<?xml version="1.0" encoding="utf-8"?>
<rss version="2.0" xmlns:atom="http://www.w3.org/2005/Atom" xmlns:content="http://purl.org/rss/1.0/modules/content/" xmlns:dc="http://purl.org/dc/elements/1.1/" xmlns:media="http://search.yahoo.com/mrss/"><channel><title>オープンソース</title><link>https://cloud.google.com/blog/ja/products/open-source/</link><description>オープンソース</description><atom:link href="https://cloudblog.withgoogle.com/blog/ja/products/open-source/rss/" rel="self"></atom:link><language>ja</language><lastBuildDate>Wed, 18 Nov 2026 07:52:27 +0000</lastBuildDate><image><url>https://cloud.google.com/blog/ja/products/open-source/static/blog/images/google.a51985becaa6.png</url><title>オープンソース</title><link>https://cloud.google.com/blog/ja/products/open-source/</link></image><item><title>llm-d 1.0 の発表: Google Cloud TPU と GPU でエージェント向けのオープンな分散推論を実現</title><link>https://cloud.google.com/blog/ja/topics/ai-infrastructure/llm-d-1-0-an-open-source-stack-for-distributed-inference/</link><description>&lt;div class="block-paragraph"&gt;&lt;p data-block-key="oaxf6"&gt;※この投稿は米国時間 2026 年 10 月 21 日に、Google Cloud blog に&lt;a href="https://cloud.google.com/blog/topics/ai-infrastructure/llm-d-1-0-an-open-source-stack-for-distributed-inference?e=48754805&amp;amp;hl=en"&gt;投稿&lt;/a&gt;されたものの抄訳です。&lt;/p&gt;&lt;p data-block-key="73vpe"&gt;このたび、PyTorch Conference で、分散 LLM 推論のためのオープンソースの Kubernetes ネイティブ スタックである llm-d 1.0 をリリースしました。Google が Red Hat、IBM などと共同で設立したこの Cloud Native Computing Foundation（CNCF）サンドボックス プロジェクトでは、25 以上の組織から 500 人以上のコントリビューターが参加するコミュニティと協力し、2 つの重要なコミュニティを統合しました。1 つは vLLM と SGLang がモデルを提供する PyTorch、もう 1 つは分散システムが本番環境で稼働し、スケールする Kubernetes です。&lt;/p&gt;&lt;p data-block-key="85cjo"&gt;llm-d 1.0 は、エージェントが推論の性質を変えつつあるタイミングで登場しました。1 年前、推論トラフィックのほとんどはチャットでした。1 つのプロンプトを入力すると、1 つのレスポンスが出力されるというものです。現在、ワークロードはマルチステップ エージェントや強化学習（RL）のロールアウトへと移行しています。これらは複数のツールに一斉展開し、長いプレフィックスを共有しながら、一時に集中してリクエストが流入するという特徴があります。これらを単一のマシン上や、一般的なラウンドロビン ロードバランサ配下でホスティングしても、すぐに限界を迎えます。レプリカが同じプロンプトを再計算し、アクセラレータ メモリが重複した状態でいっぱいになり、1 つのバースト的なエージェント ループがインタラクティブ ユーザーの処理を滞らせてしまう可能性があります。&lt;/p&gt;&lt;p data-block-key="dtojf"&gt;llm-d は、モデル サーバーのクラスタを連携されたサービング プールへと変えることで、自前でモデルを配信するチームのこうした課題を解決します。PyTorch Conference の基調講演では、&lt;a href="https://cloud.google.com/blog/ja/products/containers-kubernetes/bringing-you-agent-sandbox-on-gke-and-agent-substrate"&gt;GKE 上の Agent Substrate&lt;/a&gt; で 1,000 個のサンドボックス化されたエージェントが、vLLM、SGLang、Google Cloud TPU と GPU の混合フリートにわたって単一の llm-d エンドポイントにアクセスする様子を実演しました。以下の 3 つのステージでトラフィックがスケールするにつれて、キャッシュ対応ルーティングと階層型 KV キャッシュにより、各エージェントのステップがそのコンテキストを保持するレプリカに割り振られ続けました。また、フロー制御によってバースト的なエージェント ループがキューに格納され、インタラクティブなリクエストの高速性が維持されました。&lt;/p&gt;&lt;/div&gt;
&lt;div class="block-image_full_width"&gt;






  
    &lt;div class="article-module h-c-page"&gt;
      &lt;div class="h-c-grid"&gt;
  

    &lt;figure class="article-image--large
      
      
        h-c-grid__col
        h-c-grid__col--6 h-c-grid__col--offset-3
        
        
      "
      &gt;

      
      
        
        &lt;img
            src="https://storage.googleapis.com/gweb-cloudblog-publish/images/1_-_Figure_1_-_llm-d_1.0_distributed_infer.max-1000x1000.png"
        
          alt="1 - Figure 1 - llm-d 1.0 distributed inference architecture"&gt;
        
        &lt;/a&gt;
      
        &lt;figcaption class="article-image__caption "&gt;&lt;p data-block-key="6ltv7"&gt;図 1: llm-d 1.0 における分散推論の進化（ラウンドロビン ロード バランシングから、キャッシュ対応ルーティング、階層型 KV キャッシュ、優先度フロー制御へ）&lt;/p&gt;&lt;/figcaption&gt;
      
    &lt;/figure&gt;

  
      &lt;/div&gt;
    &lt;/div&gt;
  




&lt;/div&gt;
&lt;div class="block-paragraph"&gt;&lt;p data-block-key="bsbrq"&gt;&lt;b&gt;1.0 で提供される機能&lt;/b&gt;&lt;/p&gt;&lt;p data-block-key="bt7q1"&gt;llm-d はすでに、Google Cloud TPU と GPU 全体で、プレフィックスと負荷を考慮したルーティング、KV キャッシュのオフロード、プリフィル / デコードの分離、広範なエキスパート並列処理、バッチ推論を実現しています。これらの機能により、以下が実現します。&lt;/p&gt;&lt;ul&gt;&lt;li data-block-key="2eft3"&gt;&lt;b&gt;マルチテナントのサービス品質。&lt;/b&gt;llm-d フロー制御による優先度と公平性を考慮したルーティングにより、レイテンシの影響を受けやすいリクエストとバースト的なエージェント ワークロードがフリートを共有し、互いにリソースを枯渇させることなく SLO を満たすことができます。&lt;/li&gt;&lt;li data-block-key="cdl07"&gt;&lt;b&gt;安定した基盤。&lt;/b&gt;複数のクラウドやアクセラレータ タイプで検証済みの、v1 API と堅牢化されたリクエスト パスを提供します。&lt;/li&gt;&lt;li data-block-key="4g6tg"&gt;&lt;b&gt;より安全なアップグレード。&lt;/b&gt;ルーターの高可用性とゼロ ダウンタイム アップデートを実現。さらに、&lt;a href="https://llm-d.ai/docs/dev/architecture/model-server-orchestration/disaggregatedset" target="_blank"&gt;DisaggregatedSet&lt;/a&gt; が、コンテキストを損なったりアクティブなセッションを中断したりすることなく、プリフィル / デコード対応のローリング アップデートをオーケストレートします。&lt;/li&gt;&lt;li data-block-key="7k7dr"&gt;&lt;b&gt;エージェント対応のサービング。&lt;/b&gt;セッション対応のルーティング、ターン優先のスケジューリング、Responses API のネイティブ ステートにより、エージェントはターン間でコンテキストを再利用できます。&lt;/li&gt;&lt;li data-block-key="rjch"&gt;&lt;b&gt;TPU 統合の拡張&lt;/b&gt;。TorchTPU の協調型タイムスライスを活用したネイティブな PyTorch モデル サービングにより、Google Cloud TPU フリート全体のスループットと使用率を向上させます。&lt;/li&gt;&lt;/ul&gt;&lt;p data-block-key="7pgl4"&gt;コンポーネントは、独自のカスタム本番環境に組み込めるように設計されています。既存のエンジン、モデル、クラスタはそのまま維持し、必要なサービング コンポーネントと設定のみを採用できます。&lt;/p&gt;&lt;p data-block-key="djb5t"&gt;&lt;b&gt;llm-d の仕組み&lt;/b&gt;&lt;/p&gt;&lt;p data-block-key="7id4o"&gt;以下の分野において、Google のエンジニアは llm-d コミュニティと協力し、アップストリームの Kubernetes プリミティブ、PyTorch サービング エンジン、アクセラレータ対応のスケジューリングを統合してコンポーズ可能なスタックを構築しました。&lt;/p&gt;&lt;/div&gt;
&lt;div class="block-image_full_width"&gt;






  
    &lt;div class="article-module h-c-page"&gt;
      &lt;div class="h-c-grid"&gt;
  

    &lt;figure class="article-image--large
      
      
        h-c-grid__col
        h-c-grid__col--6 h-c-grid__col--offset-3
        
        
      "
      &gt;

      
      
        
        &lt;img
            src="https://storage.googleapis.com/gweb-cloudblog-publish/images/2_-_Figure_2_-_llm-d_1.0_and_TorchTPU_stac.max-1000x1000.png"
        
          alt="2 - Figure 2 - llm-d 1.0 and TorchTPU stack on GKE"&gt;
        
        &lt;/a&gt;
      
        &lt;figcaption class="article-image__caption "&gt;&lt;p data-block-key="qe4xp"&gt;図 2: Google Kubernetes Engine と Google TPU 上のマルチノード llm-d オーケストレーションとシングルノード TorchTPU モデルエンジン&lt;/p&gt;&lt;/figcaption&gt;
      
    &lt;/figure&gt;

  
      &lt;/div&gt;
    &lt;/div&gt;
  




&lt;/div&gt;
&lt;div class="block-paragraph_advanced"&gt;&lt;p&gt;&lt;strong style="vertical-align: baseline;"&gt;1 つのエンドポイント、多数のアクセラレータ&lt;/strong&gt;&lt;/p&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;エージェント フリートは 1 つのワークロードではありません。インタラクティブなターンには低レイテンシが、バックグラウンド ループと強化学習（RL）のロールアウトには高スループットが必要であり、需要は分単位で大きく変動します。llm-d は、アクセラレータ プールを単一のエンドポイント配下に集約し、1 つのルーター、1 つの KV キャッシュ インデックス、1 つのフロー制御ポリシーをフリート全体の前段に配置します。エージェントは単一の API を呼び出すだけで、ルーターが各ステップに最適なレプリカを選択し、すでにセッションのコンテキストを保持しているレプリカへと継続してルーティングします。容量の追加、アクセラレータ世代の混在、モデルの別のプールへの移動は、エージェントの書き換えではなく、プラットフォームの変更になります。&lt;/span&gt;&lt;a href="https://developers.googleblog.com/torchtpu-running-pytorch-natively-on-tpus-at-google-scale/" rel="noopener" target="_blank"&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;TorchTPU&lt;/span&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt; は、Google Cloud TPU をフリートに組み込み、モデルを書き換えることなく、アップストリームの vLLM や SGLang 内で PyTorch モデルをネイティブに実行します。詳細については、&lt;/span&gt;&lt;a href="https://llm-d.ai/docs/dev/infrastructure/providers/gke#tpu-configuration" rel="noopener" target="_blank"&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;Google Kubernetes Engine（GKE）TPU での llm-d ガイド&lt;/span&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt;をご覧ください。&lt;/span&gt;&lt;/p&gt;
&lt;p&gt;&lt;strong style="vertical-align: baseline;"&gt;コンテキストを記憶するルーティング&lt;/strong&gt;&lt;/p&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;llm-d ルーターは、Google がリリースした推論最適化ルーティング用の Kubernetes プロジェクトである Gateway API Inference を基盤としています。GKE では、&lt;/span&gt;&lt;a href="https://cloud.google.com/kubernetes-engine/docs/concepts/about-gke-inference-gateway#llm-d-router"&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;GKE Inference Gateway&lt;/span&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt; が llm-d ルーターをマネージド サービスとして実行するため、インストールと管理が簡素化され、&lt;/span&gt;&lt;a href="https://cloud.google.com/kubernetes-engine/docs/how-to/setup-multicluster-inference-gateway"&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;複数リージョンへのルーティングの拡張&lt;/span&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt;が可能になります。ルーターは、キャッシュに保存された各プレフィックスを保持するレプリカを追跡し、レプリカを選択する際に負荷と予測レイテンシを考慮します。アクセラレータ メモリがいっぱいになると、llm-d はそれを破棄するのではなく、vLLM の OffloadingConnector、Mooncake、または SGLang の HiCache を使用して、KV キャッシュをホストメモリに移動し、さらに SSD または Google Cloud Managed Lustre に移動します。この構成により、TPU と GPU が混在するフリート全体で、高負荷なマルチターン会話や長文コンテキストのワークロード下でも、プレフィックスの一斉破棄を防ぐことができます。&lt;/span&gt;&lt;/p&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;2026 年 10 月時点で、Ironwood TPU（TPU 7x）上のエージェント型コーディング ワークロードにおいて、プレフィックス対応ルーティングとホストメモリ オフロードにより、最初のトークンまでの時間（TTFT）の中央値が 85% 以上短縮され、総スループットがプレーンな Kubernetes Service と比較して 2.4 倍に向上しました（&lt;/span&gt;&lt;a href="https://github.com/llm-d/llm-d/blob/main/guides/models/qwen3-coder-480b/README.md" rel="noopener" target="_blank"&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;出典&lt;/span&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt;）。&lt;/span&gt;&lt;/p&gt;
&lt;p&gt;&lt;strong style="vertical-align: baseline;"&gt;安全にアップグレードできる分離&lt;/strong&gt;&lt;/p&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;プリフィルはコンピューティング負荷が高く、デコードはメモリ帯域に制約されるため、両方を同じレプリカで実行すると互いの処理を待つことになります。llm-d は、プリフィル、デコード、マルチモーダル エンコードを個別のプールとして実行し、広範なエキスパート並列処理によって大規模な Mixture-of-Experts モデルをノード全体に分散します。1.0 では、&lt;/span&gt;&lt;a href="https://llm-d.ai/docs/dev/architecture/model-server-orchestration/disaggregatedset" rel="noopener" target="_blank"&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;DisaggregatedSet&lt;/span&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt;（Google が立ち上げたマルチホスト推論用の Kubernetes API である LeaderWorkerSet を基盤として構築）が、これらのプールを 1 つのユニットとして管理します。ローリング アップデートでは、各フェーズが個別にスケールされる一方で、一致するバージョンでプリフィルとデコードがまとめて更新されます。詳しくは、&lt;/span&gt;&lt;a href="https://llm-d.ai/docs/well-lit-paths/foundations/pd-disaggregation" rel="noopener" target="_blank"&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;分離サービング ガイド&lt;/span&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt;をご覧ください。&lt;/span&gt;&lt;/p&gt;
&lt;p&gt;&lt;strong style="vertical-align: baseline;"&gt;リアルタイム推論と並行して実行される非同期推論&lt;/strong&gt;&lt;/p&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;レイテンシを許容できるトラフィック向けに、llm-d 1.0 では &lt;/span&gt;&lt;a href="https://github.com/llm-d/llm-d-async" rel="noopener" target="_blank"&gt;&lt;span style="vertical-align: baseline;"&gt; &lt;/span&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;llm-d-async-processor&lt;/span&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt; が導入されています。これは、Google Cloud Pub/Sub や Redis などのキューからリクエストを pull し、リアルタイム トラフィックと並行してルーティングします。プロセッサは、キューとプール ディスパッチ ゲートを使用して利用可能な容量を確認し、厳格な優先レーンと割り当てを適用します。これにより、バックグラウンド ジョブは、インタラクティブ ユーザーのリソースを枯渇させることなく、余裕のある容量で実行されます。&lt;/span&gt;&lt;/p&gt;
&lt;p&gt;&lt;strong style="vertical-align: baseline;"&gt;タイムスライスでアイドル状態の RL 容量を活用&lt;/strong&gt;&lt;/p&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;RL トレーニング中、ロールアウトの生成や重みの更新時に、アクセラレータが 40%～60% の時間アイドル状態になることがよくあります。llm-d は、&lt;/span&gt;&lt;a href="https://github.com/llm-d-incubation/llm-d-rl-time-slicing" rel="noopener" target="_blank"&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;Google Cloud TPU と GPU のタイムスライス&lt;/span&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt;をサポートするようになり、これらのアイドル サイクルに非同期推論をインターリーブすることで、アクセラレータの総デューティ サイクルをベースラインの約 40% から 70% 以上に引き上げます（&lt;/span&gt;&lt;a href="https://cloud.google.com/blog/products/containers-kubernetes/introducing-co-operative-time-slicing-for-rl-in-llm-d"&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;出典&lt;/span&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt;）。&lt;/span&gt;&lt;/p&gt;
&lt;p&gt;&lt;strong style="vertical-align: baseline;"&gt;信頼できるベンチマーク&lt;/strong&gt;&lt;/p&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;ルーター、KV キャッシュ階層、プリフィル / デコードプールにわたる分散推論スタックをチューニングするには、現実的なマルチターン負荷の下で繰り返し測定を行う必要があります。&lt;/span&gt;&lt;a href="https://prism.llm-d.ai/" rel="noopener" target="_blank"&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;Prism&lt;/span&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt; は、llm-d のオープンソース分析ダッシュボードです。標準化された &lt;/span&gt;&lt;a href="https://github.com/llm-d/llm-d-benchmark" rel="noopener" target="_blank"&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;llm-d-benchmark&lt;/span&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt; レシピと &lt;/span&gt;&lt;a href="https://github.com/kubernetes-sigs/inference-perf" rel="noopener" target="_blank"&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;inference-perf&lt;/span&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt; ワークロードに裏付けられた、llm-d の検証済み推奨構成全体で公開ベンチマークを探索できます。数値の背後にある正確な構成を調べたり、独自のクラスタから実行結果をアップロードして、スループット、レイテンシ、費用曲線を並べて比較したりできます。&lt;/span&gt;&lt;/p&gt;
&lt;h4&gt;&lt;strong style="vertical-align: baseline;"&gt;Google Cloud での llm-d 1.0 の実行&lt;/strong&gt;&lt;/h4&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;llm-d は、Gateway API、LeaderWorkerSet、Dynamic Resource Allocation、Prometheus、OpenTelemetry など、すでに運用している可能性のある Kubernetes コンポーネントを基盤としています。Google Cloud で llm-d を実行すると、これらの要素がマネージド インフラストラクチャと統合されます。&lt;/span&gt;&lt;/p&gt;
&lt;ul&gt;
&lt;li aria-level="1" style="list-style-type: disc; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;a href="https://cloud.google.com/kubernetes-engine/docs/concepts/about-gke-inference-gateway#llm-d-router"&gt;&lt;strong style="text-decoration: underline; vertical-align: baseline;"&gt;GKE Inference Gateway&lt;/strong&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt; は、Gateway モードで動作する llm-d ルーターです。L7 プロキシとロード バランシングを処理し、リクエストごとに llm-d エンドポイント ピッカーを呼び出すマネージド GKE Gateway で、インストールと管理を簡素化するため、プロキシを自分で実行する必要はありません。さらに重要なのは、GKE Inference Gateway を使用すると、グローバル フェイルオーバーと Model Armor の安全性チェックにより、&lt;/span&gt;&lt;a href="https://cloud.google.com/kubernetes-engine/docs/how-to/setup-multicluster-inference-gateway"&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;クラスタやリージョンをまたいで&lt;/span&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt; llm-d をスケールできることです。&lt;/span&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;li aria-level="1" style="list-style-type: disc; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;strong style="vertical-align: baseline;"&gt;推論シグナルに基づく自動スケーリング&lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt;。KEDA と HorizontalPodAutoscaler（HPA）は、キューの深さ、飽和度、予測レイテンシに基づいてプールをスケールし、Kueue は共有アクセラレータにモデルごとの割り当てを制御します。&lt;/span&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;li aria-level="1" style="list-style-type: disc; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;strong style="vertical-align: baseline;"&gt;混合アクセラレータ ノードプール&lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt;。Google Cloud TPU プールと GPU プールは、検証済みの Helm チャートによってデプロイされ、単一の llm-d エンドポイントの配下で動作します。&lt;/span&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;li aria-level="1" style="list-style-type: disc; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;strong style="vertical-align: baseline;"&gt;階層間での KV キャッシュ オフロード&lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt;。Google Cloud Managed Lustre は、ローカル TPU / GPU の HBM やホスト CPU RAM の下層に共有リモート階層を提供するため、アクセラレータ メモリを使い果たすことなく、長文コンテキストのワークロードを実行できます。&lt;/span&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;/ul&gt;
&lt;h4&gt;&lt;strong style="vertical-align: baseline;"&gt;本番環境&lt;/strong&gt;&lt;/h4&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;この GKE llm-d スタックは本番環境のトラフィックを処理し、フリート規模でテストされています。&lt;/span&gt;&lt;/p&gt;
&lt;ul&gt;
&lt;li aria-level="1" style="list-style-type: disc; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;span style="vertical-align: baseline;"&gt;Gemini プラットフォーム（旧称 Vertex AI）は、GKE Inference Gateway を通じて本番環境のトラフィックを処理し、プレフィックス キャッシュ ヒット率を 35% から 70% に倍増させ、コーディング エージェントの TTFT を 35% 以上短縮し、バースト性の高いチャット トラフィック下で P95 TTFT を 50% 以上短縮しています（&lt;/span&gt;&lt;a href="https://cloud.google.com/blog/products/containers-kubernetes/how-gke-inference-gateway-improved-latency-for-vertex-ai"&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;出典&lt;/span&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt;）。&lt;/span&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;li aria-level="1" style="list-style-type: disc; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;span style="vertical-align: baseline;"&gt;米国とヨーロッパで Mixture of Experts モデルを提供する 17,000 ノードのマルチリージョン GKE デプロイを対象に公開されたベンチマークでは、マルチクラスタ GKE Inference Gateway と llm-d ルーターが 3 つのクラスタ全体でスループットを 2.9 倍にスケールし、成功率は 99.9%、ルーティング オーバーヘッドは 1% 未満でした（&lt;/span&gt;&lt;a href="https://cloud.google.com/blog/products/containers-kubernetes/gpu-and-tpu-utilization-with-multi-cluster-gke-inference-gateway"&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;出典&lt;/span&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt;）。&lt;/span&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;li aria-level="1" style="list-style-type: disc; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;span style="vertical-align: baseline;"&gt;700 億パラメータのモデルをサービングする A3 Mega クラスタで公開されたベンチマークでは、ホスト CPU RAM に加えて Google Cloud Managed Lustre にマルチコネクタ KV キャッシュをオフロードする llm-d は、CPU RAM オフロードのみの場合と比較して、50k トークンのプロンプトに応答する TTFT が約 40% 向上し、エンドツーエンドのレイテンシが 30% 短縮され、GPU 時間の要件が 60% 近く削減されました（&lt;/span&gt;&lt;a href="https://cloud.google.com/blog/topics/developers-practitioners/scaling-llm-inference-multi-node-kv-cache-offloading-with-gke-managed-lustre"&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;出典&lt;/span&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt;）。&lt;/span&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;/ul&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;Google Cloud で llm-d を実行している組織は、これらの機能をさまざまな方法で活用しています。たとえば、キャッシュ ヒット率を向上させるためのプレフィックス対応ルーティング、既存のサービス メッシュに適合するオープン インターフェース、トラフィックの急増時に優先ティアのレイテンシを維持するためのフロー制御などです。&lt;/span&gt;&lt;/p&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;「Snap では、大規模で高性能な推論を実現するため、本番環境の AI インフラストラクチャに llm-d を統合しています。プレフィックス キャッシュ対応ルーティングを採用することで、&lt;/span&gt;&lt;strong style="font-style: italic; vertical-align: baseline;"&gt;最大 75～80%の接頭辞キャッシュ ヒット率を達成&lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt;しました。llm-d がオープンソースであることにより、Envoy ベースのサービス メッシュとシームレスに統合できる点を高く評価しています。」&lt;/span&gt;&lt;span style="font-style: italic; vertical-align: baseline;"&gt; - &lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt;Snap Inc.、ソフトウェア エンジニアリング担当シニア マネージャー、&lt;/span&gt;&lt;strong style="vertical-align: baseline;"&gt;Vinay Kola 氏&lt;/strong&gt;&lt;/p&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;「ZenteiQ では、llm-d を活用した GKE Inference Gateway を使用して、自社のソブリン科学基盤モデルにおける合成データ生成を加速させています。負荷対応ルーティングとプレフィックス キャッシュ対応ルーティングを活用することで、&lt;/span&gt;&lt;strong style="font-style: italic; vertical-align: baseline;"&gt;総推論スループットを 4 倍以上&lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt;に向上させ、1 日に生成されるトークン容量を &lt;/span&gt;&lt;strong style="font-style: italic; vertical-align: baseline;"&gt;TPU v6e アクセラレータ 1,000 個あたり 14 億 7,000 万トークンから 59 億 7,000 万トークン&lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt;に増加させました。GKE と統合された llm-d のオープンソース基盤により、カスタム推論スケジューラを開発、維持することなく、複数のモデル ファミリーを大規模に効率的に提供できます。」 - Zenteiq.ai、創設者、&lt;/span&gt;&lt;strong style="vertical-align: baseline;"&gt;Sashikumaar Ganesan 教授&lt;/strong&gt;&lt;/p&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;「インタラクティブ アプリケーションや大規模な API でフロンティア モデルを配信するには、急激なトラフィック スパイクに対応しつつ、バースト的なワークロードによって優先顧客のレイテンシが低下しないようにする必要があります。llm-d のプレフィックス キャッシュ対応ルーティング、フロー制御、分散サービングのサポートにより、&lt;/span&gt;&lt;strong style="font-style: italic; vertical-align: baseline;"&gt;商用ティア全体で厳格な優先度帯を適用&lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt;し、プールが飽和した際に優先度の低いリクエストを自動的に保留または破棄することで、&lt;/span&gt;&lt;strong style="font-style: italic; vertical-align: baseline;"&gt;有料のトラフィックがレイテンシ SLO を満たす&lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt;ようにできます。Mistral はオープンソース ソフトウェアを誇りを持って推進しており、今後も llm-d プロジェクトや DisaggregatedSet プロジェクトへ貢献を続けていきます。」 - Mistral、推論エンジニア / llm-d 貢献者、&lt;/span&gt;&lt;strong style="vertical-align: baseline;"&gt;Mathis Felardos 氏、Lucas Fernandes-Martins 氏、Nikhil Thomas 氏&lt;/strong&gt;&lt;/p&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;自前でモデルを運用するチームは、本番環境で必要となるキャッシュ対応ルーティング、トラフィック制御、アップグレード制御を備え、独自のインフラに合わせて柔軟にカスタマイズおよび適応できるオープンなスタックを求めていました。llm-d 1.0 は、これらの機能に加えて、ともに構築していけるコミュニティを提供します。&lt;/span&gt;&lt;/p&gt;
&lt;h4&gt;&lt;strong style="vertical-align: baseline;"&gt;使ってみる&lt;/strong&gt;&lt;/h4&gt;
&lt;ol&gt;
&lt;li aria-level="1" style="list-style-type: decimal; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;span style="vertical-align: baseline;"&gt;PyTorch Conference の Google Cloud ブースで、TPU を使用した llm-d のデモをぜひご覧ください。&lt;/span&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;li aria-level="1" style="list-style-type: decimal; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;span style="vertical-align: baseline;"&gt;検証済みの Helm チャートを使用して、GKE に llm-d 1.0 をデプロイしてみましょう。&lt;/span&gt;&lt;a href="https://llm-d.ai/docs/infrastructure/providers/gke" rel="noopener" target="_blank"&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;GKE での llm-d ドキュメント&lt;/span&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt;をご覧ください。&lt;/span&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;li aria-level="1" style="list-style-type: decimal; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;span style="vertical-align: baseline;"&gt;既存の vLLM デプロイの前段にプレフィックス対応ルーティングを導入することから始め、フロー制御、KV キャッシュの&lt;/span&gt;&lt;a href="https://llm-d.ai/docs/well-lit-paths/foundations/tiered-prefix-cache" rel="noopener" target="_blank"&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;オフロード&lt;/span&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt;（&lt;/span&gt;&lt;a href="https://github.com/llm-d/llm-d/tree/main/guides/tiered-prefix-cache/modelserver/gpu/sglang" rel="noopener" target="_blank"&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;SGlang&lt;/span&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt;、&lt;/span&gt;&lt;a href="https://github.com/llm-d/llm-d/tree/main/guides/tiered-prefix-cache/modelserver/gpu/vllm" rel="noopener" target="_blank"&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;vLLM&lt;/span&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt;）、分離を追加しましょう。&lt;/span&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;li aria-level="1" style="list-style-type: decimal; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;a href="https://prism.llm-d.ai/" rel="noopener" target="_blank"&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;Prism&lt;/span&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt; で結果を比較し、&lt;/span&gt;&lt;a href="https://github.com/llm-d/llm-d" rel="noopener" target="_blank"&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;GitHub&lt;/span&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt; で貢献しましょう。&lt;/span&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;/ol&gt;
&lt;p&gt;&lt;strong style="font-style: italic; vertical-align: baseline;"&gt;- &lt;/strong&gt;&lt;span style="font-style: italic; vertical-align: baseline;"&gt;AI およびコンピューティング インフラストラクチャ担当バイス プレジデント兼ゼネラル マネージャー、&lt;/span&gt;&lt;strong style="font-style: italic; vertical-align: baseline;"&gt;Mark Lohmeyer&lt;/strong&gt;&lt;/p&gt;
&lt;p&gt;&lt;strong style="font-style: italic; vertical-align: baseline;"&gt;- &lt;/strong&gt;&lt;span style="font-style: italic; vertical-align: baseline;"&gt;プロダクト マネージャー、&lt;/span&gt;&lt;strong style="font-style: italic; vertical-align: baseline;"&gt;Sean Horgan&lt;/strong&gt;&lt;/p&gt;&lt;/div&gt;</description><pubDate>Mon, 16 Nov 2026 17:00:00 +0000</pubDate><guid>https://cloud.google.com/blog/ja/topics/ai-infrastructure/llm-d-1-0-an-open-source-stack-for-distributed-inference/</guid><category>Containers &amp; Kubernetes</category><category>GKE</category><category>Open Source</category><category>AI infrastructure</category><og xmlns:og="http://ogp.me/ns#"><type>article</type><title>llm-d 1.0 の発表: Google Cloud TPU と GPU でエージェント向けのオープンな分散推論を実現</title><description></description><site_name>Google</site_name><url>https://cloud.google.com/blog/ja/topics/ai-infrastructure/llm-d-1-0-an-open-source-stack-for-distributed-inference/</url></og><author xmlns:author="http://www.w3.org/2005/Atom"><name>Mark Lohmeyer</name><title>VP &amp; GM, AI &amp; Computing Infrastructure</title><department></department><company></company></author><author xmlns:author="http://www.w3.org/2005/Atom"><name>Sean Horgan</name><title>Product Manager</title><department></department><company></company></author></item><item><title>TorchTPU がオープンソースに: TPU でネイティブ PyTorch を実行</title><link>https://cloud.google.com/blog/ja/topics/ai-infrastructure/torchtpu-is-now-open-source-run-native-pytorch-on-tpus/</link><description>&lt;div class="block-paragraph_advanced"&gt;&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;※この投稿は米国時間 2026 年 10 月 21 日に、Google Cloud blog に&lt;/span&gt;&lt;a href="https://cloud.google.com/blog/topics/ai-infrastructure/torchtpu-is-now-open-source-run-native-pytorch-on-tpus?e=48754805&amp;amp;hl=en"&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;投稿&lt;/span&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt;されたものの抄訳です。&lt;/span&gt;&lt;/p&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;今回、PyTorch Conference 2026 において、Google Cloud や独自のインフラストラクチャで PyTorch を効果的に実行できるように設計された、さまざまな新しいプロダクトとインテグレーションを発表しました。特に、Google TPU 向けのネイティブ PyTorch スタックである TorchTPU が、GitHub でオープンソースとして利用可能になりました。TorchTPU により、TPU は GPU や CPU と同様に PyTorch のネイティブ オプションとして利用できるようになります。vLLM、SGLang、llm-d、TorchTitan、Ray、TorchRec、Hugging Face、LiteRT など、すでに導入しているツールを使用して、TPU でモデルをトレーニング、サービング、デプロイできるようになりました。これにより、最終的には、TPU、GPU、CPU など、ワークロード向けに最適化された幅広いコンピューティング オプションの中から適切なものをお客様が選択できるようになり、ポートフォリオ全体で一貫したオープンなソフトウェアと運用モデルが提供されます。&lt;/span&gt;&lt;/p&gt;
&lt;h4&gt;&lt;strong style="vertical-align: baseline;"&gt;TPU で PyTorch コードをネイティブに実行&lt;/strong&gt;&lt;/h4&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;Meta の PyTorch チームと共同開発した&lt;/span&gt;&lt;a href="https://github.com/google-pytorch/torch_tpu" rel="noopener" target="_blank"&gt;&lt;span style="vertical-align: baseline;"&gt; &lt;/span&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;TorchTPU&lt;/span&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt; では、使い慣れた API を使用して、最小限のコード変更で既存の PyTorch ワークロードを TPU で実行できます。TorchTPU を使用すると、イーガーモードでモデルをデバッグしてから、torch.compile を介して本番環境レベルのパフォーマンスに移行し、TPU の使用率を最適化してメモリ オーバーヘッドを削減できます。TorchTPU では、標準の PyTorch API、高度な診断、ネイティブの分散プリミティブをすぐに利用できるため、導入初日から高いパフォーマンスと運用効率を実現できます。&lt;/span&gt;&lt;/p&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;「&lt;/span&gt;&lt;span style="font-style: italic; vertical-align: baseline;"&gt;Meta では、AI の最先端を切り開くために、膨大なコンピューティング規模と多様なハードウェアを必要としています&lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt;。単一のハードウェア アーキテクチャに縛られるわけにはいきません。TorchTPU は大きな前進です。コア ML システムチームと柔軟にハードウェアを共同開発しながら、重要な本番環境ユースケースで主要な LLM、広告、レコメンデーション システムのワークロードをサポートできます。また、PyTorch ワークロードを Google TPU にデプロイし、エンジニアリング チームに直接フィードバックを提供して、誰もが必要とするエコシステムの柔軟性を実現できます。」 - Meta、PyTorch エンジニアリング担当ディレクター、Jana van Greunen 氏&lt;/span&gt;&lt;/p&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;Google は Hugging Face とも提携し、Hugging Face Hub で人気のオープン ウェイト モデルを TorchTPU でネイティブに実行できるようにしました。Transformers v5 では、&lt;/span&gt;&lt;code style="vertical-align: baseline;"&gt;device_map="tpu"&lt;/code&gt;&lt;span style="vertical-align: baseline;"&gt; を渡すだけで TPU にモデルをデプロイできるようになりました。複数のアクセラレータにわたって大規模な生成モデルをスケーリングできるように、Diffusers ライブラリは TPU 上でネイティブに実行され、イーガーモード、torch.compile、テンソル並列処理がサポートされています。一貫した信頼性を維持するために、TPU インフラストラクチャ上で Hugging Face Transformers スイートを毎晩継続的にテストするための専用の CI / CD パイプラインも構築しました。&lt;/span&gt;&lt;/p&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;「Hugging Face は、AI ビルダーが最適なモデル、フレームワーク、ハードウェアを選択できる、オープンで中立的なプラットフォームとなることを目指しています。ハードウェアの多様性は、オープンソース AI を誰もが利用できるようにするために不可欠です。Transformers を含むコアライブラリに TorchTPU のネイティブ サポートを導入するための Google とのコラボレーションは、その取り組みを実践するものです。Google と Hugging Face は、コミュニティが使い慣れた PyTorch ワークフローを使用して、Hub の人気のモデルを Google Cloud TPU で効率的かつ簡単に実行できるようにしています。デベロッパーが構築方法と構築場所をより自由に選択できるようにすることで、オープンソース エコシステム全体の成長を促進できます。」 - Hugging Face、プロダクト担当バイス プレジデント、Jeff Boudier 氏&lt;/span&gt;&lt;/p&gt;&lt;/div&gt;
&lt;div class="block-video"&gt;



&lt;div class="article-module article-video "&gt;
  &lt;figure&gt;
    &lt;a class="h-c-video h-c-video--marquee"
      href="https://youtube.com/watch?v=u4n558Ul6w0"
      data-glue-modal-trigger="uni-modal-u4n558Ul6w0-"
      data-glue-modal-disabled-on-mobile="true"&gt;

      
        &lt;img src="//img.youtube.com/vi/u4n558Ul6w0/maxresdefault.jpg"
             alt="Watch Introducing TorchTPU: Native PyTorch on Google Cloud TPUs to learn more"/&gt;
      
      &lt;svg role="img" class="h-c-video__play h-c-icon h-c-icon--color-white"&gt;
        &lt;use xlink:href="#mi-youtube-icon"&gt;&lt;/use&gt;
      &lt;/svg&gt;
    &lt;/a&gt;

    
  &lt;/figure&gt;
&lt;/div&gt;

&lt;div class="h-c-modal--video"
     data-glue-modal="uni-modal-u4n558Ul6w0-"
     data-glue-modal-close-label="Close Dialog"&gt;
   &lt;a class="glue-yt-video"
      data-glue-yt-video-autoplay="true"
      data-glue-yt-video-height="99%"
      data-glue-yt-video-vid="u4n558Ul6w0"
      data-glue-yt-video-width="100%"
      href="https://youtube.com/watch?v=u4n558Ul6w0"
      ng-cloak&gt;
   &lt;/a&gt;
&lt;/div&gt;

&lt;/div&gt;
&lt;div class="block-paragraph_advanced"&gt;&lt;h4&gt;&lt;strong style="vertical-align: baseline;"&gt;推論を最適化&lt;/strong&gt;&lt;/h4&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;推論モデルとエージェント モデルがスケールされるにつれて、推論の費用とレイテンシが本番環境における主なボトルネックになります。広く使用されているオープンソースのサービング エンジンに TorchTPU を統合し、TPU と GPU にわたる Kubernetes ネイティブのフリート ルーティングと組み合わせることで、1 ドルあたりのスループットを最適化できるようにしました。&lt;/span&gt;&lt;/p&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;この基盤により、デベロッパーはプラットフォーム固有のチューニングの摩擦を最小限に抑えながら、多様なハードウェアにわたってワークロードをスケールできます。これらのフレームワーク レベルの機能強化を本番環境で実現するために、Google は主要なオープンソース コミュニティや業界パートナーと協力してきました。以下のセクションでは、これらのパートナーシップが、vLLM による高スループットのサービング、SGLang による構造化されたエージェント型実行、llm-d による大規模な分散フリート オーケストレーションで、どのように効率性を飛躍的に向上させているかについて詳しく説明します。&lt;/span&gt;&lt;/p&gt;
&lt;p&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;vLLM: 高スループットのサービングとメモリ効率&lt;/span&gt;&lt;/p&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;Inferact との提携により開発された、TorchTPU 上のネイティブ PyTorch&lt;/span&gt;&lt;a href="https://github.com/vllm-project/vllm-torchtpu" rel="noopener" target="_blank"&gt;&lt;span style="vertical-align: baseline;"&gt; &lt;/span&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;vLLM&lt;/span&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt; バックエンドにより、デベロッパーは最適化されたプロダクション レディなサービング機能とカスタム Pallas カーネルを使用して、オープン ウェイト モデルを TPU に直接デプロイできます。このインテグレーションにより、TPU ハードウェアでの継続的なバッチ処理、量子化、マルチチップ並列処理がサポートされます。同時に、アップストリームのワーカーモデル、スケジューラ、API サーバーが維持されるため、既存の推論スタックを変更することなく、費用対効果を向上させることができます。&lt;/span&gt;&lt;/p&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt; &lt;/span&gt;&lt;/p&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;「Inferact の使命は、以前から変わらず、AI エコシステム全体で、高パフォーマンスの推論を、利用しやすく、信頼性が高く、費用対効果の高いものにすることです。TorchTPU のリリースで提携し、TPU で vLLM の最高水準のサポートを提供できることを嬉しく思います。PyTorch の最適化された TPU 機能を vLLM に直接組み込むことで、デベロッパーは当社のスタックに期待する高スループット、低レイテンシ、メモリ効率で、TPU 上で本番環境ワークロードをすぐに実行できます。」- Inferact、CEO / 共同創業者、Simon Mo 氏&lt;/span&gt;&lt;/p&gt;
&lt;p&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;SGLang: エージェント ワークロードと構造化ワークロードを高速化&lt;/span&gt;&lt;/p&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;RadixArk とのパートナーシップにより開発された、&lt;/span&gt;&lt;a href="https://github.com/sgl-project/sglang-torchtpu/" rel="noopener" target="_blank"&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;SGLang&lt;/span&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt; 向けのネイティブ PyTorch バックエンドは、TPU 上で高度に構造化されたワークロードとエージェント ワークロードを高速化します。SGLang は RadixAttention を使用してリクエスト間で KV キャッシュを再利用するため、繰り返されるプロンプト接頭辞の再計算を完全にスキップできます。SGLang-TorchTPU は、アップストリームのワーカーモデル、スケジューラ、API サーバーを保持し、HiCache の I/O バックエンドとしても機能する分離転送バックエンドを使用して、複雑なマルチステップ生成のレイテンシとスループットを最適化します。&lt;/span&gt;&lt;/p&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;「RadixArk では、さまざまなシリコンに SGLang のサポートを展開するにあたり、TorchTPU によって開発速度が大幅に向上しました。ネイティブ TPU アクセラレーションへの移行が容易になり、大幅な効率向上と柔軟なコンピューティングの選択肢というメリットをお客様に直接提供できるようになりました。」 - RadixArk、CTO / 共同創業者、Banghua Zhu 氏&lt;/span&gt;&lt;/p&gt;
&lt;p&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;分散 LLM 推論用の llm-d&lt;/span&gt;&lt;/p&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;大規模なフリート全体で推論エンジンを実行するために、Google は Red Hat、IBM、そして 500 人以上の協力者と 25 の組織からなるコミュニティとともに llm-d 1.0 をリリースします。Cloud Native Computing Foundation（CNCF）サンドボックス プロジェクトである llm-d は、vLLM と SGLang がモデルをサービングする PyTorch と、分散システムが本番環境で実行およびスケールされる Kubernetes という 2 つのオープンソース コミュニティを結び付けます。llm-d ルーターは、接頭辞キャッシュ対応ルーティングを使用して、各リクエストを、そのコンテキストをすでに保持しているレプリカに送信します。また、コンピューティング負荷の高いプレフィルとメモリ負荷の高いデコードを分離します。llm-d 1.0 では、マルチテナント フロー制御、ルーターの高可用性、安定した v1 API、エージェント向けのセッション対応ルーティングにより、本番環境でその分離が可能になりました。Google Kubernetes Engine（GKE）では、共通の llm-d エンドポイントを使用して、GPU または Google TPU のいずれかで実行することを選択できます。また、各ワークロードに合ったハードウェアを選択できます。&lt;/span&gt;&lt;/p&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;「Zenteiq では、llm-d を活用した GKE Inference Gateway を使用して、主権科学基盤モデルの合成データ生成を加速しています。負荷対応ルーティングと接頭辞キャッシュ対応ルーティングを活用することで、推論の総スループットが 4 倍以上に高まり、1 日あたりのトークン生成能力が 1,000 個の TPU v6e アクセラレータあたり 14 億 7,000 万トークンから 59 億 7,000 万トークンに増加しました。GKE と統合された llm-d のオープンソース基盤により、カスタム推論スケジューラを開発して保守することなく、複数のモデル ファミリーを大規模かつ効率的にサービングできます。」- Zenteiq.ai、創業者、Sashikumaar Ganesan 教授&lt;/span&gt;&lt;/p&gt;
&lt;h4&gt;&lt;strong style="vertical-align: baseline;"&gt;大規模なトレーニング&lt;/strong&gt;&lt;/h4&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;数千のアクセラレータにわたって PyTorch トレーニングをスケールするには、フォールト トレラントでコンパイル対応の分散フレームワークが必要です。TorchTPU は、PyTorch コミュニティのコア トレーニング、強化学習（RL）、オーケストレーション フレームワークに統合されています。&lt;/span&gt;&lt;/p&gt;
&lt;p&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;TorchTitan: 大規模な分散型高パフォーマンス トレーニング&lt;/span&gt;&lt;/p&gt;
&lt;p&gt;&lt;a href="https://github.com/google-pytorch/torchtitan" rel="noopener" target="_blank"&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;TorchTitan&lt;/span&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt; は、スケーラブルな分散トレーニングのための PyTorch ネイティブのリファレンス実装であり、TorchTPU との本番環境グレードのインテグレーションを特徴としています。PyTorch の torch.compile と TorchTitan のコンパイルに適した SimpleFSDP、特殊な Pallas カーネル、グラフレベルの最適化を活用することで、デベロッパーは TPU 上でモデルを大規模かつ効率的に構築、トレーニングできます。&lt;/span&gt;&lt;/p&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;TorchTitan は、大規模な高密度モデル（Llama 3 70B / 405B、Qwen 3 8B / 32B、MuseGlimmer 30B など）、Mixture-of-Experts（MoE）（Qwen 3 235B など）、拡散トランスフォーマー（FLUX.1 12B など）の事前トレーニング用のレシピを提供しており、最大 8,000 個の Ironwood TPU（TPU v7x）での実行が検証されています。TorchTitan は、初期の事前トレーニングにとどまらず、Group Relative Policy Optimization（GRPO）や RL アライメントのための VeRL など、事後トレーニングのパイプライン内で、スケーラブルなトレーナーとして機能します。要求の厳しいオープン アーキテクチャで大規模な効率性を評価するテストを実施したところ、TorchTitan を介した TorchTPU のトレーニング パスでは、Qwen 3 8B で最大 52% のモデル FLOP 使用率（MFU）が実証され、最大 8,192 個の Ironwood TPU でほぼ線形のスケーリングと安定性が示されました。&lt;/span&gt;&lt;/p&gt;
&lt;p&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;VeRL: スケーラブルな事後トレーニングと強化学習（プレビュー版）&lt;/span&gt;&lt;/p&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;RL は、モデルの機能を向上させる最先端の研究所や、分野固有のタスクに合わせてモデルをカスタマイズする企業にとって、基盤となる手法です。しかし、分散 RL ワークロードのオーケストレーションは、依然として最新の AI インフラストラクチャにおける最も複雑な課題の一つです。このギャップを埋める&lt;/span&gt;&lt;a href="https://github.com/verl-project/verl/tree/main/examples/tpu/grpo" rel="noopener" target="_blank"&gt;&lt;span style="vertical-align: baseline;"&gt; &lt;/span&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;VeRL&lt;/span&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt; は、検証可能な数学やコーディングの報酬から、大規模なマルチターン エージェント ツールの使用まで、あらゆるものをサポートする、最も人気のある RL フレームワークの一つとなっています。&lt;/span&gt;&lt;/p&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;この活気あるコミュニティのハードウェアの選択肢を広げるため、Google は TPU バックエンドとエンドツーエンドのリファレンス レシピを VeRL にアップストリームしました。数学的推論データセットに関する Google の GRPO リファレンス レシピは、トレーニング効率を最大化するように設計された、分離されたトレーナー サンプラー アーキテクチャを基盤としており、デベロッパーがハードウェアに依存しない既存のモデルとアルゴリズム コードを維持しながら、TPU で VeRL ワークロードをデプロイできる方法を示しています。&lt;/span&gt;&lt;/p&gt;
&lt;p&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;Ray: 異種コンピューティングのオーケストレーション&lt;/span&gt;&lt;/p&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;また、&lt;/span&gt;&lt;a href="https://github.com/ray-project/ray" rel="noopener" target="_blank"&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;Ray&lt;/span&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt; に TorchTPU のネイティブ サポートを追加したことで、PyTorch のデータ処理、トレーニング、RL、サービングを、CPU、GPU、TPU にわたって単一のワークフロー内でオーケストレートできるようになりました。数行のリソース構成で、異種 AI パイプラインの各ステージを、そのジョブに最適なアクセラレータにスケジュールできます。&lt;/span&gt;&lt;/p&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;「Ray Summit では、PARK スタック、PyTorch、AI モデル、Ray、Kubernetes についてお話ししました。これらは、チームが本番環境の AI を構築する際に現在使用しているものだからです。TorchTPU は、その業界標準のスタックに Google TPU を直接組み込んでいます。当社はまた、Google チームと緊密に連携して、Ray で TPU をファースト クラスのアクセラレータとしてサポートしています。PyTorch のネイティブ サポートと組み合わせることで、チームは TPU 上でワークロードをシームレスに開発、スケーリング、モニタリングできるようになりました。」- Anyscale、チーフ アーキテクト、Edward Oakes 氏&lt;/span&gt;&lt;/p&gt;
&lt;h4&gt;&lt;strong style="vertical-align: baseline;"&gt;デプロイの柔軟性と運用効率&lt;/strong&gt;&lt;/h4&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;真のポータビリティを実現するには、エッジデバイスやクラウド アクセラレータなど、さまざまなハードウェア プロファイルにわたってデプロイツールを標準化する必要があります。&lt;/span&gt;&lt;/p&gt;
&lt;p&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;LiteRT が PyTorch エコシステムに加わる&lt;/span&gt;&lt;/p&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;多くの PyTorch モデルは、スマートフォン、ノートパソコン、ブラウザ、組み込みデバイスで実行する必要があります。このたび、Google の高性能なオンデバイス AI 推論である&lt;/span&gt;&lt;a href="https://github.com/google-ai-edge/litert" rel="noopener" target="_blank"&gt;&lt;span style="vertical-align: baseline;"&gt; &lt;/span&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;LiteRT&lt;/span&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt;（旧 TensorFlow Lite）が PyTorch エコシステムに加わりました。&lt;/span&gt;&lt;/p&gt;
&lt;p&gt;&lt;a href="https://github.com/google-ai-edge/litert-torch" rel="noopener" target="_blank"&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;LiteRT-Torch&lt;/span&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt; を使用すると、1 回の &lt;/span&gt;&lt;code style="vertical-align: baseline;"&gt;litert-torch.convert()&lt;/code&gt;&lt;span style="vertical-align: baseline;"&gt; 呼び出しで PyTorch モデルを変換できます。&lt;/span&gt;&lt;code style="vertical-align: baseline;"&gt;torch.export()&lt;/code&gt;&lt;span style="vertical-align: baseline;"&gt; と Core ATen 演算子を基盤としているため、モデルコードは PyTorch に残ります。LLM の場合、LiteRT Torch は Hugging Face Transformer モデルをエクスポートして&lt;/span&gt;&lt;a href="https://github.com/google-ai-edge/LiteRT-LM" rel="noopener" target="_blank"&gt;&lt;span style="vertical-align: baseline;"&gt; &lt;/span&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;LiteRT-LM&lt;/span&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt; で実行します。変換されたモデルは、Android、iOS、macOS、Windows、Linux、ウェブ、IoT デバイスで実行され、CPU（XNNPack 経由）、GPU（オープンソースの&lt;/span&gt;&lt;a href="https://developers.googleblog.com/ml-drift-next-gen-gpu-aiml-inference-at-the-edge/" rel="noopener" target="_blank"&gt;&lt;span style="vertical-align: baseline;"&gt; &lt;/span&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;ML Drift&lt;/span&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt; 経由）、主要なチップセットの NPU にわたってハードウェア アクセラレーションが単一の API を通じて提供されます。&lt;/span&gt;&lt;/p&gt;
&lt;p&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;TPU Agent Suite の早期プレビュー版&lt;/span&gt;&lt;/p&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;TPU での PyTorch の導入を拡大するため、&lt;/span&gt;&lt;a href="https://github.com/google-pytorch/tpu-agent-suite" rel="noopener" target="_blank"&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;TPU Agent Suite&lt;/span&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt; のプレビュー版を GitHub で公開しました。TPU Agent Suite は、プラグインを介して複数のコーディング ハーネスとモデルの組み合わせと統合することで、多くの PyTorch モデルでオンボーディング、診断、ユーザーの質問、推論パフォーマンスのチューニングを自動化するのに役立ちます。&lt;/span&gt;&lt;/p&gt;&lt;/div&gt;
&lt;div class="block-video"&gt;



