った適切な地図グラウンディングソリューションを見つけましょう。
シームレスなオンボーディング: Grounding Lite のマップデモキーサポートにより、エージェントワークフローを加速できます。クレジットカードなしで、すぐに構築を開始できます。

MCP を介した Maps Grounding Lite との会話機能

Google マップによるグラウンディング: ルートと経路を最適化

昨年 9 月にリリースされた Google マップによるグラウンディングがさらに強化され、位置データだけでなく、ルーティング機能も限定公開プレビューで利用できるようになりました。これにより、AI エージェントはリアルタイムの移動時間を推定し、場所間の複雑な空間関係について推論できます。Google マップのルート検索エンジンで回答をグラウンディングすることで、現在の道路状況を考慮し、効率を重視した経路と「リアルタイム」の移動時間を提供できます。これらの機能は、Gemini Enterprise Agent Platform、Gemini API 、Google AI Studio で利用できます。

これらの機能は、旅行者がホテルに向かう途中で夕食の場所を見つけたり、不動産業者が複数の物件を案内するルートを考えたり、ドライバーが給油のために最短の迂回路を決めたりする際のサポートとして利用でき、さまざまな業界でスムーズなプラン立てが可能になります。グラウンディングにより、モデルはこれらのプロンプトにインテリジェントに回答できるため、ユーザーが Google マップに期待する正確性と最新の情報を提供できます。これらの新しいルート探索機能の主なメリットは次のとおりです。

マルチモーダルルーティング: 車、徒歩、自転車、公共交通機関、原動機付自転車での移動の計算をサポートします。
経由地点: 出発地と目的地の間に最大 13 か所の経由地点を設定した旅行を計画できます。
リアルタイム交通情報: グラウンディングされた回答では、リアルタイム交通情報が考慮され、静的な平均ではなく最新の所要時間が提供されます。
経路沿いを検索（SAR）: エージェントが特定の経路をナビゲートしながら、「通勤途中のガソリンスタンドを探す」といった関心のある地点を特定し、推奨できるようにします。

Agent Platform での Google マップによるグラウンディングとコンテキスト可視化によるルートおよびルート沿いの検索（SAR）

世界のイノベーターからの信頼: グラウンディングの事例

Google マップによるグラウンディングは、複雑な現実世界における推論の課題を解決するために、さまざまな業界で採用されています。パートナー様がこれらの新機能を活用して AI エージェントをローカルエキスパートに変えている事例をいくつかご紹介します。

不動産: Realtor.com は、不動産の購入者が引越し前にその地域の雰囲気を体験できる会話型ツール RealAssist™ を提供しています。ユーザーは、地域の施設や時間帯ごとの通勤時間を分析することで、その家が自身のライフスタイルに合っているかを判断できます。

Google マップによるグラウンディングを RealAssist に統合することで、地理空間のコンテキストを会話の流れに直接組み込みました。これにより、ユーザーは掲載情報を見るだけでなく、その物件が自分の地理的生活圏にどのようにフィットするかを正確に把握できます。- Realtor.com、プロダクトおよび AI イノベーション担当シニアバイスプレジデント、Dave Herman 氏 Dave Herman 氏
Realtor.com、プロダクトおよび AI イノベーション担当シニアバイスプレジデント

旅行とホスピタリティ: TUI は、Google マップによるグラウンディングを使用して、静的な旅行プランをシームレスでパーソナライズされたエクスペリエンスに変えています。AI アシスタントは、リアルタイムの地域情報とおすすめ情報を集約し、お客様が休暇中に何をするかを直感的に探せるようにします。

TUI のツアーでは、数日ごとに新しい目的地に移動し、それぞれの場所で探索する時間を設けています。Google マップによるグラウンディングを使用することで、当社の AI アシスタントがその時間をパーソナライズされたリアルタイムのおすすめに変換し、静的な旅行プランをシームレスなエクスペリエンスに変えます。」- TUI Tours、MD Expansion Business、Mircea Tudose 氏 Mircea Tudose 氏
TUI ツアー、MD Expansion Business