&lt;div class="article-module article-video "&gt;
  &lt;figure&gt;
    &lt;a class="h-c-video h-c-video--marquee"
      href="https://youtube.com/watch?v=hK3xqW_HrP0"
      data-glue-modal-trigger="uni-modal-hK3xqW_HrP0-"
      data-glue-modal-disabled-on-mobile="true"&gt;

      
        &lt;img src="//img.youtube.com/vi/hK3xqW_HrP0/maxresdefault.jpg"
             alt="Watch Introducing the TPU agent suite (preview): Open-source agents for PyTorch on Cloud TPU to learn more"/&gt;
      
      &lt;svg role="img" class="h-c-video__play h-c-icon h-c-icon--color-white"&gt;
        &lt;use xlink:href="#mi-youtube-icon"&gt;&lt;/use&gt;
      &lt;/svg&gt;
    &lt;/a&gt;

    
  &lt;/figure&gt;
&lt;/div&gt;

&lt;div class="h-c-modal--video"
     data-glue-modal="uni-modal-hK3xqW_HrP0-"
     data-glue-modal-close-label="Close Dialog"&gt;
   &lt;a class="glue-yt-video"
      data-glue-yt-video-autoplay="true"
      data-glue-yt-video-height="99%"
      data-glue-yt-video-vid="hK3xqW_HrP0"
      data-glue-yt-video-width="100%"
      href="https://youtube.com/watch?v=hK3xqW_HrP0"
      ng-cloak&gt;
   &lt;/a&gt;
&lt;/div&gt;

&lt;/div&gt;
&lt;div class="block-paragraph"&gt;&lt;p data-block-key="j085k"&gt;&lt;b&gt;Google Cloud で PyTorch を使ってみる&lt;/b&gt;&lt;/p&gt;&lt;p data-block-key="31b1i"&gt;上述のリリースは、Google TPU ソフトウェア エコシステムを PyTorch コミュニティにとってオープンな、デベロッパー向けの環境にするという Google の取り組みを強化するものです。TorchTPU、Hugging Face、vLLM、SGLang、llm-d、TorchTitan、VeRL、Ray にわたる PyTorch スタックに、アップストリームでの TPU のネイティブ サポートを導入し、LiteRT を PyTorch エコシステムに提供することで、Google はお客様が独自の条件で AI を構築、適応、スケーリングできる柔軟性を提供しています。&lt;/p&gt;&lt;p data-block-key="13bun"&gt;今すぐ &lt;a href="https://cloud.google.com/tpu/docs/pytorch-on-tpu"&gt;Google Cloud のドキュメント&lt;/a&gt;にアクセスして、TPU で PyTorch を実行してみましょう。&lt;/p&gt;&lt;p data-block-key="f0nf"&gt;&lt;b&gt;&lt;i&gt;-&lt;/i&gt;&lt;/b&gt; &lt;i&gt;AI およびコンピューティング インフラストラクチャ担当バイス プレジデント兼ゼネラル マネージャー、&lt;/i&gt;&lt;b&gt;&lt;i&gt;Mark Lohmeyer&lt;/i&gt;&lt;/b&gt;&lt;/p&gt;&lt;p data-block-key="ae260"&gt;&lt;b&gt;&lt;i&gt;-&lt;/i&gt;&lt;/b&gt; &lt;i&gt;エンジニアリング担当バイス プレジデント、&lt;/i&gt;&lt;b&gt;&lt;i&gt;Bill Jia&lt;/i&gt;&lt;/b&gt;&lt;/p&gt;&lt;/div&gt;</description><pubDate>Wed, 04 Nov 2026 02:10:00 +0000</pubDate><guid>https://cloud.google.com/blog/ja/topics/ai-infrastructure/torchtpu-is-now-open-source-run-native-pytorch-on-tpus/</guid><category>TPUs</category><category>Application Development</category><category>Open Source</category><category>AI infrastructure</category><og xmlns:og="http://ogp.me/ns#"><type>article</type><title>TorchTPU がオープンソースに: TPU でネイティブ PyTorch を実行</title><description></description><site_name>Google</site_name><url>https://cloud.google.com/blog/ja/topics/ai-infrastructure/torchtpu-is-now-open-source-run-native-pytorch-on-tpus/</url></og><author xmlns:author="http://www.w3.org/2005/Atom"><name>Mark Lohmeyer</name><title>VP &amp; GM, AI &amp; Computing Infrastructure</title><department></department><company></company></author><author xmlns:author="http://www.w3.org/2005/Atom"><name>Bill Jia</name><title>Vice President, Engineering</title><department></department><company></company></author></item><item><title>Managed Service for Apache Spark クラスタの新機能</title><link>https://cloud.google.com/blog/ja/products/data-analytics/enhancements-to-managed-service-for-apache-spark-clusters/</link><description>&lt;div class="block-paragraph_advanced"&gt;&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;※この投稿は米国時間 2026 年 6 月 5 日に、Google Cloud blog に&lt;/span&gt;&lt;a href="https://cloud.google.com/blog/products/data-analytics/enhancements-to-managed-service-for-apache-spark-clusters?hl=en&amp;amp;e=48754805"&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;投稿&lt;/span&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt;されたものの抄訳です。&lt;/span&gt;&lt;/p&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;Google Cloud は、お客様が大規模な分析ワークロードやデータ サイエンス ワークロードを最大限の効率で実行できるようにすることを目指しています。これにより、大規模なデータ パイプライン、ML、ETL のタスクを処理できます。&lt;/span&gt;&lt;/p&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;最近、Dataproc サービスが &lt;/span&gt;&lt;a href="https://cloud.google.com/products/managed-service-for-apache-spark?e=48754805&amp;amp;hl=ja"&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;Managed Service for Apache Spark&lt;/span&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt; に変更されたことを発表いたしました。これは、&lt;/span&gt;&lt;a href="https://cloud.google.com/data-cloud?e=48754805&amp;amp;hl=ja"&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;Agentic Data Cloud&lt;/span&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt; との緊密なインテグレーションを反映したものです。&lt;/span&gt;&lt;/p&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;現代のデータチームのアーキテクチャに対する多様なニーズに対応するため、このサービスはサーバーレスとマネージド クラスタの 2 つの異なるデプロイモードで提供されます。サーバーレス デプロイモードでは、エフェメラルなジョブやアドホック ジョブ向けにインフラストラクチャ管理が完全に抽象化されます。一方、マネージド クラスタ デプロイモードは、インフラストラクチャのきめ細かいカスタマイズ、永続的な環境、長時間実行されるステートフル処理、またはカスタムの Compute Engine ハードウェア構成とのネイティブなインテグレーションを必要とするチーム向けに設計されています。&lt;/span&gt;&lt;/p&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;マネージド クラスタでのデプロイに関しては、3 つの主要な柱に焦点を当てて、エクスペリエンスをゼロから再構築しました。具体的には、実行速度を向上させて Spark を&lt;/span&gt;&lt;strong style="vertical-align: baseline;"&gt;高速化&lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt;し、リソースの入手可能性を最大化して運用オーバーヘッドを削減することで Spark の実行を&lt;/span&gt;&lt;strong style="vertical-align: baseline;"&gt;より簡単&lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt;にし、開発と運用のライフサイクルに AI を直接組み込むことで Spark を&lt;/span&gt;&lt;strong style="vertical-align: baseline;"&gt;よりスマート&lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt;にしています。&lt;/span&gt;&lt;/p&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;このブログ投稿では、Managed Spark クラスタ デプロイモードについて Google Cloud Next ‘26 で発表した内容を紹介します。このモードでは、ネイティブ実行エンジン、よりスマートなスケーリング ポリシー、Gemini を活用した拡張機能により、パフォーマンスと費用を微調整できる柔軟性が向上しています。サーバーレス デプロイモードの最新情報については、&lt;/span&gt;&lt;a href="https://cloud.google.com/blog/products/data-analytics/serverless-managed-service-for-apache-spark-runtime-3-0-features?e=48754805"&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;こちらのブログ記事&lt;/span&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt;をご覧ください。&lt;/span&gt;&lt;/p&gt;
&lt;h4&gt;&lt;strong style="vertical-align: baseline;"&gt;ネイティブ実行エンジン Lightning Engine で高速化&lt;/strong&gt;&lt;/h4&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;Managed Spark クラスタの最大のアップデートは、&lt;/span&gt;&lt;a href="https://cloud.google.com/dataproc/docs/guides/lightning-engine"&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;Lightning Engine&lt;/span&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt; でしょう。Lightning Engine は、Spark DataFrame / Dataset API や負荷の高い Spark SQL クエリのパフォーマンスを大幅に向上させます。また、Velox と Gluten をベースに構築されたネイティブの C++ ベクトル化実行エンジンと、専用の内部機能強化を備え、クエリプランを SIMD（単一命令複数データ）ベクトル化向けに最適化されたネイティブ命令にコンパイルすることで、JVM 実行のボトルネックを回避します。&lt;/span&gt;&lt;/p&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;このネイティブ実行エンジンは、以下を実現します。&lt;/span&gt;&lt;/p&gt;
&lt;ul&gt;
&lt;li aria-level="1" style="list-style-type: disc; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;span style="vertical-align: baseline;"&gt;標準のオープンソース Spark と比較して&lt;/span&gt;&lt;strong style="vertical-align: baseline;"&gt;最大 4.9 倍高速なパフォーマンス&lt;/strong&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;li aria-level="1" style="list-style-type: disc; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;span style="vertical-align: baseline;"&gt;他の主要な高速 Spark と比較して&lt;/span&gt;&lt;strong style="vertical-align: baseline;"&gt;最大 2 倍の費用対効果&lt;/strong&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;/ul&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;重要な点として、こうしたパフォーマンス向上を利用するために、既存の Spark アプリケーションのコードを変更する必要はありません。ジョブがより高速で完了することが、Compute Engine の合計ランタイム時間と全体的な費用の削減にそのままつながります。&lt;/span&gt;&lt;/p&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;マネージド クラスタで Lightning Engine を有効にするには、クラスタの作成時に Lightning Engine オプションを指定するだけです。&lt;/span&gt;&lt;/p&gt;&lt;/div&gt;
&lt;div class="block-video"&gt;



&lt;div class="article-module article-video "&gt;
  &lt;figure&gt;
    &lt;a class="h-c-video h-c-video--marquee"
      href="https://youtube.com/watch?v=2uYC821jtEk"
      data-glue-modal-trigger="uni-modal-2uYC821jtEk-"
      data-glue-modal-disabled-on-mobile="true"&gt;

      
        

        &lt;div class="article-video__aspect-image"
          style="background-image: url(https://storage.googleapis.com/gweb-cloudblog-publish/images/maxresdefault_u5e7XRu.max-1000x1000.jpg);"&gt;
          &lt;span class="h-u-visually-hidden"&gt;Lightning Engine の技術的な詳細と Lowe’s の事例の紹介&lt;/span&gt;
        &lt;/div&gt;
      
      &lt;svg role="img" class="h-c-video__play h-c-icon h-c-icon--color-white"&gt;
        &lt;use xlink:href="#mi-youtube-icon"&gt;&lt;/use&gt;
      &lt;/svg&gt;
    &lt;/a&gt;

    
      &lt;figcaption class="article-video__caption h-c-page"&gt;
        
          &lt;h4 class="h-c-headline h-c-headline--four h-u-font-weight-medium h-u-mt-std"&gt;Lightning Engine の技術的な詳細と Lowe’s の事例の紹介&lt;/h4&gt;
        
        
      &lt;/figcaption&gt;
    
  &lt;/figure&gt;
&lt;/div&gt;

&lt;div class="h-c-modal--video"
     data-glue-modal="uni-modal-2uYC821jtEk-"
     data-glue-modal-close-label="Close Dialog"&gt;
   &lt;a class="glue-yt-video"
      data-glue-yt-video-autoplay="true"
      data-glue-yt-video-height="99%"
      data-glue-yt-video-vid="2uYC821jtEk"
      data-glue-yt-video-width="100%"
      href="https://youtube.com/watch?v=2uYC821jtEk"
      ng-cloak&gt;
   &lt;/a&gt;
&lt;/div&gt;

&lt;/div&gt;
&lt;div class="block-paragraph_advanced"&gt;&lt;h4&gt;&lt;strong style="vertical-align: baseline;"&gt;より簡単に: フレキシブル VM でリソースの入手可能性を最大化&lt;/strong&gt;&lt;/h4&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;特定のマシンタイプがローカルで一時的に不足し、クラスタの作成や自動スケーリングが滞ることがあります。こうした容量の制約に対するクラスタの復元力を大幅に向上させるために、Managed Spark クラスタ向けの&lt;/span&gt;&lt;a href="https://docs.cloud.google.com/dataproc/docs/concepts/configuring-clusters/flexible-vms"&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;フレキシブル VM&lt;/span&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt; の一般提供が開始されました。&lt;/span&gt;&lt;/p&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;フレキシブル VM では、マスターノード、プライマリ ワーカーノード、セカンダリ ワーカーノードに最大 10 個のランク付けされたマシンタイプを定義できます。Managed Service for Apache Spark は、この設定と、リージョン内のゾーン自動配置を組み合わせ、リージョン全体を動的にスキャンしたうえで、利用可能な最適なハードウェア レイアウトを使用して容量リクエストを満たします。これにより、パイプラインを予測どおりにスピンアップできるようになり、リソースの可用性エラーが大幅に削減され、需要がピークに達する期間に費用対効果の高い Spot VM 容量を最大限に活用できるようになります。&lt;/span&gt;&lt;/p&gt;&lt;/div&gt;
&lt;div class="block-image_full_width"&gt;






  
    &lt;div class="article-module h-c-page"&gt;
      &lt;div class="h-c-grid"&gt;
  

    &lt;figure class="article-image--large
      
      
        h-c-grid__col
        h-c-grid__col--6 h-c-grid__col--offset-3
        
        
      "
      &gt;

      
      
        
        &lt;img
            src="https://storage.googleapis.com/gweb-cloudblog-publish/images/2_vPfgVT7.max-1000x1000.jpg"
        
          alt="2"&gt;
        
        &lt;/a&gt;
      
    &lt;/figure&gt;

  
      &lt;/div&gt;
    &lt;/div&gt;
  




&lt;/div&gt;
&lt;div class="block-paragraph_advanced"&gt;&lt;h4&gt;&lt;strong style="vertical-align: baseline;"&gt;より簡単に: ゼロスケール クラスタとスケジュール設定による停止&lt;/strong&gt;&lt;/h4&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;永続的な環境と開発環境の財務管理を強化するため、Google は最近、特に要望の多かった 2 つの FinOps 機能（&lt;/span&gt;&lt;a href="https://docs.cloud.google.com/dataproc/docs/guides/create-zero-scale-cluster"&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;ゼロスケール クラスタ&lt;/span&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt;と&lt;/span&gt;&lt;a href="https://docs.cloud.google.com/dataproc/docs/concepts/configuring-clusters/scheduled-stop"&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;スケジュール設定によるクラスタの停止&lt;/span&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt;）の一般提供を発表しました。&lt;/span&gt;&lt;/p&gt;
&lt;ul&gt;
&lt;li aria-level="1" style="list-style-type: disc; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;strong style="vertical-align: baseline;"&gt;ゼロスケール クラスタ&lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt;: セカンダリ ワーカー（Spot VM）のみを使用する環境をプロビジョニングできるようになりました。処理がアクティブでないとき、クラスタはワーカーノードを完全にゼロまで自動的にスケールダウンし、メタデータを保持するためにマスターノードのみをオンラインのままにします。&lt;/span&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;li aria-level="1" style="list-style-type: disc; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;strong style="vertical-align: baseline;"&gt;スケジュール設定によるクラスタの停止&lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt;: この機能を使用すると、特定のアイドル時間制限または正確な将来のタイムスタンプに基づいて、クラスタの自動シャットダウン ポリシーを構成できます。&lt;/span&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;/ul&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;これらの機能はネイティブに統合されているため、環境を削除して再構築しなければならないという運用上の負担が軽減されます。また、夜間や週末に生じるアイドル状態のコンピューティング オーバーヘッドに対する支払いを停止できます。&lt;/span&gt;&lt;/p&gt;
&lt;h4&gt;&lt;strong style="vertical-align: baseline;"&gt;よりスマートに: Managed Service for Apache Spark MCP サーバー&lt;/strong&gt;&lt;/h4&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;生成 AI とデータ エンジニアリングのギャップを埋めるために、Google は &lt;/span&gt;&lt;a href="https://docs.cloud.google.com/dataproc/docs/guides/use-dataproc-mcp"&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;Managed Service for Apache Spark 向け Model Context Protocol（MCP）サーバー&lt;/span&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt;をリリースしました。このオープン スタンダードなインテグレーションにより、LLM と AI アシスタントは、自然言語を使用して安全かつ動的に Managed Spark クラスタとやり取りできます。&lt;/span&gt;&lt;/p&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;MCP サーバーを利用することで、AI エージェントは既存の IAM 権限でデータ プラットフォームに安全に接続できます。そのため、エージェントはクラスタの作成、ジョブの送信、自動スケーリング ポリシーの調整などのクラスタベースの処理を、AI アプリケーションから直接実行できます。&lt;/span&gt;&lt;/p&gt;
&lt;h4&gt;&lt;strong style="vertical-align: baseline;"&gt;よりスマートに: Data Agent Kit で AI 導入を加速&lt;/strong&gt;&lt;/h4&gt;
&lt;p&gt;&lt;a href="https://docs.cloud.google.com/data-cloud-extension"&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;Google Cloud Data Agent Kit&lt;/span&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt; は、データ サイエンティスト、エンジニア、デベロッパーが、任意の開発環境内でデータ ワークロードのライフサイクル全体を直接管理できる拡張機能です。Managed Spark クラスタでこの拡張機能のネイティブ サポートをロールアウトしたため、コード生成とデータ ラングリングのための専用のデータ エージェントをシームレスに構築、デプロイできるようになりました。&lt;/span&gt;&lt;/p&gt;&lt;/div&gt;
&lt;div class="block-image_full_width"&gt;






  
    &lt;div class="article-module h-c-page"&gt;
      &lt;div class="h-c-grid"&gt;
  

    &lt;figure class="article-image--large
      
      
        h-c-grid__col
        h-c-grid__col--6 h-c-grid__col--offset-3
        
        
      "
      &gt;

      
      
        
        &lt;img
            src="https://storage.googleapis.com/gweb-cloudblog-publish/images/3_nOOSIdE.max-1000x1000.jpg"
        
          alt="3"&gt;
        
        &lt;/a&gt;
      
    &lt;/figure&gt;

  
      &lt;/div&gt;
    &lt;/div&gt;
  




&lt;/div&gt;
&lt;div class="block-paragraph_advanced"&gt;&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;デベロッパーは、Google のスタンドアロンのエージェント型開発プラットフォーム &lt;/span&gt;&lt;a href="https://antigravity.google/blog/introducing-google-antigravity-2-0" rel="noopener" target="_blank"&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;Antigravity 2.0&lt;/span&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt; を使用するか、Data Agent Kit の拡張機能やプラグインを使用して、これらのエージェント機能を VS Code、Claude Code、Codex など任意の IDE に取り込むことができます。この効率化されたワークフローと、マネージド クラスタに備わる処理能力を組み合わせることで、これらのインテリジェント エージェントは、ペタバイト規模のデータレイク上で直接、複雑なワークフローを安全に実行できます。具体的には、デベロッパーは Data Agent Kit を使用して、次のことができます。&lt;/span&gt;&lt;/p&gt;
&lt;ul&gt;
&lt;li aria-level="1" style="list-style-type: disc; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;strong style="vertical-align: baseline;"&gt;パイプラインの構築とオーケストレーション:&lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt; 自然言語を使用してマルチノードのデータ パイプラインを作成し、包括的なコード ドキュメントを生成できます。&lt;/span&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;li aria-level="1" style="list-style-type: disc; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;strong style="vertical-align: baseline;"&gt;リアルタイムでデバッグを実行: &lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt;Gemini Cloud Assist を活用して、エグゼキュータのログを精査し、ジョブ失敗の根本原因を特定して、実行可能な修正案を検討できます。&lt;/span&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;li aria-level="1" style="list-style-type: disc; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;strong style="vertical-align: baseline;"&gt;Spark リソースに簡単に接続: &lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt;手動によるネットワーク構成やローカルでの Spark インストールなしで、サーバーレス Spark ランタイムやマネージド クラスタに即座に接続できます。&lt;/span&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;li aria-level="1" style="list-style-type: disc; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;strong style="vertical-align: baseline;"&gt;Git と CI / CD の管理を合理化:&lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt; 任意の IDE から直接コードを commit、マージ、デプロイし、自動でのテストとデプロイのパイプラインをスムーズにトリガーできます。&lt;/span&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;/ul&gt;
&lt;h4&gt;&lt;strong style="vertical-align: baseline;"&gt;よりスマートに: 次世代の Lakehouse&lt;/strong&gt;&lt;/h4&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;Google は最近、Managed Service for Apache Spark や BigQuery などのエンジン間で読み取り / 書き込みの相互運用を可能にする &lt;/span&gt;&lt;a href="https://docs.cloud.google.com/lakehouse/docs/introduction"&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;Lakehouse&lt;/span&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt; をリリースしました。統合されたサーバーレスのメタデータ レイヤとして &lt;/span&gt;&lt;a href="https://docs.cloud.google.com/lakehouse/docs/about-lakehouse-catalogs"&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;Lakehouse ランタイム カタログ&lt;/span&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt;が活用されることで、データサイロが解消され、複雑な変換レイヤが不要になります。このエージェント ファーストのアプローチにより、組織は Google Cloud Storage からオープン フォーマットを直接処理したり、新たに導入された&lt;/span&gt;&lt;a href="https://docs.cloud.google.com/lakehouse/docs/about-cross-cloud-lakehouse"&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;クロスクラウド Lakehouse&lt;/span&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt; を使用してリモートの AWS データセットをクエリしたりできます。その際には、セキュリティとガバナンスのための信頼できる唯一の情報源が維持されます。&lt;/span&gt;&lt;/p&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;Managed Spark クラスタをご利用のお客様には、このインテグレーションにより、いくつかの強力な新機能が提供されます。データチームは、最適化された Lightning Engine を使用して、最も要求の厳しい ETL やデータ サイエンスのワークロードを最大 4.9 倍高速化できます。&lt;/span&gt;&lt;/p&gt;&lt;/div&gt;
&lt;div class="block-image_full_width"&gt;






  
    &lt;div class="article-module h-c-page"&gt;
      &lt;div class="h-c-grid"&gt;
  

    &lt;figure class="article-image--large
      
      
        h-c-grid__col
        h-c-grid__col--6 h-c-grid__col--offset-3
        
        
      "
      &gt;

      
      
        
        &lt;img
            src="https://storage.googleapis.com/gweb-cloudblog-publish/images/4_ywa0kAz.max-1000x1000.png"
        
          alt="4"&gt;
        
        &lt;/a&gt;
      
    &lt;/figure&gt;

  
      &lt;/div&gt;
    &lt;/div&gt;
  




&lt;/div&gt;
&lt;div class="block-paragraph_advanced"&gt;&lt;h4&gt;&lt;strong style="vertical-align: baseline;"&gt;次世代ランタイム: Spark 4.1 を搭載したクラスタ イメージ 3.0&lt;/strong&gt;&lt;/h4&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;オープンソース エコシステムにペースを合わせ、Google は&lt;/span&gt;&lt;a href="https://docs.cloud.google.com/dataproc/docs/release-notes#May_03_2026"&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;クラスタ イメージ 3.0&lt;/span&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt; をプレビュー版としてリリースしました。これは Apache Spark 4.1 で構築され、デフォルトの Java ランタイムが Java 21 にアップグレードされています。Spark 4.1 では、構造化ストリーミングのリアルタイム モードなど、一連の主要なオープンソース機能が導入されています。これにより、1 秒未満のレイテンシで継続的に処理されるリアルタイム ストリーミングを Spark 環境でサポートできるようになります。&lt;/span&gt;&lt;/p&gt;
&lt;h4&gt;&lt;strong style="vertical-align: baseline;"&gt;使ってみる&lt;/strong&gt;&lt;/h4&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;これらのアップデートは公開済みであり、Managed Spark クラスタで今すぐご利用いただけます。新機能を有効にするには、Google Cloud コンソールを操作するか、&lt;/span&gt;&lt;code style="vertical-align: baseline;"&gt;gcloud&lt;/code&gt;&lt;span style="vertical-align: baseline;"&gt; CLI を使用します。&lt;/span&gt;&lt;/p&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;新しいマネージド クラスタをスピンアップし、&lt;/span&gt;&lt;strong style="vertical-align: baseline;"&gt;Lightning Engine&lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt; のパフォーマンスをネイティブに引き出すには、ターミナルで次のコマンドを実行します。&lt;/span&gt;&lt;/p&gt;&lt;/div&gt;
&lt;div class="block-code"&gt;&lt;dl&gt;
    &lt;dt&gt;code_block&lt;/dt&gt;
    &lt;dd&gt;&amp;lt;ListValue: [StructValue([(&amp;#x27;code&amp;#x27;, &amp;#x27;gcloud dataproc clusters create my-optimized-cluster \\\r\n    --region=us-central1 \\\r\n    --image-version=2.3 \\\r\n    --engine=lightning \\&amp;#x27;), (&amp;#x27;language&amp;#x27;, &amp;#x27;&amp;#x27;), (&amp;#x27;caption&amp;#x27;, &amp;lt;wagtail.rich_text.RichText object at 0x7f48581c9bd0&amp;gt;)])]&amp;gt;&lt;/dd&gt;
&lt;/dl&gt;&lt;/div&gt;
&lt;div class="block-paragraph_advanced"&gt;&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;別の方法として、&lt;/span&gt;&lt;a href="https://console.cloud.google.com/dataproc"&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;コンソールで Managed Service for Apache Spark のページ&lt;/span&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt;に移動します。[クラスタを作成] をクリックして、クラスタ構成で [Lightning Engine を有効にする] を選択すると、Spark ジョブ向けに Lightning Engine が自動的に有効になります。&lt;/span&gt;&lt;/p&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;Managed Service for Apache Spark クラスタとして、皆様がどのような環境を構築、実行するのか、ご報告をお待ちしております。&lt;/span&gt;&lt;/p&gt;
&lt;p&gt;&lt;strong style="font-style: italic; vertical-align: baseline;"&gt;- &lt;/strong&gt;&lt;span style="font-style: italic; vertical-align: baseline;"&gt;Google Cloud、シニア プロダクト マネージャー、&lt;/span&gt;&lt;strong style="font-style: italic; vertical-align: baseline;"&gt;Qiqi Wu&lt;/strong&gt;&lt;/p&gt;&lt;/div&gt;</description><pubDate>Wed, 17 Jun 2026 00:00:00 +0000</pubDate><guid>https://cloud.google.com/blog/ja/products/data-analytics/enhancements-to-managed-service-for-apache-spark-clusters/</guid><category>AI &amp; Machine Learning</category><category>Streaming</category><category>Open Source</category><category>Data Analytics</category><og xmlns:og="http://ogp.me/ns#"><type>article</type><title>Managed Service for Apache Spark クラスタの新機能</title><description></description><site_name>Google</site_name><url>https://cloud.google.com/blog/ja/products/data-analytics/enhancements-to-managed-service-for-apache-spark-clusters/</url></og><author xmlns:author="http://www.w3.org/2005/Atom"><name>Qiqi Wu</name><title>Product Manager</title><department></department><company></company></author></item><item><title>AI 時代のオープン プラットフォーム: GKE、エージェント、OSS のイノベーションを KubeCon EU 2026 で披露</title><link>https://cloud.google.com/blog/ja/products/containers-kubernetes/gke-and-oss-innovation-at-kubecon-eu-2026/</link><description>&lt;div class="block-paragraph_advanced"&gt;&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;※この投稿は米国時間 2026 年 3 月 25 日に、Google Cloud blog に&lt;/span&gt;&lt;a href="https://cloud.google.com/blog/products/containers-kubernetes/gke-and-oss-innovation-at-kubecon-eu-2026?hl=en&amp;amp;e=48754805"&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;投稿&lt;/span&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt;されたものの抄訳です。&lt;/span&gt;&lt;/p&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;今週、クラウドネイティブのコミュニティがアムステルダムに集まり、Kubecon + Cloudnativecon Europe が開催されます。Google は、オープンソースの Kubernetes エコシステムとGoogle Kubernetes Engine（GKE）を支援するために取り組んでいる活動の一部をご紹介します。これには、クラスタの運用モード間の壁を打ち破ることから、Kubernetes を AI エージェントや Ray を実行するための最適な場所にすることまで、Google が現在展開しているさまざまな取り組みが含まれます。&lt;/span&gt;&lt;/p&gt;
&lt;h3&gt;&lt;strong style="vertical-align: baseline;"&gt;Autopilot をすべてのお客様に&lt;/strong&gt;&lt;/h3&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;5 年前、Google は、スケーリングとインフラストラクチャ管理を大幅に簡素化できるフルマネージドの GKE エクスペリエンスである &lt;/span&gt;&lt;a href="https://docs.cloud.google.com/kubernetes-engine/docs/concepts/autopilot-overview"&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;GKE Autopilot&lt;/span&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt; を発表しました。以前は、GKE Autopilot モードと Standard モードのどちらを選択するかという判断は、クラスタ作成時の「分岐点」でした。たとえば、Standard モードで開始した後に Autopilot に切り替えたい場合は、まったく新しいクラスタを作成する必要がありました。そのため、厳格なノードレベルの制御が必要なワークロードと、シームレスで手間のかからないスケーリングが必要なワークロードが混在することになり、こうしたクラスタを管理する組織には大きな負担となっていました。&lt;/span&gt;&lt;/p&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;新しい GKE では、すべてのクラスタで Autopilot を利用できるようになりました。&lt;/span&gt;&lt;strong style="vertical-align: baseline;"&gt;Autopilot コンピューティング クラスが Standard クラスタでも利用可能&lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt;になったことで、ワークロードごとにいつでも Autopilot を有効にできます。GKE Autopilot の &lt;/span&gt;&lt;a href="https://cloud.google.com/blog/ja/products/containers-kubernetes/container-optimized-compute-delivers-autoscaling-for-autopilot?e=48754805&amp;amp;hl=ja"&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;Container-Optimized Compute Platform（COCP）&lt;/span&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt;は、必要なときに必要な容量を最適な価格とパフォーマンスで提供するほか、ニア リアルタイムで垂直方向および水平方向にスケーラブルなコンピューティング環境を実現できます。&lt;/span&gt;&lt;/p&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;これに加え、お客様のインフラストラクチャ プロビジョニングを推進するコア コンポーネントの一つである &lt;/span&gt;&lt;strong style="vertical-align: baseline;"&gt; GKE クラスタ オートスケーラー&lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt;をオープンソース化することも発表します。Google の目標は、OSS コミュニティが活用でき、基盤を構築できる、ベンダーに依存しないプラットフォームを提供することです。&lt;/span&gt;&lt;/p&gt;
&lt;h3&gt;&lt;strong style="vertical-align: baseline;"&gt;CNCF Kubernetes AI Conformance に向けて&lt;/strong&gt;&lt;/h3&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;この業界が大規模な AI へと移行する中、標準化は極めて重要です。昨年 Google は、Kubernetes コミュニティとともに、クラスタの相互運用性とポータビリティの標準を確立することで Kubernetes 上の AI / ML を簡素化する &lt;/span&gt;&lt;a href="https://www.cncf.io/announcements/2025/11/11/cncf-launches-certified-kubernetes-ai-conformance-program-to-standardize-ai-workloads-on-kubernetes/" rel="noopener" target="_blank"&gt;&lt;strong style="text-decoration: underline; vertical-align: baseline;"&gt;CNCF Kubernetes AI Conformance プログラム&lt;/strong&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt;を立ち上げました。このたび、&lt;/span&gt;&lt;strong style="vertical-align: baseline;"&gt;GKE が AI 適合プラットフォームとして認定&lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt;されたことで、モデルや AI ツールを環境間で移行できるようになりました。&lt;/span&gt;&lt;/p&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;今後の Kubernetes v1.36 リリースに向けて、AI Conformance コミュニティは、AI サービングの進化するニーズに対応するために、高度な推論 Ingress、分離型サービング、高性能ネットワーキングという 3 つの新しい要件を提案しています。Google Cloud は、GKE Inference Gateway、llm-d、DRANET を通じて、これらの新たなコミュニティ規約をサポートすることに尽力しています。&lt;/span&gt;&lt;/p&gt;
&lt;h3&gt;&lt;strong style="vertical-align: baseline;"&gt;Model Context Protocol: エージェント インターフェース&lt;/strong&gt;&lt;/h3&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;昨年 Google は、AI エージェントと Kubernetes との連携を効率化するために、オープンソースの GKE &lt;/span&gt;&lt;a href="https://github.com/GoogleCloudPlatform/gke-mcp" rel="noopener" target="_blank"&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;Model Context Protocol（MCP）サーバー&lt;/span&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt;を発表しました。これは、標準化されたインターフェースを提供することで、明確に定義された機能を通じて、ワークロード、クラスタ、リソースをエージェントが管理、分析、モニタリングできるようにするものです。これらの機能を公開することで、MCP サーバーは &lt;/span&gt;&lt;a href="https://geminicli.com/" rel="noopener" target="_blank"&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;Gemini CLI&lt;/span&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt; や &lt;/span&gt;&lt;a href="https://antigravity.google/" rel="noopener" target="_blank"&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;Antigravity&lt;/span&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt; などのさまざまな AI クライアントの統合を容易にするほか、Kubernetes エコシステムの管理の自動化を促進し、よりインテリジェントなものにします。&lt;/span&gt;&lt;/p&gt;
&lt;h3&gt;&lt;strong style="vertical-align: baseline;"&gt;AI インフラストラクチャとしての Kubernetes&lt;/strong&gt;&lt;/h3&gt;
&lt;p&gt;&lt;a href="https://llm-d.ai/" rel="noopener" target="_blank"&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;llm-d&lt;/span&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt; は正式に CNCF サンドボックス プロジェクトとなり、Kubernetes を最先端の AI インフラストラクチャに進化させるための大きな一歩を踏み出しました。2025 年 5 月に Red Hat や NVIDIA といった業界リーダーとの共同プロジェクトとして立ち上げられた llm-d は、特定のハードウェアやベンダーに依存しないように設計された Kubernetes ネイティブの分散推論フレームワークです。&lt;/span&gt;&lt;/p&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;このプロジェクトでは、推論を考慮したトラフィック管理、マルチノード レプリカのネイティブ オーケストレーション、階層型 KV キャッシュ オフロードの高度な状態管理について、well-lit paths（明確なパス）を導入することで、複雑な AI オーケストレーションの課題に対処します。クラウドネイティブなオーケストレーションと最先端の AI 研究のギャップを埋めることで、llm-d は高性能 AI サービングを広く普及させ、さまざまなアクセラレータの推論性能に関するオープンで再現可能なベンチマークを確立します。Google は、llm-d に関して &lt;/span&gt;&lt;a href="https://github.com/cncf/k8s-ai-conformance" rel="noopener" target="_blank"&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;CNCF AI Conformance&lt;/span&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt; プログラムと連携することで、分散型サービングなどの重要な機能をエコシステム全体で相互運用できるようにする予定です。llm-d について詳しくは、&lt;/span&gt;&lt;a href="https://cloud.google.com/blog/ja/products/containers-kubernetes/llm-d-officially-a-cncf-sandbox-project?e=48754805&amp;amp;hl=ja"&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;こちらのブログ記事&lt;/span&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt;をご覧ください。&lt;/span&gt;&lt;/p&gt;
&lt;h3&gt;&lt;strong style="vertical-align: baseline;"&gt;DRA はリソース管理の新たな標準です&lt;/strong&gt;&lt;/h3&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;Kubernetes が誕生した頃は、変化するものは CPU とメモリだけであり、クラウドは無限に伸縮できると考えられていました。現在では、当然ながら、ハードウェアは専門化され、多様化しています。動的リソース割り当て（&lt;/span&gt;&lt;a href="https://kubernetes.io/docs/concepts/scheduling-eviction/dynamic-resource-allocation/" rel="noopener" target="_blank"&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;DRA&lt;/span&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt;）は、独自のハードウェアを標準形式で記述するための業界標準ソリューションであり、これにより、上位レベルのワークロードやスケジューラは、リソースに関する低レベルの詳細情報にアクセスすることなく、リソースを最適化できます。このたび、オープンソースでリリースすることを発表しました、TPU 用の DRA ドライバは、AI ワークロードのポータビリティを Kubernetes エコシステムにもたらすうえで重要なマイルストーンとなります。Google と NVIDIA は、統一されたリソース管理標準を確立するための共同の取り組みとして、OSS Kubernetes での DRA の設計と実装について緊密に連携しています。Google は、今回のリリースを、&lt;/span&gt;&lt;a href="https://blogs.nvidia.com/blog/nvidia-at-kubecon-2026" rel="noopener" target="_blank"&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;NVIDIA DRA ドライバの寄贈&lt;/span&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt;と合わせて発表できることを誇りに思います。これは、GKE のマネージド機能としてすでに利用可能なネットワーキング用の DRA ドライバである &lt;/span&gt;&lt;a href="https://docs.cloud.google.com/kubernetes-engine/docs/how-to/allocate-network-resources-dra"&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;DRANET&lt;/span&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt; に加えて使用できます。&lt;/span&gt;&lt;/p&gt;
&lt;h3&gt;&lt;strong style="vertical-align: baseline;"&gt;エージェントの波に対応: 推論とエージェント&lt;/strong&gt;&lt;/h3&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;エージェント AI の波が押し寄せています。Google は、エージェントの実行に最適なプラットフォームは Kubernetes であると確信しています。LLM が生成したコードを実行し、AI エージェントと安心してやり取りするには、高度な分離、起動時間の短縮、専用のインフラストラクチャが必要です。&lt;/span&gt;&lt;/p&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;Google は、これを実現するために、オープンソースの推論技術に多大な投資を行っています。たとえば、gVisor 対応のセキュアな分離を実現する &lt;/span&gt;&lt;a href="https://github.com/kubernetes-sigs/agent-sandbox" rel="noopener" target="_blank"&gt;&lt;strong style="text-decoration: underline; vertical-align: baseline;"&gt;Kubernetes Agent Sandbox&lt;/strong&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt; や、ワークロードをメモリ スナップショットから復元することで起動レイテンシを大幅に改善する &lt;/span&gt;&lt;a href="https://docs.cloud.google.com/kubernetes-engine/docs/concepts/pod-snapshots"&gt;&lt;strong style="text-decoration: underline; vertical-align: baseline;"&gt;GKE Pod Snapshots&lt;/strong&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt; などのイノベーションを活用することで、Kubernetes 上のエージェント AI の標準を確立したうえで、GKE で実行されるエージェントのパフォーマンスやコンピューティング効率を高めています。&lt;/span&gt;&lt;/p&gt;
&lt;h3&gt;&lt;strong style="vertical-align: baseline;"&gt;Kubernetes 上の Ray: TPU と優れたオブザーバビリティ&lt;/strong&gt;&lt;/h3&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;Ray は、要求の厳しい AI ワークロードをスケールするための標準になりつつあり、Kubernetes は Ray の実行に最適な環境であると Google は考えています。最近まで、公式のアクセラレータ サポートは NVIDIA GPU に限定されていましたが、このたび、Anyscale と Google による完全なサポートを備えた Ray v2.55 の TPU を発表しました。&lt;/span&gt;&lt;/p&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;これまで、Kubernetes 上の Ray では、ジョブに関する過去のデータにアクセスできなかったため、デバッグやパフォーマンスの最適化が困難でしたが、この問題を解決するために、&lt;/span&gt;&lt;strong style="vertical-align: baseline;"&gt;RayJob の完了または終了後に問題をデバッグする機能&lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt;を導入しました。これを実現する Ray History Server は、Kuberay を使用して実行中の RayJob からログ、状態、指標を設定して永続化し、Ray ダッシュボードにそれらを再現できます。Ray History Server（アルファ版）は&lt;/span&gt;&lt;a href="https://docs.cloud.google.com/kubernetes-engine/docs/add-on/ray-on-gke/how-to/enable-ray-history-server"&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;今すぐお試し&lt;/span&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt;いただけます。&lt;/span&gt;&lt;/p&gt;
&lt;h3&gt;&lt;strong style="vertical-align: baseline;"&gt;ブースにお立ち寄りください&lt;/strong&gt;&lt;/h3&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;次世代の AI 推論のスケールアップ、高度に分離されたエージェント ワークフローのデプロイ、クラスタ全体のコンピューティング容量の最適化など、どのような場合でも、Google は Kubernetes と GKE を究極のプラットフォームにすることに尽力し、お客様を成功に導きます。&lt;/span&gt;&lt;/p&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;KubeCon Europe に参加される方は、ぜひ Google Cloud ブース（#310）にお立ち寄りください。上述の発表について詳しくご説明するほか、&lt;/span&gt;&lt;a href="https://rsvp.withgoogle.com/events/google-cloud-at-kubecon-europe-2026" rel="noopener" target="_blank"&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;セッション、ライトニング トーク、ハンズオンラボ、デモ &lt;/span&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt;をご覧いただけます。また、テキストベースの冒険ゲームで楽しく競い合うイベントもご用意しています。Kubernetes の未来に乾杯！&lt;/span&gt;&lt;/p&gt;
&lt;p&gt;&lt;strong style="font-style: italic; vertical-align: baseline;"&gt;- &lt;/strong&gt;&lt;span style="font-style: italic; vertical-align: baseline;"&gt;シニア クラウド デベロッパー アドボケイト、&lt;/span&gt;&lt;strong style="font-style: italic; vertical-align: baseline;"&gt;Abdel Sghiouar&lt;/strong&gt;&lt;/p&gt;
&lt;p&gt;&lt;strong style="font-style: italic; vertical-align: baseline;"&gt;- &lt;/strong&gt;&lt;span style="font-style: italic; vertical-align: baseline;"&gt;GKE プロダクト管理担当ディレクター、&lt;/span&gt;&lt;strong style="font-style: italic; vertical-align: baseline;"&gt;Allan Naim&lt;/strong&gt;&lt;/p&gt;&lt;/div&gt;</description><pubDate>Tue, 07 Apr 2026 01:00:00 +0000</pubDate><guid>https://cloud.google.com/blog/ja/products/containers-kubernetes/gke-and-oss-innovation-at-kubecon-eu-2026/</guid><category>GKE</category><category>Open Source</category><category>Containers &amp; Kubernetes</category><og xmlns:og="http://ogp.me/ns#"><type>article</type><title>AI 時代のオープン プラットフォーム: GKE、エージェント、OSS のイノベーションを KubeCon EU 2026 で披露</title><description></description><site_name>Google</site_name><url>https://cloud.google.com/blog/ja/products/containers-kubernetes/gke-and-oss-innovation-at-kubecon-eu-2026/</url></og><author xmlns:author="http://www.w3.org/2005/Atom"><name>Abdel Sghiouar</name><title>Cloud Developer Advocate</title><department></department><company></company></author><author xmlns:author="http://www.w3.org/2005/Atom"><name>Allan Naim</name><title>Director of Product Management GKE</title><department></department><company></company></author></item><item><title>AI インフラストラクチャとしての Kubernetes: Google Cloud、llm-d、CNCF</title><link>https://cloud.google.com/blog/ja/products/containers-kubernetes/llm-d-officially-a-cncf-sandbox-project/</link><description>&lt;div class="block-paragraph_advanced"&gt;&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;※この投稿は米国時間 2026 年 3 月 25 日に、Google Cloud blog に&lt;/span&gt;&lt;a href="https://cloud.google.com/blog/products/containers-kubernetes/llm-d-officially-a-cncf-sandbox-project?hl=en&amp;amp;e=48754805"&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;投稿&lt;/span&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt;されたものの抄訳です。&lt;/span&gt;&lt;/p&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;Google Cloud は、大規模な基盤モデルのビルダーや AI ネイティブ企業の膨大なニーズに応えることを、当社の AI インフラストラクチャ戦略の最優先事項としています。生成 AI の利用がミッション クリティカルな本番環境へと移行する中、このようなイノベーターは、複雑なオーケストレーションの課題を克服し、エージェント主導の未来を推進できる、動的かつ絶え間なく効率的なインフラストラクチャを必要としています。&lt;/span&gt;&lt;/p&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;こうした状況を鑑み、このたび、&lt;/span&gt;&lt;a href="https://llm-d.ai/" rel="noopener" target="_blank"&gt;&lt;strong style="text-decoration: underline; vertical-align: baseline;"&gt;llm-d&lt;/strong&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt; が Cloud Native Computing Foundation（CNCF）のサンドボックス プロジェクトとして&lt;/span&gt;&lt;a href="https://www.cncf.io/blog/2026/03/24/welcome-llm-d-to-the-cncf-evolving-kubernetes-into-sota-ai-infrastructure/" rel="noopener" target="_blank"&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;正式に&lt;/span&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt;承認されたことを大変嬉しく思います。Google Cloud は、Red Hat、IBM Research、CoreWeave、NVIDIA とともに、llm-d の創設メンバーとして貢献できることを誇りに思います。私たちは、業界を定義する明確なビジョン「&lt;/span&gt;&lt;strong style="vertical-align: baseline;"&gt;あらゆるモデル、あらゆるアクセラレータ、あらゆるクラウド&lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt;」の下に団結しています。&lt;/span&gt;&lt;/p&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;この貢献は、オープンソースのイノベーションにおける Google の長年のリーダーシップを裏付けるものです。私たちはまた、Linux Foundation の信頼できる管理の下、分散 AI 推論の未来が、閉ざされた環境ではなくオープン スタンダードに基づいて構築されるよう支援しています。これにより、基盤モデルのビルダーは、ベンダーに縛られることなくモデルをグローバルにデプロイできるという確信を得られるとともに、これらのオープン テクノロジーの実装を高度に最適化したうえで Google Cloud で直接行えるようになります。&lt;/span&gt;&lt;/p&gt;&lt;/div&gt;
&lt;div class="block-image_full_width"&gt;






  
    &lt;div class="article-module h-c-page"&gt;
      &lt;div class="h-c-grid"&gt;
  

    &lt;figure class="article-image--large
      
      
        h-c-grid__col
        h-c-grid__col--6 h-c-grid__col--offset-3
        
        
      "
      &gt;

      
      
        
        &lt;img
            src="https://storage.googleapis.com/gweb-cloudblog-publish/images/1_KwJQrYd.max-1000x1000.png"
        
          alt="1"&gt;
        
        &lt;/a&gt;
      
    &lt;/figure&gt;

  
      &lt;/div&gt;
    &lt;/div&gt;
  




&lt;/div&gt;
&lt;div class="block-paragraph_advanced"&gt;&lt;h4&gt;&lt;strong style="vertical-align: baseline;"&gt;推論のための Kubernetes の強化&lt;/strong&gt;&lt;/h4&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;Kubernetes は、オーケストレーションの業界標準として揺るぎない地位を確立しています。強固な基盤を提供しますが、元々は、LLM 推論のために構築されたものではなく、高度にステートフルで動的な要求には対応できませんでした。&lt;/span&gt;&lt;a href="https://docs.cloud.google.com/kubernetes-engine/docs/tutorials/serve-with-gke-inference-gateway"&gt;&lt;strong style="text-decoration: underline; vertical-align: baseline;"&gt;GKE Inference Gateway&lt;/strong&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt; は、こうした新しいタイプのワークロードに対応するために Kubernetes を進化させたもので、単純なロード バランシングをはるかに超えるネイティブ API を提供します。このゲートウェイの内部では、スケジューリング インテリジェンスのために &lt;/span&gt;&lt;a href="https://github.com/kubernetes-sigs/gateway-api-inference-extension/tree/main/docs/proposals/004-endpoint-picker-protocol" rel="noopener" target="_blank"&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;llm-d Endpoint Picker（EPP）&lt;/span&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt;を活用しています。このシステムでは、ルーティングの決定を llm-d に委任することで、リアルタイムの KV キャッシュ ヒット率、処理中のリクエスト数、インスタンス キューの深さを考慮した多目的ポリシーを適用し、各リクエストを処理に最適なバックエンドにルーティングします。&lt;/span&gt;&lt;/p&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;大規模に運用する基盤モデルのビルダーにとって、こうしたモデル対応のルーティングがもたらす現実世界への影響は画期的です。最近、Google の Vertex AI チームは本番環境でこのアーキテクチャを&lt;/span&gt;&lt;a href="https://cloud.google.com/blog/ja/products/containers-kubernetes/how-gke-inference-gateway-improved-latency-for-vertex-ai?e=48754805&amp;amp;hl=ja"&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;検証&lt;/span&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt;し、脆弱なカスタム スケジューラに依存することなく、予測が非常に難しいトラフィックを処理できることを証明しました。Qwen Coder を使用したコンテキストを多用するコーディング タスクでは、最初のトークンまでの時間（TTFT）のレイテンシが 35% 以上短縮されました。また、研究目的に DeepSeek を使用してバースト性が高く確率的なチャット ワークロードを処理した場合には、P95 テール レイテンシが 52% 改善され、深刻な負荷変動を効果的に吸収できました。特に重要なのは、このゲートウェイのルーティング インテリジェンスにより、Vertex AI の接頭辞キャッシュ ヒット率が 35% から 70% に倍増したことであり、これにより、再計算のオーバーヘッドとトークンあたりの費用が大幅に削減されました。&lt;/span&gt;&lt;/p&gt;&lt;/div&gt;
&lt;div class="block-image_full_width"&gt;






  
    &lt;div class="article-module h-c-page"&gt;
      &lt;div class="h-c-grid"&gt;
  

    &lt;figure class="article-image--large
      
      
        h-c-grid__col
        h-c-grid__col--6 h-c-grid__col--offset-3
        
        
      "
      &gt;

      
      
        
        &lt;img
            src="https://storage.googleapis.com/gweb-cloudblog-publish/images/2_K56j60Q.max-1000x1000.png"
        
          alt="2"&gt;
        