大規模イベントの管理: Neurun は、FIFA ワールドカップ 26™ ニューヨーク / ニュージャージー開催委員会やボストンアスレチックアソシエーションなどの組織と協力して、大規模イベントのデジタルコンシェルジュを提供しています。AI を活用したエクスペリエンスは、大規模イベントについてグラウンディングされた信頼できる唯一の情報源を提供することで、参加者、観客、地元住民が市内全域で開催される複雑なイベントをスムーズに理解できるよう支援します。ボストンマラソンもぜひご覧ください。

マラソンコースであっても複数の都市で開催される世界的なスポーツイベントであっても、大規模イベントで状況の把握が難しいという点は同じです。人々は自身の疑問に対して現実世界のデータにグラウンディングされた的確な回答が得られると、その場所でのエクスペリエンスがまったく異なるものになるのです。 Neurun、創業者 / CEO、Cade Netscher 氏

エージェントエクスペリエンスの可視化: AI テキストをインタラクティブな地図に変換

Maps Agentic UI Toolkit は、AI エージェントに「視覚的な声」を与える専用の地理空間可視化インテリジェンスレイヤとして機能します。このエクスペリエンスを実現するために、Google は宣言型 A2UI コンポーネントと包括的なシステム指示セットをデベロッパーに提供しています。これにより AI は、ユーザーのクエリに空間的な回答（近くのコーヒーショップや徒歩ルートなど）が必要な場合を正確に認識する方法を学習し、その非構造化テキストをリアルタイムで動的かつインタラクティブな Google マップエクスペリエンスに自動的に変換します。専用のプレゼンテーションレイヤを提供するこのツールキットは、インタラクティブなインラインマップ、視覚的なルートパス、詳細なプレイスカードなどの豊富な視覚的コンテキストを提供することで、ユーザーが AI 環境を離れることなく検索して経路を決定できるようにします。

エージェント対応 UI: モジュール式のインタラクティブな構成要素（動的なルートプレビューやその他の視覚的なコンテキスト）をエージェントアプリケーションに直接組み込みます。これにより、「文字の壁」による認知負荷が解消され、ユーザーのエンゲージメントをアプリ内で維持できます。
ローコードオーケストレーション: 不安定なグルーコードの記述や確率的な AI のハルシネーションへの対処といった手間を回避できます。このツールキットには、エージェントが適切なタイミングで適切なマップをレンダリングできるようにするシステム指示が含まれています。
モデルに依存しない柔軟性: このツールキットは、地理空間データ専用のステートレスなプレゼンテーションレイヤとして機能し、Gemini モデルまたは任意の準拠 LLM からの出力をシームレスに変換します。

Maps Agentic UI Toolkit : チャットエクスペリエンス内でインタラクティブな構造化された場所データを直接利用できます。

マップ画像によるグラウンディング: 生成メディアを物理的な現実世界でグラウンディング

生成 AI が、想像力に富んだコンテンツだけでなく、現実世界の視覚的な真実に基づいたコンテンツを作成できるとしたらどうでしょうか。Google は、AI の創造性の限界を押し広げるべく、Maps Imagery Grounding を全世界で限定公開プレビュー版として提供するにあたって、まずはストリートビューの米国ロケーションから開始します。このイノベーションは、Google の生成画像モデルの力と Google マップの現実世界の画像データを組み合わせたものです。

Gemini 3.1 Flash で生成された超現実的なニューヨークの広告コンセプトを、Maps Imagery Grounding を使用して Veo でアニメーション化。（画像ははめ込み合成です。過程の一部は省略しています。説明を目的とした出力結果の例です。結果は状況によって異なる場合があります。）　- アニメーションを開く

Gemini Enterprise Agent Platform の Maps Imagery Grounding は、ストリートビューを使用して AI 生成コンテンツが現実世界の場所のコンテキストに固定するための、検証済みの基盤を提供します。クリーンなキャンバス上に忠実度の高い没入型のストーリーを作成し、実際の建築物や地理的コンテキストを反映しながら、独自の被写体をシームレスに挿入できます。ロケ地まで移動して撮影したり、複雑な視覚効果ワークフローを採用したりする必要はありません。Maps Imagery Grounding の主なメリットは次のとおりです。