        &lt;/a&gt;
      
    &lt;/figure&gt;

  
      &lt;/div&gt;
    &lt;/div&gt;
  




&lt;/div&gt;
&lt;div class="block-paragraph_advanced"&gt;&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;インテリジェントなルーティングに加えて、マルチノード AI デプロイをオーケストレートするには、堅牢な基盤となるプリミティブが必要です。そのため、Google では Kubernetes &lt;/span&gt;&lt;a href="https://lws.sigs.k8s.io/docs/overview/" rel="noopener" target="_blank"&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;LeaderWorkerSet&lt;/span&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt;（LWS）API の開発を主導しています。LWS により、llm-d は広範なエキスパート並列処理をオーケストレートし、計算負荷の高いプリフィル フェーズとメモリ負荷の高いデコード フェーズを、個別にスケーリング可能な Pod に分離できます。業界で広く採用されている LWS は、今では、急速に拡大する本番環境の AI ワークロードのフットプリントをオーケストレートし、グローバル規模で TPU と GPU の大規模なフリートを管理しています。このオーケストレーションを補完するものとして、Google は最近、&lt;/span&gt;&lt;a href="https://vllm.ai/blog/vllm-tpu" rel="noopener" target="_blank"&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;Cloud TPU 向けに vLLM をネイティブに拡張&lt;/span&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt;しました。PyTorch と JAX の統合バックエンドに加え、Ragged Paged Attention v3 などの革新的な機能を備えたこのインテグレーションにより、昨年初めにリリースした最初のバージョンと比較して、スループットが最大 5 倍向上しました。Google Cloud TPU や NVIDIA GPU のどちらでスケールする場合でも、これらの進歩により、最先端の AI サービングが高度に最適化され、アクセラレータに依存しない機能として維持されます。&lt;/span&gt;&lt;/p&gt;
&lt;h4&gt;&lt;strong style="vertical-align: baseline;"&gt;次世代の AI インフラストラクチャを共同で構築&lt;/strong&gt;&lt;/h4&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;究極の AI インフラストラクチャを構築するには、クラウドネイティブな Kubernetes オーケストレーションと最先端の AI 研究との間のギャップを埋める必要があります。本番環境レベルの生成 AI への移行には、信頼性と透明性を備えたエンジンが必要であり、可能性の限界を押し広げる AI / ML リーダーとの緊密なコラボレーションも求められます。&lt;/span&gt;&lt;/p&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;私たちは、Linux Foundation、CNCF、PyTorch Foundation、その他のオープンソース コミュニティとともに、次世代の AI インフラストラクチャを構築できることを大変嬉しく思っています。「well-lit paths」（現実的な負荷の下でエンドツーエンドにテストされた、実証済みで再現可能なブループリント）を確立することで、高性能な AI がオープンで誰もがアクセスできるエコシステムとして発展し、境界のないイノベーションを促進できるようにしています。&lt;/span&gt;&lt;/p&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;AI 推論のオープンな未来を一緒に形作りましょう。大規模基盤モデルのビルダー、AI ネイティブ企業、プラットフォーム エンジニア、AI 研究者の皆様の参加を心よりお待ちしております。&lt;/span&gt;&lt;/p&gt;
&lt;ul&gt;
&lt;li aria-level="1" style="list-style-type: disc; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;strong style="vertical-align: baseline;"&gt;「well-lit paths」を確認する:&lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt; &lt;/span&gt;&lt;a href="https://llm-d.ai/docs/guide" rel="noopener" target="_blank"&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;llm-d ガイド&lt;/span&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt;を参照し、ご自身のインフラストラクチャに SOTA 推論スタックを今すぐデプロイしましょう。&lt;/span&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;li aria-level="1" style="list-style-type: disc; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;strong style="vertical-align: baseline;"&gt;詳細:&lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt; 公式ウェブサイト（&lt;/span&gt;&lt;a href="https://llm-d.ai/" rel="noopener" target="_blank"&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;https://llm-d.ai&lt;/span&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt;/）をご覧ください。&lt;/span&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;li aria-level="1" style="list-style-type: disc; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;strong style="vertical-align: baseline;"&gt;ご協力のお願い:&lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt; Slack のコミュニティに参加し、GitHub リポジトリ（&lt;/span&gt;&lt;a href="https://github.com/llm-d/" rel="noopener" target="_blank"&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;https://github.com/llm-d/&lt;/span&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt;）での活動にご協力ください。&lt;/span&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;/ul&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;llm-d の CNCF サンドボックス プロジェクトへの参加をお待ちしております。皆様とともにこのエンジンを発展させていくことを楽しみにしています。&lt;/span&gt;&lt;/p&gt;
&lt;p&gt;&lt;strong style="font-style: italic; vertical-align: baseline;"&gt;- &lt;/strong&gt;&lt;span style="font-style: italic; vertical-align: baseline;"&gt;プロダクト マネージャー、&lt;/span&gt;&lt;strong style="font-style: italic; vertical-align: baseline;"&gt;Sean Horgan&lt;/strong&gt;&lt;/p&gt;
&lt;p&gt;&lt;strong style="font-style: italic; vertical-align: baseline;"&gt;- &lt;/strong&gt;&lt;span style="font-style: italic; vertical-align: baseline;"&gt;シニア クラウド デベロッパー アドボケイト、&lt;/span&gt;&lt;strong style="font-style: italic; vertical-align: baseline;"&gt;Abdel Sghiouar&lt;/strong&gt;&lt;/p&gt;&lt;/div&gt;</description><pubDate>Fri, 03 Apr 2026 01:00:00 +0000</pubDate><guid>https://cloud.google.com/blog/ja/products/containers-kubernetes/llm-d-officially-a-cncf-sandbox-project/</guid><category>GKE</category><category>AI &amp; Machine Learning</category><category>Open Source</category><category>Containers &amp; Kubernetes</category><og xmlns:og="http://ogp.me/ns#"><type>article</type><title>AI インフラストラクチャとしての Kubernetes: Google Cloud、llm-d、CNCF</title><description></description><site_name>Google</site_name><url>https://cloud.google.com/blog/ja/products/containers-kubernetes/llm-d-officially-a-cncf-sandbox-project/</url></og><author xmlns:author="http://www.w3.org/2005/Atom"><name>Sean Horgan</name><title>Product Manager</title><department></department><company></company></author><author xmlns:author="http://www.w3.org/2005/Atom"><name>Abdel Sghiouar</name><title>Cloud Developer Advocate</title><department></department><company></company></author></item><item><title>広範な OTLP 対応に向けて: Cloud Monitoring が OpenTelemetry Protocol 指標をサポート</title><link>https://cloud.google.com/blog/ja/products/management-tools/otlp-opentelemetry-protocol-for-google-cloud-monitoring-metrics/</link><description>&lt;div class="block-paragraph_advanced"&gt;&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;※この投稿は米国時間 2026 年 2 月 10 日に、Google Cloud blog に&lt;/span&gt;&lt;a href="https://cloud.google.com/blog/products/management-tools/otlp-opentelemetry-protocol-for-google-cloud-monitoring-metrics?hl=en"&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;投稿&lt;/span&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt;されたものの抄訳です。&lt;/span&gt;&lt;/p&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;Google Cloud は、オープン標準への取り組みの一環として、&lt;/span&gt;&lt;a href="http://opentelemetry.io/" rel="noopener" target="_blank"&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;OpenTelemetry&lt;/span&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt; をテレメトリー データ用のユニバーサル クライアント、データ形式、標準セットとするために尽力しています。&lt;/span&gt;&lt;/p&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;昨年は、Cloud Observability が &lt;/span&gt;&lt;a href="https://opentelemetry.io/docs/specs/otel/protocol/" rel="noopener" target="_blank"&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;OpenTelemetry Protocol&lt;/span&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt;（OTLP）&lt;/span&gt;&lt;a href="https://cloud.google.com/blog/ja/products/management-tools/opentelemetry-now-in-google-cloud-observability?hl=ja"&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;を使用したトレースの送信に対応した&lt;/span&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt;ことを発表いたしました。そして今回、あらゆるソリューションで OpenTelemetry を活用できるようにするという目標に向けた次のステップとして、&lt;/span&gt;&lt;strong style="vertical-align: baseline;"&gt;Cloud Observability における Cloud Monitoring の&lt;/strong&gt;&lt;a href="https://docs.cloud.google.com/stackdriver/docs/otlp-metrics/overview?hl=ja"&gt;&lt;strong style="text-decoration: underline; vertical-align: baseline;"&gt;指標向け OTLP&lt;/strong&gt;&lt;/a&gt;&lt;strong style="vertical-align: baseline;"&gt; への対応を発表いたしました。&lt;/strong&gt;&lt;/p&gt;
&lt;h4&gt;&lt;strong style="vertical-align: baseline;"&gt;指標向け OTLP: 「新標準」以上の意味&lt;/strong&gt;&lt;/h4&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;OpenTelemetry と OTLP を使用すると、プロバイダに完全に依存しないパイプラインで指標データを生成して Google Cloud に送信できます。OpenTelemetry SDK を使用して OTLP 指標を作成し、OpenTelemetry コレクタを使用して収集、変換してから、そのデータを OpenTelemetry 形式で Cloud Monitoring に直接送信できます。&lt;/span&gt;&lt;/p&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;デフォルトでは、このデータは &lt;/span&gt;&lt;a href="https://docs.cloud.google.com/stackdriver/docs/managed-prometheus?hl=ja"&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;Managed Service for Prometheus&lt;/span&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt; のデータと同じ形式で保存され、費用も同様に低く抑えることができます。このデータは、Cloud Monitoring の他のデータをクエリする場合と同じインターフェースを使用してクエリできます。&lt;/span&gt;&lt;/p&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;OTLP を使用すると、次のような新機能も利用できます。これらは、お客様からのご要望の多かった機能です。&lt;/span&gt;&lt;/p&gt;
&lt;ul&gt;
&lt;li aria-level="1" style="list-style-type: disc; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;strong style="vertical-align: baseline;"&gt;デルタタイプの指標&lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt;: 前回のエクスポートから今回のエクスポートまでの間にモノトニック カウンタで変化した量を送信します。メモリ内のすべてのカウンタをトラッキングして、常にカウンタの最新の値を送信することはありません。これにより、クライアントはエクスポートの合間にメモリをフラッシュできるため、クライアントサイドのリソース消費が大幅に削減され、有効期間が短い、または増分が少ない時系列データをより適切に収集できるようになります。&lt;/span&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;li aria-level="1" style="list-style-type: disc; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;strong style="vertical-align: baseline;"&gt;指数（動的）ヒストグラム&lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt;: 従来のヒストグラムでは、予測されるデータの分布に基づいてバケット幅を明示的に設定する必要があります。その予測が実際のデータ分布と一致しない場合、すべての観測結果が少数の低バケットにまとめられたり、注目すべき観測結果が「無限より低い」バケットに入れられて情報の精度が下がったりする可能性があります。これに対して、&lt;/span&gt;&lt;a href="https://opentelemetry.io/docs/specs/otel/metrics/data-model/#exponentialhistogram" rel="noopener" target="_blank"&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;OpenTelemetry の指数ヒストグラム&lt;/span&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt;では、実際に確認された値の範囲に基づいてバケットの境界が動的に変更されるため、ヒストグラムのバケットを推測して確認する必要がなくなります。一度設定すれば、後は自動で処理されます。&lt;/span&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;li aria-level="1" style="list-style-type: disc; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;strong style="vertical-align: baseline;"&gt;指標名のドットとスラッシュ、ラベルキーのドット&lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt;: Cloud Monitoring で、&lt;/span&gt;&lt;a href="https://docs.cloud.google.com/monitoring/promql?hl=ja#promql-cm-query"&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;PromQL を使用した URL スタイルの名前のクエリ&lt;/span&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt;に完全対応いたしました。さらに、Cloud Monitoring のラベルキーで &lt;/span&gt;&lt;code style="vertical-align: baseline;"&gt;.&lt;/code&gt;&lt;span style="vertical-align: baseline;"&gt; 文字も使用できるようになりました。これにより、OpenTelemetry の&lt;/span&gt;&lt;a href="https://opentelemetry.io/docs/specs/semconv/" rel="noopener" target="_blank"&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;セマンティック規約&lt;/span&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt;に対応できます。&lt;/span&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;li aria-level="1" style="list-style-type: disc; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;strong style="vertical-align: baseline;"&gt;SDK から Cloud Monitoring へのコレクタ不要の指標の直接送信&lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt;: Pod 間および Service 間のトラフィックを報告する Envoy やお客様が実行するロードバランサ プロセスなど、非常に大量でカーディナリティの高い指標ソースの場合、パイプラインに OpenTelemetry コレクタを配置すると、費用が非常に高くなる可能性があります。コレクタは、指標の量が多すぎる場合に過負荷になる傾向があり、コレクタを水平方向または垂直方向にスケールするには、デベロッパーが多くの作業を行う必要があります。OTLP を使用すると、OpenTelemetry SDK によってエクスポートされた指標を Cloud Observability の指標用 Telemetry API に直接ポイントできるため、中間プロセスを自分で実行してスケールする必要がなく、Google にボリュームの処理を任せることができます。&lt;/span&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;li aria-level="1" style="list-style-type: disc; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;strong style="vertical-align: baseline;"&gt;指標とトレースのゼロコード自動計測&lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt;: OpenTelemetry を使用して&lt;/span&gt;&lt;a href="https://opentelemetry.io/docs/zero-code/" rel="noopener" target="_blank"&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;互換性のあるワークロードを自動的に計測&lt;/span&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt;し、コードを使用せずに標準化されたトレースとゴールデン シグナル指標を生成してから、データを OTLP 形式で Cloud Observability に送信できます。ゴールデン シグナルの指標を取得するために、アプリケーション コードと計測のコードを混在させる必要はなくなりました。ただし、コード内のすべての RPC を忘れずに一貫して計測する必要があります。&lt;/span&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;/ul&gt;
&lt;h4&gt;&lt;strong style="vertical-align: baseline;"&gt;Google Kubernetes Engine 向けマネージド OpenTelemetry&lt;/strong&gt;&lt;/h4&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;OpenTelemetry コレクタを自分で実行しようとすると、手動でデプロイ、構成、スケールする必要があるため、多くの手間がかかります。しかし、一般的なオブザーバビリティ プロファイルの一般的なワークロードの場合、通常は、OTLP シグナルを受信して拡充するためのシンプルなクラスタ内エンドポイントがあれば十分です。&lt;/span&gt;&lt;/p&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;そこで、Google は &lt;/span&gt;&lt;a href="https://docs.cloud.google.com/kubernetes-engine/docs/concepts/managed-otel-gke?hl=ja"&gt;&lt;strong style="text-decoration: underline; vertical-align: baseline;"&gt;GKE 用マネージド OpenTelemetry&lt;/strong&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt; も導入することにしました。これは、Google Kubernetes Engine で OTLP トレース、指標、ログを生成および収集するためのフルマネージドの「ワンクリック」パイプラインです。Google がコレクタのライフサイクル、アップグレード、スケーリングを処理するため、デベロッパーはオブザーバビリティ インフラストラクチャではなくアプリケーション コードに集中できます。&lt;/span&gt;&lt;/p&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;マネージド OpenTelemetry は、GKE 向けの初のフルマネージド トレース ソリューションです。トレースはアプリケーションのパフォーマンス モニタリングに不可欠であり、アプリケーションの依存関係の動的かつ実用的なビューである&lt;/span&gt;&lt;a href="https://docs.cloud.google.com/stackdriver/docs/observability/application-topology?hl=ja"&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;アプリケーション トポロジマップ&lt;/span&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt;などの機能の基盤となります。&lt;/span&gt;&lt;/p&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;また、GKE 用マネージド OpenTelemetry を使用すると、OpenTelemetry SDK を使用するワークロードを自動的に構成および計測することもできます。1 つのカスタム リソースで、&lt;/span&gt;&lt;a href="https://docs.cloud.google.com/stackdriver/docs/instrumentation/ai-agent-adk?hl=ja"&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;Agent Development Kit（ADK）&lt;/span&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt;といった OpenTelemetry をサポートするフレームワークで構築された AI エージェントなど、OpenTelemetry 対応のアプリケーションすべてのゴールデン シグナルを Cloud Observability で取得できます。&lt;/span&gt;&lt;/p&gt;
&lt;h4&gt;&lt;strong style="vertical-align: baseline;"&gt;ご利用方法&lt;/strong&gt;&lt;/h4&gt;
&lt;p&gt;&lt;a href="https://docs.cloud.google.com/stackdriver/docs/otlp-metrics/overview?hl=ja"&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;指標向け OTLP&lt;/span&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt; は現在プレビュー版で、すべてのお客様にご利用いただけます。ただし、OpenTelemetry バージョン 0.140.0 以降を使用する必要があります。OpenTelemetry SDK または OpenTelemetry コレクタを使用した OTLP 指標の利用を開始する場合は、&lt;/span&gt;&lt;a href="https://docs.cloud.google.com/stackdriver/docs/otlp-metrics/overview?hl=ja"&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;OTLP 指標取り込みに関するドキュメント&lt;/span&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt;をご覧ください。独自のコレクタを実行する場合は、可能であれば &lt;/span&gt;&lt;a href="https://docs.cloud.google.com/stackdriver/docs/instrumentation/google-built-otel?hl=ja"&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;Google が構築した OpenTelemetry コレクタ&lt;/span&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt;を使用することをおすすめします。&lt;/span&gt;&lt;/p&gt;
&lt;p&gt;&lt;a href="https://docs.cloud.google.com/kubernetes-engine/docs/concepts/managed-otel-gke?hl=ja"&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;GKE 用マネージド OpenTelemetry&lt;/span&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt; は現在プレビュー版で、すべてのお客様にご利用いただけます。ただし、GKE クラスタ バージョン 1.34.1-gke.2178000 以降、gcloud CLI バージョン 551.0.0 以降を使用する必要があります。ご利用にあたっては、&lt;/span&gt;&lt;a href="https://docs.cloud.google.com/kubernetes-engine/docs/concepts/managed-otel-gke?hl=ja"&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;GKE 用マネージド OpenTelemetry のドキュメント&lt;/span&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt;をご覧ください。&lt;/span&gt;&lt;/p&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;最後に、セルフデプロイされた OpenTelemetry コレクタを使用して GKE 上の Java ワークロードのゼロコード自動計測を開始する場合は、&lt;/span&gt;&lt;a href="https://docs.cloud.google.com/stackdriver/docs/instrumentation/otel-zerocode-java-gke"&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;ゼロコードに関するドキュメント&lt;/span&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt;をご覧ください。&lt;/span&gt;&lt;/p&gt;
&lt;p&gt;&lt;strong style="font-style: italic; vertical-align: baseline;"&gt;- &lt;/strong&gt;&lt;span style="font-style: italic; vertical-align: baseline;"&gt;シニア プロダクト マネージャー、&lt;/span&gt;&lt;strong style="font-style: italic; vertical-align: baseline;"&gt;Lee Yanco&lt;/strong&gt;&lt;/p&gt;
&lt;p&gt;&lt;strong style="font-style: italic; vertical-align: baseline;"&gt;- &lt;/strong&gt;&lt;span style="font-style: italic; vertical-align: baseline;"&gt;シニア プロダクト マネージャー、&lt;/span&gt;&lt;strong style="font-style: italic; vertical-align: baseline;"&gt;James Maffey&lt;/strong&gt;&lt;/p&gt;&lt;/div&gt;
&lt;div class="block-related_article_tout"&gt;





&lt;div class="uni-related-article-tout h-c-page"&gt;
  &lt;section class="h-c-grid"&gt;
    &lt;a href="https://cloud.google.com/blog/ja/products/management-tools/opentelemetry-now-in-google-cloud-observability/"
       data-analytics='{
                       "event": "page interaction",
                       "category": "article lead",
                       "action": "related article - inline",
                       "label": "article: {slug}"
                     }'
       class="uni-related-article-tout__wrapper h-c-grid__col h-c-grid__col--8 h-c-grid__col-m--6 h-c-grid__col-l--6
        h-c-grid__col--offset-2 h-c-grid__col-m--offset-3 h-c-grid__col-l--offset-3 uni-click-tracker"&gt;
      &lt;div class="uni-related-article-tout__inner-wrapper"&gt;
        &lt;p class="uni-related-article-tout__eyebrow h-c-eyebrow"&gt;Related Article&lt;/p&gt;

        &lt;div class="uni-related-article-tout__content-wrapper"&gt;
          &lt;div class="uni-related-article-tout__image-wrapper"&gt;
            &lt;div class="uni-related-article-tout__image" style="background-image: url('')"&gt;&lt;/div&gt;
          &lt;/div&gt;
          &lt;div class="uni-related-article-tout__content"&gt;
            &lt;h4 class="uni-related-article-tout__header h-has-bottom-margin"&gt;OpenTelemetry Protocol が Google Cloud Observability に登場&lt;/h4&gt;
            &lt;p class="uni-related-article-tout__body"&gt;Google Cloud Observability の Cloud Trace で、telemetry.googleapis.com を介して OpenTelemetry（OTLP）を使用してトレースデータを送信できるようになりました。&lt;/p&gt;
            &lt;div class="cta module-cta h-c-copy  uni-related-article-tout__cta muted"&gt;
              &lt;span class="nowrap"&gt;Read Article
                &lt;svg class="icon h-c-icon" role="presentation"&gt;
                  &lt;use xmlns:xlink="http://www.w3.org/1999/xlink" xlink:href="#mi-arrow-forward"&gt;&lt;/use&gt;
                &lt;/svg&gt;
              &lt;/span&gt;
            &lt;/div&gt;
          &lt;/div&gt;
        &lt;/div&gt;
      &lt;/div&gt;
    &lt;/a&gt;
  &lt;/section&gt;
&lt;/div&gt;

&lt;/div&gt;</description><pubDate>Wed, 18 Feb 2026 02:00:00 +0000</pubDate><guid>https://cloud.google.com/blog/ja/products/management-tools/otlp-opentelemetry-protocol-for-google-cloud-monitoring-metrics/</guid><category>GKE</category><category>Open Source</category><category>Management Tools</category><media:content height="540" url="https://storage.googleapis.com/gweb-cloudblog-publish/images/1_-_hero_image_-_png_uncompressed.max-600x600.png" width="540"></media:content><og xmlns:og="http://ogp.me/ns#"><type>article</type><title>広範な OTLP 対応に向けて: Cloud Monitoring が OpenTelemetry Protocol 指標をサポート</title><description></description><image>https://storage.googleapis.com/gweb-cloudblog-publish/images/1_-_hero_image_-_png_uncompressed.max-600x600.png</image><site_name>Google</site_name><url>https://cloud.google.com/blog/ja/products/management-tools/otlp-opentelemetry-protocol-for-google-cloud-monitoring-metrics/</url></og><author xmlns:author="http://www.w3.org/2005/Atom"><name>Lee Yanco</name><title>Senior Product Manager</title><department></department><company></company></author><author xmlns:author="http://www.w3.org/2005/Atom"><name>James Maffey</name><title>Senior Product Manager</title><department></department><company></company></author></item><item><title>マックス プランク研究所がマルチモーダル エージェントを通じて専門スキルを共有する方法</title><link>https://cloud.google.com/blog/ja/products/ai-machine-learning/planck-institute-research-expert-gen-ai-agent/</link><description>&lt;div class="block-paragraph_advanced"&gt;&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;※この投稿は米国時間 2025 年 10 月 25 日に、Google Cloud blog に&lt;/span&gt;&lt;a href="https://cloud.google.com/blog/products/ai-machine-learning/planck-institute-research-expert-gen-ai-agent?e=48754805&amp;amp;hl=en"&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;投稿&lt;/span&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt;されたものの抄訳です。&lt;/span&gt;&lt;/p&gt;
&lt;p&gt;&lt;a href="https://doi.org/10.1016/j.ccell.2025.06.004" rel="noopener" target="_blank"&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;がん&lt;/span&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt;や&lt;/span&gt;&lt;a href="https://doi.org/10.15252/msb.20199356" rel="noopener" target="_blank"&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;アルツハイマー病&lt;/span&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt;などの複雑な病気の効果的なモニタリングと治療は、その根底にある生物学的プロセスを理解することにかかっています。タンパク質は、そのプロセスに不可欠なものです。&lt;/span&gt;&lt;a href="https://doi.org/10.1038/nature19949" rel="noopener" target="_blank"&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;質量分析ベースのプロテオミクス&lt;/span&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt;は、これらのタンパク質を迅速かつグローバルに研究するための強力な手法です。しかし、この手法を広く採用するには、技術的な複雑さがネックとなっています。高度な分析機器と手順を習得するには専門的なトレーニングが必要となるためです。これにより、専門知識のボトルネックが生じ、研究の進展が遅くなります。&lt;/span&gt;&lt;/p&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;この課題に対処するため、マックス プランク生化学研究所の研究者は Google Cloud と協力して、科学者の実験を支援する &lt;/span&gt;&lt;a href="https://www.biorxiv.org/content/10.1101/2025.10.05.680425v1" rel="noopener" target="_blank"&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;Proteomics Lab Agent&lt;/span&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt; を構築しました。このエージェントは、パーソナライズされた AI ガイダンスを通じて複雑な科学的手順の遂行を簡素化し、実行を容易にすると同時に、プロセスを自動的に文書化します。&lt;/span&gt;&lt;/p&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;「研究室の重要な専門知識は、文書化されることがほとんどなく、研究者の異動によって失われる暗黙知であることがよくあります。このエージェントは、実践的な演習を記録して組織の記憶を構築するだけでなく、実験エラーを体系的に検出して再現性を高めることで、この問題に直接対処します。最終的には、研究室がこれまで以上に迅速に科学のフロンティアを押し広げられるようになります」と、マックス プランク生化学研究所のプロテオミクスおよびシグナル伝達部門を率いる、質量分析ベースのプロテオミクスのパイオニアである Matthias Mann 教授は述べています。&lt;/span&gt;&lt;/p&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;このエージェントは、&lt;/span&gt;&lt;a href="https://google.github.io/adk-docs/" rel="noopener" target="_blank"&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;Agent Development Kit（ADK）&lt;/span&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt;、Google Cloud インフラストラクチャ、Gemini モデルを使用して構築されました。Gemini モデルは、高度な動画と長いコンテキストを理解でき、高度な研究のニーズに最適です。&lt;/span&gt;&lt;/p&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;エージェントのコア機能の一つは、研究者が実験作業を行う動画を分析し、その行動を基準プロトコルと比較することで、エラーや漏れを検出することです。このプロセスは 2 分強で完了し、手順上のエラーを約 74% の高い精度で検出できます。ただし、ドメイン固有の知識と空間認識にはまだ改善が必要です。AI による支援を受けたアプローチは、現在の手動によるアプローチよりも効率的です。手動によるアプローチでは、研究者の直感に頼って、手順中の微妙な間違いを見つけたり、さらによくあるケースでは実験が失敗した後にのみトラブルシューティングを行ったりします。&lt;/span&gt;&lt;/p&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;エージェントは、ミスを特定しやすくし、パーソナライズされたガイダンスを提供することで、トラブルシューティングの時間を短縮し、将来的にはリアルタイムの AI ガイダンスがエラーの発生を防止することを目指しています。&lt;/span&gt;&lt;/p&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;プロテオミクス AI エージェントの可能性はライフ サイエンスの分野にとどまらず、専門分野における普遍的な課題、つまりマニュアルからではなく実践を通じて習得する専門知識を捕捉して伝達するという課題に対処します。他の研究者や組織がこのコンセプトをそれぞれの分野に適用できるように、このエージェント フレームワークは &lt;/span&gt;&lt;a href="https://github.com/MannLabs/proteomics_lab_agent" rel="noopener" target="_blank"&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;GitHub&lt;/span&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt; でオープンソース プロジェクトとして公開されています。&lt;/span&gt;&lt;/p&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;この投稿では、Proteomics Lab Agent のエージェント フレームワーク、マルチモーダル AI を使用してパーソナライズされたラボガイダンスを提供する仕組み、実際の研究環境にデプロイした結果について詳しく説明します。&lt;/span&gt;&lt;/p&gt;&lt;/div&gt;
&lt;div class="block-video"&gt;



&lt;div class="article-module article-video "&gt;
  &lt;figure&gt;
    &lt;a class="h-c-video h-c-video--marquee"
      href="https://youtube.com/watch?v=j_S_-wmJ1j8"
      data-glue-modal-trigger="uni-modal-j_S_-wmJ1j8-"
      data-glue-modal-disabled-on-mobile="true"&gt;

      
        

        &lt;div class="article-video__aspect-image"
          style="background-image: url(https://storage.googleapis.com/gweb-cloudblog-publish/images/maxresdefault_04JTJc5.max-1000x1000.jpg);"&gt;
          &lt;span class="h-u-visually-hidden"&gt;Max Planck AI laboratory agent&lt;/span&gt;
        &lt;/div&gt;
      
      &lt;svg role="img" class="h-c-video__play h-c-icon h-c-icon--color-white"&gt;
        &lt;use xlink:href="#mi-youtube-icon"&gt;&lt;/use&gt;
      &lt;/svg&gt;
    &lt;/a&gt;

    
      &lt;figcaption class="article-video__caption h-c-page"&gt;
        
          &lt;h4 class="h-c-headline h-c-headline--four h-u-font-weight-medium h-u-mt-std"&gt;Proteomics Lab Agent がプロトコルを生成し、エラーを検出&lt;/h4&gt;
        
        
          &lt;p&gt;Proteomics Lab Agent がプロトコルを生成し、エラーを検出&lt;/p&gt;
        
      &lt;/figcaption&gt;
    
  &lt;/figure&gt;
&lt;/div&gt;

&lt;div class="h-c-modal--video"
     data-glue-modal="uni-modal-j_S_-wmJ1j8-"
     data-glue-modal-close-label="Close Dialog"&gt;
   &lt;a class="glue-yt-video"
      data-glue-yt-video-autoplay="true"
      data-glue-yt-video-height="99%"
      data-glue-yt-video-vid="j_S_-wmJ1j8"
      data-glue-yt-video-width="100%"
      href="https://youtube.com/watch?v=j_S_-wmJ1j8"
      ng-cloak&gt;
   &lt;/a&gt;
&lt;/div&gt;

&lt;/div&gt;
&lt;div class="block-paragraph_advanced"&gt;&lt;h3&gt;&lt;strong style="vertical-align: baseline;"&gt;課題: 離職率の高い環境で専門知識を維持する&lt;/strong&gt;&lt;/h3&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;金曜日の夕方、研究室にいると想像してください。新米研究者は高度な分析機器である質量分析計を使用する必要がありますが、その責任者である上級専門家は週末のためすでに帰宅しています。研究者は、長いプロトコル内を検索し、さまざまな指標に反映される複数の要因に依存する機器のパフォーマンスを解釈し、ガイダンスなしに作業を進める必要があります。たった 1 つのミスで、高価な機器が損傷したり、貴重なサンプルが無駄になったり、研究全体が台無しになったりする可能性があります。&lt;/span&gt;&lt;/p&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;このような複雑さは、質量分析ベースのプロテオミクスなどの専門的な研究分野ではよくあるハードルです。科学の進歩は、高度な技術的専門知識を必要とする複雑な手法や機器に依存することがよくあります。特に学術機関では離職率が高いため、研究室は人材のトレーニング、手順の文書化、知識の保持において大きなボトルネックに直面しています。専門家が退職すると、蓄積された知識も一緒に失われることが多く、チームは部分的にやり直さざるを得なくなります。このようなことが積み重なってアクセシビリティと再現性の課題が生じ、新たな発見が遅れてしまいます。&lt;/span&gt;&lt;/p&gt;
&lt;h3&gt;&lt;strong style="vertical-align: baseline;"&gt;解決策: ラボのガイダンスのための AI エージェント&lt;/strong&gt;&lt;/h3&gt;
&lt;p&gt;&lt;a href="https://www.biorxiv.org/content/10.1101/2025.10.05.680425v1" rel="noopener" target="_blank"&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;プロテオミクス ラボ エージェント&lt;/span&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt;は、プロトコルや機器データから過去のトラブルシューティングの決定まで、ラボの集合知に直接接続することで、これらの課題に対処します。これにより、研究者は実験ワークフロー全体にわたる複雑な手順について、パーソナライズされた AI ガイダンスを利用できます。たとえば、ピペッティングなどの通常のウェットラボ作業や、質量分析計の操作に必要な特殊な機器やソフトウェアとのやり取りなどです。エージェントのもう一つの機能は、実験の動画から詳細なプロトコルを自動的に生成し、手順のエラーを検出して、修正のためのガイダンスを提供できることです。これにより、トラブルシューティングとドキュメント作成の時間を短縮できます。&lt;/span&gt;&lt;/p&gt;
&lt;h3&gt;&lt;strong style="vertical-align: baseline;"&gt;ラボ向けの AI エージェント アーキテクチャ&lt;/strong&gt;&lt;/h3&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;基盤となるマルチモーダル エージェント AI フレームワークは、図 1 に示すように、複数の専門的なサブエージェントの作業を調整するメイン エージェントを使用します。Gemini モデルと Agent Development Kit を使用して構築されたこのメイン エージェントは、オーケストレーターとして機能します。研究者のクエリを受け取り、リクエストを解釈して、適切なサブエージェントにタスクを委任します。&lt;/span&gt;&lt;/p&gt;&lt;/div&gt;
&lt;div class="block-image_full_width"&gt;






  
    &lt;div class="article-module h-c-page"&gt;
      &lt;div class="h-c-grid"&gt;
  

    &lt;figure class="article-image--large
      
      
        h-c-grid__col
        h-c-grid__col--6 h-c-grid__col--offset-3
        
        
      "
      &gt;

      
      
        
        &lt;img
            src="https://storage.googleapis.com/gweb-cloudblog-publish/images/1-Fig1.max-1000x1000.png"
        
          alt="1-Fig1"&gt;
        
        &lt;/a&gt;
      
        &lt;figcaption class="article-image__caption "&gt;&lt;p data-block-key="6bk09"&gt;図 1: マルチモーダル ガイダンスのための Proteomics Lab Agent のアーキテクチャ。&lt;/p&gt;&lt;/figcaption&gt;
      
    &lt;/figure&gt;

  
      &lt;/div&gt;
    &lt;/div&gt;
  




&lt;/div&gt;
&lt;div class="block-paragraph_advanced"&gt;&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;サブエージェントは特定の機能向けに設計されており、ラボの既存のナレッジ システムに接続します。&lt;/span&gt;&lt;/p&gt;
&lt;ul&gt;
&lt;li aria-level="1" style="list-style-type: disc; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;strong style="vertical-align: baseline;"&gt;Lab Note Agent、Protocol Agent:&lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt; 動画関連のタスクを処理します。研究者が実験の動画を提供すると、これらのエージェントは動画を Google Cloud Storage にアップロードし、動画の視覚コンテンツと音声コンテンツを分析できるようにします。その後、エージェントはエラーがないか確認したり、新しいプロトコルを生成したりできます。&lt;/span&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;li aria-level="1" style="list-style-type: disc; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;strong style="vertical-align: baseline;"&gt;Lab Knowledge Agent:&lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt; 研究所のナレッジベース（&lt;/span&gt;&lt;a href="https://github.com/sooperset/mcp-atlassian" rel="noopener" target="_blank"&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;MCP Confluence&lt;/span&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt;）に接続して、プロトコルを取得したり、新しいラボノートを保存したりします。これにより、チーム全体が知識にアクセスできるようになります。&lt;/span&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;li aria-level="1" style="list-style-type: disc; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;strong style="vertical-align: baseline;"&gt;Instrument Agent:&lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt; 複雑な分析機器の使用に関するガイダンスを提供するために、研究所の質量分析計をモニタリングする自社構築の MCP サーバー（&lt;/span&gt;&lt;a href="https://github.com/MannLabs/alphakraken" rel="noopener" target="_blank"&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;MCP AlphaKraken&lt;/span&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt;）から機器のパフォーマンス指標を取得します。&lt;/span&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;li aria-level="1" style="list-style-type: disc; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;strong style="vertical-align: baseline;"&gt;Quality Control Memory Agent:&lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt; すべての機器関連の決定とその結果をデータベース（MCP BigQuery など）に保存します。これにより、過去にうまくいったことの検索可能な履歴が作成され、貴重なトラブルシューティングの経験が保存されます。&lt;/span&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;/ul&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;これらのエージェントを組み合わせることで、現在の機器の状態や研究者の経験レベルに合わせたガイダンスを提供し、研究者の経験を自動的に文書化できます。&lt;/span&gt;&lt;/p&gt;
&lt;h3&gt;&lt;strong style="vertical-align: baseline;"&gt;詳細: 動画分析で実験エラーを検出&lt;/strong&gt;&lt;/h3&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;生成 AI は、文献分析からコードによるラボロボットの制御まで、科学分野のデジタルタスクに効果的であることが証明されていますが、デジタル支援と実際のラボでの作業の間の重要なギャップにはまだ対処していません。この研究では、動画から実験ノートを自動生成し、実験エラーを検出することで、このギャップを埋める方法を示しています。&lt;/span&gt;&lt;/p&gt;&lt;/div&gt;
&lt;div class="block-image_full_width"&gt;






  
    &lt;div class="article-module h-c-page"&gt;
      &lt;div class="h-c-grid"&gt;
  

    &lt;figure class="article-image--large
      
      
        h-c-grid__col
        h-c-grid__col--6 h-c-grid__col--offset-3
        
        
      "
      &gt;

      
      
        
        &lt;img
            src="https://storage.googleapis.com/gweb-cloudblog-publish/images/2-Fig2.max-1000x1000.png"
        
          alt="2-Fig2"&gt;
        
        &lt;/a&gt;
      
        &lt;figcaption class="article-image__caption "&gt;&lt;p data-block-key="6bk09"&gt;図 2: 動画ベースのラボノート生成とエラー検出のエージェント ワークフロー。&lt;/p&gt;&lt;/figcaption&gt;
      
    &lt;/figure&gt;

  
      &lt;/div&gt;
    &lt;/div&gt;
  




&lt;/div&gt;
&lt;div class="block-paragraph_advanced"&gt;&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;図 2 に示すプロセスは、いくつかのステップで展開されます。&lt;/span&gt;&lt;/p&gt;
&lt;ol&gt;
&lt;li aria-level="1" style="list-style-type: decimal; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;span style="vertical-align: baseline;"&gt;研究者は実験を録画し、「この動画から実験ノートを作成して、間違いがないか確認してください」のようなプロンプトとともに動画をエージェントに送信します。&lt;/span&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;li aria-level="1" style="list-style-type: decimal; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;span style="vertical-align: baseline;"&gt;メイン エージェントは、タスクを &lt;/span&gt;&lt;strong style="vertical-align: baseline;"&gt;Lab Note Agent&lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt; に委任します。Lab Note Agent は、動画を Google Cloud Storage にアップロードし、動画で行われたアクションを分析します。&lt;/span&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;li aria-level="1" style="list-style-type: decimal; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;span style="vertical-align: baseline;"&gt;メイン エージェントは、&lt;/span&gt;&lt;strong style="vertical-align: baseline;"&gt;Lab Knowledge Agent&lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt; に、これらのアクションに一致するプロトコルを見つけるよう依頼します。Lab Knowledge Agent は、ラボのナレッジベースである Confluence からその情報を取得します。&lt;/span&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;li aria-level="1" style="list-style-type: decimal; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;span style="vertical-align: baseline;"&gt;動画分析とベースライン プロトコルの両方で、タスクは再び &lt;/span&gt;&lt;strong style="vertical-align: baseline;"&gt;Lab Note Agent&lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt; に渡されます。このエージェントは、動画とプロトコルをステップごとに比較する方法を知っています。手順の漏れ、誤った操作、プロトコルにない手順の追加、手順の順序の間違いなど、潜在的なミスを検出します。&lt;/span&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;li aria-level="1" style="list-style-type: decimal; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;span style="vertical-align: baseline;"&gt;メイン エージェントは、生成されたラボノートを研究者に返します。その際、潜在的なエラーがフラグ付けされ、レビューできるようになっています。研究者はメモを承認するか、修正を加えることができます。&lt;/span&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;li aria-level="1" style="list-style-type: decimal; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;span style="vertical-align: baseline;"&gt;最終的に、修正されたメモは &lt;/span&gt;&lt;strong style="vertical-align: baseline;"&gt;Lab Knowledge Agent&lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt; を介して Confluence ナレッジベースに保存され、テストの完全かつ正確な記録が保持されます。&lt;/span&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;/ol&gt;
&lt;h3&gt;&lt;strong style="vertical-align: baseline;"&gt;組織の記憶を構築する&lt;/strong&gt;&lt;/h3&gt;
&lt;p&gt;&lt;strong style="vertical-align: baseline;"&gt;Protocol Agent&lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt; は、ラボがナレッジベースを構築するのを支援するために、動画からラボの手順を直接生成できます。研究者は、手順を声に出して説明しながら、自身が手順を実行する様子を録画できます。エージェントは動画と音声を分析して、書式設定された、公開可能なプロトコルを生成します。モデルに多様な例、段階的な指示、関連する背景ドキュメントを提供することで、最良の結果が得られることがわかりました。&lt;/span&gt;&lt;/p&gt;&lt;/div&gt;
&lt;div class="block-image_full_width"&gt;






  
    &lt;div class="article-module h-c-page"&gt;
      &lt;div class="h-c-grid"&gt;
  

    &lt;figure class="article-image--large
      
      
        h-c-grid__col
        h-c-grid__col--6 h-c-grid__col--offset-3
        
        
      "
      &gt;

      
      
        
        &lt;img
            src="https://storage.googleapis.com/gweb-cloudblog-publish/images/3-Fig3.max-1000x1000.png"
        
          alt="3-Fig3"&gt;
        
        &lt;/a&gt;
      
        &lt;figcaption class="article-image__caption "&gt;&lt;p data-block-key="6bk09"&gt;図 3: 機器の操作をガイドするエージェントのワークフロー。&lt;/p&gt;&lt;/figcaption&gt;
      
    &lt;/figure&gt;

  
      &lt;/div&gt;
    &lt;/div&gt;
  




&lt;/div&gt;
&lt;div class="block-paragraph_advanced"&gt;&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;エージェントは、機器の操作もサポートできます（図 3 を参照）。研究者が「サンプルを測定するために、機器 X の準備はできていますか？」と尋ねると、エージェントは、&lt;/span&gt;&lt;strong style="vertical-align: baseline;"&gt;Instrument Agent&lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt; を介して最新の機器指標を取得し、&lt;/span&gt;&lt;strong style="vertical-align: baseline;"&gt;Quality Control Memory Agent&lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt; からの過去のトラブルシューティングの決定と比較します。その後、「はい、機器は準備完了です」や「いいえ、まずキャリブレーションをおすすめします」などの推奨事項を提示します。&lt;/span&gt;&lt;strong style="vertical-align: baseline;"&gt;Lab Knowledge Agent&lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt; から関連するキャリブレーション プロトコルを提供することもできます。その後、&lt;/span&gt;&lt;strong style="vertical-align: baseline;"&gt;Quality Control Memory Agent&lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt; を使用して、研究者の最終的な決定とアクションを保存します。これにより、すべての推論とその結果が保存され、特殊な機器やソフトウェアを操作するための知識ベースが継続的に改善されます。&lt;/span&gt;&lt;/p&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;技術的な詳細については、&lt;/span&gt;&lt;a href="https://www.biorxiv.org/content/10.1101/2025.10.05.680425v1" rel="noopener" target="_blank"&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;完全版の論文&lt;/span&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt;をご覧ください。&lt;/span&gt;&lt;/p&gt;
&lt;h3&gt;&lt;strong style="vertical-align: baseline;"&gt;現実世界への影響: 複雑な科学的手順を簡素化&lt;/strong&gt;&lt;/h3&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;AI エージェントの価値を実際の環境で測定するため、40 人の研究者が所属するマックス プランク生化学研究所の部門に AI エージェントを導入しました。エージェントのパフォーマンスは、手順のエラーの検出、プロトコルの生成、パーソナライズされたガイダンスの提供という 3 つの主要なラボ機能について評価しました。&lt;/span&gt;&lt;/p&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;その結果、スピードと品質の両方で大きな成果が得られました。主な調査結果は以下のとおりです。&lt;/span&gt;&lt;/p&gt;
&lt;ul&gt;
&lt;li aria-level="1" style="list-style-type: disc; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;strong style="vertical-align: baseline;"&gt;AI によるエラー検出:&lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt; 記録された 28 件のラボ手順を基準プロトコルと比較したところ、エージェントはすべての手順エラーの 74%（再現率と呼ばれる指標）を特定し、全体的な精度は 77% でした。現時点では精度（41%）がまだ課題ですが、結果は非常に有望です。&lt;/span&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;li aria-level="1" style="list-style-type: disc; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;strong style="vertical-align: baseline;"&gt;迅速かつ専門家レベルのプロトコル:&lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt; 研究所の動画から、エージェントが標準化された、公開可能なプロトコルを約 2.6 分で生成しました。これは手動で作成するよりも約 10 倍速く、10 種類の多様なプロトコルで平均品質スコア 4.4（5 段階評価）を達成しました。&lt;/span&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;li aria-level="1" style="list-style-type: disc; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;strong style="vertical-align: baseline;"&gt;パーソナライズされたリアルタイムのサポート:&lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt; エージェントは、リアルタイムの機器データと過去のパフォーマンスに関する意思決定を統合し、研究者に機器の使用に関するカスタマイズされたアドバイスを提供することに成功しました。&lt;/span&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;/ul&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;エラー検出の結果をさらに詳しく分析したところ、具体的な強みと改善すべき点が明らかになりました。図 4 に示すように、システムは一般的なラボ機器の認識と画面上のテキストの読み取りにすでに効果を発揮しています。主な制限は、高度に専門化されたプロテオミクス機器の理解（エラーのうち 27% は認識されなかった）と、96 ウェルグリッド上のピペットチップの正確な配置（47%）やピペット上の小さなテキスト（41%）などの詳細な情報の認識（&lt;/span&gt;&lt;a href="https://www.biorxiv.org/content/10.1101/2025.10.05.680425v1" rel="noopener" target="_blank"&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;対応する論文&lt;/span&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt;の付録を参照）でした。マルチモーダル モデルの進化に伴い、これらの詳細を解釈する能力が向上し、実験上のミスに対するこの重要な安全対策が強化されることが期待されます。&lt;/span&gt;&lt;/p&gt;&lt;/div&gt;
&lt;div class="block-image_full_width"&gt;






  
    &lt;div class="article-module h-c-page"&gt;
      &lt;div class="h-c-grid"&gt;
  

    &lt;figure class="article-image--large
      
      
        h-c-grid__col
        h-c-grid__col--6 h-c-grid__col--offset-3
        
        
      "
      &gt;

      
      
        
        &lt;img
            src="https://storage.googleapis.com/gweb-cloudblog-publish/images/4-Fig4.max-1000x1000.png"
        
          alt="4-Fig4"&gt;
        
        &lt;/a&gt;
      
        &lt;figcaption class="article-image__caption "&gt;&lt;p data-block-key="6bk09"&gt;図 4: ラボにおけるプロテオミクス ラボエージェントの強みと現在の限界。&lt;/p&gt;&lt;/figcaption&gt;
      
    &lt;/figure&gt;

  
      &lt;/div&gt;
    &lt;/div&gt;
  