独自のスケールと視点: 象徴的なランドマークから遠隔地まで、独自の視点を開拓し、物理的または物流的には撮影が不可能なカメラアングルを実現します。
クリーンなキャンバスでのイノベーション: まっさらなキャンバスにストーリーを構築できます。新しい被写体をシームレスに挿入して、ブランドのストーリーを伝えたり、商業施設の可能性を示したり、目的地の真の魅力を伝えたりできます。
大規模かつ迅速なクリエイティブの制作: 制作のタイムラインを数か月から数日に短縮します。現地での撮影にかかる費用や複雑さを避けて、忠実度が高く、位置情報が正確なアセットをプログラムによって生成できます。

使ってみる

エージェントとグラウンディングのプロダクトについて詳しくは、Google のウェブサイトをご覧ください。同様のエクスペリエンスを構築する方法については、Maps Day Planner Agent Codelab をご覧ください。

新しい限定公開プレビュー機能の使用にご関心をお持ちの場合は、以下をご活用ください。

Google マップによるグラウンディングのルートおよびルート沿い検索（SAR）機能へのアクセスを申請する
Maps Agentic UI Toolkit へのアクセスを申請する
Gemini Enterprise Agent Platform の Maps Imagery Grounding へのアクセスを申請する

編集部注： 2026 年 5 月 19 日現在、「Maps Agentic UI Toolkit」が「試験運用版」として広くご利用いただけるようになりました。この地理空間可視化インテリジェンスレイヤーは、AI エージェントに「視覚的な声」を与え、非構造化テキストをリアルタイムでインタラクティブな地図へと変換します。詳細なドキュメントをご確認いただき、さっそくビルドを開始してください。

さらに、「Google マップによるグランディング」が「Firebase AI Logic SDK」内で一般提供開始となりました。この統合により、モバイルおよび Web 開発者は、Android、iOS、Flutter、JavaScript、Unity にまたがって、AI 駆動型アプリケーションを実世界の地理空間データを関連づけることができるようになります。事実に基づいた、位置情報を認識する体験の構築方法については、発表の全文をご覧ください。

- Google Maps Platform 担当プロダクトマネージャー、Ju Tan
- Google Maps Platform 担当グループプロダクトマネージャー、Matt Moore

2,800 億枚の画像をインフラ管理の実用的な分析情報に変換: Street View Insights を一般提供

Tue, 12 May 2026 14:00:00 +0000

※この投稿は米国時間 2026 年 3 月 25 日に、Google Maps Platform blog に投稿されたものの抄訳です。

昨年、Google は Google Earth AI のイノベーションを活用した、AI によるインフラストラクチャ管理のための Imagery Insights という新しい画像データセットのカテゴリを発表しました。このたび、最初のデータセットである Street View Insights の一般提供を開始しました。この強力なデータセットには Google ストリートビューの膨大なリポジトリが活用されており、このリポジトリには 110 か国以上のインフラストラクチャを網羅する 2,800 億を超える 360° 画像および 3D 画像が含まれます。これにより、通信プロバイダ、電力会社、公共事業機関などの組織は、費用と時間がかかる現地調査を減らし、インフラストラクチャに関する実用的な分析情報を机上で直接取得できるようになります。Street View Insights は、アセット管理の自動化、事後対応型メンテナンスから事前対応型メンテナンスへの移行、コミュニティの安全性向上の支援を目的として構築されています。

Street View Insights を Gemini Enterprise Agent Platform（旧 Vertex AI）と組み合わせて使用すると、組織は電柱に取り付けられた特定の電力関連機器や通信機器（変圧器モデル、ワイヤレスアンテナ、その他の機器など）に関する分析情報の検出し、詳細情報を抽出できます。

Gemini Enterprise Agent Platform を使用すると、電柱に取り付けられた特定の電力関連機器に関する分析情報を検出して詳細情報を抽出できるようになる