&lt;/div&gt;
&lt;div class="block-paragraph_advanced"&gt;&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;このエージェントはすでにドキュメントの自動化と録画された動画のエラーのフラグ付けを行っていますが、その将来の可能性は、単なる修正ではなく、予防にあります。音声を使用してリアルタイムで間違いを防止するインタラクティブなアシスタントを構想し、このプロジェクトをオープンソース化することで、コミュニティにこの未来の構築への協力を呼びかけています。&lt;/span&gt;&lt;/p&gt;
&lt;h3&gt;&lt;strong style="vertical-align: baseline;"&gt;将来を見据えたスケーリング&lt;/strong&gt;&lt;/h3&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;結論として、このフレームワークは、再現性の危機から離職率の高い学術環境における知識の保持まで、現代科学における重要な課題に対処します。エージェントは、手順データだけでなく、その背後にある専門家の推論も体系的に取得することで、組織の記憶を構築します。&lt;/span&gt;&lt;/p&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;「このアプローチは、研究者が研究室を離れると失われがちな実践的な知識を捕捉して共有するのに役立ちます。蓄積された経験は、新しいチームメンバーのトレーニングを加速するだけでなく、質量分析計の予測機器メンテナンスや、個々のラボ内および別のラボ間での自動プロトコル調和といった将来のイノベーションに必要なデータ基盤を構築します」と、Matthias Mann 教授は述べています。&lt;/span&gt;&lt;/p&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;Proteomics Lab Agent の背後にある原則は、1 つの分野に限定されるものではありません。この調査で概説されているコンセプトは、ライフ サイエンスから製造まで、複雑な実践手順に依存するあらゆる分野に適用できる一般的なソリューションです。&lt;/span&gt;&lt;/p&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;手法と結果について詳しくは、&lt;/span&gt;&lt;a href="https://www.biorxiv.org/content/10.1101/2025.10.05.680425v1" rel="noopener" target="_blank"&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;論文全文&lt;/span&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt;をご覧ください。&lt;/span&gt;&lt;a href="https://github.com/MannLabs/proteomics_specialist" rel="noopener" target="_blank"&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;GitHub&lt;/span&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt; でコードを調べ、Proteomics Lab Agent をご自身の調査に合わせて調整してください。マックス プランク研究所の Mann 研究室の今後の活動については、&lt;/span&gt;&lt;a href="https://www.linkedin.com/company/mann-lab/" rel="noopener" target="_blank"&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;LinkedIn&lt;/span&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt;、&lt;/span&gt;&lt;a href="https://bsky.app/profile/mannlab.bsky.social" rel="noopener" target="_blank"&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;BlueSky&lt;/span&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt;、&lt;/span&gt;&lt;a href="https://x.com/labs_mann?lang=de" rel="noopener" target="_blank"&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;X&lt;/span&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt; でご確認ください。&lt;/span&gt;&lt;/p&gt;
&lt;hr/&gt;
&lt;p&gt;&lt;sub&gt;&lt;em&gt;&lt;span style="vertical-align: baseline;"&gt;&lt;span style="font-style: italic; vertical-align: baseline;"&gt;このプロジェクトは、マックス プランク生化学研究所と Google の共同研究です。コアチームのメンバーは、マックス プランク生化学研究所プロテオミクスおよびシグナル伝達部門の Patricia Skowronek 博士と Matthias Mann 教授、Google の Anant Nawalgaria です。また、サポートいただいた Mann 研究室の全員に感謝します。&lt;/span&gt;&lt;/span&gt;&lt;/em&gt;&lt;/sub&gt;&lt;/p&gt;&lt;/div&gt;
&lt;div class="block-paragraph"&gt;&lt;p data-block-key="550xh"&gt;&lt;i&gt;ー マックス プランク生化学研究所、博士研究員、&lt;/i&gt;&lt;b&gt;&lt;i&gt;Patricia Skowronek 博士&lt;/i&gt;&lt;/b&gt;&lt;/p&gt;&lt;p data-block-key="612s8"&gt;&lt;i&gt;ー Google、シニアスタッフ ML エンジニア&lt;/i&gt; &lt;b&gt;&lt;i&gt;Anant Nawalgaria&lt;/i&gt;&lt;/b&gt;&lt;/p&gt;&lt;/div&gt;</description><pubDate>Wed, 19 Nov 2025 01:10:00 +0000</pubDate><guid>https://cloud.google.com/blog/ja/products/ai-machine-learning/planck-institute-research-expert-gen-ai-agent/</guid><category>Public Sector</category><category>Open Source</category><category>Customers</category><category>Google Cloud in Europe</category><category>AI &amp; Machine Learning</category><media:content height="540" url="https://storage.googleapis.com/gweb-cloudblog-publish/images/Planck-Institute-Research-AI-Agent-Hero.max-600x600.png" width="540"></media:content><og xmlns:og="http://ogp.me/ns#"><type>article</type><title>マックス プランク研究所がマルチモーダル エージェントを通じて専門スキルを共有する方法</title><description></description><image>https://storage.googleapis.com/gweb-cloudblog-publish/images/Planck-Institute-Research-AI-Agent-Hero.max-600x600.png</image><site_name>Google</site_name><url>https://cloud.google.com/blog/ja/products/ai-machine-learning/planck-institute-research-expert-gen-ai-agent/</url></og><author xmlns:author="http://www.w3.org/2005/Atom"><name>Dr. Patricia Skowronek</name><title>Post-doctoral researcher, Max-Planck-Institute for Biochemistry</title><department></department><company></company></author><author xmlns:author="http://www.w3.org/2005/Atom"><name>Anant Nawalgaria</name><title>Group Product Manager &amp; Sr. Staff Engineer</title><department></department><company></company></author></item><item><title>新しい Gemini CLI 拡張機能でアプリのデプロイとセキュリティ分析を自動化</title><link>https://cloud.google.com/blog/ja/products/ai-machine-learning/automate-app-deployment-and-security-analysis-with-new-gemini-cli-extensions/</link><description>&lt;div class="block-paragraph_advanced"&gt;&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;※この投稿は米国時間 2025 年 9 月 11 日に、Google Cloud blog に&lt;/span&gt;&lt;a href="https://cloud.google.com/blog/products/ai-machine-learning/automate-app-deployment-and-security-analysis-with-new-gemini-cli-extensions?e=48754805&amp;amp;hl=en"&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;投稿&lt;/span&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt;されたものの抄訳です。&lt;/span&gt;&lt;/p&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;セキュリティの脆弱性を検出して修正します。アプリをクラウドにデプロイします。コマンドラインを離れる必要はありません。&lt;/span&gt;&lt;/p&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;このたび、2 つの新しい拡張機能（&lt;/span&gt;&lt;a href="https://github.com/google-gemini/gemini-cli-security/tree/main" rel="noopener" target="_blank"&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;セキュリティ拡張機能&lt;/span&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt;と &lt;/span&gt;&lt;a href="https://github.com/GoogleCloudPlatform/cloud-run-mcp/?tab=readme-ov-file#use-as-a-gemini-cli-extension" rel="noopener" target="_blank"&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;Cloud Run 拡張機能&lt;/span&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt;）を通じて提供する Gemini CLI の未来像を、初めてご紹介します。これによって、お客様のターミナルとクラウドの間にあるギャップを取り払います。これらの拡張機能は、ワークフローの重要な部分をシンプルで直感的なコマンドで処理するように設計されています。&lt;/span&gt;&lt;/p&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;1）&lt;/span&gt;&lt;strong style="font-style: italic; vertical-align: baseline;"&gt;/security:analyze&lt;/strong&gt;&lt;strong style="vertical-align: baseline;"&gt; &lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt;は、ローカル リポジトリで包括的なスキャンを実行します。GitHub プルリクエストのサポートも近日中に提供予定です。これにより、セキュリティが開発サイクルの自然な一部になります。&lt;/span&gt;&lt;/p&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;2）&lt;/span&gt;&lt;strong style="vertical-align: baseline;"&gt;/deploy&lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt; は、フルマネージドのサーバーレス プラットフォームである Cloud Run にアプリケーションを数分でデプロイします。&lt;/span&gt;&lt;/p&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;これらのコマンドは、Gemini CLI の新しい拡張性フレームワークの最初の表現です。&lt;/span&gt;&lt;a href="https://github.com/google-gemini/gemini-cli/blob/main/docs/extension.md" rel="noopener" target="_blank"&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;Gemini CLI 拡張機能&lt;/span&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt;の全容については近日中に詳しくご紹介しますが、これらの機能をいち早く皆様にお届けしたく、今後の展開を少しだけご紹介します。&lt;/span&gt;&lt;/p&gt;
&lt;p&gt;&lt;strong style="vertical-align: baseline;"&gt;セキュリティ拡張機能: /security:analyze でセキュリティ分析を自動化&lt;/strong&gt;&lt;/p&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;チームが開発ライフサイクルの早い段階でソフトウェアの脆弱性に対処できるよう、Google は &lt;/span&gt;&lt;a href="https://github.com/google-gemini/gemini-cli-security" rel="noopener" target="_blank"&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;Gemini CLI Security 拡張機能&lt;/span&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt;をリリースします。この新しいオープンソース ツールはセキュリティ分析を自動化し、ターミナルで &lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt;/security:analyze &lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt;コマンドを使用するか、近日中にリリースされる GitHub Actions 統合を通じて、問題をプロアクティブに検出して修正できるようにします。&lt;/span&gt;&lt;/p&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;ローカル開発ワークフローと CI/CD パイプラインに直接統合されたこの拡張機能は、&lt;/span&gt;&lt;/p&gt;
&lt;ul&gt;
&lt;li aria-level="1" style="list-style-type: disc; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;strong style="vertical-align: baseline;"&gt;コード変更の分析:&lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt; 拡張機能がトリガーされると、ローカルの変更または pull リクエストの &lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt;git diff&lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt; が自動的に取得されます。&lt;/span&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;li aria-level="1" style="list-style-type: disc; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;strong style="vertical-align: baseline;"&gt;脆弱性を特定:&lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt; 専用のプロンプトとツールを使用して、Gemini CLI は、ハードコードされたシークレット、インジェクションの脆弱性、アクセス制御の不備、安全でないデータ処理など、幅広い潜在的な脆弱性について変更を分析します。&lt;/span&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;li aria-level="1" style="list-style-type: disc; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;strong style="vertical-align: baseline;"&gt;実用的なフィードバックを提供:&lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt; Gemini は、詳細でわかりやすいレポートをターミナルに直接、またはプルリクエストのコメントとして返します。このレポートは、問題を指摘するだけでなく、潜在的なリスクを説明し、具体的な修復の提案を行うことで、問題を迅速に修正し、その過程で学習できるようにします。&lt;/span&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;/ul&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;レポートの生成後、Gemini CLI にレポートをディスクに保存するよう指示したり、各問題の修正を実装するよう指示したりすることもできます。&lt;/span&gt;&lt;/p&gt;&lt;/div&gt;
&lt;div class="block-image_full_width"&gt;






  
    &lt;div class="article-module h-c-page"&gt;
      &lt;div class="h-c-grid"&gt;
  

    &lt;figure class="article-image--large
      
      
        h-c-grid__col
        h-c-grid__col--6 h-c-grid__col--offset-3
        
        
      "
      &gt;

      
      
        
        &lt;img
            src="https://storage.googleapis.com/gweb-cloudblog-publish/original_images/1_Gemini_CLI_Security_Extension_Terminal_Gif.gif"
        
          alt="1 Gemini CLI Security Extension Terminal Gif"&gt;
        
        &lt;/a&gt;
      
    &lt;/figure&gt;

  
      &lt;/div&gt;
    &lt;/div&gt;
  




&lt;/div&gt;
&lt;div class="block-paragraph_advanced"&gt;&lt;p&gt;&lt;strong style="vertical-align: baseline;"&gt;/security:analyze の使用を開始する&lt;/strong&gt;&lt;/p&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;セキュリティ分析をワークフローに統合するのは簡単です。まず、Gemini CLI をダウンロードし、拡張機能をインストールします&lt;/span&gt;&lt;span style="font-style: italic; vertical-align: baseline;"&gt;（Gemini CLI v0.4.0 以降が必要）&lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt;:&lt;/span&gt;&lt;/p&gt;&lt;/div&gt;
&lt;div class="block-code"&gt;&lt;dl&gt;
    &lt;dt&gt;code_block&lt;/dt&gt;
    &lt;dd&gt;&amp;lt;ListValue: [StructValue([(&amp;#x27;code&amp;#x27;, &amp;#x27;gemini extensions install https://github.com/google-gemini/gemini-cli-security&amp;#x27;), (&amp;#x27;language&amp;#x27;, &amp;#x27;&amp;#x27;), (&amp;#x27;caption&amp;#x27;, &amp;lt;wagtail.rich_text.RichText object at 0x7f4858aec1d0&amp;gt;)])]&amp;gt;&lt;/dd&gt;
&lt;/dl&gt;&lt;/div&gt;
&lt;div class="block-paragraph_advanced"&gt;&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;最初のスキャンを実行します。&lt;/span&gt;&lt;/p&gt;
&lt;ul&gt;
&lt;li aria-level="1" style="list-style-type: disc; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;strong style="vertical-align: baseline;"&gt;ローカル:&lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt; ローカルで変更を加えたら、Gemini CLI で /security:analyze を実行するだけです。&lt;/span&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;li aria-level="1" style="list-style-type: disc; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;strong style="vertical-align: baseline;"&gt;CI/CD（近日提供予定）: &lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt;セキュリティ分析を CI/CD ワークフローに直接組み込みます。&lt;/span&gt;&lt;strong style="vertical-align: baseline;"&gt; &lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt;まもなく、GitHub アクションを構成して、pull リクエストが開かれたときに自動的にレビューできるようになります。&lt;/span&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;/ul&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;これはほんの始まりにすぎません。チームは拡張機能の機能をさらに強化するために積極的に取り組んでおり、コミュニティにも、バグの報告、機能の提案、セキュリティ プラクティスの継続的な改善、コードの改善の提出を通じて、このオープンソース プロジェクトに貢献していただくよう呼びかけています。&lt;/span&gt;&lt;/p&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;完全なドキュメントと投稿については、&lt;/span&gt;&lt;a href="https://github.com/google-gemini/gemini-cli-security" rel="noopener" target="_blank"&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;公式 GitHub リポジトリ&lt;/span&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt;をご覧ください。&lt;/span&gt;&lt;/p&gt;
&lt;p&gt;&lt;strong style="vertical-align: baseline;"&gt;Cloud Run 拡張機能: &lt;/strong&gt;&lt;strong style="font-style: italic; vertical-align: baseline;"&gt;/deploy&lt;/strong&gt;&lt;strong style="vertical-align: baseline;"&gt; でデプロイを自動化&lt;/strong&gt;&lt;/p&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;Gemini CLI の&lt;/span&gt;&lt;span style="font-style: italic; vertical-align: baseline;"&gt; &lt;/span&gt;&lt;strong style="font-style: italic; vertical-align: baseline;"&gt;/deploy&lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt; コマンドは、ウェブ アプリケーションのデプロイ パイプライン全体を自動化します。ローカル ワークスペースから直接プロジェクトをデプロイできるようになりました。コマンドを発行すると、Gemini はライブ アプリケーションの公開 URL を返します。&lt;/span&gt;&lt;/p&gt;
&lt;p&gt;&lt;strong style="vertical-align: baseline;"&gt;/deploy&lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt; コマンドは、&lt;/span&gt;&lt;a href="https://github.com/GoogleCloudPlatform/cloud-run-mcp/" rel="noopener" target="_blank"&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;Cloud Run MCP サーバー&lt;/span&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt;を使用して、コマンドラインからウェブ アプリケーションとクラウド サービスをデプロイする完全な CI/CD パイプラインを自動化します。以前は、ビルド、コンテナ化、プッシュ、構成という複数のステップが必要でしたが、現在は Gemini CLI 内から直感的な単一のコマンドで実行できます。&lt;/span&gt;&lt;/p&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;この機能は、ターミナルの Gemini CLI、&lt;/span&gt;&lt;a href="https://codeassist.google/" rel="noopener" target="_blank"&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;Gemini Code Assist&lt;/span&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt; エージェント モードを介した VS Code、&lt;/span&gt;&lt;a href="https://cloud.google.com/shell/docs"&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;Cloud Shell&lt;/span&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt; の Gemini CLI の 3 つの異なるサーフェスからアクセスできます。&lt;/span&gt;&lt;/p&gt;&lt;/div&gt;
&lt;div class="block-image_full_width"&gt;






  
    &lt;div class="article-module h-c-page"&gt;
      &lt;div class="h-c-grid"&gt;
  

    &lt;figure class="article-image--large
      
      
        h-c-grid__col
        h-c-grid__col--6 h-c-grid__col--offset-3
        
        
      "
      &gt;

      
      
        
        &lt;img
            src="https://storage.googleapis.com/gweb-cloudblog-publish/original_images/2_aA6mg0y.gif"
        
          alt="2"&gt;
        
        &lt;/a&gt;
      
        &lt;figcaption class="article-image__caption "&gt;&lt;p data-block-key="dvesx"&gt;ターミナルで Gemini CLI の /deploy コマンドを使用して、アプリケーションを Cloud Run にデプロイする&lt;/p&gt;&lt;/figcaption&gt;
      
    &lt;/figure&gt;

  
      &lt;/div&gt;
    &lt;/div&gt;
  




&lt;/div&gt;
&lt;div class="block-paragraph_advanced"&gt;&lt;p&gt;&lt;strong style="vertical-align: baseline;"&gt;/deploy を使ってみる:&lt;/strong&gt;&lt;/p&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;Google Cloud の既存ユーザーは、ターミナルの Gemini CLI で &lt;/span&gt;&lt;strong style="vertical-align: baseline;"&gt;/deploy&lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt; を簡単に使い始めることができます。&lt;/span&gt;&lt;/p&gt;
&lt;p&gt;&lt;span style="font-style: italic; vertical-align: baseline;"&gt;前提条件:&lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt; マシンに gcloud CLI がインストールされ、構成されていること。既存のアプリがあるか、Gemini CLI を使用してアプリを作成すること。&lt;/span&gt;&lt;/p&gt;
&lt;p&gt;&lt;strong style="vertical-align: baseline;"&gt;ステップ 1: Cloud Run 拡張機能をインストールする&lt;/strong&gt;&lt;strong style="vertical-align: baseline;"&gt;/deploy&lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt; コマンドは、Cloud Run 拡張機能に含まれている &lt;/span&gt;&lt;a href="https://github.com/GoogleCloudPlatform/cloud-run-mcp" rel="noopener" target="_blank"&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;Model Context Protocol（MCP）サーバー&lt;/span&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt;を介して有効になります。Cloud Run 拡張機能をインストールするには&lt;/span&gt;&lt;span style="font-style: italic; vertical-align: baseline;"&gt;（Gemini CLI v0.4.0 以降が必要）&lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt;、次のコマンドを実行します。&lt;/span&gt;&lt;/p&gt;&lt;/div&gt;
&lt;div class="block-code"&gt;&lt;dl&gt;
    &lt;dt&gt;code_block&lt;/dt&gt;
    &lt;dd&gt;&amp;lt;ListValue: [StructValue([(&amp;#x27;code&amp;#x27;, &amp;#x27;gemini extensions install https://github.com/GoogleCloudPlatform/cloud-run-mcp&amp;#x27;), (&amp;#x27;language&amp;#x27;, &amp;#x27;&amp;#x27;), (&amp;#x27;caption&amp;#x27;, &amp;lt;wagtail.rich_text.RichText object at 0x7f4858a9b090&amp;gt;)])]&amp;gt;&lt;/dd&gt;
&lt;/dl&gt;&lt;/div&gt;
&lt;div class="block-paragraph_advanced"&gt;&lt;p&gt;&lt;strong style="vertical-align: baseline;"&gt;ステップ 2: Google Cloud で認証する&lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt;次のコマンドを実行して、ローカル環境が Google Cloud アカウントに対して認証されていることを確認します。&lt;/span&gt;&lt;/p&gt;&lt;/div&gt;
&lt;div class="block-code"&gt;&lt;dl&gt;
    &lt;dt&gt;code_block&lt;/dt&gt;
    &lt;dd&gt;&amp;lt;ListValue: [StructValue([(&amp;#x27;code&amp;#x27;, &amp;#x27;gcloud auth login\r\ngcloud auth application-default login&amp;#x27;), (&amp;#x27;language&amp;#x27;, &amp;#x27;&amp;#x27;), (&amp;#x27;caption&amp;#x27;, &amp;lt;wagtail.rich_text.RichText object at 0x7f4858b7edd0&amp;gt;)])]&amp;gt;&lt;/dd&gt;
&lt;/dl&gt;&lt;/div&gt;
&lt;div class="block-paragraph_advanced"&gt;&lt;p&gt;&lt;strong style="vertical-align: baseline;"&gt;ステップ 3: アプリをデプロイする&lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt;ターミナルでアプリケーションのルート ディレクトリに移動し、「&lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt;gemini&lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt;」と入力して Gemini CLI を起動します。チャットに入ったら、「&lt;/span&gt;&lt;strong style="vertical-align: baseline;"&gt;/deploy&lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt;」と入力してアプリを Cloud Run にデプロイします。&lt;/span&gt;&lt;/p&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;これで、しばらくすると、Gemini CLI から、新しくデプロイしたアプリケーションにアクセスできる公開 URL が返されます。Google Cloud コンソールにアクセスして、Cloud Run で実行されている新しいサービスを確認することもできます。&lt;/span&gt;&lt;/p&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;この機能は、ターミナルの Gemini CLI のほか、Gemini CLI を利用した Gemini Code Assist の&lt;/span&gt;&lt;a href="https://cloud.google.com/gemini/docs/codeassist/release-notes"&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;エージェント モード&lt;/span&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt;、Cloud Shell の Gemini CLI でも利用できます。Cloud Shell の Gemini CLI では、認証手順が自動的に処理されます。&lt;/span&gt;&lt;/p&gt;&lt;/div&gt;
&lt;div class="block-image_full_width"&gt;






  
    &lt;div class="article-module h-c-page"&gt;
      &lt;div class="h-c-grid"&gt;
  

    &lt;figure class="article-image--large
      
      
        h-c-grid__col
        h-c-grid__col--6 h-c-grid__col--offset-3
        
        
      "
      &gt;

      
      
        
        &lt;img
            src="https://storage.googleapis.com/gweb-cloudblog-publish/original_images/3_deploy-agentmode.gif"
        
          alt="3 deploy-agentmode"&gt;
        
        &lt;/a&gt;
      
        &lt;figcaption class="article-image__caption "&gt;&lt;p data-block-key="dvesx"&gt;/deploy コマンドを使用して、Gemini Code Assist エージェント モードで VS Code の Cloud Run にアプリケーションをデプロイする。&lt;/p&gt;&lt;/figcaption&gt;
      
    &lt;/figure&gt;

  
      &lt;/div&gt;
    &lt;/div&gt;
  




&lt;/div&gt;
&lt;div class="block-paragraph_advanced"&gt;&lt;p&gt;&lt;strong style="vertical-align: baseline;"&gt;堅牢な拡張機能エコシステムの構築&lt;/strong&gt;&lt;/p&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;セキュリティ拡張機能と Cloud Run 拡張機能は、Gemini CLI のための豊富でオープンなエコシステムを構築するために設計された新しいフレームワーク上に構築された、Google の最初の拡張機能の 2 つです。Google は、あらゆるデベロッパーが CLI の機能を拡張およびカスタマイズできるプラットフォームを構築しています。これは、プラットフォームの可能性を垣間見ることができる初期プレビューにすぎません。拡張機能プラットフォームのより包括的な概要と、独自の拡張機能の構築と共有を開始する方法については、近日中にご紹介します。&lt;/span&gt;&lt;/p&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;今すぐ Gemini CLI をお試しください。GitHub は&lt;/span&gt;&lt;a href="http://github.com/google-gemini/gemini-cli" rel="noopener" target="_blank"&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;こちら&lt;/span&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt;からアクセスできます。&lt;/span&gt;&lt;/p&gt;
&lt;p role="presentation"&gt;&lt;span style="font-style: italic; vertical-align: baseline;"&gt;ー グループ プロダクト マネージャー、&lt;/span&gt;&lt;strong style="font-style: italic; vertical-align: baseline;"&gt;Prithpal Bhogill&lt;/strong&gt;&lt;/p&gt;
&lt;p&gt;&lt;span style="font-style: italic; vertical-align: baseline;"&gt;ー プロダクト マネージャー &lt;/span&gt;&lt;strong style="font-style: italic; vertical-align: baseline;"&gt;Evan Otero &lt;/strong&gt;&lt;/p&gt;&lt;/div&gt;</description><pubDate>Wed, 01 Oct 2025 01:10:00 +0000</pubDate><guid>https://cloud.google.com/blog/ja/products/ai-machine-learning/automate-app-deployment-and-security-analysis-with-new-gemini-cli-extensions/</guid><category>Application Development</category><category>Serverless</category><category>Open Source</category><category>AI &amp; Machine Learning</category><og xmlns:og="http://ogp.me/ns#"><type>article</type><title>新しい Gemini CLI 拡張機能でアプリのデプロイとセキュリティ分析を自動化</title><description></description><site_name>Google</site_name><url>https://cloud.google.com/blog/ja/products/ai-machine-learning/automate-app-deployment-and-security-analysis-with-new-gemini-cli-extensions/</url></og><author xmlns:author="http://www.w3.org/2005/Atom"><name>Prithpal Bhogill</name><title>Group Product Manager</title><department></department><company></company></author><author xmlns:author="http://www.w3.org/2005/Atom"><name>Evan Otero</name><title>Senior Product Manager</title><department></department><company></company></author></item><item><title>OpenTelemetry Protocol が Google Cloud Observability に登場</title><link>https://cloud.google.com/blog/ja/products/management-tools/opentelemetry-now-in-google-cloud-observability/</link><description>&lt;div class="block-paragraph_advanced"&gt;&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;※この投稿は米国時間 2025 年 9 月 13 日に、Google Cloud blog に&lt;/span&gt;&lt;a href="https://cloud.google.com/blog/products/management-tools/opentelemetry-now-in-google-cloud-observability?e=48754805&amp;amp;hl=en"&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;投稿&lt;/span&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt;されたものの抄訳です。&lt;/span&gt;&lt;/p&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;OpenTelemetry Protocol（OTLP）は、ベンダーに依存しない方法でテレメトリーをソースから宛先に転送するように設計されたデータ交換プロトコルです。このたび、&lt;/span&gt;&lt;a href="https://cloud.google.com/stackdriver/docs?hl=ja"&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;Google Cloud Observability&lt;/span&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt; の一部である Cloud Trace が、&lt;/span&gt;&lt;a href="http://telemetry.googleapis.com/" rel="noopener" target="_blank"&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;telemetry.googleapis.com&lt;/span&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt; を介して &lt;/span&gt;&lt;a href="https://cloud.google.com/trace/docs/migrate-to-otlp-endpoints"&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;OTLP を使用してトレースデータを送信&lt;/span&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt;するユーザーをサポートするようになりました。&lt;/span&gt;&lt;/p&gt;&lt;/div&gt;
&lt;div class="block-image_full_width"&gt;






  
    &lt;div class="article-module h-c-page"&gt;
      &lt;div class="h-c-grid"&gt;
  

    &lt;figure class="article-image--large
      
      
        h-c-grid__col
        h-c-grid__col--6 h-c-grid__col--offset-3
        
        
      "
      &gt;

      
      
        
        &lt;img
            src="https://storage.googleapis.com/gweb-cloudblog-publish/images/1_69Q6vSM.max-1000x1000.png"
        
          alt="1"&gt;
        
        &lt;/a&gt;
      
        &lt;figcaption class="article-image__caption "&gt;&lt;p data-block-key="37zow"&gt;図 1: プロセス内構成とコレクタベース構成の両方で、ネイティブ OTLP エクスポータを使用したテレメトリー データの送信が可能に&lt;/p&gt;&lt;/figcaption&gt;
      
    &lt;/figure&gt;

  
      &lt;/div&gt;
    &lt;/div&gt;
  




&lt;/div&gt;
&lt;div class="block-paragraph_advanced"&gt;&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;以下に、OTLP を使用してテレメトリー データをオブザーバビリティ ツールに送信するメリットを挙げます。&lt;/span&gt;&lt;/p&gt;
&lt;ol&gt;
&lt;li aria-level="1" style="list-style-type: decimal; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;strong style="vertical-align: baseline;"&gt;ベンダーに依存しないテレメトリー パイプライン: &lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt;プロセス内またはコレクタからネイティブ OTLP エクスポータを使用することができます。これにより、テレメトリー パイプラインでベンダー固有のエクスポーターを使用する必要がなくなります。&lt;/span&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;li aria-level="1" style="list-style-type: decimal; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;strong style="vertical-align: baseline;"&gt;テレメトリー データの整合性が高い:&lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt; テレメトリー データが送信と保存の際に OTel データモデルを保持し、独自の形式への変換を回避できるようにします。&lt;/span&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;li aria-level="1" style="list-style-type: decimal; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;strong style="vertical-align: baseline;"&gt;お好きなオブザーバビリティ ツールとの相互運用性:&lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt; 追加の &lt;/span&gt;&lt;a href="https://opentelemetry.io/docs/languages/go/exporters/" rel="noopener" target="_blank"&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;OTel エクスポーター&lt;/span&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt;なしで、ネイティブ OTLP をサポートする 1 つ以上のオブザーバビリティ バックエンドにテレメトリーを簡単に送信できます。&lt;/span&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;li aria-level="1" style="list-style-type: decimal; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;strong style="vertical-align: baseline;"&gt;クライアントサイドの複雑さとリソース使用量を削減:&lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt; フィルタの適用などのテレメトリー処理ロジックをオブザーバビリティ バックエンドに移動することで、カスタムルールの必要性が減り、クライアントサイドの処理オーバーヘッドが削減されます。&lt;/span&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;/ol&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;Cloud Trace から OTLP を使用する方法を簡単に見てみましょう。&lt;/span&gt;&lt;/p&gt;
&lt;h3&gt;&lt;strong style="vertical-align: baseline;"&gt;Cloud Trace と OTLP の実例&lt;/strong&gt;&lt;/h3&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;telemetry.googleapis.com 経由で &lt;/span&gt;&lt;a href="https://cloud.google.com/trace/docs/migrate-to-otlp-endpoints"&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;OTLP を使用してトレースデータを送信&lt;/span&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt;することが、新規ユーザーと既存ユーザーの両方にとって推奨されるベスト プラクティスになりました。特に、大量のトレースデータを送信することが予想されるユーザーにはおすすめです。&lt;/span&gt;&lt;/p&gt;&lt;/div&gt;
&lt;div class="block-image_full_width"&gt;






  
    &lt;div class="article-module h-c-page"&gt;
      &lt;div class="h-c-grid"&gt;
  

    &lt;figure class="article-image--large
      
      
        h-c-grid__col
        h-c-grid__col--6 h-c-grid__col--offset-3
        
        
      "
      &gt;

      
      
        
        &lt;img
            src="https://storage.googleapis.com/gweb-cloudblog-publish/images/2_N3PyrlX.max-1000x1000.png"
        
          alt="2"&gt;
        
        &lt;/a&gt;
      
        &lt;figcaption class="article-image__caption "&gt;&lt;p data-block-key="37zow"&gt;図 2: OpenTelemetry セマンティック規約を利用するフィールドがハイライト表示された Cloud Trace のトレース探索ページ&lt;/p&gt;&lt;/figcaption&gt;
      
    &lt;/figure&gt;

  
      &lt;/div&gt;
    &lt;/div&gt;
  




&lt;/div&gt;
&lt;div class="block-paragraph_advanced"&gt;&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;Trace エクスプローラ ページでは、OpenTelemetry の規則を幅広く使用して、関心のあるトレースをフィルタリングして見つける際に豊富なユーザー エクスペリエンスを提供します。次に例を示します。&lt;/span&gt;&lt;/p&gt;
&lt;ol&gt;
&lt;li aria-level="1" style="list-style-type: decimal; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;span style="vertical-align: baseline;"&gt;OpenTelemetry の規則である &lt;/span&gt;&lt;a href="http://service.name/" rel="noopener" target="_blank"&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;service.name&lt;/span&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt; は、スパンの送信元サービスを示すために使用されます。&lt;/span&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;li aria-level="1" style="list-style-type: decimal; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;span style="vertical-align: baseline;"&gt;スパンのステータスは、OpenTelemetry の&lt;/span&gt;&lt;a href="https://opentelemetry.io/docs/concepts/signals/traces/#span-status" rel="noopener" target="_blank"&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;スパン ステータス&lt;/span&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt;で示されます。&lt;/span&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;/ol&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;Cloud Trace の内部ストレージ システムでは、トレースデータの整理と保存に OpenTelemetry データモデルがネイティブに使用されるようになりました。新しいストレージ システムにより、trace データが telemetry.googleapis.com を介して送信される際の&lt;/span&gt;&lt;a href="https://cloud.google.com/trace/docs/quotas#telemetry-api-limits"&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;上限が大幅に&lt;/span&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt;引き上げられました。主な変更点は次のとおりです。&lt;/span&gt;&lt;/p&gt;
&lt;ul&gt;
&lt;li aria-level="1" style="list-style-type: disc; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;strong style="vertical-align: baseline;"&gt;属性のサイズ:&lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt; 属性キーは最大 512 バイト（128 バイトから）、値は最大 64 KiB（256 バイトから）にできます。&lt;/span&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;li aria-level="1" style="list-style-type: disc; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;strong style="vertical-align: baseline;"&gt;スパンの詳細:&lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt; スパン名は 1,024 バイト（128 バイトから増加）まで、スパンは 1,024 個（32 個から増加）までの属性を持つことができます。&lt;/span&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;li aria-level="1" style="list-style-type: disc; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;strong style="vertical-align: baseline;"&gt;イベントとリンクの数:&lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt; スパンあたりのイベント数が 256（128 から増加）に、スパンあたりのリンク数が 128 になりました。&lt;/span&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;/ul&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;OTLP を使用してトレースデータを送信することで、上記のストレージ上限の引き上げに加えて、トレース エクスプローラ UI とオブザーバビリティ分析のユーザー エクスペリエンスが向上すると考えています。&lt;/span&gt;&lt;/p&gt;
&lt;h3&gt;&lt;strong style="vertical-align: baseline;"&gt;OTLP に関する Google Cloud のビジョン&lt;/strong&gt;&lt;/h3&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;Cloud Trace での OTLP サポートの提供は、ほんの始まりにすぎません。Google のビジョンは、OpenTelemetry を活用して Google Cloud 全体でテレメトリーを生成、収集、アクセスできるようにすることです。Google の OpenTelemetry への取り組みは、トレース、指標、ログなど、あらゆる種類のテレメトリーに及びます。これは、テレメトリー管理を簡素化し、オープンなクラウド環境を促進するという Google の戦略の要です。&lt;/span&gt;&lt;/p&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;昨今の複雑なクラウド環境では、さまざまなシステムにまたがり、一貫性のないデータ形式で膨大な情報のテレメトリー データを管理すると、オブザーバビリティのギャップが生じ、運用オーバーヘッドが増加する可能性があります。Google は、すべてのテレメトリー タイプでネイティブ OTLP インジェストに焦点を当てることから始めて、テレメトリー パイプラインの合理化に専念しています。これにより、データを Google Cloud Observability にシームレスに送信できます。これにより、ベンダーに縛られない相互運用性が促進され、複雑な変換やベンダー固有のエージェントが不要になります。&lt;/span&gt;&lt;/p&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;シームレスな取り込みだけでなく、マネージド サーバーサイド処理、さまざまな宛先への柔軟なルーティング、環境全体にわたるテレメトリーの統合管理と制御の機能も構築しています。これにより、高度な処理機能とルーティング機能をすべて 1 か所で利用できるようになり、オブザーバビリティ エクスペリエンスがさらに向上します。&lt;/span&gt;&lt;/p&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;telemetry.googleapis.com を使用した OTLP トレースの取り込みの導入は、この取り組みにおける重要な第一歩です。Google は、Google Cloud で統合された合理的なオブザーバビリティ エクスペリエンスを提供するために、追加の処理機能とルーティング機能を使用して、すべてのテレメトリー タイプで OpenTelemetry のサポートを拡大する取り組みを続けています。&lt;/span&gt;&lt;/p&gt;
&lt;h3&gt;&lt;strong style="vertical-align: baseline;"&gt;使ってみる&lt;/strong&gt;&lt;/h3&gt;
&lt;p&gt;&lt;a href="https://cloud.google.com/trace/docs/migrate-to-otlp-endpoints?hl=ja"&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;移行ガイド&lt;/span&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt;に沿って、トレースデータに telemetry.googleapis.com を使用し始めることをおすすめします。この新しいエンドポイントは、ストレージの上限の引き上げや、Cloud Trace Explorer とオブザーバビリティ分析におけるユーザー エクスペリエンスの向上など、機能が強化されています。&lt;/span&gt;&lt;/p&gt;
&lt;p role="presentation"&gt;&lt;span style="font-style: italic; vertical-align: baseline;"&gt;ー プロダクト マネージャー &lt;/span&gt;&lt;strong style="font-style: italic; vertical-align: baseline;"&gt;Sujay Solomon&lt;/strong&gt;&lt;/p&gt;
&lt;p&gt;&lt;span style="font-style: italic; vertical-align: baseline;"&gt;ー プロダクト マネージャー &lt;/span&gt;&lt;strong style="font-style: italic; vertical-align: baseline;"&gt;Keith Chen&lt;/strong&gt;&lt;/p&gt;&lt;/div&gt;</description><pubDate>Thu, 25 Sep 2025 01:40:00 +0000</pubDate><guid>https://cloud.google.com/blog/ja/products/management-tools/opentelemetry-now-in-google-cloud-observability/</guid><category>Open Source</category><category>Management Tools</category><og xmlns:og="http://ogp.me/ns#"><type>article</type><title>OpenTelemetry Protocol が Google Cloud Observability に登場</title><description></description><site_name>Google</site_name><url>https://cloud.google.com/blog/ja/products/management-tools/opentelemetry-now-in-google-cloud-observability/</url></og><author xmlns:author="http://www.w3.org/2005/Atom"><name>Sujay Solomon</name><title>Senior Product Manager</title><department></department><company></company></author><author xmlns:author="http://www.w3.org/2005/Atom"><name>Keith Chen</name><title>Product Manager</title><department></department><company></company></author></item><item><title>新しい Agent Payments Protocol（AP2）で AI コマースを強化</title><link>https://cloud.google.com/blog/ja/products/ai-machine-learning/announcing-agents-to-payments-ap2-protocol/</link><description>&lt;div class="block-paragraph_advanced"&gt;&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;※この投稿は米国時間 2025 年 9 月 17 日に、Google Cloud blog に&lt;/span&gt;&lt;a href="https://cloud.google.com/blog/products/ai-machine-learning/announcing-agents-to-payments-ap2-protocol?e=48754805&amp;amp;hl=en"&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;投稿&lt;/span&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt;されたものの抄訳です。&lt;/span&gt;&lt;/p&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;本日、Google は &lt;/span&gt;&lt;a href="http://goo.gle/ap2" rel="noopener" target="_blank"&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;Agent Payments Protocol&lt;/span&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt;（AP2）を発表いたします。これは、主要な決済企業やテクノロジー企業と共同で開発されたオープン プロトコルで、プラットフォームをまたいでエージェント主導の決済を安全に開始、実行するものです。このプロトコルは、&lt;/span&gt;&lt;a href="https://a2a-protocol.org/" rel="noopener" target="_blank"&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;Agent2Agent（A2A）プロトコル&lt;/span&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt;と Model Context Protocol（MCP）の拡張として使用できます。業界のルールや基準のもと、ユーザー、販売者、決済プロバイダがあるゆる種類の決済方法で安心して取引できる、決済方法に依存しないフレームワークを確立します。&lt;/span&gt;&lt;/p&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;Google は、Adyen、American Express、Ant International、Coinbase、Etsy、Forter、Intuit、JCB、Mastercard、Mysten Labs、PayPal、Revolut、Salesforce、ServiceNow、UnionPay International、Worldpay など、60 を超えるさまざまな組織と協力して、エージェント型決済の未来を形作っています。&lt;/span&gt;&lt;/p&gt;&lt;/div&gt;
&lt;div class="block-video"&gt;



&lt;div class="article-module article-video "&gt;
  &lt;figure&gt;
    &lt;a class="h-c-video h-c-video--marquee"
      href="https://youtube.com/watch?v=yLTp3ic2j5c"
      data-glue-modal-trigger="uni-modal-yLTp3ic2j5c-"
      data-glue-modal-disabled-on-mobile="true"&gt;

      
        

        &lt;div class="article-video__aspect-image"
          style="background-image: url(https://storage.googleapis.com/gweb-cloudblog-publish/images/image1_YoRSHai.max-1000x1000.png);"&gt;
          &lt;span class="h-u-visually-hidden"&gt;Intro to Google Agent Payments Protocol (AP2)&lt;/span&gt;
        &lt;/div&gt;
      
      &lt;svg role="img" class="h-c-video__play h-c-icon h-c-icon--color-white"&gt;
        &lt;use xlink:href="#mi-youtube-icon"&gt;&lt;/use&gt;
      &lt;/svg&gt;
    &lt;/a&gt;

    
  &lt;/figure&gt;
&lt;/div&gt;

&lt;div class="h-c-modal--video"
     data-glue-modal="uni-modal-yLTp3ic2j5c-"
     data-glue-modal-close-label="Close Dialog"&gt;
   &lt;a class="glue-yt-video"
      data-glue-yt-video-autoplay="true"
      data-glue-yt-video-height="99%"
      data-glue-yt-video-vid="yLTp3ic2j5c"
      data-glue-yt-video-width="100%"
      href="https://youtube.com/watch?v=yLTp3ic2j5c"
      ng-cloak&gt;
   &lt;/a&gt;
&lt;/div&gt;

&lt;/div&gt;
&lt;div class="block-paragraph_advanced"&gt;&lt;h3&gt;&lt;strong style="vertical-align: baseline;"&gt;プロトコルが必要な理由&lt;/strong&gt;&lt;/h3&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;AI エージェントはユーザーに代わって取引を行うことができますが、それにはエージェントの取引権限を安全に認証、検証、伝達するための共通基盤の確立が不可欠です。現在の決済システムは一般的に、信頼できる画面で人間が直接 [購入] ボタンをクリックする流れを前提としています。しかしながら自律エージェントの台頭と、それらエージェントが決済を開始できるようになったことにより、この基本的な前提が崩れ、以下のようにいくつかの重要な課題が生じます。APA はそれらの課題への対処に役立ちます。&lt;/span&gt;&lt;/p&gt;
&lt;ul&gt;
&lt;li aria-level="1" style="list-style-type: disc; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;strong style="vertical-align: baseline;"&gt;承認&lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt;: ユーザーが特定の購入を行うための特定の権限をエージェントに与えたことを証明する。&lt;/span&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;li aria-level="1" style="list-style-type: disc; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;strong style="vertical-align: baseline;"&gt;真正性&lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt;: エージェントのリクエストがユーザーの真の意図を正確に反映していることを販売者が確認できるようにする。&lt;/span&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;li aria-level="1" style="list-style-type: disc; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;strong style="vertical-align: baseline;"&gt;説明責任&lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt;: 不正な取引や誤った取引が発生した場合の説明責任を明確にする。&lt;/span&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;/ul&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;AP2 は、エージェントと販売者の間で安全かつコンプライアンス要件に準拠した取引を行うための共通言語を提供するオープンな共有プロトコルであり、エコシステムの断片化を防ぐのに寄与します。また、クレジット カードやデビットカードから、ステーブルコインやリアルタイムでの銀行振込まで、さまざまな決済手段に対応しています。これにより、ユーザーと販売者にとって一貫性があり、安全かつスケーラブルなエクスペリエンスが確保されるとともに、金融機関がリスクを効果的に管理するために必要な明確性が提供されます。&lt;/span&gt;&lt;/p&gt;
&lt;h3&gt;&lt;strong style="vertical-align: baseline;"&gt;仕組み: Mandate と検証可能な認証情報による信頼の確立&lt;/strong&gt;&lt;/h3&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;AP2 は、ユーザー指示の検証可能な証明として機能する、改ざん防止が講じられ暗号化されたデジタル契約である Mandate を使用して信頼を構築します。Mandate は、検証可能な認証情報（VC）によって署名され、すべての取引の基礎となる証拠として機能します。&lt;/span&gt;&lt;/p&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;Mandate は、エージェントを利用した買い物のよくある 2 つの形態に対応しています。&lt;/span&gt;&lt;/p&gt;
&lt;ul&gt;
&lt;li aria-level="1" style="list-style-type: disc; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;strong style="vertical-align: baseline;"&gt;リアルタイムの購入（人が介在）&lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt;: エージェントに「新しい白いランニング シューズを探して」と依頼すると、そのリクエストは最初の &lt;/span&gt;&lt;strong style="vertical-align: baseline;"&gt;Intent Mandate&lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt; として捕捉されます。これにより、取引プロセスにおけるインタラクション全体に対する監査可能なコンテキストが提供されます。エージェントが希望の靴が入ったカートを提示すると、ユーザーの承認により &lt;/span&gt;&lt;strong style="vertical-align: baseline;"&gt;Cart Mandate&lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt; が署名されます。これは、商品と価格についての安全で変更不可能なレコードを作成する重要なステップであり、表示されたものに対して支払いが行われることを保証します。&lt;/span&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;li aria-level="1" style="list-style-type: disc; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;strong style="vertical-align: baseline;"&gt;委任されたタスク（人間が不在）&lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt;: 「コンサートのチケットが発売されたらすぐに購入する」などのようにタスクを委任する場合、ユーザーは事前に詳細な &lt;/span&gt;&lt;strong style="vertical-align: baseline;"&gt;Intent Mandate&lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt; に署名します。この Mandate には、価格制限、タイミング、その他の条件など、エンゲージメントのルールが指定されています。これは、検証可能な事前承認済みの証明として機能し、ユーザーの条件が正しく満たされると、エージェントがユーザーに代わって &lt;/span&gt;&lt;strong style="vertical-align: baseline;"&gt;Cart Mandate&lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt; を自動的に生成できるようになります。&lt;/span&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;/ul&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;どちらのシナリオでも、この証拠の連鎖は、決済手段を Cart Mandate の検証済み内容に安全にリンクすることで完成します。Intent（意図）から Cart（カート）、決済までのこの一連のプロセス全体で、否認できない監査証跡が作成され、前述の重要な課題のうち承認と真正性が解消されるため、説明責任を果たすための明確な基盤が提供されます。&lt;/span&gt;&lt;/p&gt;
&lt;h3&gt;&lt;strong style="vertical-align: baseline;"&gt;新しいコマース エクスペリエンスの実現&lt;/strong&gt;&lt;/h3&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;AP2 の柔軟な設計は、シンプルなものからまったく新しいものまで、さまざまな商取引のモデルをサポートする基盤を提供します。以下にいくつかの例を示します。これらの例ではすべて、Intent Mandate が代理署名されていることを前提としています。&lt;/span&gt;&lt;/p&gt;
&lt;ul&gt;
&lt;li aria-level="1" style="list-style-type: disc; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;strong style="vertical-align: baseline;"&gt;よりスマートなショッピング&lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt;: 冬用ジャケットが欲しいのに特定の色の在庫切れだったため、顧客はエージェントに「このジャケットの緑色がどうしても欲しい。20% までなら追加料金を払ってもいい」と伝えます。その後、エージェントは価格と在庫状況をモニタリングし、特定のバリエーションが見つかった瞬間に安全な購入を自動的に実行します。これにより、そうでなければ失われていた可能性の高い、購入意向の高い顧客の販売を確保できます。&lt;/span&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;li aria-level="1" style="list-style-type: disc; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;strong style="vertical-align: baseline;"&gt;パーソナライズされた提案&lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt;: 買い物客が、旅行で使う新しい自転車を特定の販売者から購入したいとエージェントに伝えます。旅行の日程などの情報をエージェントが販売者に伝えると、販売者側のエージェントが自転車、ヘルメット、旅行用ラックを 15% 割引で提供する、有効期限付きのカスタム バンドル オファーを作成して返信します。これにより、単純な問い合わせがより価値の高い販売につながります。&lt;/span&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;li aria-level="1" style="list-style-type: disc; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;strong style="vertical-align: baseline;"&gt;タスクの連携&lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt;: 週末旅行を計画しているユーザーが、エージェントに「11 月の最初の週末に、パーム スプリングスへの往復フライトとホテルを、総予算 700 ドルで予約して」と指示します。エージェントは、航空会社やホテルのエージェント、オンライン旅行代理店、予約プラットフォームとやり取りし、予算に合った組み合わせを見つけると、暗号署名された予約を同時に行います。&lt;/span&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;/ul&gt;
&lt;h3&gt;&lt;strong style="vertical-align: baseline;"&gt;新しい決済システムのサポート&lt;/strong&gt;&lt;/h3&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;AP2 は、ステーブルコインや暗号通貨などのさまざまな決済手段にセキュリティと信頼性を提供するユニバーサル プロトコルとして設計されています。Google は、Web3 エコシステムのサポートを加速させるため、Coinbase、Ethereum Foundation、MetaMask などの主要組織と協力して、AP2 のコア構成を拡張し、エージェントベースの暗号通貨決済に対応したプロダクション レディなソリューションである &lt;/span&gt;&lt;a href="https://github.com/google-a2a/a2a-x402" rel="noopener" target="_blank"&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;A2A x402 拡張機能&lt;/span&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt;をリリースしました。このような拡張機能は、コア AP2 プロトコル内での暗号通貨統合の進化を可能にします。&lt;/span&gt;&lt;/p&gt;
&lt;h3&gt;&lt;strong style="vertical-align: baseline;"&gt;今後の予定: コラボレーションのお願い&lt;/strong&gt;&lt;/h3&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;AP2 は、AI 主導のコマースの新時代を推進する、信頼できる基盤を提供します。安全な取引のためのコアとなる構成要素を確立し、ネットワーク、発行者、販売者、テクノロジー プロバイダ、エンドユーザーなど、業界がシームレスなエージェント認証や分散型 ID などの隣接分野でイノベーションを起こすための明確な機会を創出します。Google は、標準化団体などを通じて、オープンかつ共働的なプロセスでこのプロトコルを進化させていくことに尽力しており、決済とテクノロジーのコミュニティ全体に、この未来を共に築いていくよう呼びかけています。&lt;/span&gt;&lt;/p&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;A2A エージェントを構築しているパートナーの多くは、AP2 へのサポートを拡大しています。この拡大するエコシステムでは、AP2 によって実現する新しい取引可能なエクスペリエンスを含め、さまざまなエージェントが AI Agent Marketplace で公開されます。たとえば、企業は AP2 を B2B アプリケーションに使用して、Google Cloud Marketplace を介したパートナー構築ソリューションの自律的な調達や、リアルタイムのニーズに基づくソフトウェア ライセンスの自動スケーリングなどを実現できます。&lt;/span&gt;&lt;/p&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;使用を開始するには、公開されている &lt;/span&gt;&lt;a href="http://goo.gle/ap2" rel="noopener" target="_blank"&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;GitHub リポジトリ&lt;/span&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt;にアクセスして、技術仕様、ドキュメント、リファレンス実装の完全版をご確認ください。今後、このリポジトリは、Google からの追加の参照実装とコミュニティからのイノベーションによって定期的に更新され、AP2 の能力とスケーラビリティが実証されます。&lt;/span&gt;&lt;/p&gt;&lt;/div&gt;
&lt;div class="block-image_full_width"&gt;






  
    &lt;div class="article-module h-c-page"&gt;
      &lt;div class="h-c-grid"&gt;
  

    &lt;figure class="article-image--large
      
      
        h-c-grid__col
        h-c-grid__col--6 h-c-grid__col--offset-3
        
        
      "
      &gt;

      
      
        
        &lt;img
            src="https://storage.googleapis.com/gweb-cloudblog-publish/original_images/AP2_Partners.jpg"
        
          alt="New Logo AP2"&gt;
        
        &lt;/a&gt;
      
    &lt;/figure&gt;

  
      &lt;/div&gt;
    &lt;/div&gt;
  