費用の削減: 手作業から瞬時に得られる分析情報へ

Street View Insights を使用すると、アセットをリモートで大規模に調査、モニタリングできます。データは Google Cloud の BigQuery に直接接続して高度な空間分析ができるほか、Gemini Enterprise Agent Platformとのシームレスな統合が可能なため、組織は独自のモデルを導入したり、トレーニングしたりすることで、アセットの識別と状態のモニタリングができるようになります。この機能により、インフラストラクチャの評価に従来必要とされていた時間、費用、専門知識が大幅に削減されます。

さらに、組織は Agent Studio から自然言語のクエリを Gemini にプロンプト入力することで、以前よりもはるかに迅速に分析情報を抽出できます。最初の分析に数か月かかる手作業の代わりに、「この郵便番号のすべての電柱の状態を評価してください」といった簡単なクエリで、ストリートビューの画像から関連する詳細情報を瞬時に抽出できるため、インフラストラクチャの評価に必要な時間、費用、専門知識を大幅に削減できます。

Street View Insights の活用事例

通信事業者や電力会社向けの AI 搭載地理空間ネットワーク管理ソフトウェアのプロバイダである IQGeo は、Street View Insights を使用して、顧客である通信事業者や電力会社のネットワークアセットの在庫管理と分析を行っています。

検出されたすべての電柱を地図上に表示するサンプルアプリGemini Enterprise Agent Platform を使用すると、電柱に取り付けられた特定の電力関連機器に関する分析情報を検出して詳細情報を抽出できるようになる

IQGeo は、Street View Insights を活用することで、通信業界と電力会社のお客様に素晴らしいビジネスチャンスを新たにもたらしています。当社がネットワークアセットの AI による視覚的な自動調査分析を数秒で提供することで、お客様は現場の運用効率とネットワークデータ品質を大幅に向上させながら、収益性の高い新たな収益源を創出されているからです。 Augustin Marty 氏
IQGeo、AI ソリューション担当上級バイスプレジデント

使ってみる

Street View Insights の活用にご興味のある方は、まずはこちらよりお問い合わせください。Street View Insights の技術的な機能について詳しくは、ドキュメントページまたはデモをご覧ください。また、開発をすぐに始めたい場合は、コードの例を GitHub リポジトリでご確認いただけます。皆様の組織が、Street View Insights を活用して業務の効率化、ワークフローの改善、よりスマートな意思決定を実現されることを楽しみにしています。

- Google Maps Platform 担当シニアプロダクトマネージャー、Andre Kelly
- Google Maps Platform 担当プロダクトマーケティングマネージャー、Dan Meyer

Google Maps Platform

Statiq: Places UI キットでユーザー エクスペリエンスを改善し、EV アプリの使用を促進

インフラストラクチャからインテリジェンスへ

周辺施設情報で利用率とエンゲージメントが向上

新しいルート検索機能: Gemini Enterprise Agent Platform の Google マップによるグラウンディング

現実世界の複雑な推論の課題を解決

より迅速で正確なエージェント エクスペリエンスを構築

使ってみる

デザインの自律性を実現: Navigation SDK のレイアウト カスタマイズ フレームワークについて

ドライバーの認知負荷を軽減する

使ってみる

元データを空間インテリジェンスに変換

適切な場所とタイミングの把握

立地情報の重要性: Places Insights データセットを拡張

太陽光発電パネルの設置状況を把握

過去の大気質と花粉のデータを実践的なビジネス戦略に変換

ピーター パーカーの世界を体験: Sony Pictures の映画『スパイダーマン: ブランド・ニュー・デイ』の「スパイディ トラッカー」を構築

Google Maps Platform で開発されたスパイディ トラッカー

Google マップのストリートビューで宝探し

アクションの世界へ飛び込みましょう

Red Taxi: Google Maps Platform で地域密着型の配車サービスを拡大

最適なソリューションを見つける

大規模な成長

米国テキサス州オースティンの不動産価値を予測: BigQuery の Places Insights を使用した地理空間分析

グローバル データをローカルレベルで活用

主な調査結果: ユーザーの評価、ウェルネス、市場のマイナス要因

潜在力が高く、過小評価されている地域を見つける

きめ細かいレベルでスケーラブルなインテリジェンス

ポートフォリオの価値ギャップを明らかにする

ピクセルデータから物理的な分析情報を取得する: Gemini による地理空間画像の理解

1. コールド スタートの回避: 少数ショットのビジュアル検出

2. ネイティブな空間認識: 境界ボックスの抽出

3. コード実行による物理的および幾何学的推論

4. 自動画質分析とビジュアル トリアージ

今後の展望

リファレンス実装

Abertis: Roads Management Insights でレポート作成からプロアクティブなインフラストラクチャ管理へ

Google との連携でモビリティ インテリジェンスを拡大する

インサイトを活用して安全性とパフォーマンスを向上させる

Roads Management Insights の活用

インフラストラクチャ管理の未来を見据えて

Google I/O 2026 より: Google Maps Platform の最新情報

現実世界の推論を備えたエージェントを構築する

現実世界の推論を備えたエージェントを構築する

開発者との直接的な交流

没入感のある 3D エクスペリエンスと詳細な場所情報で地図を変革

ブランドの魅力を生き生きと伝える没入感のある UX

ユーザー ジャーニーのあらゆる段階で一貫したエクスペリエンスを提供

直感的でカスタマイズ可能な UI と、ユーザーが信頼できる詳細なデータ

最新機能はすぐに利用可能

新しいシェイプファイルと 3D モデルのインポート機能で Google Earth により多くのデータを取り込む

シェイプファイルと 3D モデルが Google Earth に登場

現実世界のキャンバスにデータを表示

シェイプファイルを追加して全体像を把握

現実世界のコンテキストで 3D モデルを活用

高度プロファイルを可視化

新しい Google Earth Discord チャンネルで他のユーザーと交流

事後対応からレジリエンスへ: 高度な環境インテリジェンスで業界を支援

天気に関するインサイト

大気質と花粉に関するインサイト

新たな次元の理解を可能にする: Google の画像を使用した高度な地理空間 AI

Aerial and Satellite Insights で視野を広げる

最新の包括的な航空写真と衛星画像

Aerial and Satellite Models で分析を強化

太陽光発電データで再生可能エネルギーの導入を加速し、ネットワーク計画を最適化

Milken Institute による Solar Insights の活用事例

Street View Insights で地上レベルの精度を向上

ハイパーローカル データとリアルタイム ルーティングで移動効率と配送完了率を大幅に向上

すべての配送がビジネスを左右する

荷物の搬入口まで、正しい住所を正確に把握

最適化されたナビゲーションと信頼性の高いルート追跡でドライバーを目的地まで確実に案内

ラスト ワンマイルのさらなる最適化を今すぐ始められます

Roads Management Insights を拡張し、公共セクターと民間セクター向けの新機能を導入

ロードサービス事業者のためのコンテキスト インテリジェンス

RMI を使ってみる

静的な地図から地理空間 AI へ: Population Dynamics Insights を発表

特徴量エンジニアリングが不要: ML 対応エンベディングの力

PDI で空間モデルをさらに強化

すぐに使える実証済みのパフォーマンス

Public Storage による PDI の活用事例

Statiq: Places UI キットでユーザーエクスペリエンスを改善し、EV アプリの使用を促進

より迅速で正確なエージェントエクスペリエンスを構築

デザインの自律性を実現: Navigation SDK のレイアウトカスタマイズフレームワークについて

ピーターパーカーの世界を体験: Sony Pictures の映画『スパイダーマン: ブランド・ニュー・デイ』の「スパイディトラッカー」を構築

Google Maps Platform で開発されたスパイディトラッカー

グローバルデータをローカルレベルで活用

1. コールドスタートの回避: 少数ショットのビジュアル検出

4. 自動画質分析とビジュアルトリアージ

Google との連携でモビリティインテリジェンスを拡大する

ユーザージャーニーのあらゆる段階で一貫したエクスペリエンスを提供

ハイパーローカルデータとリアルタイムルーティングで移動効率と配送完了率を大幅に向上

ラストワンマイルのさらなる最適化を今すぐ始められます

ロードサービス事業者のためのコンテキストインテリジェンス

エージェントエクスペリエンスの新時代へ

エージェントエクスペリエンスの可視化: AI テキストをインタラクティブな地図に変換