&lt;/div&gt;
&lt;div class="block-paragraph_advanced"&gt;&lt;p&gt;&lt;strong style="vertical-align: baseline;"&gt;エコシステムからのサポート&lt;/strong&gt;&lt;/p&gt;
&lt;ul&gt;
&lt;li aria-level="1" style="list-style-type: disc; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;strong style="vertical-align: baseline;"&gt;Accenture: &lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt;「Google Cloud の Agent Payments Protocol（AP2）は、Agent2Agent プロトコルと Model Context Protocol を補完し、エージェントが取引を行うための統合フレームワークを提供します。このようなイノベーションにより、クライアントの決済を刷新するエージェント ソリューションの多くが実現します。これは、現在のニーズだけでなく、将来のコマースの進化するモデルにも対応するものです。」- &lt;/span&gt;&lt;strong style="vertical-align: baseline;"&gt;Accenture、Google ビジネス リード、Scott Alfieri 氏&lt;/strong&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;li aria-level="1" style="list-style-type: disc; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;strong style="vertical-align: baseline;"&gt;Adobe:&lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt; 「Adobe は、Google と協力して安全で認証されたエージェント コマースを推進できることを誇りに思っています。Agent Payments Protocol（AP2）において当社が役割を担っていることは、信頼できる AI 主導のエクスペリエンスに対する当社のコミットメントを裏付けるものです。Adobe Commerce と AI エージェントがカスタマー ジャーニーを強化することで、企業と消費者のために安全で信頼できる、真正な取引を実現することに注力しています。」-&lt;/span&gt;&lt;strong style="vertical-align: baseline;"&gt; Adobe、戦略およびプロダクト担当バイス プレジデント、Loni Stark 氏&lt;/strong&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;li aria-level="1" style="list-style-type: disc; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;strong style="vertical-align: baseline;"&gt;Adyen:&lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt; 「エージェント コマースには、消費者向けの chatbot だけではなく、そのすべてを支える基盤となるインフラストラクチャが関わってきます。Google の Agent Payments Protocol（AP2）に関する Adyen のコラボレーションは、明日のコマースのための決済構成要素を販売者に提供するという当社の使命の自然な延長線上にあるものです。決済エコシステムに関わるすべての関係者のセキュリティと相互運用性を確保する共通のルールブックの確立を支援できることをうれしく思います。」- &lt;/span&gt;&lt;strong style="vertical-align: baseline;"&gt;Adyen、共同 CEO、Ingo Uytdehaage 氏&lt;/strong&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;li aria-level="1" style="list-style-type: disc; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;strong style="vertical-align: baseline;"&gt;Airwallex: &lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt;「Airwallex は、Google のAgent Payments Protocol（AP2）をサポートできることを大変うれしく思っています。これは、エージェント AI による決済のための安全で相互運用可能なエコシステムを構築するうえで重要な一歩となります。このプロトコルにより、企業と消費者は AI エージェントにタスクを不安なく委任できるようになります。これは世界中の企業を支援して金融の未来を築くという当社の使命にもかなうものです。」- &lt;/span&gt;&lt;strong style="vertical-align: baseline;"&gt;Airwallex、共同創業者 / CTO、Jacob Dai 氏&lt;/strong&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;li aria-level="1" style="list-style-type: disc; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;strong style="vertical-align: baseline;"&gt;American Express: &lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt;「AI を活用したコマースが台頭する中、信頼と説明責任がこれまで以上に重要になっています。American Express は、次世代のデジタル決済において、お客様を保護し、取引への参加を可能にすることを目的としたプロトコルである AP2 の策定に貢献できることをうれしく思います。」-&lt;/span&gt;&lt;strong style="vertical-align: baseline;"&gt; American Express、Amex Digital Labs、EVP、Luke Gebb 氏&lt;/strong&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;li aria-level="1" style="list-style-type: disc; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;strong style="vertical-align: baseline;"&gt;Ant International: &lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt;「Ant International は、Google と提携してエージェント コマースにおける実用的な AI アプリケーションのプロトコルを策定し、代替決済方法に関する当社の専門知識と信頼できる AI イノベーションを活用して、新しい販売者の成長を促進し、消費者エクスペリエンスを向上させることを楽しみにしています。」- &lt;/span&gt;&lt;strong style="vertical-align: baseline;"&gt;Ant International、最高イノベーション責任者、Jiangming Yang 氏&lt;/strong&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;li aria-level="1" style="list-style-type: disc; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;strong style="vertical-align: baseline;"&gt;BHN: &lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt;「世界中で数十億件の取引を処理する信頼できるパートナーとして、BHN は、AP2 のような新しいプロトコルの策定を支援できることをうれしく思います。AP2 は、AI エージェントによって実現される、安全で自律的なコマースにおいて、販売者と消費者の両方がストアド バリューによる決済を活用できるようにします。」- &lt;/span&gt;&lt;strong style="vertical-align: baseline;"&gt;BHN、CPTO、Nik Sathe 氏&lt;/strong&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;li aria-level="1" style="list-style-type: disc; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;strong style="vertical-align: baseline;"&gt;BVNK: &lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt;「ステーブルコインは、エージェント システムが従来の金融インフラストラクチャですでに直面しているスケーリングの課題に対する明らかな解決策となります。Google がこの問題の解決に取り組んでいると聞いて、BVNK は非常に興奮しました。すぐにでも協力したいと思いました。」- &lt;/span&gt;&lt;strong style="vertical-align: baseline;"&gt;BVNK、最高技術責任者 Donald Jackson 氏&lt;/strong&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;li aria-level="1" style="list-style-type: disc; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;strong style="vertical-align: baseline;"&gt;Checkout.com: &lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt;「エージェントによるコマースは、決済の瞬間を再構築しており、Google の Agent Payments Protocol（AP2）は、そのための重要な一歩です。Checkout.com は、信頼を強化し、お客様がどこにいても、どのような方法で買い物したい場合でも、販売者がお客様のニーズに柔軟に対応できるオープン プロトコルをサポートできることを誇りに思っています。」- &lt;/span&gt;&lt;strong style="vertical-align: baseline;"&gt; Checkout.com、最高プロダクト責任者、Meron Colbeci 氏&lt;/strong&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;li aria-level="1" style="list-style-type: disc; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;strong style="vertical-align: baseline;"&gt;Coinbase: &lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt;「x402 と AP2 は、エージェント間の決済がもはや実験ではなく、開発者が実際にソリューションを構築する方法の一部になりつつあることを示しています。x402 を AP2 に導入してステーブルコイン決済を可能にすることは理にかなっていました。AP2 は、エージェントが互いに取引を開始し、暗号通貨レールをテストするのに最適な環境です。エージェントが互いに決済を行うというアイデアが、より広範な AI コミュニティで共感を得ているのを見るのはエキサイティングです。」–&lt;/span&gt;&lt;strong style="vertical-align: baseline;"&gt; Coinbase デベロッパー プラットフォーム エンジニアリング責任者、Erik Reppel 氏&lt;/strong&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;li aria-level="1" style="list-style-type: disc; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;strong style="vertical-align: baseline;"&gt;Crossmint: &lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt;「Crossmint のツールを使用すると、デベロッパーはエージェントがクレジット カードとステーブルコインの両方を使用してあらゆるものを購入できるようにすることができます。Crossmint の目標は、即時的なグローバル コマースを実現し、エージェントを構築するデベロッパーに最大限の柔軟性を提供することです。AP2 に関する Google とのパートナーシップは、エージェント型コマースが安全で信頼性が高くシームレスな取引方法として、あらゆる人の信頼を獲得することを目指すという当社のコミットメントを表しています。物事を加速する時がやって来たのです。」- &lt;/span&gt;&lt;strong style="vertical-align: baseline;"&gt;Crossmint、共同創業者、Alfonso Gomez 氏&lt;/strong&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;li aria-level="1" style="list-style-type: disc; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;strong style="vertical-align: baseline;"&gt;Confluent:&lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt; 「Confluent は、オープンで安全かつ信頼性の高い決済プロトコルの構築に向けた Google の取り組みをサポートできることをうれしく思います。Agent Payments Protocol（AP2）は、リアルタイムのデータドリブンな世界を実現するという当社のビジョンと完全に一致しています。Apache Kafka を使用したデータ ストリーミングに関する当社の専門知識は、エージェント ウェブにおけるレジリエントでスケーラブルな決済エコシステムの構築に不可欠であると考えています。」– &lt;/span&gt;&lt;strong style="vertical-align: baseline;"&gt;Confluent、パートナー CTO、Pascal Vantrepote 氏 &lt;/strong&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;li aria-level="1" style="list-style-type: disc; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;strong style="vertical-align: baseline;"&gt;Dell:&lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt; 「Dell Technologies は、&lt;/span&gt;&lt;a href="https://www.dell.com/en-us/blog/dell-securing-the-future-of-agentic-payments/" rel="noopener" target="_blank"&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;エージェント AI を世界中の企業にとって現実のものにする&lt;/span&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt;ことに尽力しています。エージェントによる自動化の変革の可能性は、特に顧客向けの e コマース プラットフォームにおいて、信頼、セキュリティ、標準化にかかっています。Google と連携して Agent Payments Protocol（AP2）をサポートすることで、AI 主導のコマースが信頼でき、アクセスしやすく、誰もが信頼できるものとなる未来の基盤を築いています。」– &lt;/span&gt;&lt;strong style="vertical-align: baseline;"&gt;Dell Technologies、CTO 室、イノベーションおよびエコシステム担当バイス プレジデント、Satish Iyer 氏&lt;/strong&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;li aria-level="1" style="list-style-type: disc; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;strong style="vertical-align: baseline;"&gt;Deloitte: &lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt;「エージェント コマースが変革をもたらす力として急速に台頭する中、業界では、AI エージェントが安全かつ効果的に決済を処理できるようにするための堅牢な標準が必要になります。これらの標準は、セキュリティ、ID、シームレスなコマース、信頼、プライバシーなどの重要な領域に対処しつつ、既存のグローバル決済インフラストラクチャとの互換性も確保する必要があります。Deloitte は、Google とともに広く採用されている A2A プロトコルを拡張し、エージェント主導の決済とコマースを可能することでこの進化する業界を形作ることを誇りに思っています。」– &lt;/span&gt;&lt;strong style="vertical-align: baseline;"&gt;Deloitte Consulting LLP、Alphabet Google アライアンス グローバル AI &amp;amp; データリーダー、Gopal Srinivasan 氏&lt;/strong&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;li aria-level="1" style="list-style-type: disc; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;strong style="vertical-align: baseline;"&gt;DLocal: &lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt;「決済エージェントはもはやアイデアではなく、急速に現実のものとなりつつあります。Google がサービスを提供するダイナミックな新興市場では、カードから現地の決済手段、ウォレット、ステーブルコインまで、決済が断片化され、複雑になっています。Agent Payments Protocol（AP2）は、その複雑さを単一の相互運用可能なフレームワークに変え、安全でシームレスな、ユーザーが管理しながら販売者のコンバージョンを促進するように設計されたエージェント主導の決済を可能にします。」- &lt;/span&gt;&lt;strong style="vertical-align: baseline;"&gt;DLocal、CEO、Pedro Arnt 氏&lt;/strong&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;li aria-level="1" style="list-style-type: disc; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;strong style="vertical-align: baseline;"&gt;Ebanx:&lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt; 「Agent Payments Protocol（AP2）は、次の時代のコマースを支えるものとなるでしょう。そのための安全で安心な環境を構築することが、今最も重要なステップです。Google とともにこの取り組みに参加できることを誇りに思います。」- &lt;/span&gt;&lt;strong style="vertical-align: baseline;"&gt;Ebanx、プロダクト担当バイス プレジデント、Eduardo de Abreu 氏&lt;/strong&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;li aria-level="1" style="list-style-type: disc; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;strong style="vertical-align: baseline;"&gt;Eigen Labs: &lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt;「Google の新しいAgent Payments Protocol（AP2）は、AI エージェントが人間、組織、または他のエージェントにとって有意義な経済主体となる未来に向けた大きな一歩です。EigenCloud は、この取り組みで Google と提携し、エージェントが相手方に対して責任を負うことを保証する検証可能なインフラストラクチャを提供できることを誇りに思っています。私たちは協力して、エージェントが人間や他のエージェントと連携、取引し、その行動を証明できる、グローバルで検証可能な経済の創出を支援しています。」- &lt;/span&gt;&lt;strong style="vertical-align: baseline;"&gt;Eigen Labs、創業者 / CEO、Sreeram Kannan 氏 &lt;/strong&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;li aria-level="1" style="list-style-type: disc; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;strong style="vertical-align: baseline;"&gt;Fiuu:&lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt; 「エージェント コマースが決済インフラストラクチャを再構築する中、Fiuu は A2A や AP2 などのオープン プロトコルをサポートし、マルチチャネル システム間で安全かつスケーラブルなエージェント間取引を可能にすることで、相互運用性と信頼性を向上させ、包括的な決済エコシステムを推進しています。」- Fiuu、CEO、Eng Sheng Guan 氏&lt;/span&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;li aria-level="1" style="list-style-type: disc; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;strong style="vertical-align: baseline;"&gt;Forter: &lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt;「Forter は、エージェントがコマースに革命を起こす可能性を信じています。また、Forter の Trusted Agentic Commerce Protocol（TACP）とともに、ブランド、消費者、AI デベロッパーにメリットをもたらす最新のプロトコルを Google と共同で策定できることを誇りに思っています。」- &lt;/span&gt;&lt;strong style="vertical-align: baseline;"&gt;Forter、CEO、Michael Reitblat 氏&lt;/strong&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;li aria-level="1" style="list-style-type: disc; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;strong style="vertical-align: baseline;"&gt;Gr4vy:&lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt; 「この新しいオープン プロトコル（AP2）をサポートできることを誇りに思います。業界全体で協力することで、決済の新たなチャプターを信頼、透明性、柔軟性を基盤として構築することが可能になります。」- &lt;/span&gt;&lt;strong style="vertical-align: baseline;"&gt;Gr4vy、CEO / 創業者、John Lunn 氏&lt;/strong&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;li aria-level="1" style="list-style-type: disc; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;strong style="vertical-align: baseline;"&gt;Gravitee:&lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt; 「エージェントの世界において、安全で信頼できる取引にはオープン プロトコルが求められます。Google の Agent Payments Protocol（AP2）のオープン スタンダードは、このニーズに対応しています。Gravitee の Agent Mesh は、セキュリティとガバナンスを重視しつつ A2A と MCP をすでにサポートしており、金融サービスや小売業などのお客様が安心して利用できるよう、このサポートを拡大していくことに尽力しています。」- &lt;/span&gt;&lt;strong style="vertical-align: baseline;"&gt;Gravitee、最高プロダクト責任者、Linus Hakansson 氏 &lt;/strong&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;li aria-level="1" style="list-style-type: disc; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;strong style="vertical-align: baseline;"&gt;Global Fashion Group: &lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt;「A2A と MCP を Agent Payments Protocol（AP2）に統合することで、バージョン管理された契約によるモジュール式で相互運用性に優れたアーキテクチャが実現し、統合とテストが簡単になります。スケーラブルに設計された最新の決済システムで、安全かつシームレスにグローバルなコマースを促進します。」- &lt;/span&gt;&lt;strong style="vertical-align: baseline;"&gt;Global Fashion Group、エンジニアリング担当ディレクター、Quy Tran 氏&lt;/strong&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;li aria-level="1" style="list-style-type: disc; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;strong style="vertical-align: baseline;"&gt;Intuit: &lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt;「Intuit は、消費者、企業、会計士の財務上の成功を支援することに重点を置いています。当社の AI とデータ関連技術を活用して、オープンな Agent Payments Protocol（AP2）の開発を支援し、すべての人にとってより良いエクスペリエンスを創出できることをうれしく思います。当社の技術者は、このプロトコルを使用して、お客様向けのすぐに使えるサービスの一環として、AI エージェントを自律的な財務ワークフローにデプロイできるようになります。」- &lt;/span&gt;&lt;strong style="vertical-align: baseline;"&gt;Intuit、ソフトウェア エンジニアリング担当バイス プレジデント、Tapasvi Moturu 氏&lt;/strong&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;li aria-level="1" style="list-style-type: disc; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;strong style="vertical-align: baseline;"&gt;JCB:&lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt; 「JCB は、Google の Agent Payments Protocol（AP2）イニシアチブを、決済の新時代を切り開く革新的かつ重要なプロトコルとして支持しています。JCB は、銀行や決済機関のパートナー、カード会員、加盟店など、エコシステム全体に利益をもたらすプロトコルに貢献できることを楽しみにしています。」- &lt;/span&gt;&lt;strong style="vertical-align: baseline;"&gt;株式会社ジェーシービー、執行役員総合企画部長兼イノベーション統括部担当、久保寺晋也氏&lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt; &lt;/span&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;li aria-level="1" style="list-style-type: disc; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;strong style="vertical-align: baseline;"&gt;JusPay:&lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt; 「決済の未来は本質的にオープンで相互運用可能であり、UPI との連携や、世界初のオープンソース決済オーケストレーション プラットフォームである Hyperswitch の開発によって、その力が実証されています。この新しいプロトコル（AP2）は、AI 主導のコマースを実現するために必要な安全で共有された基盤を提供すると考えており、この取り組みに当社の専門知識を提供できることをうれしく思います。」- &lt;/span&gt;&lt;strong style="vertical-align: baseline;"&gt;Juspay、共同創業者、Sheetal Lalwani 氏&lt;/strong&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;li aria-level="1" style="list-style-type: disc; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;strong style="vertical-align: baseline;"&gt;KCP: &lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt;「NHN KCP は、Agent Payments Protocol（AP2）をグローバル決済エコシステムの重要な進歩として支持しており、グローバル パートナーと協力して、AI ベースの決済をより信頼性が高く、便利で、広く普及したものにすることを楽しみにしています。」- &lt;/span&gt;&lt;strong style="vertical-align: baseline;"&gt;NHN KCP、エグゼクティブ マネージング ディレクター、Jae-wook Noh 氏  &lt;/strong&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;li aria-level="1" style="list-style-type: disc; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;strong style="vertical-align: baseline;"&gt;Lightspark&lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt;: 「Google で決済関連の業務に携わってきた経験から、オープンで検証済みのプロトコルが強力なネットワーク効果をもたらすことを実感しています。Google の Agent Payments Protocol（AP2）は、信頼できる AI エージェントがユーザーに代わってシームレスに取引を行う未来に向けた大きな一歩です。Lightspark は、オープンでグローバルな相互運用性の実現というビジョンにコミットしています。」- &lt;/span&gt;&lt;strong style="vertical-align: baseline;"&gt;Lightspark、CPO、Alberto Martin 氏&lt;/strong&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;li aria-level="1" style="list-style-type: disc; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;strong style="vertical-align: baseline;"&gt;ManusAI:&lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt; 「Google の Agent Payments Protocol（AP2）は、エージェント エコシステムが長年直面してきた根本的な収益化の課題に対し、ようやく登場した画期的なソリューションです。AI エージェント間のシームレスで標準化された対価の支払いを可能にすると同時に、真のマルチエージェント コラボレーションを妨げてきた持続不可能なリソースの不均衡を解消します。」- &lt;/span&gt;&lt;strong style="vertical-align: baseline;"&gt; Manus、CTO、Tao Zhang 氏&lt;/strong&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;li aria-level="1" style="list-style-type: disc; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;strong style="vertical-align: baseline;"&gt;Mastercard: &lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt;「Mastercard は、継続的かつ責任あるイノベーションに取り組んでいます。Google、大手銀行、加盟店、AI プラットフォーム、その他の業界リーダーと協力して、エージェント型コマースの未来を形作っていくことを楽しみにしています。こうした取り組みには、FIDO Alliance などの標準化団体との重要な連携も含まれます。当社は、この新しい動的なコンテキストで消費者の意図を把握して保護するために、検証可能な認証情報を推進しています。Google と Mastercard は協力して、決済エコシステムのセキュリティを確保するうえで重要な役割を果たしています。信頼と安全性をあらゆる取引の中核に据えることが重要です。」-&lt;/span&gt;&lt;strong style="vertical-align: baseline;"&gt; Mastercard、最高デジタル責任者、Pablo Fourez 氏 &lt;/strong&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;li aria-level="1" style="list-style-type: disc; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;strong style="vertical-align: baseline;"&gt;MetaMask: &lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt;「ブロックチェーンはエージェントにとって自然な決済レイヤであり、Ethereum がそのバックボーンとなるでしょう。Agent Payments Protocol（AP2）と x402 により、MetaMask はデベロッパーに最大限の相互運用性を提供します。ユーザーはコンポーザビリティと選択肢を最大限確保された状態でエージェントに支払いを行うことができ、セキュリティとセルフカストディに対する実際の制御は維持されます。」- &lt;/span&gt;&lt;strong style="vertical-align: baseline;"&gt;MetaMask、AI リード、Marco De Rossi 氏&lt;/strong&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;li aria-level="1" style="list-style-type: disc; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;strong style="vertical-align: baseline;"&gt;Mesh: &lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt;「AI が真にコマースを促進するには、エージェントが安全かつ普遍的な方法で決済処理を行う必要があります。Google の新しい Agent Payments Protocol（AP2）は、これを可能にするための基盤となるフレームワークを提供するもので、大きな前進です。当社は、特に暗号通貨のようなプログラマブル アセットで、エージェント主導のコマースの可能性を最大限に引き出すこの取り組みを支援できることを誇りに思っています。当社のテクノロジーは、暗号エコシステムの複雑さを抽象化し、エージェントが数百のウォレットや取引所にシームレスにアクセスできるようにし、100 以上のトークンをサポートします。これにより、決済がただ行われるだけでなく、最も効率的な経路でルーティングされるため、スピードと成功が保証されます。」- &lt;/span&gt;&lt;strong style="vertical-align: baseline;"&gt;Mesh、CEO / 共同創業者、Bam Azizi 氏&lt;/strong&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;li aria-level="1" style="list-style-type: disc; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;strong style="vertical-align: baseline;"&gt;Mysten Labs: &lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt;「認証済みユーザーに代わって認証済みエージェントが購入を行うことは、AI を活用した自動化の次のフロンティアです。Google の Agent Payments Protocol（AP2）は、Sui などの最新のブロックチェーンによるプログラマブルな決済と、急速に成長している A2A や MCP などのオープン プロトコルを組み合わせたものです。これは、現実世界のエージェント コマースの完璧な基盤です。」- &lt;/span&gt;&lt;strong style="vertical-align: baseline;"&gt;Mysten Labs、最高技術責任者 / 共同創設者、Sam Blackshear 氏（Sui の最初のコントリビューター）&lt;/strong&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;li aria-level="1" style="list-style-type: disc; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;strong style="vertical-align: baseline;"&gt;Nexi: &lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt;「Google Cloud と提携して AP2 を開発し、コマースの基本的なパラダイム シフトの形成に貢献できることをうれしく思います。規模的にはヨーロッパ企業でありながら、本質的にはローカル企業であるという当社の DNA の一環として、ヨーロッパの販売者がグローバル規模で競争し続けられるよう支援するとともに、パーソナライズされた使いやすいオンライン ショッピング体験を消費者に提供することを目指しています。Google Cloud のエージェント AI e コマース テクノロジーを活用して、今後も加盟店様とパートナー様の決済を簡素化していきます。」- &lt;/span&gt;&lt;strong style="vertical-align: baseline;"&gt;Nexi、加盟店ソリューション担当最高ビジネス責任者、Roberto Catanzaro 氏&lt;/strong&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;li aria-level="1" style="list-style-type: disc; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;strong style="vertical-align: baseline;"&gt;Okta: &lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt;「A2A プロトコルを決済分野に拡げることは、AI エージェント間のコマースのための安全で相互運用可能な基盤を構築するうえで重要なステップです。Auth0 は、Agent Payments Protocol（AP2）をサポートし、AI エージェント間の将来の決済がシームレスかつ安全に行われるよう支援できることをうれしく思います。」- &lt;/span&gt;&lt;strong style="vertical-align: baseline;"&gt;Okta、技術戦略およびパートナーシップ担当バイス プレジデント、Stephen Lee 氏&lt;/strong&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;li aria-level="1" style="list-style-type: disc; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;strong style="vertical-align: baseline;"&gt;Payoneer:&lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt; 「Payoneer では、AI エージェントが何百万もの小規模ビジネスの財務ワークフローを簡素化する大きな可能性を秘めていると考えています。Agent Payments Protocol（AP2）をサポートすることで、世界中の小規模ビジネスをつなぐ当社のプラットフォームと同様に、エージェントが安全かつシームレスにコラボレーションできるようにしています。」- &lt;/span&gt;&lt;strong style="vertical-align: baseline;"&gt;Payoneer、AI 担当バイス プレジデント、Guy Shalev 氏&lt;/strong&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;li aria-level="1" style="list-style-type: disc; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;strong style="vertical-align: baseline;"&gt;PayPal: &lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt;「AP2 は、信頼できるエージェントによる決済のための重要な基盤を提供し、信頼できる取引を促進する方法について、エコシステムに非常に必要な明確性をもたらします。PayPal はこのビジョンに完全に賛同しており、このビジョンを基盤として、当社のコマースに関する専門知識を活かし、購入プロセス全体にわたってこれらの原則を拡張できるよう支援できることをうれしく思っています。」- &lt;/span&gt;&lt;strong style="vertical-align: baseline;"&gt;PayPal、シニア バイス プレジデント兼グローバル AI 責任者、Prakhar Mehrotra 氏&lt;/strong&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;li aria-level="1" style="list-style-type: disc; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;strong style="vertical-align: baseline;"&gt;PwC:&lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt; 「PwC は、決済などの重要なタスクや、広範な資金移動において、信頼性、安全性、プライバシーの維持に重点を置いたエージェント AI によるイノベーションの促進に取り組んでいます。Agent Payments Protocol（AP2）と Agent2Agent プロトコルの拡張は、情報を損なうことなく安全性を高める大きな飛躍だと考えています。」- &lt;/span&gt;&lt;strong style="vertical-align: baseline;"&gt;PwC、グローバル / 米国最高 AI エンジニアリング責任者、Scott Likens 氏&lt;/strong&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;li aria-level="1" style="list-style-type: disc; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;strong style="vertical-align: baseline;"&gt;Salesforce&lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt;: 「デジタル コマース推進に関する豊富な専門知識を持つ Salesforce は、企業がエージェント型決済を大規模に活用できるよう支援できることをうれしく思っています。これにより、真にストレスのないコマース エクスペリエンスが実現し、エージェント型企業になるために不可欠な生産性が向上します。」 – &lt;/span&gt;&lt;strong style="vertical-align: baseline;"&gt;Salesforce、コマースおよび小売クラウド担当シニア バイス プレジデント兼ゼネラル マネージャー、Nitin Mangtani 氏 &lt;/strong&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;li aria-level="1" style="list-style-type: disc; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;strong style="vertical-align: baseline;"&gt;ServiceNow: &lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt;「Google とのパートナーシップは、エージェント エコシステムの可能性を最大限に引き出すことに重点を置いています。Agent2Agent プロトコルの先行ユーザーであり、リリース パートナーでもある当社は、自律型 AI エージェントが e コマース トランザクションをシームレスに実行できるようになったことを喜ばしく思っています。両社は、信頼、セキュリティ、ガバナンスを基盤とする次世代の販売および調達ワークフローを推進するとともに、エージェント AI を使用して企業がどのように拡大するかについての新しい基準を確立しています。」&lt;/span&gt;&lt;strong style="vertical-align: baseline;"&gt;- ServiceNow、AI プラットフォーム担当 EVP 兼 GM、Jon Sigler 氏&lt;/strong&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;li aria-level="1" style="list-style-type: disc; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;strong style="vertical-align: baseline;"&gt;Shopee: &lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt;「Shopee では、エージェントが e コマースを変革する大きな可能性を秘めていると考えており、Google のAgent Payments Protocol（AP2）などの業界プロトコルが、この未来を実現するうえで重要になると考えています。」- &lt;/span&gt;&lt;strong style="vertical-align: baseline;"&gt;Shopee、最高プロダクト責任者、David Chen 氏 &lt;/strong&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;li aria-level="1" style="list-style-type: disc; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;strong style="vertical-align: baseline;"&gt;Worldpay: &lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt;「Worldpay は、信頼と安全性を基盤として構築された、エージェント コマースのためのオープンで相互運用可能な基盤という Google のビジョンを共有しています。この基盤は、販売者と買い物客を支援するものです。AP2 プロトコルは、エージェント、販売者、決済プロバイダが安全かつ大規模に取引を行う方法を定義するうえで、重要な第一歩となります。」- &lt;/span&gt;&lt;strong style="vertical-align: baseline;"&gt;Worldpay、最高プロダクト責任者、Cindy Turner 氏&lt;/strong&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;li aria-level="1" style="list-style-type: disc; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;strong style="vertical-align: baseline;"&gt;1Password:&lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt; 「A2A や AP2 などのオープン プロトコルは、セキュリティと透明性を基盤として維持しながら、AI の幅広い導入を促進するうえで非常に重要です。1Password では、デジタル決済認証情報のサポートは始まりにすぎないと考えています。未来はマルチエージェントであり、エージェントのアクセスと認証の管理は、認証情報の保護から始まり、同時にプライバシー、透明性、信頼というセキュリティのコアバリューを維持します。」- &lt;/span&gt;&lt;strong style="vertical-align: baseline;"&gt;1Password、プロダクトおよび AI 担当バイス プレジデント、Anand Srinivas 氏&lt;/strong&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;/ul&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;まず、公開されている &lt;/span&gt;&lt;a href="http://goo.gle/ap2" rel="noopener" target="_blank"&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;GitHub リポジトリ&lt;/span&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt;で、技術仕様一式、ドキュメント、リファレンス実装をご確認ください。&lt;/span&gt;&lt;/p&gt;
&lt;p role="presentation"&gt;&lt;span style="font-style: italic; vertical-align: baseline;"&gt;-Google、決済担当バイス プレジデント兼ゼネラル マネージャー、&lt;/span&gt;&lt;strong style="font-style: italic; vertical-align: baseline;"&gt;Stavan Parikh &lt;/strong&gt;&lt;/p&gt;
&lt;p role="presentation"&gt;&lt;span style="font-style: italic; vertical-align: baseline;"&gt;-Google Cloud、ビジネス アプリケーション プラットフォーム担当バイス プレジデント兼ゼネラル マネージャー、&lt;/span&gt;&lt;strong style="font-style: italic; vertical-align: baseline;"&gt;Rao Surapaneni &lt;/strong&gt;&lt;/p&gt;&lt;/div&gt;</description><pubDate>Wed, 24 Sep 2025 03:00:00 +0000</pubDate><guid>https://cloud.google.com/blog/ja/products/ai-machine-learning/announcing-agents-to-payments-ap2-protocol/</guid><category>Open Source</category><category>AI &amp; Machine Learning</category><media:content height="540" url="https://storage.googleapis.com/gweb-cloudblog-publish/original_images/AP2_1iaAPko.jpg" width="540"></media:content><og xmlns:og="http://ogp.me/ns#"><type>article</type><title>新しい Agent Payments Protocol（AP2）で AI コマースを強化</title><description></description><image>https://storage.googleapis.com/gweb-cloudblog-publish/original_images/AP2_1iaAPko.jpg</image><site_name>Google</site_name><url>https://cloud.google.com/blog/ja/products/ai-machine-learning/announcing-agents-to-payments-ap2-protocol/</url></og><author xmlns:author="http://www.w3.org/2005/Atom"><name>Stavan Parikh</name><title>VP/GM, Payments, Google</title><department></department><company></company></author><author xmlns:author="http://www.w3.org/2005/Atom"><name>Rao Surapaneni</name><title>VP/GM, Business Applications Platform, Google Cloud</title><department></department><company></company></author></item><item><title>柔軟性を高めて構築: Vertex AI Model Garden に新しいオープンモデルが登場</title><link>https://cloud.google.com/blog/ja/products/ai-machine-learning/deepseek-r1-is-available-for-everyone-in-vertex-ai-model-garden/</link><description>&lt;div class="block-paragraph_advanced"&gt;&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;※この投稿は米国時間 2025 年 7 月 17 日に、Google Cloud blog に&lt;/span&gt;&lt;a href="https://cloud.google.com/blog/products/ai-machine-learning/deepseek-r1-is-available-for-everyone-in-vertex-ai-model-garden?e=48754805&amp;amp;hl=en"&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;投稿&lt;/span&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt;されたものの抄訳です。&lt;/span&gt;&lt;/p&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;Google は、革新的な AI アプリケーションを構築するために必要な柔軟性と選択肢を企業に提供する継続的な取り組みに基づいて、Vertex AI Model Garden で Model-as-a-Service（MaaS）サービスとして利用できるオープンモデルのカタログを拡大しています。今年初めに &lt;/span&gt;&lt;a href="https://www.googlecloudcommunity.com/gc/Community-Blogs/Introducing-Llama-4-on-Vertex-AI/ba-p/892578" rel="noopener" target="_blank"&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;Llama 4 モデル&lt;/span&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt;が追加されたのに続き、&lt;/span&gt;&lt;a href="https://console.cloud.google.com/vertex-ai/publishers/deepseek-ai/model-garden/deepseek-r1-0528-maas"&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;DeepSeek R1&lt;/span&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt; が Model-as-a-Service（MaaS）サービスを通じてすべてのお客様にご利用いただけるようになりました。この拡大は、オープンな AI エコシステムに対する Google の取り組みを強化するものであり、お客様がさまざまな強力なモデルにアクセスして、特定のユースケースに最適なモデルを見つけられるようにします。&lt;/span&gt;&lt;/p&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;昨今の大規模モデルのデプロイと管理には、運用面と財務面で課題があります。たとえば、DeepSeek R1 のような大規模モデルでは、推論を実行するために 8 つの高度な H200 GPU のインフラストラクチャが必要になる場合があります。多くの組織にとって、このようなリソースの調達と管理は、アプリケーションのコア開発から注意をそらす可能性のある大きな取り組みです。&lt;/span&gt;&lt;/p&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;Vertex AI の MaaS サービスは、この複雑さを解消するように設計されています。これらのモデルをフルマネージドのサーバーレス API として提供することで、お客様は基盤となるインフラストラクチャをプロビジョニングまたは管理する必要がなくなります。これにより、チームは GPU 管理の複雑さを回避し、構築とイノベーションに直接集中できます。Vertex AI では、組み込みのデータ プライバシーとコンプライアンスを備えた安全なエンタープライズ グレードのプラットフォームを利用できます。すべて、ニーズに合わせてスケーリングする柔軟な従量課金制の料金モデルの下で提供されます。&lt;/span&gt;&lt;/p&gt;&lt;/div&gt;
&lt;div class="block-aside"&gt;&lt;dl&gt;
    &lt;dt&gt;aside_block&lt;/dt&gt;
    &lt;dd&gt;&amp;lt;ListValue: [StructValue([(&amp;#x27;title&amp;#x27;, &amp;#x27;300 ドル分の無料クレジットで Google Cloud の AI と ML を試用&amp;#x27;), (&amp;#x27;body&amp;#x27;, &amp;lt;wagtail.rich_text.RichText object at 0x7f4858ab4090&amp;gt;), (&amp;#x27;btn_text&amp;#x27;, &amp;#x27;無料で構築を始める&amp;#x27;), (&amp;#x27;href&amp;#x27;, &amp;#x27;http://console.cloud.google.com/freetrial?redirectPath=/vertex-ai/&amp;#x27;), (&amp;#x27;image&amp;#x27;, None)])]&amp;gt;&lt;/dd&gt;
&lt;/dl&gt;&lt;/div&gt;
&lt;div class="block-paragraph_advanced"&gt;&lt;p&gt;&lt;strong style="vertical-align: baseline;"&gt;ご利用にあたって&lt;/strong&gt;&lt;/p&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;以下に、MaaS で利用できるオープンモデルを使用する手順を説明します。ここでは、例として Vertex AI 上の DeepSeek R1 を使用しました。モデルは UI と API の両方からアクセスできます。&lt;/span&gt;&lt;/p&gt;
&lt;p&gt;&lt;strong style="vertical-align: baseline;"&gt;1. DeepSeek API サービスを有効にする&lt;/strong&gt;&lt;/p&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;Vertex AI Model Garden から DeepSeek API サービスに移動し、タイトルをクリックしてモデルカードを開きます。次に、DeepSeek API サービスへのアクセスを有効にします。有効化後、権限が反映されるまでに数分かかる場合があります。&lt;/span&gt;&lt;/p&gt;&lt;/div&gt;
&lt;div class="block-image_full_width"&gt;






  
    &lt;div class="article-module h-c-page"&gt;
      &lt;div class="h-c-grid"&gt;
  

    &lt;figure class="article-image--large
      
      
        h-c-grid__col
        h-c-grid__col--6 h-c-grid__col--offset-3
        
        
      "
      &gt;

      
      
        
        &lt;img
            src="https://storage.googleapis.com/gweb-cloudblog-publish/images/1_ypu16Hl.max-1000x1000.png"
        
          alt="1"&gt;
        
        &lt;/a&gt;
      
        &lt;figcaption class="article-image__caption "&gt;&lt;p data-block-key="vj2xu"&gt;Vertex AI Model Garden の DeepSeek API サービス&lt;/p&gt;&lt;/figcaption&gt;
      
    &lt;/figure&gt;

  
      &lt;/div&gt;
    &lt;/div&gt;
  




&lt;/div&gt;
&lt;div class="block-paragraph_advanced"&gt;&lt;p&gt;&lt;strong style="vertical-align: baseline;"&gt;2. UI を使用してモデルを試す&lt;/strong&gt;&lt;/p&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;Vertex AI Model Garden から DeepSeek API サービスに移動し、タイルをクリックしてモデルカードを開きます。サイドバーの UI を使用してサービスをテストできます。&lt;/span&gt;&lt;/p&gt;&lt;/div&gt;
&lt;div class="block-image_full_width"&gt;






  
    &lt;div class="article-module h-c-page"&gt;
      &lt;div class="h-c-grid"&gt;
  

    &lt;figure class="article-image--large
      
      
        h-c-grid__col
        h-c-grid__col--6 h-c-grid__col--offset-3
        
        
      "
      &gt;

      
      
        
        &lt;img
            src="https://storage.googleapis.com/gweb-cloudblog-publish/images/2_bWuZIG8.max-1000x1000.png"
        
          alt="2"&gt;
        
        &lt;/a&gt;
      
        &lt;figcaption class="article-image__caption "&gt;&lt;p data-block-key="vj2xu"&gt;サービスをテストするための UI サイドバーを備えた DeepSeek API サービス&lt;/p&gt;&lt;/figcaption&gt;
      
    &lt;/figure&gt;

  
      &lt;/div&gt;
    &lt;/div&gt;
  




&lt;/div&gt;
&lt;div class="block-paragraph_advanced"&gt;&lt;p&gt;&lt;strong style="vertical-align: baseline;"&gt;3. Vertex AI API を使用してモデルを試す&lt;/strong&gt;&lt;/p&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;DeepSeek R1 をアプリケーションに統合するには、REST API または OpenAI Python API クライアント ライブラリを使用できます。&lt;/span&gt;&lt;strong style="vertical-align: baseline;"&gt;注&lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt;: データのセキュリティを確保するため、DeepSeek MaaS エンドポイントにはインターネットへのアウトバウンド アクセスがありません。&lt;/span&gt;&lt;/p&gt;
&lt;p&gt;&lt;strong style="vertical-align: baseline;"&gt;REST API を介して予測を取得する&lt;/strong&gt;&lt;/p&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;API リクエストは、gcloud 認証情報が構成された Cloud Shell またはマシンから curl を使用して行うことができます。プレースホルダを次のコードに置き換えてください。&lt;/span&gt;&lt;/p&gt;&lt;/div&gt;
&lt;div class="block-code"&gt;&lt;dl&gt;
    &lt;dt&gt;code_block&lt;/dt&gt;
    &lt;dd&gt;&amp;lt;ListValue: [StructValue([(&amp;#x27;code&amp;#x27;, &amp;#x27;export PROJECT_ID=&amp;lt;ENTER_PROJECT_ID&amp;gt;\r\nexport REGION_ID=&amp;lt;ENTER_REGION_ID&amp;gt; \r\n\r\ncurl \\\r\n-X POST \\\r\n-H &amp;quot;Authorization: Bearer $(gcloud auth print-access-token)&amp;quot; \\\r\n-H &amp;quot;Content-Type: application/json&amp;quot; \\\r\n&amp;quot;https://${REGION_ID}-aiplatform.googleapis.com/v1/projects/${PROJECT_ID}/locations/${REGION_ID}/endpoints/openapi/chat/completions&amp;quot; \\\r\n-d \&amp;#x27;{\r\n  &amp;quot;model&amp;quot;: &amp;quot;deepseek-ai/deepseek-r1-0528-maas&amp;quot;,\r\n  &amp;quot;max_tokens&amp;quot;: 200,\r\n  &amp;quot;stream&amp;quot;: true,\r\n  &amp;quot;messages&amp;quot;: [\r\n    {\r\n      &amp;quot;role&amp;quot;: &amp;quot;user&amp;quot;,\r\n      &amp;quot;content&amp;quot;: &amp;quot;which is bigger - 9.11 or 9.9&amp;quot;\r\n    }\r\n  ]\r\n}\&amp;#x27;&amp;#x27;), (&amp;#x27;language&amp;#x27;, &amp;#x27;&amp;#x27;), (&amp;#x27;caption&amp;#x27;, &amp;lt;wagtail.rich_text.RichText object at 0x7f4847f54b90&amp;gt;)])]&amp;gt;&lt;/dd&gt;
&lt;/dl&gt;&lt;/div&gt;
&lt;div class="block-paragraph_advanced"&gt;&lt;p&gt;&lt;strong style="vertical-align: baseline;"&gt;OpenAI Python API クライアント ライブラリを使用して予測を取得する&lt;/strong&gt;&lt;/p&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;OpenAI Python API ライブラリをインストールします。&lt;/span&gt;&lt;/p&gt;&lt;/div&gt;
&lt;div class="block-code"&gt;&lt;dl&gt;
    &lt;dt&gt;code_block&lt;/dt&gt;
    &lt;dd&gt;&amp;lt;ListValue: [StructValue([(&amp;#x27;code&amp;#x27;, &amp;#x27;pip install openai&amp;#x27;), (&amp;#x27;language&amp;#x27;, &amp;#x27;&amp;#x27;), (&amp;#x27;caption&amp;#x27;, &amp;lt;wagtail.rich_text.RichText object at 0x7f4858175c90&amp;gt;)])]&amp;gt;&lt;/dd&gt;
&lt;/dl&gt;&lt;/div&gt;
&lt;div class="block-paragraph_advanced"&gt;&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;クライアントを初期化し、エンドポイント URL を構成します。API キーとして使用するアクセス トークンを取得する方法については、&lt;/span&gt;&lt;a href="https://cloud.google.com/sdk/gcloud/reference/auth/application-default/print-access-token"&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;こちら&lt;/span&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt;をご覧ください。ローカルマシンから実行する場合は、GOOGLE_APPLICATION_CREDENTIALS でリクエストが認証されます。&lt;/span&gt;&lt;/p&gt;&lt;/div&gt;
&lt;div class="block-code"&gt;&lt;dl&gt;
    &lt;dt&gt;code_block&lt;/dt&gt;
    &lt;dd&gt;&amp;lt;ListValue: [StructValue([(&amp;#x27;code&amp;#x27;, &amp;#x27;import os\r\nimport openai\r\n\r\nPROJECT_ID = “ENTER_PROJECT_ID”\r\nLOCATION = &amp;quot;us-central1&amp;quot;\r\nMODEL_ID = &amp;quot;deepseek-ai/deepseek-r1-0528-maas&amp;quot;\r\nAPI_KEY = os.environ[&amp;quot;GOOGLE_APPLICATION_CREDENTIALS&amp;quot;] # or add output from gcloud auth print-access-token \r\n\r\ndeepseek_vertex_endpoint_url = (\r\n    f&amp;quot;https://{LOCATION}-aiplatform.googleapis.com/v1beta1/&amp;quot;\r\n    f&amp;quot;projects/{PROJECT_ID}/locations/{LOCATION}/endpoints/openapi&amp;quot;\r\n)\r\n\r\nclient = openai.OpenAI(\r\n    base_url=deepseek_vertex_endpoint_url,\r\n    api_key=API_KEY\r\n)&amp;#x27;), (&amp;#x27;language&amp;#x27;, &amp;#x27;lang-py&amp;#x27;), (&amp;#x27;caption&amp;#x27;, &amp;lt;wagtail.rich_text.RichText object at 0x7f4858b66590&amp;gt;)])]&amp;gt;&lt;/dd&gt;
&lt;/dl&gt;&lt;/div&gt;
&lt;div class="block-paragraph_advanced"&gt;&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;クライアント経由で補完リクエストを行う:&lt;/span&gt;&lt;/p&gt;&lt;/div&gt;
&lt;div class="block-code"&gt;&lt;dl&gt;
    &lt;dt&gt;code_block&lt;/dt&gt;
    &lt;dd&gt;&amp;lt;ListValue: [StructValue([(&amp;#x27;code&amp;#x27;, &amp;#x27;response = client.chat.completions.create(\r\n    model=&amp;quot;deepseek-ai/deepseek-r1-0528-maas&amp;quot;,\r\n    messages=[\r\n        {&amp;quot;role&amp;quot;: &amp;quot;system&amp;quot;, &amp;quot;content&amp;quot;: &amp;quot;You are a helpful assistant&amp;quot;},\r\n        {&amp;quot;role&amp;quot;: &amp;quot;user&amp;quot;, &amp;quot;content&amp;quot;: &amp;quot;How many r\&amp;#x27;s are in strawberry ?&amp;quot;},\r\n    ],\r\n    stream=False,\r\n)\r\n\r\nprint(response.choices[0].message.content)\r\n\r\n# ChatCompletion(&amp;quot;id=&amp;quot;&amp;quot;&amp;quot;,\r\n# &amp;quot;choices=&amp;quot;[\r\n#    &amp;quot;Choice(finish_reason=&amp;quot;&amp;quot;length&amp;quot;,\r\n#    index=0,\r\n#    &amp;quot;logprobs=None&amp;quot;,\r\n#    &amp;quot;message=ChatCompletionMessage(content=&amp;quot;&amp;quot;&amp;lt;think&amp;gt;\\nFirst, the question is: \\&amp;quot;How many r\\\\\&amp;#x27;s are in strawberry?\\&amp;quot; I need to count the number of times the letter \\\\\&amp;#x27;r\\\\\&amp;#x27; appears in the word \\&amp;quot;strawberry\\&amp;quot;.\\n\\nLet me write down the word: S-T-R-A&amp;quot;,\r\n#    &amp;quot;refusal=None&amp;quot;,\r\n#    &amp;quot;role=&amp;quot;&amp;quot;assistant&amp;quot;,\r\n#    &amp;quot;annotations=None&amp;quot;,\r\n#    &amp;quot;audio=None&amp;quot;,\r\n#    &amp;quot;function_call=None&amp;quot;,\r\n#    &amp;quot;tool_calls=None))&amp;quot;\r\n# ],\r\n# created=,\r\n# &amp;quot;model=&amp;quot;&amp;quot;deepseek-ai/deepseek-r1-0528-maas&amp;quot;,\r\n# &amp;quot;object=&amp;quot;&amp;quot;chat.completion&amp;quot;,\r\n# &amp;quot;service_tier=None&amp;quot;,\r\n# &amp;quot;system_fingerprint=&amp;quot;&amp;quot;&amp;quot;,\r\n# usage=CompletionUsage(completion_tokens=50,\r\n# prompt_tokens=18,\r\n# total_tokens=68,\r\n# &amp;quot;completion_tokens_details=None&amp;quot;,\r\n# &amp;quot;prompt_tokens_details=None))&amp;quot;&amp;#x27;), (&amp;#x27;language&amp;#x27;, &amp;#x27;lang-py&amp;#x27;), (&amp;#x27;caption&amp;#x27;, &amp;lt;wagtail.rich_text.RichText object at 0x7f4858cf0e50&amp;gt;)])]&amp;gt;&lt;/dd&gt;
&lt;/dl&gt;&lt;/div&gt;
&lt;div class="block-paragraph_advanced"&gt;&lt;p&gt;&lt;strong style="vertical-align: baseline;"&gt;次のステップ&lt;/strong&gt;&lt;/p&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;Vertex AI Model Garden は、最先端の基盤モデルを必要とするアプリケーションを構築する新たな可能性を切り開きます。次に進めるステップをいくつかご紹介します。&lt;/span&gt;&lt;/p&gt;
&lt;ul&gt;
&lt;li aria-level="1" style="list-style-type: disc; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;span style="vertical-align: baseline;"&gt;DeepSeek R1 MaaS のドキュメント ガイドは&lt;/span&gt;&lt;a href="https://cloud.google.com/vertex-ai/generative-ai/docs/maas/deepseek?hl=ja"&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;こちら&lt;/span&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt;、Llama MaaS のドキュメント ガイドは&lt;/span&gt;&lt;a href="https://cloud.google.com/vertex-ai/generative-ai/docs/partner-models/llama?hl=ja"&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;こちら&lt;/span&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt;で確認する&lt;/span&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;li aria-level="1" style="list-style-type: disc; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;span style="vertical-align: baseline;"&gt;両方のモデルの料金を&lt;/span&gt;&lt;a href="https://cloud.google.com/vertex-ai/generative-ai/pricing?hl=ja"&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;こちら&lt;/span&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt;で確認する&lt;/span&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;li aria-level="1" style="list-style-type: disc; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;a href="https://console.cloud.google.com/vertex-ai/model-garden"&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;Model Garden&lt;/span&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt; を探索: マネージド サービスとして利用できるその他のモデルを確認する&lt;/span&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;li aria-level="1" style="list-style-type: disc; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;span style="vertical-align: baseline;"&gt;概念実証を構築: 小規模なプロジェクトから始めて、モデルの機能を理解する&lt;/span&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;li aria-level="1" style="list-style-type: disc; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;span style="vertical-align: baseline;"&gt;コミュニティに参加: &lt;/span&gt;&lt;a href="https://www.googlecloudcommunity.com/gc/AI-ML/bd-p/cloud-ai-ml" rel="noopener" target="_blank"&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt; Google Cloud AI コミュニティ&lt;/span&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt;で経験を共有し、他のユーザーから学ぶ&lt;/span&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;/ul&gt;
&lt;p role="presentation"&gt;&lt;span style="font-style: italic; vertical-align: baseline;"&gt;-デベロッパー リレーションズ エンジニア、&lt;/span&gt;&lt;strong style="font-style: italic; vertical-align: baseline;"&gt;Ivan Nardini&lt;/strong&gt;&lt;/p&gt;
&lt;p role="presentation"&gt;&lt;span style="font-style: italic; vertical-align: baseline;"&gt;-ML エンジニア、Applied AI、&lt;/span&gt;&lt;strong style="font-style: italic; vertical-align: baseline;"&gt;Abhishek Bhagwat&lt;/strong&gt;&lt;/p&gt;&lt;/div&gt;</description><pubDate>Tue, 22 Jul 2025 03:00:00 +0000</pubDate><guid>https://cloud.google.com/blog/ja/products/ai-machine-learning/deepseek-r1-is-available-for-everyone-in-vertex-ai-model-garden/</guid><category>Open Source</category><category>AI &amp; Machine Learning</category><og xmlns:og="http://ogp.me/ns#"><type>article</type><title>柔軟性を高めて構築: Vertex AI Model Garden に新しいオープンモデルが登場</title><description></description><site_name>Google</site_name><url>https://cloud.google.com/blog/ja/products/ai-machine-learning/deepseek-r1-is-available-for-everyone-in-vertex-ai-model-garden/</url></og><author xmlns:author="http://www.w3.org/2005/Atom"><name>Ivan Nardini</name><title>AI Developer Relations Engineer</title><department></department><company></company></author><author xmlns:author="http://www.w3.org/2005/Atom"><name>Abhishek Bhagwat</name><title>ML Engineer, Applied AI</title><department></department><company></company></author></item><item><title>llm-d が実現する次世代の AI 推論</title><link>https://cloud.google.com/blog/ja/products/ai-machine-learning/enhancing-vllm-for-distributed-inference-with-llm-d/</link><description>&lt;div class="block-paragraph_advanced"&gt;&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;※この投稿は米国時間 2025 年 5 月 21 日に、Google Cloud blog に&lt;/span&gt;&lt;a href="https://cloud.google.com/blog/products/ai-machine-learning/enhancing-vllm-for-distributed-inference-with-llm-d?e=48754805&amp;amp;hl=en"&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;投稿&lt;/span&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt;されたものの抄訳です。&lt;/span&gt;&lt;/p&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;世界が AI ソリューションのプロトタイピングから、本格的な大規模導入へと移行するなかで、AI 推論の効率性が導入の制限要因となりつつあります。2 年前は AI モデルのサイズの肥大化が課題でしたが、クラウド インフラストラクチャ プロバイダは、飛躍的に増大するコンピューティングとデータのニーズに応えることで、この課題に対処しました。そして現在、エージェントベースの AI ワークフローや推論モデルによってきわめて多様な要求が生じており、処理負荷がまたもや指数関数的に増加しています。その結果、推論プロセスが容易に行き詰り、ユーザー エクスペリエンスが損なわれています。クラウド インフラストラクチャは、こうした変化に対応すべく、再び進化を求められています。&lt;/span&gt;&lt;/p&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;この課題を解決するにあたり、vLLM などのオープンソース推論エンジンは重要な役割を果たします。4 月に開催された Google Cloud Next '25 において、Google は &lt;/span&gt;&lt;a href="https://cloud.google.com/kubernetes-engine"&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;Google Kubernetes Engine&lt;/span&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt;（GKE）、Google Compute Engine、Vertex AI、Cloud Run における &lt;/span&gt;&lt;a href="https://cloud.google.com/kubernetes-engine/docs/tutorials/serve-vllm-tpu"&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;Cloud TPU 上での vLLM の完全サポート&lt;/span&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt;を発表しました。また、推論ワークロードのオーケストレーションに Kubernetes が広く活用されている現状を踏まえ、Kubernetes に AI ネイティブなルーティング機能を追加するオープンソース プロジェクト Gateway API Inference Extension を&lt;/span&gt;&lt;a href="https://cloud.google.com/blog/products/containers-kubernetes/google-bytedance-and-red-hat-improve-ai-on-kubernetes"&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;導入&lt;/span&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt;し、&lt;/span&gt;&lt;a href="https://cloud.google.com/kubernetes-engine/docs/concepts/about-gke-inference-gateway"&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;GKE Inference Gateway&lt;/span&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt; にて公開を開始しました。Snap、Samsung、BentoML をはじめとするお客様は、これらのソリューションを活用して優れた成果を上げています。さらに今年後半には、これらのソリューションが第 7 世代の &lt;/span&gt;&lt;a href="https://cloud.google.com/blog/ja/products/gcp/ironwood-tpu-age-of-inference"&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;Ironwood TPU&lt;/span&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt; 上で利用できるようになります。この TPU は、推論モデルの構築と提供に特化した設計になっており、最大 9,216 個の液冷チップを革新的なチップ間相互接続（ICI）で単一のポッドに統合することで、大規模かつ高効率な AI 推論を可能にしています。ですが、イノベーションをさらに進め、価値を一層高めるための取り組みが現在進められています。&lt;/span&gt;&lt;/p&gt;&lt;/div&gt;
&lt;div class="block-aside"&gt;&lt;dl&gt;
    &lt;dt&gt;aside_block&lt;/dt&gt;
    &lt;dd&gt;&amp;lt;ListValue: [StructValue([(&amp;#x27;title&amp;#x27;, &amp;#x27;300 ドル分の無料クレジットで Google Cloud の AI と ML を試用&amp;#x27;), (&amp;#x27;body&amp;#x27;, &amp;lt;wagtail.rich_text.RichText object at 0x7f48581180d0&amp;gt;), (&amp;#x27;btn_text&amp;#x27;, &amp;#x27;無料で構築を始める&amp;#x27;), (&amp;#x27;href&amp;#x27;, &amp;#x27;http://console.cloud.google.com/freetrial?redirectPath=/vertex-ai/&amp;#x27;), (&amp;#x27;image&amp;#x27;, None)])]&amp;gt;&lt;/dd&gt;
&lt;/dl&gt;&lt;/div&gt;
&lt;div class="block-paragraph_advanced"&gt;&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;現在、Google は Kubernetes ネイティブな分散型かつ分離型推論により vLLM を完全にスケーラブルにすることで、推論をさらに簡便かつ費用対効果の高いものにしようとしています。この新しい&lt;/span&gt;&lt;a href="http://github.com/llm-d/llm-d/" rel="noopener" target="_blank"&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;プロジェクト&lt;/span&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt;は llm-d と呼ばれています。Google Cloud は、Red Hat、IBM Research、NVIDIA、CoreWeave とともにその創設に貢献しており、その他にも AMD、Cisco、Hugging Face、Intel、Lambda、Mistral AI といった業界リーダーも参加しています。Google には、&lt;/span&gt;&lt;a href="http://kubernetes.io/" rel="noopener" target="_blank"&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;Kubernetes&lt;/span&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt;、&lt;/span&gt;&lt;a href="https://cloud.google.com/blog/ja/products/ai-machine-learning/guide-to-jax-for-pytorch-developers?e=48754805&amp;amp;hl=ja"&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;JAX&lt;/span&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt;、&lt;/span&gt;&lt;a href="https://istio.io/" rel="noopener" target="_blank"&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;Istio&lt;/span&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt; など、クラウドの発展を支えてきた主要なオープンソース プロジェクトを立ち上げ、貢献してきた長い歴史があり、現在も AI 開発に最適なプラットフォームとなるために尽力しています。Google は、llm-d をオープンソース化し、コミュニティ主導で運営することが、広くユーザーに活用されるための最適な方法であると考えています。あらゆる環境で実行できるだけでなく、強力なコミュニティによるサポートが受けられるという安心感も生まれます。&lt;/span&gt;&lt;/p&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;llm-d は vLLM の非常に効率的な推論エンジンを基盤としており、10 億人規模のユーザーに対して AI を安全かつコスト効率よく提供してきた、Google の実績あるテクノロジーと豊富な経験が組み込まれています。&lt;/span&gt;&lt;a href="https://github.com/llm-d/llm-d?tab=readme-ov-file#-architecture" rel="noopener" target="_blank"&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;llm-d には 3 つの画期的な特長が備わっています&lt;/span&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt;。1 つ目は、従来のラウンドロビン方式のロード バランシングではなく、vLLM を認識する推論スケジューラを搭載していることです。これにより、プレフィックス キャッシュにヒットし、かつ負荷の低いインスタンスに対してリクエストを効率的にルーティングできるため、より少ないハードウェア リソースでレイテンシに関する SLO を達成できるようになります。2 つ目は、llm-d が分離型サービングを採用していることです。これは、LLM 推論におけるプレフィルとデコードの処理を、それぞれ別々のインスタンスで分担する仕組みであり、長いリクエストをより高スループットかつ低レイテンシで処理できるようになります。3 つ目は、llm-d が中間的な値（プレフィックス）に対応する多層構造の KV キャッシュを導入していることです。これにより、異なるストレージ階層間での応答速度が向上し、ストレージ コストも削減されます。また llm-d は、現時点では PyTorch、今年後半には JAX といった複数のフレームワーク、および GPU と TPU 両方のアクセラレータに対応しており、ユーザーに高い柔軟性と選択肢を提供します。&lt;/span&gt;&lt;/p&gt;&lt;/div&gt;
&lt;div class="block-image_full_width"&gt;






  
    &lt;div class="article-module h-c-page"&gt;
      &lt;div class="h-c-grid"&gt;
  

    &lt;figure class="article-image--large
      
      
        h-c-grid__col
        h-c-grid__col--6 h-c-grid__col--offset-3
        
        
      "
      &gt;

      
      
        
        &lt;img
            src="https://storage.googleapis.com/gweb-cloudblog-publish/images/llm-d_stack_v1.max-1000x1000.jpg"
        
          alt="llm-d stack"&gt;
        
        &lt;/a&gt;
      
    &lt;/figure&gt;

  
      &lt;/div&gt;
    &lt;/div&gt;
  




&lt;/div&gt;
&lt;div class="block-paragraph_advanced"&gt;&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;Google は、コミュニティと連携して、お客様のビジネスにおいて AI をコスト効率良くスケーリングできることを嬉しく思っています。llm-d は、最先端の分散サービング テクノロジーを、簡単にデプロイ可能な Kubernetes スタックに組み込んでいます。llm-d を Google Cloud 上にデプロイすることで、Google Cloud の広大なグローバル ネットワーク、GKE における AI 機能、ソフトウェア アクセラレータおよびハードウェア アクセラレータ全体に統合された AI Hypercomputer を活用できるようになり、低レイテンシかつ高パフォーマンスな推論を実現できます。Google Cloud が実施した初期テストでは、llm-d の活用により、コード補完などのユースケースにおいて最初のトークンが生成されるまでの時間が 2 倍高速化され、アプリケーションの応答性向上に大きく寄与することが確認されています。&lt;/span&gt;&lt;/p&gt;
&lt;p&gt;&lt;a href="https://github.com/llm-d/llm-d" rel="noopener" target="_blank"&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;llm-d プロジェクト&lt;/span&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt;のページにアクセスして、詳細をご確認ください。プロジェクトへの参加や、すぐに利用を開始いただくことも歓迎しております。&lt;/span&gt;&lt;/p&gt;&lt;/div&gt;
&lt;div class="block-paragraph"&gt;&lt;p data-block-key="xxi3p"&gt;&lt;i&gt;ー AI およびコンピューティング インフラストラクチャ担当バイス プレジデント兼ゼネラル マネージャー&lt;/i&gt; &lt;b&gt;&lt;i&gt;Mark Lohmeyer&lt;/i&gt;&lt;/b&gt;&lt;/p&gt;&lt;p data-block-key="84tgt"&gt;&lt;i&gt;ー Cloud ランタイム担当バイス プレジデント兼ゼネラル マネージャー&lt;/i&gt; &lt;b&gt;&lt;i&gt;Gabe Monroy&lt;/i&gt;&lt;/b&gt;&lt;/p&gt;&lt;/div&gt;</description><pubDate>Mon, 16 Jun 2025 01:30:00 +0000</pubDate><guid>https://cloud.google.com/blog/ja/products/ai-machine-learning/enhancing-vllm-for-distributed-inference-with-llm-d/</guid><category>AI Hypercomputer</category><category>Compute</category><category>Open Source</category><category>AI &amp; Machine Learning</category><og xmlns:og="http://ogp.me/ns#"><type>article</type><title>llm-d が実現する次世代の AI 推論</title><description></description><site_name>Google</site_name><url>https://cloud.google.com/blog/ja/products/ai-machine-learning/enhancing-vllm-for-distributed-inference-with-llm-d/</url></og><author xmlns:author="http://www.w3.org/2005/Atom"><name>Mark Lohmeyer</name><title>VP &amp; GM, AI &amp; Computing Infrastructure</title><department></department><company></company></author><author xmlns:author="http://www.w3.org/2005/Atom"><name>Gabe Monroy</name><title>VP &amp; GM, Cloud Runtimes</title><department></department><company></company></author><author xmlns:author="http://www.w3.org/2005/Atom"><name>Gabe Monroy</name><title>VP &amp; GM, Cloud Runtimes</title><department></department><company></company></author></item><item><title>Cloud Run で Gemma 3 を使用してサーバーレス AI をデプロイする方法</title><link>https://cloud.google.com/blog/ja/products/ai-machine-learning/serverless-ai-with-gemma-3-on-cloud-run/</link><description>&lt;div class="block-paragraph_advanced"&gt;&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;※この投稿は米国時間 2025 年 3 月 12 日に、Google Cloud blog に&lt;/span&gt;&lt;a href="https://cloud.google.com/blog/products/ai-machine-learning/serverless-ai-with-gemma-3-on-cloud-run?e=48754805&amp;amp;hl=en"&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;投稿&lt;/span&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt;されたものの抄訳です。&lt;/span&gt;&lt;/p&gt;
&lt;p&gt; &lt;/p&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;このたび、Gemini 2.0 の基盤となる最先端テクノロジーで構築された軽量のオープンモデル ファミリー、&lt;/span&gt;&lt;a href="http://blog.google/technology/developers/gemma-3" rel="noopener" target="_blank"&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;Gemma 3 が導入されました&lt;/span&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt;。Gemma 3 ファミリーのモデルは速度とポータビリティを重視して設計されており、高度な AI アプリケーションを大規模に構築することが可能になります。Cloud Run と組み合わせると、AI モデルを使用したサーバーレス ワークロードをこれまで以上に簡単にデプロイできます。&lt;/span&gt;&lt;/p&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;この投稿では、Gemma 3 の機能と、&lt;/span&gt;&lt;a href="http://cloud.run/" rel="noopener" target="_blank"&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;Cloud Run&lt;/span&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt; で Gemma 3 を実行する方法について説明します。&lt;/span&gt;&lt;/p&gt;
&lt;h3&gt;&lt;strong style="vertical-align: baseline;"&gt;Gemma 3: クラウド デプロイのためのパフォーマンスと効率&lt;/strong&gt;&lt;/h3&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;Gemma 3 は、優れたパフォーマンスを実現しながらメモリ使用量を低く抑えるように設計されており、費用対効果の高い推論ワークロードに最適です。&lt;/span&gt;&lt;/p&gt;
&lt;ul&gt;
&lt;li aria-level="1" style="list-style-type: disc; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;strong style="vertical-align: baseline;"&gt;世界最高水準のシングル アクセラレータ モデルで構築: &lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt;Gemma 3 は、&lt;/span&gt;&lt;a href="https://goo.gle/Gemma3Report" rel="noopener" target="_blank"&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;LMArena のリーダーボード&lt;/span&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt;での暫定的な人間の嗜好評価において、Llama-405B、DeepSeek-V3、o3-mini を上回る性能を発揮しており、サイズに対して最適なパフォーマンスを実現しています。これにより、単一の GPU または TPU に収まる魅力的なユーザー エクスペリエンスを作成できます。&lt;/span&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;li aria-level="1" style="list-style-type: disc; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;strong style="vertical-align: baseline;"&gt;高度なテキストおよび視覚的推論機能を持つ AI を作成: &lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt;画像、テキスト、短い動画を分析するアプリケーションを簡単に構築し、インタラクティブなアプリケーションの可能性を広げることができます。&lt;/span&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;li&gt;&lt;strong style="vertical-align: baseline;"&gt;大きなコンテキスト ウィンドウで複雑なタスクを処理:&lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt; Gemma 3 は 128,000 トークンのコンテキスト ウィンドウを備えているため、アプリケーションは膨大な量の情報を処理して理解できます。小説全体を処理することも可能で、より高度な AI 機能を実現します。&lt;/span&gt;&lt;/li&gt;
&lt;/ul&gt;&lt;/div&gt;
&lt;div class="block-aside"&gt;&lt;dl&gt;
    &lt;dt&gt;aside_block&lt;/dt&gt;
    &lt;dd&gt;&amp;lt;ListValue: [StructValue([(&amp;#x27;title&amp;#x27;, &amp;#x27;300 ドル分の無料クレジットで Google Cloud の AI と ML を試用&amp;#x27;), (&amp;#x27;body&amp;#x27;, &amp;lt;wagtail.rich_text.RichText object at 0x7f4847f5be10&amp;gt;), (&amp;#x27;btn_text&amp;#x27;, &amp;#x27;無料で構築を始める&amp;#x27;), (&amp;#x27;href&amp;#x27;, &amp;#x27;http://console.cloud.google.com/freetrial?redirectPath=/vertex-ai/&amp;#x27;), (&amp;#x27;image&amp;#x27;, None)])]&amp;gt;&lt;/dd&gt;
&lt;/dl&gt;&lt;/div&gt;
&lt;div class="block-paragraph_advanced"&gt;&lt;h3&gt;&lt;strong style="vertical-align: baseline;"&gt;Gemma 3 と Cloud Run を使用したサーバーレス推論&lt;/strong&gt;&lt;/h3&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;Gemma 3 は、Nvidia L4 GPU を使用した Cloud Run での推論ワークロードに最適です。Cloud Run は Google Cloud のフルマネージド サーバーレス プラットフォームであり、デベロッパーは基盤となるインフラストラクチャを気にすることなくコンテナ ランタイムを活用できます。モデルは非アクティブ時にはゼロまでスケールダウンし、需要に応じて動的にスケールします。これにより、費用とパフォーマンスが最適化されるだけでなく、使用した分のみが課金対象になります。&lt;/span&gt;&lt;/p&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;たとえば、LLM を 1 つの Cloud Run サービス上にホストし、チャット エージェントを別のサービス上にホストすることで、それぞれを独立してスケールおよび管理できるようになります。さらに、GPU アクセラレーションを活用すれば、Cloud Run サービスは &lt;/span&gt;&lt;a href="https://cloud.google.com/blog/ja/products/application-development/run-your-ai-inference-applications-on-cloud-run-with-nvidia-gpus?e=48754805&amp;amp;hl=ja"&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;30 秒以内に最初の AI 推論結果を提供でき、インスタンスの起動にかかる時間はわずか 5 秒&lt;/span&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt;です。この迅速なデプロイにより、アプリケーションは応答性の高いユーザー エクスペリエンスを提供できます。また、Cloud Run の GPU の料金も 1 時間あたり約 0.6 ドルに引き下げられています。もちろん、サービスがリクエストを受信しなければ、料金はゼロになります。&lt;/span&gt;&lt;/p&gt;
&lt;h3&gt;&lt;strong style="vertical-align: baseline;"&gt;使ってみる&lt;/strong&gt;&lt;/h3&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;Cloud Run と Gemma 3 を組み合わせることで、高度な AI アプリケーションをデプロイするための、費用対効果が高く、スケーラブルで強力なソリューションを構築できます。Gemma 3 は、&lt;/span&gt;&lt;a href="https://huggingface.co/" rel="noopener" target="_blank"&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;Hugging Face Transformers&lt;/span&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt;、&lt;/span&gt;&lt;a href="https://ollama.com/" rel="noopener" target="_blank"&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;Ollama&lt;/span&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt;、&lt;/span&gt;&lt;a href="https://docs.vllm.ai/" rel="noopener" target="_blank"&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;vLLM&lt;/span&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt; などのさまざまなツールとフレームワークでサポートされています。&lt;/span&gt;&lt;/p&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;使用を開始するには、&lt;/span&gt;&lt;a href="https://cloud.google.com/run/docs/tutorials/gpu-gemma-with-ollama"&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;こちらのガイド&lt;/span&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt;をご覧ください。Ollama を使用して Cloud Run 上の Gemma 3 でサービスを構築する方法が紹介されています。&lt;/span&gt;&lt;/p&gt;
&lt;p role="presentation"&gt;&lt;span style="font-style: italic; vertical-align: baseline;"&gt;-シニア プロダクト マネージャー &lt;/span&gt;&lt;strong style="font-style: italic; vertical-align: baseline;"&gt;James Ma&lt;/strong&gt;&lt;br/&gt;&lt;span style="font-style: italic; vertical-align: baseline;"&gt;-デベロッパーリレーションズ エンジニア &lt;/span&gt;&lt;strong style="font-style: italic; vertical-align: baseline;"&gt;Vlad Kolesnikov&lt;/strong&gt;&lt;/p&gt;&lt;/div&gt;</description><pubDate>Thu, 27 Mar 2025 01:01:00 +0000</pubDate><guid>https://cloud.google.com/blog/ja/products/ai-machine-learning/serverless-ai-with-gemma-3-on-cloud-run/</guid><category>Open Source</category><category>AI &amp; Machine Learning</category><og xmlns:og="http://ogp.me/ns#"><type>article</type><title>Cloud Run で Gemma 3 を使用してサーバーレス AI をデプロイする方法</title><description></description><site_name>Google</site_name><url>https://cloud.google.com/blog/ja/products/ai-machine-learning/serverless-ai-with-gemma-3-on-cloud-run/</url></og><author xmlns:author="http://www.w3.org/2005/Atom"><name>James Ma</name><title>Sr. Product Manager</title><department></department><company></company></author><author xmlns:author="http://www.w3.org/2005/Atom"><name>Vlad Kolesnikov</name><title>Developer Relations Engineer</title><department></department><company></company></author></item><item><title>Kubernetes クラスタ向けのログ可視化ツール、Kubernetes History Inspector のご紹介</title><link>https://cloud.google.com/blog/ja/products/containers-kubernetes/kubernetes-history-inspector-visualizes-cluster-logs/</link><description>&lt;div class="block-paragraph_advanced"&gt;&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;※この投稿は米国時間 2025 年 3 月 8 日に、Google Cloud blog に&lt;/span&gt;&lt;a href="https://cloud.google.com/blog/products/containers-kubernetes/kubernetes-history-inspector-visualizes-cluster-logs?e=48754805&amp;amp;hl=en"&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;投稿&lt;/span&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt;されたものの抄訳です。&lt;/span&gt;&lt;/p&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;コンテナ オーケストレーション プラットフォームである Kubernetes は、本質的に複雑な分散システムです。レジリエンスとスケーラビリティを実現する一方で、特にトラブルシューティングの際には、運用が複雑になる場合もあります。Kubernetes には自己修復機能が備わっていますが、問題の根本原因を特定するには、多くの場合、さまざまな独立したコンポーネントのログを詳しく調べる必要があります。&lt;/span&gt;&lt;/p&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;Google Cloud のエンジニアは、大規模で複雑な運用をサポートするなかで、長年にわたりこの Kubernetes のトラブルシューティングの課題に直接取り組んできました。膨大な数のカスタマー サポート チケットを定期的に分析し、ユーザー環境を掘り下げ、集合的な知識を活用して問題の根本原因を特定していくにつれ、Google Cloud サポートチームは Kubernetes 環境内の問題の診断に関する深い専門知識を持つようになりました。この広範な課題に対処するために、チームは &lt;/span&gt;&lt;a href="https://github.com/GoogleCloudPlatform/khi" rel="noopener" target="_blank"&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;Kubernetes History Inspector（KHI）&lt;/span&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt;というツールを内製開発し、このたびコミュニティ向けにオープンソースとしてリリースしました。&lt;/span&gt;&lt;/p&gt;
&lt;h3&gt;&lt;strong style="vertical-align: baseline;"&gt;Kubernetes のトラブルシューティングの課題&lt;/strong&gt;&lt;/h3&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;Kubernetes では、各 Pod、Deployment、Service、ノード、コントロール プレーン コンポーネントが独自のログストリームを生成します。効果的なトラブルシューティングのためには、これらの異なるログストリームを収集し、関連付けて、分析する必要があります。しかし、コンポーネントごとにログを手動で構成するには、細部に注意を払い、Kubernetes エコシステムを十分に理解する必要があり、これは大きな負担になり得ます。幸い、&lt;/span&gt;&lt;a href="https://cloud.google.com/kubernetes-engine?e=48754805&amp;amp;hl=ja"&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;Google Kubernetes Engine&lt;/span&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt;（GKE）などのマネージド Kubernetes サービスでは、ログの収集が簡素化されています。たとえば、GKE は &lt;/span&gt;&lt;a href="https://cloud.google.com/logging?e=48754805&amp;amp;hl=ja"&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;Cloud Logging&lt;/span&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt; との組み込みのインテグレーションにより、Kubernetes 環境のあらゆる部分からのログを集約します。この一元化されたリポジトリは、重要な第一歩です。&lt;/span&gt;&lt;/p&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;ただし、ログを収集するだけでは、問題の半分しか解決できません。本当に重要な課題は、それらを効果的に分析することです。Kubernetes の運用で発生する問題の多くは、単一の明確なエラー メッセージで明らかになるわけではありません。問題は実際には一連のイベントとして現れるため、複数のコンポーネントにわたり多数のログエントリ間の因果関係を深く理解することが必要となります。&lt;/span&gt;&lt;/p&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;規模を考えてみてください。中規模の Kubernetes クラスタなら、ログデータは短時間ですぐに数ギガバイトに達し、そこには数万件の個別エントリが含まれます。パフォーマンスの低下、断続的な障害、構成エラーの根本原因を特定するために、この量のデータを手作業で精査するとなると、時間がかかるのはもちろんのこと、人間のオペレーターでは事実上不可能な場合もあります。シグナル対ノイズ比がこれを非常に困難にします。&lt;/span&gt;&lt;/p&gt;&lt;/div&gt;
&lt;div class="block-aside"&gt;&lt;dl&gt;
    &lt;dt&gt;aside_block&lt;/dt&gt;
    &lt;dd&gt;&amp;lt;ListValue: [StructValue([(&amp;#x27;title&amp;#x27;, &amp;#x27;Google Cloud コンテナと Kubernetes をお試しいただける $300 分の無料クレジット&amp;#x27;), (&amp;#x27;body&amp;#x27;, &amp;lt;wagtail.rich_text.RichText object at 0x7f4858bb7210&amp;gt;), (&amp;#x27;btn_text&amp;#x27;, &amp;#x27;無料で構築を始める&amp;#x27;), (&amp;#x27;href&amp;#x27;, &amp;#x27;http://console.cloud.google.com/freetrial?redirectpath=/marketplace/product/google/container.googleapis.com&amp;#x27;), (&amp;#x27;image&amp;#x27;, None)])]&amp;gt;&lt;/dd&gt;
&lt;/dl&gt;&lt;/div&gt;
&lt;div class="block-paragraph_advanced"&gt;&lt;h3&gt;&lt;strong style="vertical-align: baseline;"&gt;Kubernetes History Inspector のご紹介&lt;/strong&gt;&lt;/h3&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;KHI は、Cloud Logging によって収集されたログを分析し、各コンポーネントの状態情報を抽出して、時系列で可視化する強力なツールです。また、このタイムラインは元のログデータにリンクされるため、各要素が時間の経過とともにどのように変化したかを追跡できます。&lt;/span&gt;&lt;/p&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;多くの場合、Google Cloud サポートチームがユーザーを支援するのは、時間的制約のある重大な状況のときです。長時間のセットアップやエージェントのインストールを必要とするツールは実用的ではありません。そのため、KHI はコンテナ イメージとしてパッケージ化されています。事前のセットアップは不要で、1 つのコマンドで起動できます。&lt;/span&gt;&lt;/p&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;わかりやすいように、画像を使って説明します。GKE クラスタで実行されているサービスで「接続タイムアウト」エラーが発生しているとエンドユーザーから報告があったとします。KHI を起動すると、次のような画面が表示されます。&lt;/span&gt;&lt;/p&gt;&lt;/div&gt;
&lt;div class="block-image_full_width"&gt;






  
    &lt;div class="article-module h-c-page"&gt;
      &lt;div class="h-c-grid"&gt;
  

    &lt;figure class="article-image--large
      
      
        h-c-grid__col
        h-c-grid__col--6 h-c-grid__col--offset-3
        
        
      "
      &gt;

      
      
        
        &lt;img
            src="https://storage.googleapis.com/gweb-cloudblog-publish/original_images/1-Launched_aHPBxar.jpg"
        
          alt="1-Launched"&gt;
        
        &lt;/a&gt;
      
    &lt;/figure&gt;

  
      &lt;/div&gt;
    &lt;/div&gt;
  




&lt;/div&gt;
&lt;div class="block-paragraph_advanced"&gt;&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;まず、左側にあるカラフルな横長の長方形に注目してください。これは、ログから抽出された、個々のコンポーネントの状態が時間の経過とともに変化する様子を表した「タイムライン」です。このタイムラインは、Kubernetes 環境の全体像を示しています。一方、インターフェースの右側には、タイムラインで選択したコンポーネントに関連する詳細（元のログ、マニフェスト、その変更履歴）が表示されます。このように KHI では、マクロとミクロの両方の視点から、ログを簡単に探索できます。&lt;/span&gt;&lt;/p&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;それでは、前述の例に戻りましょう。タイムラインの「Ready」の行には、緑とオレンジのセクションが交互に並んでいます。&lt;/span&gt;&lt;/p&gt;&lt;/div&gt;
&lt;div class="block-image_full_width"&gt;






  
    &lt;div class="article-module h-c-page"&gt;
      &lt;div class="h-c-grid"&gt;
  

    &lt;figure class="article-image--large
      
      
        h-c-grid__col
        h-c-grid__col--6 h-c-grid__col--offset-3
        
        
      "
      &gt;

      
      
        
        &lt;img
            src="https://storage.googleapis.com/gweb-cloudblog-publish/images/2-Timeline_rjRvqHn.max-1000x1000.jpg"
        
          alt="2-Timeline"&gt;
        
        &lt;/a&gt;
      
    &lt;/figure&gt;

  
      &lt;/div&gt;
    &lt;/div&gt;
  




&lt;/div&gt;
&lt;div class="block-paragraph_advanced"&gt;&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;これは、readiness プローブが失敗（オレンジ）と成功（緑）の間を変動していることを示しています。これが動かぬ証拠となります。これで、トラブルシューティングの取り組みをどこに集中させるべきかが明確になりました。&lt;/span&gt;&lt;/p&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;KHI は、過去の任意の時点でのコンポーネント間の関係を可視化することにも優れています。Kubernetes クラスタ内の複雑な相互依存関係が、わかりやすい方法で提示されます。&lt;/span&gt;&lt;/p&gt;&lt;/div&gt;
&lt;div class="block-image_full_width"&gt;






  
    &lt;div class="article-module h-c-page"&gt;
      &lt;div class="h-c-grid"&gt;
  

    &lt;figure class="article-image--large
      
      
        h-c-grid__col
        h-c-grid__col--6 h-c-grid__col--offset-3
        
        
      "
      &gt;

      
      
        
        &lt;img
            src="https://storage.googleapis.com/gweb-cloudblog-publish/images/3-Diagram_N0kjEVd.max-1000x1000.jpg"
        
          alt="3-Diagram"&gt;
        
        &lt;/a&gt;
      
    &lt;/figure&gt;

  
      &lt;/div&gt;
    &lt;/div&gt;
  




&lt;/div&gt;
&lt;div class="block-paragraph_advanced"&gt;&lt;h3&gt;&lt;strong style="vertical-align: baseline;"&gt;KHI と Kubernetes のトラブルシューティングの今後&lt;/strong&gt;&lt;/h3&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;KHI の機能は、ここで紹介した以外にもたくさんあります。タイムラインの色の実際の仕組み、小さなひし形のマーカーの意味、トラブルシューティングを迅速に行うためのその他の機能などです。これを誰もが利用できるようにするため、KHI をオープンソース化しました。&lt;/span&gt;&lt;/p&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;詳細な仕様、視覚的要素の詳細な説明、独自のマネージド Kubernetes クラスタに KHI をデプロイする方法については、&lt;/span&gt;&lt;a href="https://github.com/GoogleCloudPlatform/khi" rel="noopener" target="_blank"&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;KHI の GitHub ページ&lt;/span&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt;をご覧ください。現在、KHI は GKE または Google Cloud 上の Kubernetes と Cloud Logging の組み合わせでのみ機能しますが、その機能はまもなく標準のオープンソース Kubernetes の設定に拡張される予定です。&lt;/span&gt;&lt;/p&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;KHI は Kubernetes のログ分析を大きく前進させるものですが、既存の専門知識に取って代わるものではなく、それを補完することを目的としています。効果的なトラブルシューティングのためには、今後も Kubernetes のコンセプトとアプリケーション アーキテクチャの確固たる理解が必要です。KHI は、ログから問題をより迅速かつ効率的に診断できる優れたマップを提供することで、エンジニアの皆様が複雑な状況を乗り越えられるよう支援します。&lt;/span&gt;&lt;/p&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;KHI は、Kubernetes の運用の簡素化に向けた Google の継続的な取り組みの第一歩にすぎません。コンテナ化されたアプリケーションのオブザーバビリティと管理性を高めるために、コミュニティが KHI をどのように使用し、拡張していくのか、楽しみにしています。Kubernetes のトラブルシューティングを簡素化するための取り組みは今後も続きます。皆様もぜひご参加ください。&lt;/span&gt;&lt;/p&gt;
&lt;p role="presentation"&gt;&lt;span style="font-style: italic; vertical-align: baseline;"&gt;-テクニカル ソリューション エンジニア &lt;/span&gt;&lt;strong style="font-style: italic; vertical-align: baseline;"&gt;Kakeru Ishii&lt;/strong&gt;&lt;br/&gt;&lt;span style="font-style: italic; vertical-align: baseline;"&gt;-テクニカル ソリューション エンジニア &lt;/span&gt;&lt;strong style="font-style: italic; vertical-align: baseline;"&gt;Takeie Torinomi&lt;/strong&gt;&lt;/p&gt;&lt;/div&gt;</description><pubDate>Wed, 26 Mar 2025 01:03:00 +0000</pubDate><guid>https://cloud.google.com/blog/ja/products/containers-kubernetes/kubernetes-history-inspector-visualizes-cluster-logs/</guid><category>Management Tools</category><category>Open Source</category><category>Containers &amp; Kubernetes</category><og xmlns:og="http://ogp.me/ns#"><type>article</type><title>Kubernetes クラスタ向けのログ可視化ツール、Kubernetes History Inspector のご紹介</title><description></description><site_name>Google</site_name><url>https://cloud.google.com/blog/ja/products/containers-kubernetes/kubernetes-history-inspector-visualizes-cluster-logs/</url></og><author xmlns:author="http://www.w3.org/2005/Atom"><name>Kakeru Ishii</name><title>Technical Solutions Engineer</title><department></department><company></company></author><author xmlns:author="http://www.w3.org/2005/Atom"><name>Takeie Torinomi</name><title>Technical Solutions Engineer</title><department></department><company></company></author></item><item><title>Vertex AI Gen AI Evaluation Service でのエージェント評価のご紹介</title><link>https://cloud.google.com/blog/ja/products/ai-machine-learning/introducing-agent-evaluation-in-vertex-ai-gen-ai-evaluation-service/</link><description>&lt;div class="block-paragraph_advanced"&gt;&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;※この投稿は米国時間 2025 年 1 月 25 日に、Google Cloud blog に&lt;/span&gt;&lt;a href="https://cloud.google.com/blog/products/ai-machine-learning/introducing-agent-evaluation-in-vertex-ai-gen-ai-evaluation-service?e=48754805&amp;amp;hl=en"&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;投稿&lt;/span&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt;されたものの抄訳です。&lt;/span&gt;&lt;/p&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;次世代の信頼できる&lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt; AI &lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt;を構築するには、包括的なエージェント評価が不可欠です。単に出力を確認するだけでは不十分で、エージェントがとったアクションの「理由」、つまり推論、意思決定プロセス、解決策に到達するまでの道筋を理解する必要があります。&lt;/span&gt;&lt;/p&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;そこでこのたび、&lt;/span&gt;&lt;a href="https://cloud.google.com/vertex-ai/generative-ai/docs/models/evaluation-overview?hl=ja"&gt;&lt;strong style="text-decoration: underline; vertical-align: baseline;"&gt;Vertex AI Gen AI Evaluation Service&lt;/strong&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt; &lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt;の公開プレビュー版をリリースしました。この新機能は、デベロッパーが&lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt; AI &lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt;エージェントを厳密に評価し、理解できるようサポートします。この機能には、さまざまなフレームワークで構築されたエージェント向けに特別に設計された強力な評価指標のセットが含まれており、評価プロセスを合理化するためのネイティブなエージェント推論を行うことができます。&lt;/span&gt;&lt;/p&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;この投稿では、評価指標がどのように機能するかを探り、これをエージェントに適用する方法の例をご紹介します。&lt;/span&gt;&lt;/p&gt;&lt;/div&gt;
&lt;div class="block-aside"&gt;&lt;dl&gt;
    &lt;dt&gt;aside_block&lt;/dt&gt;
    &lt;dd&gt;&amp;lt;ListValue: [StructValue([(&amp;#x27;title&amp;#x27;, &amp;#x27;Google Cloud の AI と ML を試せる 300 ドル分のクレジットを獲得できます&amp;#x27;), (&amp;#x27;body&amp;#x27;, &amp;lt;wagtail.rich_text.RichText object at 0x7f4847fa6fd0&amp;gt;), (&amp;#x27;btn_text&amp;#x27;, &amp;#x27;無料で始める&amp;#x27;), (&amp;#x27;href&amp;#x27;, &amp;#x27;http://console.cloud.google.com/freetrial?redirectPath=/vertex-ai/&amp;#x27;), (&amp;#x27;image&amp;#x27;, None)])]&amp;gt;&lt;/dd&gt;
&lt;/dl&gt;&lt;/div&gt;
&lt;div class="block-paragraph_advanced"&gt;&lt;h3&gt;&lt;strong style="vertical-align: baseline;"&gt;Vertex AI Gen AI Evaluation Service &lt;/strong&gt;&lt;strong style="vertical-align: baseline;"&gt;を使用してエージェントを評価する&lt;/strong&gt;&lt;/h3&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;評価指標には、最終回答と軌跡評価という&lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt; 2 &lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt;種類のカテゴリがあります。&lt;/span&gt;&lt;/p&gt;
&lt;p&gt;&lt;strong style="vertical-align: baseline;"&gt;最終回答&lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt;では、「エージェントが目標を達成しているか？」というシンプルな質問をします。特定のニーズに応じて最終回答のカスタム基準を定義し、成功を測定できます。たとえば、小売&lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt; chatbot &lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt;が&lt;/span&gt;&lt;a href="https://cloud.google.com/vertex-ai/generative-ai/docs/models/evaluation-overview?hl=ja"&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;適切なトーンとスタイル&lt;/span&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt;を使用して、正確な商品情報を提供するかどうかや、調査エージェントが調査結果を効果的に要約するかどうかを評価できます。&lt;/span&gt;&lt;/p&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;さらに、背後にあるエージェントの意思決定プロセスを分析するための&lt;/span&gt;&lt;strong style="vertical-align: baseline;"&gt;軌跡評価&lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt;を行うこともできます。軌跡評価は、エージェントの推論を理解し、潜在的な間違いや非効率性を特定し、最終的にパフォーマンスを改善するために非常に重要です。そのために、以下の&lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt; 6 &lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt;つの軌跡評価指標が用意されています。&lt;/span&gt;&lt;/p&gt;
&lt;p&gt;&lt;strong style="vertical-align: baseline;"&gt;1. &lt;/strong&gt;&lt;strong style="vertical-align: baseline;"&gt;完全一致&lt;/strong&gt;&lt;strong style="vertical-align: baseline;"&gt;:&lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt; AI &lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt;エージェントに、理想的な解決策を完全に反映した一連のアクション（「軌跡」）を生成することを要求します。&lt;/span&gt;&lt;/p&gt;
&lt;p&gt;&lt;strong style="vertical-align: baseline;"&gt;2. &lt;/strong&gt;&lt;strong style="vertical-align: baseline;"&gt;順序一致&lt;/strong&gt;&lt;strong style="vertical-align: baseline;"&gt;:&lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt; &lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt;エージェントの軌跡は、必要なアクションを正しい順序ですべて含んでいる必要がありますが、余分で不必要なステップも含まれる可能性があります。たとえば、レシピどおりに料理するものの、途中でさらにスパイスを加えるようなものです。&lt;/span&gt;&lt;/p&gt;
&lt;p&gt;&lt;strong style="vertical-align: baseline;"&gt;3. &lt;/strong&gt;&lt;strong style="vertical-align: baseline;"&gt;順序を問わない一致&lt;/strong&gt;&lt;strong style="vertical-align: baseline;"&gt;:&lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt; &lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt;この指標はさらに柔軟で、エージェントの軌跡が、順序に関係なく、必要なアクションをすべて含むかどうかだけが確認されます。これは、どのようなルートを通るかにかかわらず目的地に到達するようなものです。&lt;/span&gt;&lt;/p&gt;
&lt;p&gt;&lt;strong style="vertical-align: baseline;"&gt;4. &lt;/strong&gt;&lt;strong style="vertical-align: baseline;"&gt;適合率&lt;/strong&gt;&lt;strong style="vertical-align: baseline;"&gt;:&lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt; &lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt;この指標はエージェントのアクションの正確さに焦点を当てます。予測された軌跡のアクションのうち、参照軌跡にも存在するアクションの割合を計算します。適合率が高ければ、エージェントが大抵は適切なアクションをとっていることを意味します。&lt;/span&gt;&lt;/p&gt;
&lt;p&gt;&lt;strong style="vertical-align: baseline;"&gt;5. &lt;/strong&gt;&lt;strong style="vertical-align: baseline;"&gt;リコール&lt;/strong&gt;&lt;strong style="vertical-align: baseline;"&gt;:&lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt; &lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt;この指標は、エージェントが重要なアクションをすべて捕捉できているかを測定します。参照軌跡のアクションのうち、予測された軌跡にも存在するアクションの割合を計算します。リコールが高ければ、エージェントが重要なステップをとり損なった可能性は低いことを意味します。&lt;/span&gt;&lt;/p&gt;
&lt;p&gt;&lt;strong style="vertical-align: baseline;"&gt;6. &lt;/strong&gt;&lt;strong style="vertical-align: baseline;"&gt;単一ツールの使用&lt;/strong&gt;&lt;strong style="vertical-align: baseline;"&gt;:&lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt; &lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt;この指標は、エージェントの軌跡内に特定のアクションが存在するかどうかを確認します。エージェントが特定のツールや機能を利用することを学んだかどうかを評価するのに役立ちます。&lt;/span&gt;&lt;/p&gt;
&lt;h3&gt;&lt;strong style="vertical-align: baseline;"&gt;互換性と柔軟性の両立&lt;/strong&gt;&lt;/h3&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;Vertex AI Gen AI Evaluation Service &lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt;はさまざまなエージェント&lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt; &lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt;アーキテクチャに対応しています。&lt;/span&gt;&lt;/p&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;今回のリリースにより、&lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt;Vertex AI &lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt;上のエージェント&lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt; &lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt;アプリケーションのマネージド&lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt; &lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt;ランタイムである&lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt; Reasoning Engine&lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt;（&lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt;LangChain on Vertex AI&lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt;）で構築されたエージェントを評価できるようになります。また、&lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt;LangChain&lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt;、&lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt;LangGraph&lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt;、&lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt;CrewAI &lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt;などのオープンソース&lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt; &lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt;フレームワークで構築されたエージェントにも対応しており、今後、新しい&lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt; Google Cloud &lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt;サービスによるエージェントの構築にも対応する予定です。&lt;/span&gt;&lt;/p&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;最大限の柔軟性を得るには、プロンプトを処理して回答を返すカスタム関数を使用してエージェントを評価します。評価をより簡単に行うために、ネイティブ&lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt; &lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt;エージェント推論を使用して、&lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt;Vertex AI Experiments &lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt;ですべての結果を自動的に記録することもできます。&lt;/span&gt;&lt;/p&gt;
&lt;h3&gt;&lt;strong style="vertical-align: baseline;"&gt;エージェント評価の実例&lt;/strong&gt;&lt;/h3&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;次のような&lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt; LangGraph &lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt;カスタマー&lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt; &lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt;サポート&lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt; &lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt;エージェントがあり、エージェントが生成する回答と、その回答を生成するためにとられた一連のアクション（「軌跡」）の両方を評価しようとしているとします。&lt;/span&gt;&lt;/p&gt;&lt;/div&gt;
&lt;div class="block-image_full_width"&gt;






  
    &lt;div class="article-module h-c-page"&gt;
      &lt;div class="h-c-grid"&gt;
  

    &lt;figure class="article-image--large
      
      
        h-c-grid__col
        h-c-grid__col--6 h-c-grid__col--offset-3
        
        
      "
      &gt;

      
      
        
        &lt;img
            src="https://storage.googleapis.com/gweb-cloudblog-publish/original_images/1_graph.jpg"
        
          alt="1_graph"&gt;
        
        &lt;/a&gt;
      
    &lt;/figure&gt;

  
      &lt;/div&gt;
    &lt;/div&gt;
  




&lt;/div&gt;
&lt;div class="block-paragraph_advanced"&gt;&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;Vertex AI Gen AI Evaluation Service &lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt;を使用してエージェントを評価するには、まず評価データセットを準備します。このデータセットには以下の要素が含まれていることが理想的です。&lt;/span&gt;&lt;/p&gt;
&lt;ul&gt;
&lt;li aria-level="1" style="list-style-type: disc; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;strong style="vertical-align: baseline;"&gt;ユーザー&lt;/strong&gt;&lt;strong style="vertical-align: baseline;"&gt; &lt;/strong&gt;&lt;strong style="vertical-align: baseline;"&gt;プロンプト&lt;/strong&gt;&lt;strong style="vertical-align: baseline;"&gt;:&lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt; &lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt;ユーザーがエージェントに提供する入力。&lt;/span&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;li aria-level="1" style="list-style-type: disc; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;strong style="vertical-align: baseline;"&gt;参照軌跡&lt;/strong&gt;&lt;strong style="vertical-align: baseline;"&gt;:&lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt; &lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt;エージェントが正しい回答を提供するためにとるべき一連のアクション。&lt;/span&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;li aria-level="1" style="list-style-type: disc; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;strong style="vertical-align: baseline;"&gt;生成された軌跡&lt;/strong&gt;&lt;strong style="vertical-align: baseline;"&gt;:&lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt; &lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt;ユーザー&lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt; &lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt;プロンプトに対する回答を生成するためにエージェントが実際にとった一連のアクション。&lt;/span&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;li aria-level="1" style="list-style-type: disc; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;strong style="vertical-align: baseline;"&gt;回答&lt;/strong&gt;&lt;strong style="vertical-align: baseline;"&gt;:&lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt; &lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt;エージェントの一連のアクションに基づいて生成された回答。&lt;/span&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;/ul&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;以下は評価データセットのサンプルです。&lt;/span&gt;&lt;/p&gt;&lt;/div&gt;
&lt;div class="block-image_full_width"&gt;






  
    &lt;div class="article-module h-c-page"&gt;
      &lt;div class="h-c-grid"&gt;
  

    &lt;figure class="article-image--large
      
      
        h-c-grid__col
        h-c-grid__col--6 h-c-grid__col--offset-3
        
        
      "
      &gt;

      
      
        
        &lt;img
            src="https://storage.googleapis.com/gweb-cloudblog-publish/images/3_table.max-1000x1000.png"
        
          alt="3_table"&gt;
        
        &lt;/a&gt;
      
    &lt;/figure&gt;

  
      &lt;/div&gt;
    &lt;/div&gt;
  




&lt;/div&gt;
&lt;div class="block-paragraph_advanced"&gt;&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;評価データセットを収集したら、エージェントの評価に使用する指標を定義します。指標の一覧とその解釈については、&lt;/span&gt;&lt;a href="https://cloud.google.com/vertex-ai/generative-ai/docs/models/evaluation-agents?hl=ja"&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;生成&lt;/span&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt; AI &lt;/span&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;エージェントを評価する&lt;/span&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt;を参照してください。定義できる指標の一部を以下に示します。&lt;/span&gt;&lt;/p&gt;&lt;/div&gt;
&lt;div class="block-code"&gt;&lt;dl&gt;
    &lt;dt&gt;code_block&lt;/dt&gt;
    &lt;dd&gt;&amp;lt;ListValue: [StructValue([(&amp;#x27;code&amp;#x27;, &amp;#x27;response_tool_metrics = [\r\n    &amp;quot;trajectory_exact_match&amp;quot;, &amp;quot;trajectory_in_order_match&amp;quot;, &amp;quot;safety&amp;quot;, response_follows_trajectory_metric\r\n]&amp;#x27;), (&amp;#x27;language&amp;#x27;, &amp;#x27;&amp;#x27;), (&amp;#x27;caption&amp;#x27;, &amp;lt;wagtail.rich_text.RichText object at 0x7f48581a6190&amp;gt;)])]&amp;gt;&lt;/dd&gt;
&lt;/dl&gt;&lt;/div&gt;
&lt;div class="block-paragraph_advanced"&gt;&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;response_follows_trajectory_metric&lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt; &lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt;は、エージェントを評価するために定義できるカスタム指標です。&lt;/span&gt;&lt;/p&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;標準的なテキスト生成指標（「一貫性」など）は、主にテキスト構造に焦点を当てるため、環境と対話する&lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt; AI &lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt;エージェントを評価する際には十分ではない可能性があります。エージェントの回答は、環境内での有効性に基づいて評価されるべきです。&lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt;Vertex AI Gen AI Evaluation Service &lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt;を使用すると、&lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt;response_follows_trajectory_metric&lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt; &lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt;などのカスタム指標を定義して、エージェントの回答がツールの選択から論理的に続いているかどうかを評価できます。このような指標の詳細については、公式ノートブックを参照してください。&lt;/span&gt;&lt;/p&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;評価データセットと指標を定義できたら、&lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt;Vertex AI &lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt;で最初のエージェント評価ジョブを実行します。以下のコードサンプルをご覧ください。&lt;/span&gt;&lt;/p&gt;&lt;/div&gt;
&lt;div class="block-code"&gt;&lt;dl&gt;
    &lt;dt&gt;code_block&lt;/dt&gt;
    &lt;dd&gt;&amp;lt;ListValue: [StructValue([(&amp;#x27;code&amp;#x27;, &amp;#x27;# ライブラリをインポートする\r\nimport vertexai\r\nfrom vertexai.preview.evaluation import EvalTask\r\n# Vertex AI セッションを開始する\r\nvertexai.init(project=&amp;quot;my-project-id&amp;quot;, location=&amp;quot;my-location&amp;quot;, experiment=&amp;quot;evaluate-langgraph-agent)\r\n# EvalTask を定義する\r\nresponse_eval_tool_task = EvalTask(\r\n   dataset=byod_eval_sample_dataset,\r\n   metrics=response_tool_metrics,\r\n)\r\n# 評価を実行する\r\nresponse_eval_tool_result = response_eval_tool_task.evaluate(                                                      experiment_run_name=&amp;quot;response-over-tools&amp;quot;)&amp;#x27;), (&amp;#x27;language&amp;#x27;, &amp;#x27;&amp;#x27;), (&amp;#x27;caption&amp;#x27;, &amp;lt;wagtail.rich_text.RichText object at 0x7f4858ab5350&amp;gt;)])]&amp;gt;&lt;/dd&gt;
&lt;/dl&gt;&lt;/div&gt;
&lt;div class="block-paragraph_advanced"&gt;&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;評価を行うには、定義済みのデータセットと指標を使用して&lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt; EvalTask &lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt;を開始します。次に、&lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt;evaluate &lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt;メソッドを使用して評価ジョブを実行します。&lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt;Vertex AI Gen AI Evaluation Service &lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt;は、&lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt;Vertex AI &lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt;のマネージド&lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt; &lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt;テスト追跡サービスである&lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt; &lt;/span&gt;&lt;a href="https://cloud.google.com/vertex-ai/docs/experiments/intro-vertex-ai-experiments?hl=ja"&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;Vertex AI Experiments&lt;/span&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt; &lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt;内で実行されるテストとして、生成された評価を追跡します。評価の結果は、ノートブックと&lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt; Vertex AI Experiments UI &lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt;の両方で確認できます。&lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt;Colab Enterprise &lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt;を使用している場合は、以下のように&lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt; Experiment &lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt;サイドパネルでも結果を確認できます。&lt;/span&gt;&lt;/p&gt;&lt;/div&gt;
&lt;div class="block-image_full_width"&gt;






  
    &lt;div class="article-module h-c-page"&gt;
      &lt;div class="h-c-grid"&gt;
  

    &lt;figure class="article-image--large
      
      
        h-c-grid__col
        h-c-grid__col--6 h-c-grid__col--offset-3
        
        
      "
      &gt;

      
      
        
        &lt;img
            src="https://storage.googleapis.com/gweb-cloudblog-publish/images/2_experiment.max-1000x1000.png"
        
          alt="2_experiment"&gt;
        
        &lt;/a&gt;
      
    &lt;/figure&gt;

  
      &lt;/div&gt;
    &lt;/div&gt;
  




&lt;/div&gt;
&lt;div class="block-paragraph_advanced"&gt;&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;Vertex AI Gen AI Evaluation Service &lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt;では、サマリーと指標のテーブルが提供されるので、エージェントのパフォーマンスに関する詳細な分析情報を確認できます。これには、個々のユーザー入力、軌跡の結果、要求されたすべての指標にわたるすべてのユーザー入力と軌跡のペアの集計結果が含まれます。&lt;/span&gt;&lt;/p&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;これらのきめ細かな評価結果にアクセスすることで、以下のような棒グラフやレーダー&lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt; &lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt;チャートなどで、エージェントのパフォーマンスをわかりやすく可視化できます。&lt;/span&gt;&lt;/p&gt;&lt;/div&gt;
&lt;div class="block-image_full_width"&gt;






  
    &lt;div class="article-module h-c-page"&gt;
      &lt;div class="h-c-grid"&gt;
  

    &lt;figure class="article-image--large
      
      
        h-c-grid__col
        h-c-grid__col--6 h-c-grid__col--offset-3
        
        
      "
      &gt;

      
      
        
        &lt;img
            src="https://storage.googleapis.com/gweb-cloudblog-publish/images/4_radar.max-1000x1000.png"
        
          alt="4_radar"&gt;
        
        &lt;/a&gt;
      
    &lt;/figure&gt;

  
      &lt;/div&gt;
    &lt;/div&gt;
  




&lt;/div&gt;
&lt;div class="block-paragraph_advanced"&gt;&lt;h3&gt;&lt;strong style="vertical-align: baseline;"&gt;使ってみる&lt;/strong&gt;&lt;/h3&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;Vertex AI Gen AI Evaluation Service &lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt;の公開プレビュー版を活用して、エージェント&lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt; &lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt;アプリケーションの可能性を最大限に引き出しましょう。&lt;/span&gt;&lt;/p&gt;
&lt;h3&gt;&lt;strong style="vertical-align: baseline;"&gt;ドキュメント&lt;/strong&gt;&lt;/h3&gt;
&lt;ul&gt;
&lt;li aria-level="1" style="list-style-type: disc; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;a href="https://cloud.google.com/vertex-ai/generative-ai/docs/models/evaluation-agents?hl=ja"&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;生成&lt;/span&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt; AI &lt;/span&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;エージェントを評価する&lt;/span&gt;&lt;/a&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;/ul&gt;
&lt;h3&gt;&lt;strong style="vertical-align: baseline;"&gt;ノートブック&lt;/strong&gt;&lt;/h3&gt;
&lt;ul&gt;
&lt;li aria-level="1" style="list-style-type: disc; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;a href="https://github.com/GoogleCloudPlatform/generative-ai/blob/main/gemini/evaluation/evaluating_langgraph_agent.ipynb" rel="noopener" target="_blank"&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;LangGraph &lt;/span&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;エージェントの評価&lt;/span&gt;&lt;/a&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;li aria-level="1" style="list-style-type: disc; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;a href="https://github.com/GoogleCloudPlatform/generative-ai/blob/main//generative-ai/gemini/evaluation/evaluating_crewai_agent.ipynb" rel="noopener" target="_blank"&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;Crew AI &lt;/span&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;エージェントの評価&lt;/span&gt;&lt;/a&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;li aria-level="1" style="list-style-type: disc; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;a href="https://github.com/GoogleCloudPlatform/generative-ai/blob/main/gemini/reasoning-engine/evaluating_langchain_agent_reasoning_engine_prebuilt_template.ipynb" rel="noopener" target="_blank"&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;Vertex AI Reasoning Engine &lt;/span&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;上の&lt;/span&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt; LangChain &lt;/span&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;エージェントの評価&lt;/span&gt;&lt;/a&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;li aria-level="1" style="list-style-type: disc; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;a href="https://github.com/GoogleCloudPlatform/generative-ai/blob/main/gemini/reasoning-engine/evaluating_langgraph_agent_reasoning_engine_customized_template.ipynb" rel="noopener" target="_blank"&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;Vertex AI Reasoning Engine &lt;/span&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;上の&lt;/span&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt; LangGraph &lt;/span&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;エージェントの評価&lt;/span&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt; &lt;/span&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;li aria-level="1" style="list-style-type: disc; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;a href="https://github.com/GoogleCloudPlatform/generative-ai/blob/main/gemini/reasoning-engine/evaluating_crewai_agent_reasoning_engine_customized_template.ipynb" rel="noopener" target="_blank"&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;Vertex AI Reasoning Engine &lt;/span&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;上の&lt;/span&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt; CrewAI &lt;/span&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;エージェントの評価&lt;/span&gt;&lt;/a&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;/ul&gt;
&lt;h5 role="presentation"&gt;&lt;span style="font-style: italic; vertical-align: baseline;"&gt;-Cloud AI&lt;/span&gt;&lt;span style="font-style: italic; vertical-align: baseline;"&gt;、プロダクト&lt;/span&gt;&lt;span style="font-style: italic; vertical-align: baseline;"&gt; &lt;/span&gt;&lt;span style="font-style: italic; vertical-align: baseline;"&gt;マネージャー&lt;/span&gt;&lt;span style="font-style: italic; vertical-align: baseline;"&gt; &lt;/span&gt;&lt;strong style="font-style: italic; vertical-align: baseline;"&gt;Irina Sigler&lt;br/&gt;-&lt;/strong&gt;&lt;span style="font-style: italic; vertical-align: baseline;"&gt;Cloud AI&lt;/span&gt;&lt;span style="font-style: italic; vertical-align: baseline;"&gt;、&lt;/span&gt;&lt;span style="font-style: italic; vertical-align: baseline;"&gt;AI / ML DevRel &lt;/span&gt;&lt;span style="font-style: italic; vertical-align: baseline;"&gt;エンジニア&lt;/span&gt;&lt;span style="font-style: italic; vertical-align: baseline;"&gt; &lt;/span&gt;&lt;strong style="font-style: italic; vertical-align: baseline;"&gt;Ivan Nardini&lt;/strong&gt;&lt;/h5&gt;&lt;/div&gt;</description><pubDate>Fri, 31 Jan 2025 03:00:00 +0000</pubDate><guid>https://cloud.google.com/blog/ja/products/ai-machine-learning/introducing-agent-evaluation-in-vertex-ai-gen-ai-evaluation-service/</guid><category>Open Source</category><category>AI &amp; Machine Learning</category><og xmlns:og="http://ogp.me/ns#"><type>article</type><title>Vertex AI Gen AI Evaluation Service でのエージェント評価のご紹介</title><description></description><site_name>Google</site_name><url>https://cloud.google.com/blog/ja/products/ai-machine-learning/introducing-agent-evaluation-in-vertex-ai-gen-ai-evaluation-service/</url></og><author xmlns:author="http://www.w3.org/2005/Atom"><name>Irina Sigler</name><title>Product Manager, Cloud AI</title><department></department><company></company></author><author xmlns:author="http://www.w3.org/2005/Atom"><name>Ivan Nardini</name><title>AI Developer Relations Engineer</title><department></department><company></company></author></item><item><title>Llama 3.2-1B-Instruct モデルのデプロイで Google Cloud Run GPU を活用する方法</title><link>https://cloud.google.com/blog/ja/products/ai-machine-learning/how-to-deploy-llama-3-2-1b-instruct-model-with-google-cloud-run/</link><description>&lt;div class="block-paragraph_advanced"&gt;&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;※この投稿は米国時間 2024 年 11 月 15 日に、Google Cloud blog に&lt;/span&gt;&lt;a href="https://cloud.google.com/blog/products/ai-machine-learning/how-to-deploy-llama-3-2-1b-instruct-model-with-google-cloud-run?e=48754805&amp;amp;hl=en"&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;投稿&lt;/span&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt;されたものの抄訳です。&lt;/span&gt;&lt;/p&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;オープンソースの大規模言語モデル（&lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt;LLM&lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt;）の人気が高まりつつある中、新しいモデルにアクセスしてしてそのモデルを&lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt; &lt;/span&gt;&lt;a href="https://cloud.google.com/run/docs/configuring/services/gpu?hl=ja"&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;Cloud Run GPU&lt;/span&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt; &lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt;でデプロイするための優れた手法をデベロッパーが求めています。&lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt;Cloud Run &lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt;でフルマネージドの&lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt; NVIDIA GPU &lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt;が利用できるようになったのはそのような期待に応えるためであり、これにより、ドライバのインストールやライブラリ構成の複雑さがなくなります。これは、&lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt;Cloud Run &lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt;の&lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt; CPU &lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt;やメモリの使用時に得られるオンデマンドの可用性や手間いらずの拡張性といった恩恵を、&lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt;NVIDIA GPU &lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt;のパワーを活用して同様に実現できることを意味します。アプリケーションがアイドル状態の場合、&lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt;GPU &lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt;を備えたインスタンスは自動的にゼロにスケールダウンされるため、費用を最適化できます。&lt;/span&gt;&lt;/p&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;このブログ投稿では、&lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt;Cloud Run &lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt;で&lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt; &lt;/span&gt;&lt;a href="https://huggingface.co/meta-llama/Llama-3.2-1B-Instruct" rel="noopener" target="_blank"&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;Meta Llama 3.2 1B Instruction&lt;/span&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt; &lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt;モデルをデプロイする方法を解説します。また、トラブルシューティングの容易化や生産性の向上に役立つ、&lt;/span&gt;&lt;a href="https://huggingface.co/docs/text-generation-inference/en/index" rel="noopener" target="_blank"&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;Text Generation Inference&lt;/span&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt; (TGI) Docker &lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt;イメージを利用したローカルのモデルテストで開発プロセスを合理化するためのベスト&lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt; &lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt;プラクティスも紹介します。&lt;/span&gt;&lt;/p&gt;&lt;/div&gt;
&lt;div class="block-aside"&gt;&lt;dl&gt;
    &lt;dt&gt;aside_block&lt;/dt&gt;
    &lt;dd&gt;&amp;lt;ListValue: [StructValue([(&amp;#x27;title&amp;#x27;, &amp;#x27;Google Cloud の AI と ML を試せる 300 ドル分のクレジットを獲得できます&amp;#x27;), (&amp;#x27;body&amp;#x27;, &amp;lt;wagtail.rich_text.RichText object at 0x7f4847fa7cd0&amp;gt;), (&amp;#x27;btn_text&amp;#x27;, &amp;#x27;無料で始める&amp;#x27;), (&amp;#x27;href&amp;#x27;, &amp;#x27;http://console.cloud.google.com/freetrial?redirectPath=/vertex-ai/&amp;#x27;), (&amp;#x27;image&amp;#x27;, None)])]&amp;gt;&lt;/dd&gt;
&lt;/dl&gt;&lt;/div&gt;
&lt;div class="block-paragraph_advanced"&gt;&lt;h3&gt;&lt;strong style="vertical-align: baseline;"&gt;GPU &lt;/strong&gt;&lt;strong style="vertical-align: baseline;"&gt;を備えた&lt;/strong&gt;&lt;strong style="vertical-align: baseline;"&gt; Cloud Run &lt;/strong&gt;&lt;strong style="vertical-align: baseline;"&gt;を選ぶ理由&lt;/strong&gt;&lt;/h3&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;デベロッパーが&lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt; GPU &lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt;を備えた&lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt; Cloud Run &lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt;にオープンモデルをデプロイすることで得られる重要な利点には、以下の&lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt; 4 &lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt;つがあります。&lt;/span&gt;&lt;/p&gt;
&lt;ul&gt;
&lt;li aria-level="1" style="list-style-type: disc; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;span style="vertical-align: baseline;"&gt;フルマネージド&lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt;: &lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt;ドライバ、ライブラリ、インフラストラクチャについて心配する必要がありません。&lt;/span&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;li aria-level="1" style="list-style-type: disc; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;span style="vertical-align: baseline;"&gt;オンデマンド&lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt; &lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt;スケーリング&lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt;: &lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt;オンデマンドで自動的にスケールアップ、スケールダウンされます。&lt;/span&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;li aria-level="1" style="list-style-type: disc; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;span style="vertical-align: baseline;"&gt;優れた費用対効果&lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt;: &lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt;使用した分だけ支払います。アイドル状態の場合はゼロまで自動でスケールダウンされます。&lt;/span&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;li aria-level="1" style="list-style-type: disc; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;span style="vertical-align: baseline;"&gt;パフォーマンス&lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt;: NVIDIA GPU &lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt;は&lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt; Meta Llama 3.2 &lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt;向けに最適化されています。&lt;/span&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;/ul&gt;
&lt;h3&gt;&lt;strong style="vertical-align: baseline;"&gt;最初のセットアップ&lt;/strong&gt;&lt;/h3&gt;
&lt;ul&gt;
&lt;li aria-level="1" style="list-style-type: disc; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;span style="vertical-align: baseline;"&gt;最初に、&lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt;Hugging Face &lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt;トークンを作成します。&lt;/span&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;li aria-level="1" style="list-style-type: disc; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;span style="vertical-align: baseline;"&gt;次に、&lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt;Llama 3.2 &lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt;モデルウェイトにアクセスしてダウンロードするための権限が&lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt; Hugging Face &lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt;トークンに付与されていることを、&lt;/span&gt;&lt;a href="https://huggingface.co/meta-llama/Llama-3.2-1B-Instruct" rel="noopener" target="_blank"&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;こちら&lt;/span&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt;から確認します。トークンは、次の手順で使えるようにすぐに確認できる状態にしておきます。&lt;/span&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;li&gt;&lt;span style="vertical-align: baseline;"&gt;その次に、&lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt;Google Cloud &lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt;の&lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt; Secret Manager &lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt;を使用して&lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt; Hugging Face &lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt;トークンを安全に保存します。この例では、&lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt;Google &lt;/span&gt;&lt;a href="https://cloud.google.com/docs/authentication/gcloud?hl=ja"&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;ユーザー認証情報&lt;/span&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt;を使用します。&lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt;gcloud CLI &lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt;を使用するための認証、デフォルト&lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt; &lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt;プロジェクト&lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt; ID &lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt;の設定、必要な&lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt; API &lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt;の有効化、&lt;/span&gt;&lt;a href="https://cloud.google.com/secret-manager/docs?hl=ja"&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;Secret Manager&lt;/span&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt; &lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt;と&lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt; &lt;/span&gt;&lt;a href="https://cloud.google.com/storage/docs?hl=ja"&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;Cloud Storage&lt;/span&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt; &lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt;へのアクセス権限付与が必要になる場合があります。&lt;/span&gt;&lt;/li&gt;
&lt;/ul&gt;&lt;/div&gt;
&lt;div class="block-code"&gt;&lt;dl&gt;
    &lt;dt&gt;code_block&lt;/dt&gt;
    &lt;dd&gt;&amp;lt;ListValue: [StructValue([(&amp;#x27;code&amp;#x27;, &amp;#x27;# CLI の認証\r\ngcloud auth login\r\n\r\n# デフォルト プロジェクトの設定\r\ngcloud config set project &amp;lt;your_project_id&amp;gt;\r\n\r\n# 新しいシークレット キーの作成。&amp;lt;your_huggingface_token&amp;gt; の更新を忘れないようにしてください\r\ngcloud secrets create HF_TOKEN --replication-policy=&amp;quot;automatic&amp;quot;\r\necho -n &amp;lt;your_huggingface_token&amp;gt; | gcloud secrets versions add HF_TOKEN --data-file=-\r\n\r\n# キーの取得\r\nHF_TOKEN=$(gcloud secrets versions access latest --secret=&amp;quot;HF_TOKEN&amp;quot;)&amp;#x27;), (&amp;#x27;language&amp;#x27;, &amp;#x27;&amp;#x27;), (&amp;#x27;caption&amp;#x27;, &amp;lt;wagtail.rich_text.RichText object at 0x7f4847fae150&amp;gt;)])]&amp;gt;&lt;/dd&gt;
&lt;/dl&gt;&lt;/div&gt;
&lt;div class="block-paragraph_advanced"&gt;&lt;h3&gt;&lt;strong style="vertical-align: baseline;"&gt;ローカル&lt;/strong&gt;&lt;strong style="vertical-align: baseline;"&gt; &lt;/strong&gt;&lt;strong style="vertical-align: baseline;"&gt;デバッグ&lt;/strong&gt;&lt;/h3&gt;
&lt;ul&gt;
&lt;li aria-level="1" style="list-style-type: disc; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;span style="vertical-align: baseline;"&gt;仮想環境に&lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt; &lt;/span&gt;&lt;code&gt;&lt;span style="vertical-align: baseline;"&gt;huggingface_cli&lt;/span&gt;&lt;/code&gt;&lt;span style="vertical-align: baseline;"&gt;&lt;code&gt; &lt;/code&gt;Python &lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt;パッケージをインストールします。&lt;/span&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;li aria-level="1" style="list-style-type: disc; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;code&gt;&lt;span style="vertical-align: baseline;"&gt;huggingface-cli login&lt;/span&gt;&lt;/code&gt;&lt;span style="vertical-align: baseline;"&gt; &lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt;を実行して&lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt; Hugging Face &lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt;認証情報を設定します。&lt;/span&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;li&gt;&lt;span style="vertical-align: baseline;"&gt;TGI Docker &lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt;イメージを使用してモデルをローカルでテストします。このようにすることで、ローカルでのモデルの反復処理とデバッグを&lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt; Cloud Run &lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt;にデプロイする前に行えます。&lt;/span&gt;&lt;/li&gt;
&lt;/ul&gt;&lt;/div&gt;
&lt;div class="block-code"&gt;&lt;dl&gt;
    &lt;dt&gt;code_block&lt;/dt&gt;
    &lt;dd&gt;&amp;lt;ListValue: [StructValue([(&amp;#x27;code&amp;#x27;, &amp;#x27;export LOCAL_MODEL_DIR=~/.cache/huggingface/hub\r\nexport CONTAINRE_MODEL_DIR=/root/.cache/huggingface/hub\r\nexport LOCAL_PORT=3002\r\n\r\ndocker run --gpus all -ti --shm-size 1g -p $LOCAL_PORT:8080 \\\r\n   -e MODEL_ID=meta-llama/Llama-3.2-1B-Instruct \\\r\n   -e NUM_SHARD=1 \\\r\n   -e HF_TOKEN=$(gcloud secrets versions access latest --secret=&amp;quot;HF_TOKEN&amp;quot;) \\\r\n   -e MAX_INPUT_LENGTH=500 \\\r\n   -e MAX_TOTAL_TOKENS=1000 \\\r\n   -e HUGGINGFACE_HUB_CACHE=$CONTAINRE_MODEL_DIR \\\r\n   -v $LOCAL_MODEL_DIR:$CONTAINRE_MODEL_DIR \\\r\nus-docker.pkg.dev/deeplearning-platform-release/gcr.io/huggingface-text-generation-inference-cu121.2-2.ubuntu2204.py310&amp;#x27;), (&amp;#x27;language&amp;#x27;, &amp;#x27;&amp;#x27;), (&amp;#x27;caption&amp;#x27;, &amp;lt;wagtail.rich_text.RichText object at 0x7f4847facb10&amp;gt;)])]&amp;gt;&lt;/dd&gt;
&lt;/dl&gt;&lt;/div&gt;
&lt;div class="block-paragraph_advanced"&gt;&lt;h3&gt;&lt;strong style="vertical-align: baseline;"&gt;Cloud Run &lt;/strong&gt;&lt;strong style="vertical-align: baseline;"&gt;へのデプロイ&lt;/strong&gt;&lt;/h3&gt;
&lt;ul&gt;
&lt;li&gt;&lt;span style="vertical-align: baseline;"&gt;NVIDIA L4 GPU &lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt;を備えた&lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt; Cloud Run &lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt;にモデルをデプロイします。（&lt;/span&gt;&lt;code&gt;&lt;span style="vertical-align: baseline;"&gt;SERVICE_NAME&lt;/span&gt;&lt;/code&gt;&lt;span style="vertical-align: baseline;"&gt; &lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt;の更新を忘れないようにしてください）。&lt;/span&gt;&lt;/li&gt;
&lt;/ul&gt;&lt;/div&gt;
&lt;div class="block-code"&gt;&lt;dl&gt;
    &lt;dt&gt;code_block&lt;/dt&gt;
    &lt;dd&gt;&amp;lt;ListValue: [StructValue([(&amp;#x27;code&amp;#x27;, &amp;#x27;export LOCATION=us-central1\r\nexport CONTAINER_URI=us-docker.pkg.dev/deeplearning-platform-release/gcr.io/huggingface-text-generation-inference-cu121.2-2.ubuntu2204.py310\r\nexport SERVICE_NAME=&amp;lt;your-cloudrun-service-name&amp;gt;\r\n\r\ngcloud beta run deploy $SERVICE_NAME \\\r\n   --image=$CONTAINER_URI \\\r\n   --args=&amp;quot;--model-id=meta-llama/Llama-3.2-1B-Instruct,--max-concurrent-requests=1&amp;quot; \\\r\n   --port=8080 \\\r\n   --cpu=8 \\\r\n   --memory=32Gi \\\r\n   --no-cpu-throttling \\\r\n   --gpu=1 \\\r\n   --gpu-type=nvidia-l4 \\\r\n   --max-instances=3 \\\r\n   --concurrency=64 \\\r\n   --region=$LOCATION \\\r\n   --no-allow-unauthenticated \\\r\n   --set-secrets=HF_TOKEN=HF_TOKEN:latest&amp;#x27;), (&amp;#x27;language&amp;#x27;, &amp;#x27;&amp;#x27;), (&amp;#x27;caption&amp;#x27;, &amp;lt;wagtail.rich_text.RichText object at 0x7f4847fae210&amp;gt;)])]&amp;gt;&lt;/dd&gt;
&lt;/dl&gt;&lt;/div&gt;
&lt;div class="block-paragraph_advanced"&gt;&lt;h3&gt;&lt;strong style="vertical-align: baseline;"&gt;エンドポイントのテスト&lt;/strong&gt;&lt;/h3&gt;
&lt;ul&gt;
&lt;li aria-level="1" style="list-style-type: disc; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;code&gt;&lt;span style="vertical-align: baseline;"&gt;curl&lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt; &lt;/span&gt;&lt;/code&gt;&lt;span style="vertical-align: baseline;"&gt;を使用してデプロイされたモデルをテストします&lt;/span&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;li&gt;&lt;span style="vertical-align: baseline;"&gt;これにより、&lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt;Cloud Run &lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt;サービスにチャット補完のリクエストが送信されるため、デプロイされたモデルとどのようにやり取りが行われるかを確認できます。&lt;/span&gt;&lt;/li&gt;
&lt;/ul&gt;&lt;/div&gt;
&lt;div class="block-code"&gt;&lt;dl&gt;
    &lt;dt&gt;code_block&lt;/dt&gt;
    &lt;dd&gt;&amp;lt;ListValue: [StructValue([(&amp;#x27;code&amp;#x27;, &amp;#x27;URL=https://your-url.us-central1.run.app\r\n\r\n\r\ncurl $URL/v1/chat/completions \\\r\n   -X POST \\\r\n   -H &amp;quot;Authorization: Bearer $(gcloud auth print-identity-token)&amp;quot; \\\r\n   -H \&amp;#x27;Content-Type: application/json\&amp;#x27; \\\r\n   -d \&amp;#x27;{\r\n       &amp;quot;model&amp;quot;: &amp;quot;tgi&amp;quot;,\r\n       &amp;quot;messages&amp;quot;: [\r\n           {\r\n               &amp;quot;role&amp;quot;: &amp;quot;system&amp;quot;,\r\n               &amp;quot;content&amp;quot;: &amp;quot;You are a helpful assistant.&amp;quot;\r\n           },\r\n           {\r\n               &amp;quot;role&amp;quot;: &amp;quot;user&amp;quot;,\r\n               &amp;quot;content&amp;quot;: &amp;quot;What is Cloud Run?&amp;quot;\r\n           }\r\n       ],\r\n       &amp;quot;max_tokens&amp;quot;: 128\r\n   }\&amp;#x27;&amp;#x27;), (&amp;#x27;language&amp;#x27;, &amp;#x27;&amp;#x27;), (&amp;#x27;caption&amp;#x27;, &amp;lt;wagtail.rich_text.RichText object at 0x7f4847fac610&amp;gt;)])]&amp;gt;&lt;/dd&gt;
&lt;/dl&gt;&lt;/div&gt;
&lt;div class="block-paragraph_advanced"&gt;&lt;h3&gt;&lt;strong style="vertical-align: baseline;"&gt;Cloud Storage FUSE &lt;/strong&gt;&lt;strong style="vertical-align: baseline;"&gt;によるコールド&lt;/strong&gt;&lt;strong style="vertical-align: baseline;"&gt; &lt;/strong&gt;&lt;strong style="vertical-align: baseline;"&gt;スタートの改善&lt;/strong&gt;&lt;/h3&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;コールド&lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt; &lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt;スタート時、レスポンスを返すまでに&lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt; 1 &lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt;分以上の時間がかかっていることに気づくはずです。改善することは可能でしょうか。&lt;/span&gt;&lt;/p&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;Cloud Storage FUSE &lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt;を使用できます。&lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt;Cloud Storage FUSE &lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt;はオープンソース&lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt; &lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt;ツールであり、これを使用することで&lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt; Google Cloud Storage &lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt;バケットをファイル&lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt; &lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt;システムとしてマウントできるようになります。&lt;/span&gt;&lt;/p&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;まず、モデルファイルをダウンロードしてこのファイルを&lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt; Cloud Storage &lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt;バケットにアップロードする必要があります。（&lt;/span&gt;&lt;code&gt;&lt;span style="vertical-align: baseline;"&gt;GCS_BUCKET&lt;/span&gt;&lt;/code&gt;&lt;span style="vertical-align: baseline;"&gt; &lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt;の更新を忘れないようにしてください）。&lt;/span&gt;&lt;/p&gt;&lt;/div&gt;
&lt;div class="block-code"&gt;&lt;dl&gt;
    &lt;dt&gt;code_block&lt;/dt&gt;
    &lt;dd&gt;&amp;lt;ListValue: [StructValue([(&amp;#x27;code&amp;#x27;, &amp;#x27;# 1. Download model\r\nMODEL=meta-llama/Llama-3.2-1B-Instruct\r\nLOCAL_DIR=/mnt/project/google-cloudrun-gpu/gcs_folder/hub/Llama-3.2-1B-Instruct\r\nGCS_BUCKET=gs://&amp;lt;YOUR_BUCKET_WITH_MODEL_WEIGHT&amp;gt;\r\n\r\nhuggingface-cli download $MODEL --exclude &amp;quot;*.bin&amp;quot; &amp;quot;*.pth&amp;quot; &amp;quot;*.gguf&amp;quot; &amp;quot;.gitattributes&amp;quot; --local-dir $LOCAL_DIR\r\n\r\n# 2. Copy to GCS\r\ngsutil -o GSUtil:parallel_composite_upload_threshold=150M -m cp -e -r $LOCAL_DIR $GCS_BUCKET&amp;#x27;), (&amp;#x27;language&amp;#x27;, &amp;#x27;&amp;#x27;), (&amp;#x27;caption&amp;#x27;, &amp;lt;wagtail.rich_text.RichText object at 0x7f4847fac790&amp;gt;)])]&amp;gt;&lt;/dd&gt;
&lt;/dl&gt;&lt;/div&gt;
&lt;div class="block-paragraph_advanced"&gt;&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;次に、以下のようにデプロイ&lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt; &lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt;スクリプトを使用して新しい&lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt; Cloud Run &lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt;サービスを作成します（&lt;/span&gt;&lt;code&gt;&lt;span style="vertical-align: baseline;"&gt;BUCKET_NAME&lt;/span&gt;&lt;/code&gt;&lt;span style="vertical-align: baseline;"&gt; &lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt;の更新を忘れないようにしてください）。また、&lt;/span&gt;&lt;code&gt;&lt;span style="vertical-align: baseline;"&gt;ネットワーク&lt;/span&gt;&lt;/code&gt;&lt;span style="vertical-align: baseline;"&gt;と&lt;/span&gt;&lt;code&gt;&lt;span style="vertical-align: baseline;"&gt;サブネット&lt;/span&gt;&lt;/code&gt;&lt;span style="vertical-align: baseline;"&gt;の名前も変更する必要がある場合があります。&lt;/span&gt;&lt;/p&gt;&lt;/div&gt;
&lt;div class="block-code"&gt;&lt;dl&gt;
    &lt;dt&gt;code_block&lt;/dt&gt;
    &lt;dd&gt;&amp;lt;ListValue: [StructValue([(&amp;#x27;code&amp;#x27;, &amp;#x27;export LOCATION=us-central1\r\nexport CONTAINER_URI=us-docker.pkg.dev/deeplearning-platform-release/gcr.io/huggingface-text-generation-inference-cu124.2-3.ubuntu2204.py311\r\nexport SERVICE_NAME=cloudrun-gpu-fuse-llama32-1b-instruct\r\nexport VOLUME_NAME=fuse\r\nexport BUCKET_NAME=&amp;lt;YOUR_BUCKET_WITH_MODEL_WEIGHT&amp;gt;\r\nexport MOUNT_PATH=/mnt/fuse\r\n\r\ngcloud beta run deploy $SERVICE_NAME \\\r\n    --image=$CONTAINER_URI \\\r\n    --args=&amp;quot;--model-id=$MOUNT_PATH/Llama-3.2-1B-Instruct,--max-concurrent-requests=1&amp;quot; \\\r\n    --port=8080 \\\r\n    --cpu=8 \\\r\n    --memory=32Gi \\\r\n    --no-cpu-throttling \\\r\n    --gpu=1 \\\r\n    --gpu-type=nvidia-l4 \\\r\n    --max-instances=3 \\\r\n    --concurrency=64 \\\r\n    --region=$LOCATION \\\r\n    --network=default \\\r\n    --subnet=default \\\r\n    --vpc-egress=all-traffic \\\r\n    --no-allow-unauthenticated \\\r\n    --update-env-vars=HF_HUB_OFFLINE=1 \\\r\n    --add-volume=name=$VOLUME_NAME,type=cloud-storage,bucket=$BUCKET_NAME \\\r\n    --add-volume-mount=volume=$VOLUME_NAME,mount-path=$MOUNT_PATH&amp;#x27;), (&amp;#x27;language&amp;#x27;, &amp;#x27;&amp;#x27;), (&amp;#x27;caption&amp;#x27;, &amp;lt;wagtail.rich_text.RichText object at 0x7f4847fadf50&amp;gt;)])]&amp;gt;&lt;/dd&gt;
&lt;/dl&gt;&lt;/div&gt;
&lt;div class="block-paragraph_advanced"&gt;&lt;h3&gt;&lt;strong style="vertical-align: baseline;"&gt;次のステップ&lt;/strong&gt;&lt;/h3&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;NVIDIA GPU &lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt;を備えた&lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt; Cloud Run &lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt;の詳細や、&lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt;Hugging Face &lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt;から独自のオープンソース&lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt; &lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt;モデルをデプロイする方法については、以下のリソースをご確認ください。&lt;/span&gt;&lt;/p&gt;
&lt;ul&gt;
&lt;li aria-level="1" style="list-style-type: disc; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;a href="https://cloud.google.com/run/docs/configuring/services/gpu?hl=ja"&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;Cloud Run GPU&lt;/span&gt;&lt;/a&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;li aria-level="1" style="list-style-type: disc; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;a href="https://cloud.google.com/run/docs/configuring/services/gpu-best-practices?hl=ja"&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;ベスト&lt;/span&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt; &lt;/span&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;プラクティス&lt;/span&gt;&lt;/a&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;li aria-level="1" style="list-style-type: disc; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;a href="https://huggingface.co/meta-llama/Llama-3.2-1B-Instruct" rel="noopener" target="_blank"&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;Meta Llama 3.2 1B Instruct&lt;/span&gt;&lt;/a&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;/ul&gt;
&lt;p role="presentation"&gt;&lt;span style="font-style: italic; vertical-align: baseline;"&gt;-GenAI &lt;/span&gt;&lt;span style="font-style: italic; vertical-align: baseline;"&gt;フィールド&lt;/span&gt;&lt;span style="font-style: italic; vertical-align: baseline;"&gt; &lt;/span&gt;&lt;span style="font-style: italic; vertical-align: baseline;"&gt;ソリューション&lt;/span&gt;&lt;span style="font-style: italic; vertical-align: baseline;"&gt; &lt;/span&gt;&lt;span style="font-style: italic; vertical-align: baseline;"&gt;アーキテクト&lt;/span&gt;&lt;strong style="vertical-align: baseline;"&gt; &lt;/strong&gt;&lt;strong style="font-style: italic; vertical-align: baseline;"&gt;Wei Yih Yap&lt;/strong&gt;&lt;/p&gt;
&lt;p&gt;&lt;span style="font-style: italic; vertical-align: baseline;"&gt;-Google Cloud &lt;/span&gt;&lt;span style="font-style: italic; vertical-align: baseline;"&gt;サーバーレス担当プロダクト&lt;/span&gt;&lt;span style="font-style: italic; vertical-align: baseline;"&gt; &lt;/span&gt;&lt;span style="font-style: italic; vertical-align: baseline;"&gt;マネージャー&lt;/span&gt;&lt;span style="font-style: italic; vertical-align: baseline;"&gt; &lt;/span&gt;&lt;strong style="font-style: italic; vertical-align: baseline;"&gt;Sagar Randive&lt;/strong&gt;&lt;/p&gt;&lt;/div&gt;</description><pubDate>Fri, 22 Nov 2024 01:05:00 +0000</pubDate><guid>https://cloud.google.com/blog/ja/products/ai-machine-learning/how-to-deploy-llama-3-2-1b-instruct-model-with-google-cloud-run/</guid><category>Open Source</category><category>AI &amp; Machine Learning</category><og xmlns:og="http://ogp.me/ns#"><type>article</type><title>Llama 3.2-1B-Instruct モデルのデプロイで Google Cloud Run GPU を活用する方法</title><description></description><site_name>Google</site_name><url>https://cloud.google.com/blog/ja/products/ai-machine-learning/how-to-deploy-llama-3-2-1b-instruct-model-with-google-cloud-run/</url></og><author xmlns:author="http://www.w3.org/2005/Atom"><name>Wei Yih Yap</name><title>Forward Deployed Engineer, Google Cloud</title><department></department><company></company></author><author xmlns:author="http://www.w3.org/2005/Atom"><name>Sagar Randive</name><title>Product Manager</title><department></department><company></company></author></item><item><title>PostgreSQL 16 の新機能: 本日から Cloud SQL で利用可能になった新機能のご紹介</title><link>https://cloud.google.com/blog/ja/products/databases/postgresql-16-now-available-in-cloud-sql/</link><description>&lt;div class="block-paragraph_advanced"&gt;&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;※この投稿は米国時間 2024 年 6 月 8 日に、Google Cloud blog に&lt;/span&gt;&lt;a href="https://cloud.google.com/blog/products/databases/postgresql-16-now-available-in-cloud-sql?hl=en"&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;投稿&lt;/span&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt;されたものの抄訳です。&lt;/span&gt;&lt;/p&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;Cloud SQL &lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt;のお客様は、&lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt;PostgreSQL 16 &lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt;を利用してユーザビリティを改善し、情報に基づいた意思決定を促進できるようになりました。このバージョンでは、データベースの運用をきめ細かく分析し、ユーザビリティを向上させるための新機能が導入されています。&lt;/span&gt;&lt;/p&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;今回のブログ投稿では、&lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt;PostgreSQL 16 &lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt;バージョンの目玉である以下の項目について取り上げます。&lt;/span&gt;&lt;/p&gt;
&lt;ul&gt;
&lt;li aria-level="1" style="list-style-type: disc; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;span style="vertical-align: baseline;"&gt;オブザーバビリティの改善&lt;/span&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;li aria-level="1" style="list-style-type: disc; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;span style="vertical-align: baseline;"&gt;パフォーマンスの向上&lt;/span&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;li aria-level="1" style="list-style-type: disc; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;span style="vertical-align: baseline;"&gt;バキュームの効率&lt;/span&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;li aria-level="1" style="list-style-type: disc; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;span style="vertical-align: baseline;"&gt;レプリケーションの改善&lt;/span&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;/ul&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;各項目について詳しく見ていきましょう。&lt;/span&gt;&lt;/p&gt;
&lt;h2&gt;&lt;strong style="vertical-align: baseline;"&gt;オブザーバビリティの改善&lt;/strong&gt;&lt;/h2&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;オブザーバビリティはデータベースの重要な側面です。これにより、オペレーターはリソースの利用状況に関する分析情報を手に入れ、リソースの使用量を最適化できます。&lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt;PostgreSQL 16 &lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt;で導入されたオブザーバビリティに関する重要な機能強化について、以下で説明します。&lt;/span&gt;&lt;/p&gt;
&lt;h3&gt;&lt;strong style="vertical-align: baseline;"&gt;PG_STAT_IO&lt;/strong&gt;&lt;/h3&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;PostgreSQL 16 &lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt;に新しいビュー&lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt; &lt;/span&gt;&lt;a href="https://www.postgresql.org/docs/current/monitoring-stats.html#MONITORING-PG-STAT-IO-VIEW" rel="noopener" target="_blank"&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;pg_stat_io&lt;/span&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt; &lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt;が追加されました。このビューには、&lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt;PostgreSQL &lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt;データベースの入力&lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt; / &lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt;出力（&lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt;IO&lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt;）動作に関する分析情報が表示されます。データベースのパフォーマンスの最適化、リソース使用率の改善、データベース&lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt; &lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt;システムの全体的な健全性とスケーラビリティの確保のために、このビューを使用して情報に基づく決定を下すことができます。このビューにはインスタンス全体の統計データが表示されます。&lt;/span&gt;&lt;/p&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;このビューからどのようなことを推測できるでしょうか。&lt;/span&gt;&lt;/p&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;他の&lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt; &lt;/span&gt;&lt;code&gt;&lt;span style="vertical-align: baseline;"&gt;pg_stat_*&lt;/span&gt;&lt;/code&gt;&lt;span style="vertical-align: baseline;"&gt; &lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt;ビューと同様、このビューの統計情報も累積的です。一定期間にわたって&lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt; pg_stat_io &lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt;ビューの変化を追跡するには、ワークロードの最初と最後の値を記録します。&lt;/span&gt;&lt;/p&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;このビューは、主に&lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt; backend_type&lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt;、&lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt;io_context&lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt;、&lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt;io_object &lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt;の列を基準に統計データを追跡します。&lt;/span&gt;&lt;/p&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;backend_type &lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt;は接続プロセスであり、クライアント&lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt; &lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt;バックエンド（&lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt;client backend&lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt;）、バックグラウンド&lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt; &lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt;ワーカー（&lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt;background worker&lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt;）、チェックポインタ（&lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt;checkpointer&lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt;）、スタンドアロン&lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt; &lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt;バックエンド（&lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt;standalone backend&lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt;）、自動バキューム&lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt; &lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt;ランチャー（&lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt;autovacuum launcher&lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt;）、自動バキューム&lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt; &lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt;ワーカー（&lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt;autovacuum worker&lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt;）のいずれかです。&lt;/span&gt;&lt;span style="font-style: italic; vertical-align: baseline;"&gt;io_context&lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt; &lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt;は、負荷に基づいて、通常（&lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt;normal&lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt;）、一括読み取り（&lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt;bulk read&lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt;）、一括書き込み（&lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt;bulk write&lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt;）、またはバキューム（&lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt;vacuum&lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt;）として分類されます。&lt;/span&gt;&lt;/p&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;インスタンスの&lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt; I/O &lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt;のステータスを把握するために実際に考慮される統計データは、読み取り（&lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt;reads&lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt;）、書き込み（&lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt;writes&lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt;）、拡張（&lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt;extends&lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt;）、ヒット（&lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt;hits&lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt;）、エビクション（&lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt;evictions&lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt;）、再利用（&lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt;reuses&lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt;）です。&lt;/span&gt;&lt;/p&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;ヒットに対するエビクションの比率を比較することで、共有バッファの効率をモニタリングできます。各コンテキストのヒットがエビクションよりもかなり大きい場合に、バッファヒット率が有効であるとみなされます。&lt;/span&gt;&lt;/p&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;一括読み取りと一括書き込みは、シーケンシャル&lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt; &lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt;スキャンと考えられます。この場合、これらのエビクション、ヒット、再利用は、リングバッファの効率性を示します。&lt;/span&gt;&lt;/p&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;また、自動バキュームまたはバキューム&lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt; &lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt;プロセスの一環として読み取られたデータまたは書き込まれたデータの量も確認できます。自動バキュームに関連する指標データについては、&lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt;io_context &lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt;が「&lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt;vacuum&lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt;」で、&lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt;backend_type &lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt;が「&lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt;autovacuum worker&lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt;」のものを確認します。バキューム&lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt; &lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt;プロセスについては、&lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt;backend_type &lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt;が「&lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt;standalone backend&lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt;」で、&lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt;io_context &lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt;が「&lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt;vacuum&lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt;」のものを確認します。&lt;/span&gt;&lt;/p&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;ビューの例を以下に示します。&lt;/span&gt;&lt;/p&gt;&lt;/div&gt;
&lt;div class="block-image_full_width"&gt;






  
    &lt;div class="article-module h-c-page"&gt;
      &lt;div class="h-c-grid"&gt;
  

    &lt;figure class="article-image--large
      
      
        h-c-grid__col
        h-c-grid__col--6 h-c-grid__col--offset-3
        
        
      "
      &gt;

      
      
        
        &lt;img
            src="https://storage.googleapis.com/gweb-cloudblog-publish/images/image1_h0fYBp8.max-1000x1000.png"
        
          alt="image1"&gt;
        
        &lt;/a&gt;
      
    &lt;/figure&gt;

  
      &lt;/div&gt;
    &lt;/div&gt;
  




&lt;/div&gt;
&lt;div class="block-paragraph_advanced"&gt;&lt;h3&gt;&lt;strong style="vertical-align: baseline;"&gt;テーブルとインデックスでの最後のシーケンシャル&lt;/strong&gt;&lt;strong style="vertical-align: baseline;"&gt; &lt;/strong&gt;&lt;strong style="vertical-align: baseline;"&gt;スキャンとインデックス&lt;/strong&gt;&lt;strong style="vertical-align: baseline;"&gt; &lt;/strong&gt;&lt;strong style="vertical-align: baseline;"&gt;スキャン&lt;/strong&gt;&lt;/h3&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;ビュー&lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt; &lt;/span&gt;&lt;code&gt;&lt;a href="https://www.postgresql.org/docs/current/monitoring-stats.html#MONITORING-PG-STAT-ALL-TABLES-VIEW" rel="noopener" target="_blank"&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;pg_stat_*_tables&lt;/span&gt;&lt;/a&gt;&lt;/code&gt;&lt;span style="vertical-align: baseline;"&gt; &lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt;に&lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt; 2 &lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt;つの新しい列が追加されました。&lt;/span&gt;&lt;/p&gt;
&lt;p&gt;&lt;code&gt;&lt;span style="vertical-align: baseline;"&gt;last_seq_scan&lt;/span&gt;&lt;/code&gt;&lt;/p&gt;
&lt;p&gt;&lt;code&gt;&lt;span style="vertical-align: baseline;"&gt;last_idx_scan&lt;/span&gt;&lt;/code&gt;&lt;/p&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;テーブルでシーケンシャル&lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt; &lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt;スキャンまたはインデックス&lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt; &lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt;スキャンが最後に実行されたタイミングを知りたいとしましょう。その場合、&lt;/span&gt;&lt;code&gt;&lt;span style="vertical-align: baseline;"&gt;pg_stat_*_tables&lt;/span&gt;&lt;/code&gt;&lt;span style="vertical-align: baseline;"&gt; &lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt;に新しく追加された列&lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt; &lt;/span&gt;&lt;code&gt;&lt;span style="vertical-align: baseline;"&gt;last_seq_scan&lt;/span&gt;&lt;/code&gt;&lt;span style="vertical-align: baseline;"&gt; &lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt;と&lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt; &lt;/span&gt;&lt;code&gt;&lt;span style="vertical-align: baseline;"&gt;last_idx_scan&lt;/span&gt;&lt;/code&gt;&lt;span style="vertical-align: baseline;"&gt; &lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt;を確認します。&lt;/span&gt;&lt;/p&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;これらの列に、テーブルで最後に実行されたシーケンシャル&lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt; &lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt;スキャンまたはインデックス&lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt; &lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt;スキャンのタイムスタンプが表示されます。これは「クエリ読み取り」問題の特定に役立ちます。&lt;/span&gt;&lt;/p&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;同様に、列&lt;/span&gt;&lt;span style="font-style: italic; vertical-align: baseline;"&gt; &lt;/span&gt;&lt;code&gt;&lt;span style="vertical-align: baseline;"&gt;last_idx_scan&lt;/span&gt;&lt;/code&gt;&lt;span style="vertical-align: baseline;"&gt; &lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt;が&lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt; &lt;/span&gt;&lt;code&gt;&lt;a href="https://www.postgresql.org/docs/current/monitoring-stats.html#MONITORING-PG-STAT-ALL-INDEXES-VIEW" rel="noopener" target="_blank"&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;pg_stat_*_indexes&lt;/span&gt;&lt;/a&gt;&lt;/code&gt;&lt;span style="vertical-align: baseline;"&gt; &lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt;に追加されました。この列には、インデックスが最後に使用されたときのタイムスタンプが表示されます。インデックスを削除する場合に、この列にあるインデックスの値を参照し、情報に基づく決定を下すことができます。&lt;/span&gt;&lt;/p&gt;
&lt;h3&gt;&lt;strong style="vertical-align: baseline;"&gt;更新時に新しいページに表示されるタプルのオカレンスに関する統計情報&lt;/strong&gt;&lt;/h3&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;ビュー&lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt; &lt;/span&gt;&lt;code&gt;&lt;a href="https://www.postgresql.org/docs/current/monitoring-stats.html#MONITORING-PG-STAT-ALL-TABLES-VIEW" rel="noopener" target="_blank"&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;pg_stat_*_tables&lt;/span&gt;&lt;/a&gt;&lt;/code&gt;&lt;span style="vertical-align: baseline;"&gt; &lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt;に新しい列&lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt; &lt;/span&gt;&lt;code&gt;&lt;span style="vertical-align: baseline;"&gt;n_tup_newpage_upd&lt;/span&gt;&lt;/code&gt;&lt;span style="vertical-align: baseline;"&gt; &lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt;が追加されました。&lt;/span&gt;&lt;/p&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;テーブルで更新を実行し、最終的に新しいヒープページに表示される行の数をモニタリングする場合、列&lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt; &lt;/span&gt;&lt;code&gt;&lt;span style="vertical-align: baseline;"&gt;n_tup_newpage_upd&lt;/span&gt;&lt;/code&gt;&lt;span style="vertical-align: baseline;"&gt; &lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt;で情報を確認できるようになりました。&lt;/span&gt;&lt;/p&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;この列から、時間の経過に応じたテーブルの拡大に関与する要因が明らかになります。この列の値を使用して、テーブルの「&lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt;fillfactor&lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt;」セットを検証することもできます。特に「&lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt;HOT&lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt;」となることが予測される更新については、この列の統計データを確認することで、「&lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt;fillfactor&lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt;」が最適かどうかを判断できます。&lt;/span&gt;&lt;/p&gt;
&lt;h2&gt;&lt;strong style="vertical-align: baseline;"&gt;パフォーマンスの向上&lt;/strong&gt;&lt;/h2&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;パフォーマンスは常にデータベースの最優先事項です。メジャー&lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt; &lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt;バージョンのリリースでは、他の機能強化に先駆けてパフォーマンスの向上が取り入れられています。ここでは、&lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt;PostgreSQL 16 &lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt;におけるパフォーマンスの向上をいくつかご紹介します。&lt;/span&gt;&lt;/p&gt;
&lt;h3&gt;&lt;strong style="vertical-align: baseline;"&gt;列に&lt;/strong&gt;&lt;strong style="vertical-align: baseline;"&gt; BRIN &lt;/strong&gt;&lt;strong style="vertical-align: baseline;"&gt;インデックスのみがあるテーブルは「&lt;/strong&gt;&lt;strong style="vertical-align: baseline;"&gt;HOT&lt;/strong&gt;&lt;strong style="vertical-align: baseline;"&gt;」とみなされる&lt;/strong&gt;&lt;/h3&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;PostgreSQL 16 &lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt;では、&lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt;BRIN &lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt;インデックスがあるテーブルに対する更新が、そのテーブルの&lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt; fillfactor &lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt;が最適となっている場合、「&lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt;HOT&lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt;」であるとみなされるようになりました。「&lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt;fillfactor&lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt;」は、この更新が「&lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt;HOT&lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt;」とマークされるようにするための重要な設定です。この改良により、テーブルなどのバキュームが迅速になり、リソースを効率的に使用できます。&lt;/span&gt;&lt;/p&gt;
&lt;h3&gt;&lt;strong style="vertical-align: baseline;"&gt;完全結合または外部結合の並列処理&lt;/strong&gt;&lt;strong style="vertical-align: baseline;"&gt;  &lt;/strong&gt;&lt;/h3&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;このパフォーマンスの向上は、完全結合または外部結合によって結合される非常に大きなテーブルが関与する&lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt; select &lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt;を使用する場合に非常に有益です。&lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt;PostgreSQL 16 &lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt;では、ヒープフェッチを完全に実行した後のマージまたはハッシュではなく、各テーブルの並列シーケンシャル&lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt; &lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt;スキャンを実行した後の並列ハッシュとなります。&lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt;Google &lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt;のテストで、&lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt;PG15 &lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt;と比べて非常に大きな機能改良が実現していることが判明しました。&lt;/span&gt;&lt;/p&gt;
&lt;p&gt;&lt;strong style="vertical-align: baseline;"&gt;完全外部結合の例&lt;/strong&gt;&lt;/p&gt;&lt;/div&gt;
&lt;div class="block-code"&gt;&lt;dl&gt;
    &lt;dt&gt;code_block&lt;/dt&gt;
    &lt;dd&gt;&amp;lt;ListValue: [StructValue([(&amp;#x27;code&amp;#x27;, &amp;#x27;postgres=&amp;gt; explain (analyze, buffers, verbose) select count(*) from object_store s full outer join object_store2 g on (s.project_id=g.project_id);\r\n                                                                               QUERY PLAN                                                                                \r\n-------------------------------------------------------------------------------------------------------------------------------------------------------------------------\r\n Finalize Aggregate  (cost=145953.66..145953.67 rows=1 width=8) (actual time=6095.420..6236.950 rows=1 loops=1)\r\n   Output: count(*)\r\n   Buffers: shared hit=74980, temp read=34714 written=35020\r\n   -&amp;gt;  Gather  (cost=145953.44..145953.65 rows=2 width=8) (actual time=6083.804..6236.922 rows=3 loops=1)\r\n         Output: (PARTIAL count(*))\r\n         Workers Planned: 2\r\n         Workers Launched: 2\r\n         Buffers: shared hit=74980, temp read=34714 written=35020\r\n         -&amp;gt;  Partial Aggregate  (cost=144953.44..144953.45 rows=1 width=8) (actual time=6068.822..6069.193 rows=1 loops=3)\r\n               Output: PARTIAL count(*)\r\n               Buffers: shared hit=74980, temp read=34714 written=35020\r\n               Worker 0:  actual time=6053.795..6053.802 rows=1 loops=1\r\n                 Buffers: shared hit=23966, temp read=12066 written=11200\r\n               Worker 1:  actual time=6069.306..6069.313 rows=1 loops=1\r\n                 Buffers: shared hit=26385, temp read=10995 written=12292\r\n               -&amp;gt;  Parallel Hash Full Join  (cost=83021.80..140786.80 rows=1666658 width=0) (actual time=3824.778..5852.278 rows=1333333 loops=3)\r\n                     Hash Cond: (g.project_id = s.project_id)\r\n                     Buffers: shared hit=74980, temp read=34714 written=35020\r\n                     Worker 0:  actual time=3857.567..5832.558 rows=1361655 loops=1\r\n                       Buffers: shared hit=23966, temp read=12066 written=11200\r\n                     Worker 1:  actual time=3851.661..5870.054 rows=1244012 loops=1\r\n                       Buffers: shared hit=26385, temp read=10995 written=12292\r\n                     -&amp;gt;  Parallel Seq Scan on public.object_store2 g  (cost=0.00..41652.00 rows=421200 width=16) (actual time=0.029..936.699 rows=1333333 loops=3)\r\n                           Output: g.project_id\r\n                           Buffers: shared hit=37440\r\n                           Worker 0:  actual time=0.026..977.947 rows=1347470 loops=1\r\n                             Buffers: shared hit=12650\r\n                           Worker 1:  actual time=0.043..1017.822 rows=1298124 loops=1\r\n                             Buffers: shared hit=12132\r\n                     -&amp;gt;  Parallel Hash  (cost=54050.57..54050.57 rows=1666658 width=16) (actual time=1456.617..1456.619 rows=1333333 loops=3)\r\n                           Output: s.project_id\r\n                           Buckets: 262144  Batches: 32  Memory Usage: 7968kB\r\n                           Buffers: shared hit=37384, temp written=17236\r\n                           Worker 0:  actual time=1451.741..1451.743 rows=1202466 loops=1\r\n                             Buffers: shared hit=11238, temp written=5200\r\n                           Worker 1:  actual time=1450.062..1450.064 rows=1516637 loops=1\r\n                             Buffers: shared hit=14175, temp written=6524\r\n                           -&amp;gt;  Parallel Seq Scan on public.object_store s  (cost=0.00..54050.57 rows=1666658 width=16) (actual time=0.023..530.669 rows=1333333 loops=3)\r\n                                 Output: s.project_id\r\n                                 Buffers: shared hit=37384\r\n                                 Worker 0:  actual time=0.018..506.262 rows=1202466 loops=1\r\n                                   Buffers: shared hit=11238\r\n                                 Worker 1:  actual time=0.025..578.219 rows=1516637 loops=1\r\n                                   Buffers: shared hit=14175\r\n Query Identifier: -5913048123863832940\r\n Planning Time: 0.211 ms\r\n Execution Time: 6237.051 ms\r\n(47 rows)&amp;#x27;), (&amp;#x27;language&amp;#x27;, &amp;#x27;&amp;#x27;), (&amp;#x27;caption&amp;#x27;, &amp;lt;wagtail.rich_text.RichText object at 0x7f4847f9b6d0&amp;gt;)])]&amp;gt;&lt;/dd&gt;
&lt;/dl&gt;&lt;/div&gt;
&lt;div class="block-paragraph_advanced"&gt;&lt;h3&gt;&lt;strong style="vertical-align: baseline;"&gt;Explain (generic_plan)&lt;/strong&gt;&lt;/h3&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;PostgreSQL 16 &lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt;が登場する前は、パラメータ化された&lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt; SQL &lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt;の場合、実行プランを取得するためにパラメータの値を渡さなければなりませんでした。&lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt;PostgreSQL 16 &lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt;にはオプション&lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt; (generic_plan) &lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt;が用意されているため、実行プランを取得するために追加の値を&lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt; SQL &lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt;に指定する必要はありません。&lt;/span&gt;&lt;/p&gt;
&lt;p&gt;&lt;strong style="vertical-align: baseline;"&gt;例&lt;/strong&gt;&lt;/p&gt;&lt;/div&gt;
&lt;div class="block-code"&gt;&lt;dl&gt;
    &lt;dt&gt;code_block&lt;/dt&gt;
    &lt;dd&gt;&amp;lt;ListValue: [StructValue([(&amp;#x27;code&amp;#x27;, &amp;quot;db=&amp;gt; CREATE TABLE measurement (\r\n    city_id         int not null,\r\n    logdate         date not null,\r\n    peaktemp        int,\r\n    unitsales       int\r\n) PARTITION BY RANGE (logdate);\r\n\r\nCREATE TABLE measurement_y2006m02 PARTITION OF measurement\r\n    FOR VALUES FROM (&amp;#x27;2006-02-01&amp;#x27;) TO (&amp;#x27;2006-03-01&amp;#x27;);\r\n\r\nCREATE TABLE measurement_y2006m03 PARTITION OF measurement\r\n    FOR VALUES FROM (&amp;#x27;2006-03-01&amp;#x27;) TO (&amp;#x27;2006-04-01&amp;#x27;);\r\n\r\nPrepare statement\r\n\r\ndb=&amp;gt; PREPARE partitioned_selfjoin (int) AS\r\nSELECT *\r\n  FROM measurement a\r\n  JOIN measurement b\r\n    ON a.peaktemp = b.peaktemp\r\n WHERE a.city_id = $1;\r\nPREPARE\r\n\r\nGet execution plan\r\n\r\nPre PostgreSQL 16: Pass a value for the parameter $1 = 10\r\n\r\ndb=&amp;gt; EXPLAIN EXECUTE partitioned_selfjoin(10);\r\n\r\nFor PG - 16\r\n\r\ndb=&amp;gt; explain (generic_plan) SELECT *\r\n  FROM measurement a\r\n  JOIN measurement b\r\n    ON a.peaktemp = b.peaktemp\r\n WHERE a.city_id = $1;&amp;quot;), (&amp;#x27;language&amp;#x27;, &amp;#x27;&amp;#x27;), (&amp;#x27;caption&amp;#x27;, &amp;lt;wagtail.rich_text.RichText object at 0x7f4847f9b610&amp;gt;)])]&amp;gt;&lt;/dd&gt;
&lt;/dl&gt;&lt;/div&gt;
&lt;div class="block-paragraph_advanced"&gt;&lt;h2&gt;&lt;strong style="vertical-align: baseline;"&gt;バキュームの改善&lt;/strong&gt;&lt;/h2&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;バキュームは&lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt; PostgreSQLMVCC &lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt;で重要な役割を果たします。バキュームはデッドタプルを削除した後に領域を解放し、テーブルの肥大化を最小限に抑えます。これにより、データベースのトランザクション&lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt; &lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt;ラップアラウンドの問題を回避できます。ここでは、&lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt;PostgreSQL 16 &lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt;でのバキューム&lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt; &lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt;プロセスの改良点をいくつかご紹介します。&lt;/span&gt;&lt;/p&gt;
&lt;h3&gt;&lt;strong style="vertical-align: baseline;"&gt;大きいテーブルを対象とした&lt;/strong&gt;&lt;strong style="vertical-align: baseline;"&gt; VACUUM &lt;/strong&gt;&lt;strong style="vertical-align: baseline;"&gt;オペレーションのパフォーマンスの向上&lt;/strong&gt;&lt;/h3&gt;
&lt;p&gt;&lt;strong style="vertical-align: baseline;"&gt;BUFFER_USAGE_LIMIT&lt;/strong&gt;&lt;/p&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;PostgreSQL 16 &lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt;に新しいサーバー変数「&lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt;vacuum_buffer_usage_limit&lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt;」が追加されました。この変数は、&lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt;VACUUM &lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt;オペレーションと&lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt; ANALYZE &lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt;オペレーションに割り当てられたリングバッファにデフォルト値&lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt; 256 KB &lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt;を設定します。&lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt;VACUUM &lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt;オペレーションの実行中に「&lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt;BUFFER_USAGE_LIMIT&lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt;」オプションを設定すると、「&lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt;vacuum_buffer_usage_limit&lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt;」のデフォルト値がオーバーライドされ、指定したリングバッファのサイズが割り当てられます。「&lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt;buffer_usage_limit&lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt;」に大きな値を指定すると&lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt; vacuum &lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt;オペレーションが高速で実行されますが、メインのワークロードで使用されるバッファが「&lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt;shared_buffers&lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt;」から除外され、結果的にパフォーマンスが低下する可能性があります。非常に大きなテーブルに対してバキューム処理を実行するときは、常に「&lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt;buffer_usage_limit&lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt;」を使用して&lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt; VACUUM &lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt;オペレーションのリングバッファの使用量を制限することをおすすめします。このオプションは、&lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt;VACUUM &lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt;を完了することが不可欠な、&lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt;TXID &lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt;のラップアラウンドに近づいた時点で慎重に使用します。&lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt;VACUUM &lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt;オペレーションに&lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt; ANALYZE &lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt;も含まれている場合は、両方のオペレーションが「&lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt;buffer_usage_limit&lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt;」で指定された同じリングバッファのサイズを使用します。「&lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt;buffer_usage_limit&lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt;」に「&lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt;0&lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt;」を設定すると、バッファ&lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt; &lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt;アクセス&lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt; &lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt;ストラテジが無効になります。その結果、共有バッファが大量に削除され、パフォーマンスの低下につながります。「&lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt;buffer_usage_limit&lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt;」に指定できる範囲は&lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt; 128 KB&lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt;～&lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt;16 GB &lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt;です。&lt;/span&gt;&lt;/p&gt;
&lt;p&gt;&lt;strong style="vertical-align: baseline;"&gt;VACUUM &lt;/strong&gt;&lt;strong style="vertical-align: baseline;"&gt;による&lt;/strong&gt;&lt;strong style="vertical-align: baseline;"&gt; TOAST &lt;/strong&gt;&lt;strong style="vertical-align: baseline;"&gt;テーブルのみの処理&lt;/strong&gt;&lt;/p&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;PostgreSQL 16 &lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt;では、リレーションに関連する&lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt; TOAST &lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt;テーブルのみをバキューム処理できるようになりました。以前、&lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt;FALSE &lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt;に設定した場合に&lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt; TOAST &lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt;テーブルのバキューム処理がオフになるオプション「&lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt;process_toast&lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt;」が追加されました。これ以外の場合は、リレーションのメインのテーブルと&lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt; TOAST &lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt;テーブルの両方でバキュームが実行されていました。&lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt;PostgreSQL 16 &lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt;では、要件に基づいて、メインのテーブルと&lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt; TOAST &lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt;テーブルの両方をバキューム処理することも、リレーションに属する片方のみをバキューム処理することもできます。これにより、必要に応じて、メイン、&lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt;TOAST&lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt;、または両方のバキューム処理を適切に実行できるようになります。&lt;/span&gt;&lt;/p&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;その適用方法の例を以下に示します。&lt;/span&gt;&lt;/p&gt;&lt;/div&gt;
&lt;div class="block-code"&gt;&lt;dl&gt;
    &lt;dt&gt;code_block&lt;/dt&gt;
    &lt;dd&gt;&amp;lt;ListValue: [StructValue([(&amp;#x27;code&amp;#x27;, &amp;#x27;Vacuum only toast table for a relation\r\n\r\npostgres=&amp;gt; vacuum (PROCESS_TOAST TRUE, PROCESS_MAIN FALSE) prodattribbig;\r\n\r\nVacuumdb only toast table for a relation\r\n\r\n$ vacuumdb -h &amp;lt;ipaddress&amp;gt; -U postgres -d testdb -t prodattribbig --no-process-main&amp;#x27;), (&amp;#x27;language&amp;#x27;, &amp;#x27;&amp;#x27;), (&amp;#x27;caption&amp;#x27;, &amp;lt;wagtail.rich_text.RichText object at 0x7f4847f9b710&amp;gt;)])]&amp;gt;&lt;/dd&gt;
&lt;/dl&gt;&lt;/div&gt;
&lt;div class="block-paragraph_advanced"&gt;&lt;p&gt;&lt;a href="https://www.postgresql.org/docs/current/app-vacuumdb.html" rel="noopener" target="_blank"&gt;&lt;strong style="text-decoration: underline; vertical-align: baseline;"&gt;vacuumdb&lt;/strong&gt;&lt;/a&gt;&lt;strong style="vertical-align: baseline;"&gt; &lt;/strong&gt;&lt;strong style="vertical-align: baseline;"&gt;オプションによるスキーマの処理&lt;/strong&gt;&lt;/p&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;vacuumdb &lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt;に、データベースのスキーマに属すテーブルすべてのバキューム処理または分析を行うためのオプションが追加されました。この機能は、スキーマが&lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt; 1 &lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt;つのみのテーブルを対象とする場合に非常に便利です。&lt;/span&gt;&lt;/p&gt;&lt;/div&gt;
&lt;div class="block-code"&gt;&lt;dl&gt;
    &lt;dt&gt;code_block&lt;/dt&gt;
    &lt;dd&gt;&amp;lt;ListValue: [StructValue([(&amp;#x27;code&amp;#x27;, &amp;#x27;$ vacuumdb -h &amp;lt;host/ipaddress&amp;gt;  -v -U postgres -d testdb  -n testschema&amp;#x27;), (&amp;#x27;language&amp;#x27;, &amp;#x27;&amp;#x27;), (&amp;#x27;caption&amp;#x27;, &amp;lt;wagtail.rich_text.RichText object at 0x7f4847f9bed0&amp;gt;)])]&amp;gt;&lt;/dd&gt;
&lt;/dl&gt;&lt;/div&gt;
&lt;div class="block-paragraph_advanced"&gt;&lt;h2&gt;&lt;strong style="vertical-align: baseline;"&gt;レプリケーションの改善&lt;/strong&gt;&lt;/h2&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;レプリケーションは、データベースの高可用性機能を構成する重要な要素です。&lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt;PostgreSQL 16 &lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt;では、コミュニティによって複数のユーザビリティ機能がレプリケーションに追加されました。&lt;/span&gt;&lt;/p&gt;
&lt;h3&gt;&lt;strong style="vertical-align: baseline;"&gt;論理レプリケーションでの初期テーブル同期によるバイナリ形式の行のコピー&lt;/strong&gt;&lt;/h3&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;PostgreSQL 16 &lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt;の論理レプリケーションでは、バイナリ形式の行のコピーを初期設定できます。特にバイナリデータを含む列では、非常に迅速に処理できます。以下に、初期データのコピーがバイナリ形式のサブスクリプションを作成する方法の例を示します。&lt;/span&gt;&lt;/p&gt;&lt;/div&gt;
&lt;div class="block-code"&gt;&lt;dl&gt;
    &lt;dt&gt;code_block&lt;/dt&gt;
    &lt;dd&gt;&amp;lt;ListValue: [StructValue([(&amp;#x27;code&amp;#x27;, &amp;quot;testdb=&amp;gt;  create subscription  testtab connection &amp;#x27;host=10.101.0.20 port=5432 dbname=testdb user=replication_user password=&amp;lt;&amp;lt;pwd&amp;gt;&amp;gt;&amp;#x27; PUBLICATION testtab  WITH (copy_data=on, binary=true);&amp;quot;), (&amp;#x27;language&amp;#x27;, &amp;#x27;&amp;#x27;), (&amp;#x27;caption&amp;#x27;, &amp;lt;wagtail.rich_text.RichText object at 0x7f4847f9b950&amp;gt;)])]&amp;gt;&lt;/dd&gt;
&lt;/dl&gt;&lt;/div&gt;
&lt;div class="block-paragraph_advanced"&gt;&lt;h3&gt;&lt;strong style="vertical-align: baseline;"&gt;改良された&lt;/strong&gt;&lt;strong style="vertical-align: baseline;"&gt; &lt;/strong&gt;&lt;a href="https://www.postgresql.org/docs/current/logical-replication-architecture.html" rel="noopener" target="_blank"&gt;&lt;strong style="text-decoration: underline; vertical-align: baseline;"&gt;logical replication apply&lt;/strong&gt;&lt;/a&gt;&lt;strong style="vertical-align: baseline;"&gt;（主キーなしの場合）&lt;/strong&gt;&lt;/h3&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;従来、&lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt;PostgreSQL &lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt;の論理レプリケーションでは、テーブルに主キーがない場合はテーブルのフルスキャンを実行していたため、パフォーマンスに影響が及んでいました。これに対して、&lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt;PostgreSQL 16 &lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt;ではテーブルにある&lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt; B &lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt;ツリー&lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt; &lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt;インデックスを利用できるようになり、&lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt;logical apply &lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt;の効率が大幅に向上しました。インデックスの使用統計情報は&lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt; pg_stat_*_indexes &lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt;ビューで確認できます。&lt;/span&gt;&lt;/p&gt;
&lt;h3&gt;&lt;strong style="vertical-align: baseline;"&gt;論理デコーディングのスタンバイ&lt;/strong&gt;&lt;/h3&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;PostgreSQL 16 &lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt;では、リードレプリカで論理デコーディングが有効になっているため、サブスクライバーはプライマリ&lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt; db &lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt;インスタンスではなくリードレプリカに接続できます。こうすることで、ワークロードがプライマリ&lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt; &lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt;インスタンスとレプリカの間で共有され、プライマリ&lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt; &lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt;インスタンスへの負担が軽減されます。これにより、論理レプリケーション&lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt; &lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt;ワークロードがプライマリ&lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt; &lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt;インスタンスからレプリカにオフロードされます。その結果、特に多くの論理レプリケーション&lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt; &lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt;スロットがあるプライマリ&lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt; &lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt;ノードの場合、ノードのパフォーマンスが大幅に向上します。もう&lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt; 1 &lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt;つのメリットは、レプリカが昇格される場合もサブスクライバーは変更の影響を受けず、一切の障害なく機能し続けることです。これまでとは異なり、リードレプリカの遅延が結果的に論理サブスクライバーに影響を及ぼす点に注意してください。&lt;/span&gt;&lt;/p&gt;
&lt;h2&gt;&lt;strong style="vertical-align: baseline;"&gt;PostgreSQL 16 &lt;/strong&gt;&lt;strong style="vertical-align: baseline;"&gt;の利用を今すぐ開始&lt;/strong&gt;&lt;/h2&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;オブザーバビリティ、論理レプリケーション、バキューム処理などが強化された&lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt; PostgreSQL 16 &lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt;を&lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt; Cloud SQL &lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt;で早速使ってみましょう。&lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt;Cloud SQL &lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt;で&lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt; PostgreSQL 16 &lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt;の利用を開始するには、&lt;/span&gt;&lt;a href="https://console.cloud.google.com/"&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;こちら&lt;/span&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt;にアクセスしてください。&lt;/span&gt;&lt;/p&gt;&lt;/div&gt;
&lt;div class="block-paragraph"&gt;&lt;p data-block-key="sxs27"&gt;&lt;i&gt;ー データベース&lt;/i&gt; &lt;i&gt;エンジニア&lt;/i&gt; &lt;b&gt;&lt;i&gt;Indu Akkineni&lt;/i&gt;&lt;/b&gt;&lt;/p&gt;&lt;/div&gt;</description><pubDate>Tue, 18 Jun 2024 01:10:00 +0000</pubDate><guid>https://cloud.google.com/blog/ja/products/databases/postgresql-16-now-available-in-cloud-sql/</guid><category>Open Source</category><category>Databases</category><og xmlns:og="http://ogp.me/ns#"><type>article</type><title>PostgreSQL 16 の新機能: 本日から Cloud SQL で利用可能になった新機能のご紹介</title><description></description><site_name>Google</site_name><url>https://cloud.google.com/blog/ja/products/databases/postgresql-16-now-available-in-cloud-sql/</url></og><author xmlns:author="http://www.w3.org/2005/Atom"><name>Indu Akkineni</name><title>Database Engineer, Cloud SQL</title><department></department><company></company></author></item><item><title>オープンソース ソフトウェアの既知の信頼できるサプライヤーを選択する方法</title><link>https://cloud.google.com/blog/ja/products/identity-security/how-to-choose-a-known-trusted-supplier-for-open-source-software/</link><description>&lt;div class="block-paragraph"&gt;&lt;p data-block-key="fnyba"&gt;※この投稿は米国時間 2024 年 3 月 27 日に、Google Cloud blog に&lt;a href="https://cloud.google.com/blog/products/identity-security/how-to-choose-a-known-trusted-supplier-for-open-source-software?hl=en"&gt;投稿&lt;/a&gt;されたものの抄訳です。&lt;/p&gt;&lt;p data-block-key="2e7bn"&gt;デベロッパーによるソフトウェア ツール、アプリ、サービスの構築を支援するために、オープンソース ソフトウェアはテクノロジー業界全体で使用されています。オープンソース ソフトウェアを構築に利用しているデベロッパーは、他者によるオープンソースの成果物から大きな恩恵を受けられますが、同時に、&lt;a href="https://www.dni.gov/files/NCSC/documents/supplychain/Software_Supply_Chain_Attacks.pdf" target="_blank"&gt;ソフトウェア サプライ チェーンへの攻撃&lt;/a&gt;から保護するために適切なデュー デリジェンスを実施する必要もあります。&lt;/p&gt;&lt;p data-block-key="6799b"&gt;Citi と Google の両社は、オープンソース ソフトウェアのサプライ チェーンのリスク管理にいっそう注力するなか、特にオープンソース コンポーネントの調達先である信頼できる既知のサプライヤーを選ぶ際に、リスク軽減全体により厳格に対応するよう努めています。&lt;/p&gt;&lt;h3 data-block-key="dtvt9"&gt;&lt;b&gt;オープンソースへの主な攻撃ベクトル&lt;/b&gt;&lt;/h3&gt;&lt;/div&gt;
&lt;div class="block-image_full_width"&gt;






  
    &lt;div class="article-module h-c-page"&gt;
      &lt;div class="h-c-grid"&gt;
  

    &lt;figure class="article-image--large
      
      
        h-c-grid__col
        h-c-grid__col--6 h-c-grid__col--offset-3
        
        
      "
      &gt;

      
      
        
        &lt;img
            src="https://storage.googleapis.com/gweb-cloudblog-publish/images/Key_open_source_attack_vectors.max-1000x1000.png"
        
          alt="Key open source attack vectors"&gt;
        
        &lt;/a&gt;
      
    &lt;/figure&gt;

  
      &lt;/div&gt;
    &lt;/div&gt;
  




&lt;/div&gt;
&lt;div class="block-paragraph_advanced"&gt;&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;上の図には、オープンソースへの主な攻撃ベクトルが示されています。ソフトウェア&lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt; &lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt;サプライ&lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt; &lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt;チェーンへの一般的なセキュリティ攻撃は、主に&lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt; 5 &lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt;つのタイプに分類できます。&lt;/span&gt;&lt;/p&gt;
&lt;ol&gt;
&lt;li aria-level="1" style="list-style-type: decimal; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;span style="vertical-align: baseline;"&gt;コードの脆弱性を利用した実行時の攻撃&lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt;  &lt;/span&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;li aria-level="1" style="list-style-type: decimal; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;span style="vertical-align: baseline;"&gt;リポジトリ、ツール、プロセスに対する攻撃&lt;/span&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;li aria-level="1" style="list-style-type: decimal; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;span style="vertical-align: baseline;"&gt;パイプラインを通過する際のアーティファクトの整合性に対する攻撃&lt;/span&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;li aria-level="1" style="list-style-type: decimal; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;span style="vertical-align: baseline;"&gt;顧客アプリケーションが利用する主なオープンソースの依存関係に対する攻撃&lt;/span&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;li aria-level="1" style="list-style-type: decimal; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;span style="vertical-align: baseline;"&gt;オープンソース&lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt; &lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt;パッケージの継承された推移的依存関係のチェーン全体に対する攻撃&lt;/span&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;/ol&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;このような攻撃が近年増加するにつれて、アプリケーション&lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt; &lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt;セキュリティ専門家の作業は増大し、困難になってきています。オープンソース&lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt; &lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt;コンポーネントは、動作するために他のオープンソース&lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt; &lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt;コンポーネントの機能を含み、その機能に依存することが少なくありません。オープンソース&lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt; &lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt;コンポーネントの依存関係には、直接依存関係と推移的依存関係の&lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt; 2 &lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt;種類があります。&lt;/span&gt;&lt;/p&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;一般的に、相互作用は次のようになります。アプリケーションが、直接依存関係に対して最初の呼び出しを行います。直接依存関係が機能するために外部コンポーネントが必要な場合、その外部コンポーネントがアプリケーションの推移的依存関係と呼ばれます。&lt;/span&gt;&lt;/p&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;このような依存関係は修復が非常に困難です。その理由は、デベロッパーが依存関係にすぐにアクセスできないためです。依存関係のコードベースはメンテナンス担当者に委ねられており、結果としてアプリケーションはその担当者の作業に左右されることになります。こういった推移的依存関係のうち一つの修正が担当者によってリリースされた場合、修正がサプライ&lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt; &lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt;チェーンを遡って直接依存関係に影響を与えるまでには、かなりの時間がかかる可能性があります。&lt;/span&gt;&lt;/p&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;よって、脆弱性の管理は推移的依存関係のチェーン全体にまで拡張する必要があります。その理由は、ここで&lt;/span&gt;&lt;a href="https://www.forbes.com/sites/forbestechcouncil/2023/05/26/the-hidden-risk-lurking-in-the-software-supply-chain-transitive-open-source-dependencies/?sh=5e66dc87512f" rel="noopener" target="_blank"&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;脆弱性の&lt;/span&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt; 95%&lt;/span&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt; &lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt;が検出されるためです。ソフトウェア開発ライフサイクル（&lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt;SDLC&lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt;）ツールの定期的なアップグレードとパッチ適用のプロセスを維持することは今や不可欠になっています。また、リポジトリとプロセスの両方のセキュリティをアップグレードし、それぞれのアクティブなセキュリティ&lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt; &lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt;テストを行うことも必須です。&lt;/span&gt;&lt;/p&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;改ざん履歴がないことを示す来歴と署名により、パイプライン全体でアーティファクトの整合性を維持する信頼性を高めることができます。また、すべての外部コンポーネントについて推移的依存関係のチェーン全体をマッピングして理解すること、信頼できる既知のプロバイダからのみこれらのコンポーネントを調達することが必須条件となります。&lt;/span&gt;&lt;/p&gt;
&lt;p&gt;&lt;a href="https://www.cisa.gov/sites/default/files/2023-10/Fact_Sheet_Improving_OSS_in_OT_ICS_508c.pdf" rel="noopener" target="_blank"&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;CISA &lt;/span&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;などの政府機関による最近のガイダンス&lt;/span&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt;では、信頼できるソースからの導入に先立ってオープンソース&lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt; &lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt;ソフトウェアを適切に選択しテストすることの重要性が裏付けられています。一部の組織はビルドされたソフトウェア&lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt; &lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt;アーティファクトをパブリック&lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt; &lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt;パッケージ&lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt; &lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt;リポジトリから直接読み込みますが、セキュリティ&lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt; &lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt;リスクを避ける傾向の強い組織では、厳選されたオープンソース&lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt; &lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt;ソフトウェア&lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt; &lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt;プロバイダを利用した、より厳格なセキュリティ管理が求められます。&lt;/span&gt;&lt;/p&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;このような組織は、自社でソースからビルドしたオープンソース&lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt; &lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt;ソフトウェアのみを利用しようとすることもありますが、大抵の場合は費用がかかりすぎてしまいます。では、厳選されたサードパーティの使用を選択した場合、その重要な権限を委任する前にどのようなことを確認する必要があるのでしょうか。&lt;/span&gt;&lt;/p&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;厳選された&lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt; OSS &lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt;ベンダーを評価するには、主に&lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt; 3 &lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt;つの基準があります。&lt;/span&gt;&lt;/p&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;1. &lt;/span&gt;&lt;strong style="vertical-align: baseline;"&gt;高いレベルのセキュリティ成熟度&lt;/strong&gt;&lt;/p&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;信頼できるサプライヤーは、高いレベルのセキュリティ成熟度を証明する必要があります。一般的に焦点があてられるのは、特にサプライヤーのセキュリティ対策を調査することです。組織内の脆弱性管理に関する文化と、迅速にパッチを適用して最新の状態に保つ能力について詳細を確認します。また、あらゆるインシデントに迅速に対処できる十分なトレーニングを受けたチームと、組織のセキュリティ&lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt; &lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt;ポスチャーを継続的に検証する定期的なペネトレーション&lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt; &lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt;テストのチームも必要です。&lt;/span&gt;&lt;/p&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;信頼できるサプライヤーは、自社の基盤インフラストラクチャのセキュリティを証明できる必要があります。サプライヤーが次の条件を満たしていることをご確認ください。&lt;/span&gt;&lt;/p&gt;
&lt;ol&gt;
&lt;li aria-level="1" style="list-style-type: decimal; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;span style="vertical-align: baseline;"&gt;自社の外部依存関係の最新インベントリが用意されている。&lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt;  &lt;/span&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;li aria-level="1" style="list-style-type: decimal; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;span style="vertical-align: baseline;"&gt;すべての取り込みポイントに関する知識があり、それらを管理できる。&lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt;  &lt;/span&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;li aria-level="1" style="list-style-type: decimal; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;span style="vertical-align: baseline;"&gt;1 &lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt;つの本番環境ビルドサービスを活用して、&lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt;1 &lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt;つの論理コントロール&lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt; &lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt;ポイントを維持できる。&lt;/span&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;li aria-level="1" style="list-style-type: decimal; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;span style="vertical-align: baseline;"&gt;インフラストラクチャを管理するための次のようなベスト&lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt; &lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt;プラクティスの基準を満たしている。&lt;/span&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;/ol&gt;
&lt;ul&gt;
&lt;li aria-level="3" style="list-style-type: disc; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;span style="vertical-align: baseline;"&gt;適切に設計された職掌分散と&lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt; IAM &lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt;コントロール&lt;/span&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;li aria-level="3" style="list-style-type: disc; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;span style="vertical-align: baseline;"&gt;ゼロトラスト&lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt; &lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt;ネットワーク設計を保護する組み込みの組織ポリシーとガードレール&lt;/span&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;li aria-level="3" style="list-style-type: disc; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;span style="vertical-align: baseline;"&gt;関連する証拠を伴う定期的な自動パッチ適用&lt;/span&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;li aria-level="3" style="list-style-type: disc; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;span style="vertical-align: baseline;"&gt;検出、ロギング、モニタリング&lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt; &lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt;システムを使った補完的で継続的な脅威の検出による、これらのポスチャー管理のサポート&lt;/span&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;li aria-level="3" style="list-style-type: disc; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;span style="vertical-align: baseline;"&gt;「すべてをコード化」して、再現可能かつ検証可能な密閉型のビルドで運用していればベター&lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt;      &lt;/span&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;/ul&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;2. &lt;/span&gt;&lt;strong style="vertical-align: baseline;"&gt;高いレベルの内部&lt;/strong&gt;&lt;strong style="vertical-align: baseline;"&gt; SDLC &lt;/strong&gt;&lt;strong style="vertical-align: baseline;"&gt;セキュリティ&lt;/strong&gt;&lt;/p&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;信頼できるサプライヤーの&lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt; SDLC &lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt;のセキュリティ&lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt; &lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt;レベルは非常に高くなければなりません。&lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt;SDLC &lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt;のコントロール&lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt; &lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt;プレーンと、最終プロダクトを構築するためにソースコードを操作するコンポーネントのセキュリティについては特にそうです。各システムには厳重なセキュリティ保護と精査が行われ、ソフトウェアの変更があった場合は、必ずレビューと監査を経て、次の段階やデプロイに進む前に複数の関係者による承認が必要となるように徹底されなくてはなりません。さらに、強固な認証および認可ポリシーを適用することで、信頼性の高い個人のみがベンダー&lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt; &lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt;インフラストラクチャを構築、変更できるようにする必要があります。&lt;/span&gt;&lt;/p&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;SDLC &lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt;セキュリティは、組織へのソースコード&lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt; &lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt;マテリアルの取り込みにおける最初の段階や、システム自体のコントロール&lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt; &lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt;プレーン内で使用されるコードや機能にも適用される必要があります。&lt;/span&gt;&lt;/p&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;3. &lt;/span&gt;&lt;strong style="vertical-align: baseline;"&gt;効果的なインサイダー脅威プログラム&lt;/strong&gt;&lt;/p&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;信頼できるサプライヤーは価値の高いターゲットであるため、攻撃ベクトルとしてインサイダー脅威が存在する可能性があります。それゆえ、厳選されたベンダーには、積極的かつ効果的なインサイダー脅威プログラムが求められます。また、こうした担当者の審査アプローチを拡張して、すべてのスタッフ拠点が承認された地域内にあり、アウトソーシングされないようにする必要があります。&lt;/span&gt;&lt;/p&gt;
&lt;h3&gt;&lt;strong style="vertical-align: baseline;"&gt;信頼するが検証はする&lt;/strong&gt;&lt;/h3&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;信頼できるサプライヤーが、裏付けとなる証拠と分析情報を提供することも重要です。この証拠には次のものが含まれます。&lt;/span&gt;&lt;/p&gt;
&lt;ol&gt;
&lt;li aria-level="1" style="list-style-type: decimal; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;span style="vertical-align: baseline;"&gt;サードパーティの認証または独自の自主監査に基づく、インフラストラクチャのセキュリティとプロセスに関する検証可能な証明書。&lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt;  &lt;/span&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;li aria-level="1" style="list-style-type: decimal; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;span style="vertical-align: baseline;"&gt;SLSA &lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt;や&lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt; SSDF &lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt;などの標準フレームワークに照らした、&lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt;SDLC &lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt;のセキュリティ&lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt; &lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt;ポスチャーおよびプロセスに関する検証可能な証明書。&lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt;   &lt;/span&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;li aria-level="1" style="list-style-type: decimal; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;span style="vertical-align: baseline;"&gt;提供されるパッケージおよび付随する関連メタデータに対する暗号署名（ソースと配布の整合性を検証するため）。&lt;/span&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;/ol&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;パッケージに関する問題の実際の関連性とセキュリティ&lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt; &lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt;リスクは、&lt;/span&gt;&lt;/p&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;単独でのパッケージ固有の重要性、パッケージが使用されるコンテキスト、パッケージがデプロイされる環境条件、外部の代替コントロール、環境内リスクの増減の組み合わせによって決まります。以下の図は、アプリケーションと基盤インフラストラクチャの間における脆弱性および脅威の相互関係と相互作用を示しています。&lt;/span&gt;&lt;/p&gt;&lt;/div&gt;
&lt;div class="block-image_full_width"&gt;






  
    &lt;div class="article-module h-c-page"&gt;
      &lt;div class="h-c-grid"&gt;
  

    &lt;figure class="article-image--large
      
      
        h-c-grid__col
        h-c-grid__col--6 h-c-grid__col--offset-3
        
        
      "
      &gt;

      
      
        
        &lt;img
            src="https://storage.googleapis.com/gweb-cloudblog-publish/images/End_to_end_risk_diagram.max-1000x1000.png"
        
          alt="End to end risk diagram"&gt;
        
        &lt;/a&gt;
      
    &lt;/figure&gt;

  
      &lt;/div&gt;
    &lt;/div&gt;
  




&lt;/div&gt;
&lt;div class="block-paragraph_advanced"&gt;&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;4. &lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt;提供される各パッケージに付随する高度なセキュリティとリスクのメタデータ。これにより、コードやアーティファクトに固有のコンポーネント&lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt; &lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt;リスクに加え、そのリスクが特定のアプリケーションや環境のコンテキストでどのように変化する可能性があるかについて理解を深め、分析情報を強化できます。主なメタデータには次のものが含まれる場合があります。&lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt;  &lt;/span&gt;&lt;/p&gt;
&lt;ul&gt;
&lt;li aria-level="1" style="list-style-type: disc; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;span style="vertical-align: baseline;"&gt;SCA &lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt;の分析情報を含んだ標準&lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt; SBOM - &lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt;脆弱性、ライセンス情報、完全にマッピングされた推移的依存関係、関連する脆弱性とライセンスに関するリスク。&lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt;  &lt;/span&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;li aria-level="1" style="list-style-type: disc; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;span style="vertical-align: baseline;"&gt;推移的依存関係から継承された脆弱性が、提供される主要パッケージにどのような影響を与えるかを示す&lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt; VEX &lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt;ステートメント。&lt;/span&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;li aria-level="1" style="list-style-type: disc; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;span style="vertical-align: baseline;"&gt;パッケージやユースケース、組織に固有の関連する脅威インテリジェンス。&lt;/span&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;/ul&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;このような詳細なデータを提示できることにより、サプライヤーが高度なセキュリティを達成しており、提供されるコンポーネントが信頼性の高い確実な構成要素であって、安心して利用できるものであることが裏付けられます。&lt;/span&gt;&lt;/p&gt;
&lt;h3&gt;&lt;strong style="vertical-align: baseline;"&gt;オープンソース&lt;/strong&gt;&lt;strong style="vertical-align: baseline;"&gt; &lt;/strong&gt;&lt;strong style="vertical-align: baseline;"&gt;コンポーネントの利点の管理とバランスの向上&lt;/strong&gt;&lt;/h3&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;オープンソース&lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt; &lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt;コンポーネントを活用することは、開発速度、品質、イノベーションと実行の加速にとって欠かせません。これらの推奨事項と要件を適用すると、オープンソース&lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt; &lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt;コンポーネントを使用することの利点と、&lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt;SDLC &lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt;にターゲットとなる弱点が生じうることのリスクを適切に管理して両者のバランスを取ることが可能となり、最終的にはリスクと脅威を低減できます。&lt;/span&gt;&lt;/p&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;Java &lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt;および&lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt; Python &lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt;エコシステム向けの&lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt; Google Cloud &lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt;の&lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt; &lt;/span&gt;&lt;a href="https://cloud.google.com/security/products/assured-open-source-software"&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;Assured Open Source Software&lt;/span&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt;（&lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt;Assured OSS&lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt;）サービスは、&lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt;Google &lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt;が保護して使用しているのと同じ&lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt; OSS &lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt;パッケージを独自のデベロッパー&lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt; &lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt;ワークフローに組み込むことで、オープンソース&lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt; &lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt;ソフトウェアを使用する組織に対して、&lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt;Google &lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt;がオープンソースの依存関係に適用するセキュリティとエクスペリエンスを活用する機会を提供します。&lt;/span&gt;&lt;/p&gt;
&lt;p role="presentation"&gt;&lt;span style="vertical-align: baseline;"&gt;ぜひ&lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt; &lt;/span&gt;&lt;a href="https://cloud.google.com/security/products/assured-open-source-software"&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;Assured Open Source Software&lt;/span&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt; &lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt;の詳細を確認し、&lt;/span&gt;&lt;a href="https://developers.google.com/assured-oss?utm_source=blog&amp;amp;utm_medium=referral#get-started" rel="noopener" target="_blank"&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;セルフサービス&lt;/span&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt; &lt;/span&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;オンボーディング&lt;/span&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt; &lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt;フォームに記入して、&lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt;Assured OSS &lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt;を有効にしてみてください。また、&lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt;Metadata API &lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt;を使用すれば、利用可能な&lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt; Python &lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt;および&lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt; Java &lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt;パッケージをリストし、使用する&lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt; Assured OSS &lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt;パッケージの判断にご活用いただけます。&lt;/span&gt;&lt;/p&gt;&lt;/div&gt;
&lt;div class="block-paragraph"&gt;&lt;p data-block-key="gpqxl"&gt;&lt;i&gt;-Citi、マネージング&lt;/i&gt; &lt;i&gt;ディレクター兼シティ&lt;/i&gt; &lt;i&gt;テック&lt;/i&gt; &lt;i&gt;フェロー&lt;/i&gt; &lt;b&gt;&lt;i&gt;Jonathan Meadows 氏&lt;/i&gt;&lt;/b&gt;&lt;/p&gt;&lt;p data-block-key="ekq7v"&gt;&lt;i&gt;-Google Cloud セキュリティおよびプライバシー担当グループ&lt;/i&gt; &lt;i&gt;プロダクト&lt;/i&gt; &lt;i&gt;マネージャー&lt;/i&gt; &lt;b&gt;&lt;i&gt;Andy Chang&lt;/i&gt;&lt;/b&gt;&lt;/p&gt;&lt;/div&gt;</description><pubDate>Tue, 09 Apr 2024 00:15:00 +0000</pubDate><guid>https://cloud.google.com/blog/ja/products/identity-security/how-to-choose-a-known-trusted-supplier-for-open-source-software/</guid><category>Open Source</category><category>Partners</category><category>Security &amp; Identity</category><og xmlns:og="http://ogp.me/ns#"><type>article</type><title>オープンソース ソフトウェアの既知の信頼できるサプライヤーを選択する方法</title><description></description><site_name>Google</site_name><url>https://cloud.google.com/blog/ja/products/identity-security/how-to-choose-a-known-trusted-supplier-for-open-source-software/</url></og><author xmlns:author="http://www.w3.org/2005/Atom"><name>Google Cloud Japan Team </name><title></title><department></department><company></company></author></item><item><title>タンパク質フォールディングの解明を支援: AlphaFold 推論を利用しやすく</title><link>https://cloud.google.com/blog/ja/products/ai-machine-learning/alphafold-portal-on-vertex-ai-alphafold-inference-pipeline/</link><description>&lt;div class="block-paragraph"&gt;&lt;p data-block-key="39r49"&gt;※この投稿は米国時間 2024 年 3 月 12 日に、Google Cloud blog に&lt;a href="https://cloud.google.com/blog/products/ai-machine-learning/alphafold-portal-on-vertex-ai-alphafold-inference-pipeline?hl=en"&gt;投稿&lt;/a&gt;されたものの抄訳です。&lt;/p&gt;&lt;p data-block-key="544r7"&gt;オープンソース ツールである &lt;a href="https://github.com/GoogleCloudPlatform/vertex-ai-alphafold-inference-pipeline" target="_blank"&gt;Vertex AI AlphaFold Inference Pipeline&lt;/a&gt; は、バイオテクノロジー企業によるタンパク質フォールディングの研究を合理化させ、市場投入までのタイムラインを短縮することを可能にしました。このツールは並列処理の力を引き出し、コンピューティング リソースを最適化して、スケーリングにより高スループットの要求に対応することで、タンパク質構造予測の主要な課題に対処します。さらに、再現性、リネージ解析、柔軟性、適応性、アップストリーム システムとダウンストリーム システムのシームレスな統合を、すべて &lt;a href="https://cloud.google.com/ai-platform/"&gt;Vertex AI&lt;/a&gt; をワンストップ プラットフォームとすることで実現しています。このツールを使用して、研究者は新たな可能性を切り開き、画期的な発見をこれまでよりも迅速に成し遂げて、バイオテクノロジーによる創薬の取り組みをエンドツーエンドで効率化できます。&lt;/p&gt;&lt;p data-block-key="bc8em"&gt;Google Cloud は、&lt;a href="https://deepmind.google/technologies/alphafold/" target="_blank"&gt;AlphaFold&lt;/a&gt; のアルゴリズムをバイオテクノロジー企業が&lt;a href="https://cloud.google.com/blog/ja/products/ai-machine-learning/running-alphafold-on-vertexai"&gt;利用しやすくする&lt;/a&gt;ため尽力してきたものの、多くのバイオサイエンス機関にとっては、このテクノロジーをシームレスに研究者のワークフローに統合することが難しいのが現状です。&lt;/p&gt;&lt;p data-block-key="v8j"&gt;最大の課題は、タンパク質の形状で頭がいっぱいになっている科学者は、コーディングやクラウドの達人ではないことです。タンパク質の様子を見るためだけに科学者が複雑な設定と悪戦苦闘するよう求めるのは、シェフが料理を始める前にオーブンを一から組み立てるのを期待するようなものです。成功（あるいは美味しい料理）のための最適解とは言えません。&lt;/p&gt;&lt;h3 data-block-key="bv022"&gt;&lt;b&gt;ソリューションの概要&lt;/b&gt;&lt;/h3&gt;&lt;p data-block-key="fvs88"&gt;こうした非効率性を低減するため、Google は、初心者のためのタンパク質モデリングともいえるユーザーフレンドリーな &lt;b&gt;AlphaFold Portal&lt;/b&gt; を導入などして、&lt;a href="https://github.com/GoogleCloudPlatform/vertex-ai-alphafold-inference-pipeline" target="_blank"&gt;Vertex AI AlphaFold Inference Pipeline&lt;/a&gt; を使いやすくしています。クラウド コンピューティングの使用経験にかかわらず、科学者は最小限の労力でタンパク質の構造を割り出すことができます。ポータルがあれば複雑なコーディング作業（Jupyter ノートブックで Python を記述するなど）に関わる必要がなくなり、ユーザーはタンパク質の推論結果の反復処理に集中できます。&lt;/p&gt;&lt;p data-block-key="4tl3k"&gt;このたび、Google Cloud AlphaFold の&lt;a href="https://github.com/GoogleCloudPlatform/vertex-ai-alphafold-inference-pipeline" target="_blank"&gt;リポジトリ&lt;/a&gt;に、このサーバーレスなポータルをデプロイするオプションが新たに追加され、安全かつ合理化された一元的な方法でタンパク質フォールディングの実験を管理できるようになりました。ワンクリックで新しい実験を開始し、ワークフローを簡素化して貴重な時間を節約できます。&lt;/p&gt;&lt;h3 data-block-key="734ll"&gt;&lt;b&gt;一元化されたパイプライン&lt;/b&gt;&lt;/h3&gt;&lt;p data-block-key="9ijqf"&gt;ポータルは、以下のような方法で研究者の仕事を効率化します。&lt;/p&gt;&lt;ul&gt;&lt;li data-block-key="9lq86"&gt;&lt;b&gt;一元化されたアクセス&lt;/b&gt;: 複数の研究者が 1 つのウェブアドレスからポータルにアクセスできるため、各自が Jupyter ノートブックのインスタンスを実行したり、プロジェクトごとにインフラストラクチャをデプロイしたりする必要がありません。&lt;/li&gt;&lt;li data-block-key="7hhr6"&gt;&lt;b&gt;合理化されたタンパク質フォールディング&lt;/b&gt;: 研究者は、タンパク質フォールディングのパイプライン ジョブを自分のユーザー名で実行し、他の研究者の作業に基づいてシミュレーションの結果をフィルタリングできます。これにより、比較と微調整が容易になります。&lt;/li&gt;&lt;li data-block-key="3st9k"&gt;&lt;b&gt;コラボレーションの強化&lt;/b&gt;: 以前は、研究者はタンパク質フォールディング ジョブそれぞれについて独自の Jupyter ノートブック インスタンスを実行する必要がありました。現在は、一元管理されたシミュレーション結果にアクセスして比較することで、簡単にコラボレーションできるようになりました。&lt;/li&gt;&lt;/ul&gt;&lt;/div&gt;
&lt;div class="block-image_full_width"&gt;






  
    &lt;div class="article-module h-c-page"&gt;
      &lt;div class="h-c-grid"&gt;
  

    &lt;figure class="article-image--large
      
      
        h-c-grid__col
        h-c-grid__col--6 h-c-grid__col--offset-3
        
        
      "
      &gt;

      
      
        
        &lt;img
            src="https://storage.googleapis.com/gweb-cloudblog-publish/images/1_-_AlphaFold_Dashboard.max-1000x1000.png"
        
          alt="1 - AlphaFold Dashboard"&gt;
        
        &lt;/a&gt;
      
        &lt;figcaption class="article-image__caption "&gt;&lt;p data-block-key="amkoi"&gt;1- AlphaFold Portal のダッシュボード&lt;/p&gt;&lt;/figcaption&gt;
      
    &lt;/figure&gt;

  
      &lt;/div&gt;
    &lt;/div&gt;
  




&lt;/div&gt;
&lt;div class="block-paragraph"&gt;&lt;p data-block-key="39r49"&gt;このダッシュボードは、タンパク質フォールディング研究の一元的なハブであると考えてください。ユーザーは表示をカスタマイズして、結果を効果的にフィルタリングし、指定されたリンクボタンを活用してタンパク質のリソースに直接アクセスできます。これにより、求められる複雑な構成や実行手順がシンプルになりました。&lt;/p&gt;&lt;p data-block-key="3kmio"&gt;タンパク質フォールディングに取り組む準備ができたら、たった 2 回クリックするだけで、配列（FASTA 形式）の生成およびシミュレーションが実施されます。対象のタンパク質の種類と大きさに基づいて、推奨される最適な GPU マシン構成を UI が自動的に選択します。もし提案された設定を変更したい場合は、高度な設定を開いて、必要な仕様に応じてカスタマイズすることもできます。&lt;/p&gt;&lt;/div&gt;
&lt;div class="block-image_full_width"&gt;






  
    &lt;div class="article-module h-c-page"&gt;
      &lt;div class="h-c-grid"&gt;
  

    &lt;figure class="article-image--large
      
      
        h-c-grid__col
        h-c-grid__col--6 h-c-grid__col--offset-3
        
        
      "
      &gt;

      
      
        
        &lt;img
            src="https://storage.googleapis.com/gweb-cloudblog-publish/original_images/image1_lh3JcSq.png"
        
          alt="2 - New protein folding"&gt;
        
        &lt;/a&gt;
      
        &lt;figcaption class="article-image__caption "&gt;&lt;p data-block-key="amkoi"&gt;2 - 新しいタンパク質フォールディング&lt;/p&gt;&lt;/figcaption&gt;
      
    &lt;/figure&gt;

  
      &lt;/div&gt;
    &lt;/div&gt;
  




&lt;/div&gt;
&lt;div class="block-paragraph"&gt;&lt;p data-block-key="39r49"&gt;さらに、Google はタンパク質モデルのプレビュー機能を統合しました。&lt;a href="https://3dmol.csb.pitt.edu/" target="_blank"&gt;オープンソースの可視化ツール&lt;/a&gt;を活用して、同じインターフェースを使って複雑な分子構造をシームレスに調査できます。&lt;/p&gt;&lt;/div&gt;
&lt;div class="block-image_full_width"&gt;






  
    &lt;div class="article-module h-c-page"&gt;
      &lt;div class="h-c-grid"&gt;
  

    &lt;figure class="article-image--large
      
      
        h-c-grid__col
        h-c-grid__col--6 h-c-grid__col--offset-3
        
        
      "
      &gt;

      
      
        
        &lt;img
            src="https://storage.googleapis.com/gweb-cloudblog-publish/images/3_-_Protein_structure_visualization.max-1000x1000.png"
        
          alt="3 - Protein structure visualization"&gt;
        
        &lt;/a&gt;
      
        &lt;figcaption class="article-image__caption "&gt;&lt;p data-block-key="amkoi"&gt;3 - タンパク質構造の可視化&lt;/p&gt;&lt;/figcaption&gt;
      
    &lt;/figure&gt;

  
      &lt;/div&gt;
    &lt;/div&gt;
  




&lt;/div&gt;
&lt;div class="block-paragraph"&gt;&lt;p data-block-key="39r49"&gt;このツールを使えば、バイオテクノロジー企業の誰もが、クラウドやコーディングの経験に関わらずタンパク質フォールディングの力を活用できます。この非常に複雑でコンピューティング負荷の高いワークロードは、合理的かつ最適化されたインフラストラクチャ上でシームレスに実行され、効率性と使いやすさを保証します。&lt;/p&gt;&lt;h3 data-block-key="c3rkp"&gt;&lt;b&gt;使ってみる&lt;/b&gt;&lt;/h3&gt;&lt;p data-block-key="eh0et"&gt;Google Cloud を初めてご利用の方も、心配ありません。ぜひ&lt;a href="https://cloud.google.com/docs/get-started"&gt;スタートガイドのページ&lt;/a&gt;をご覧になり、Google Cloud についての理解を深めてください。次に、あらゆるタンパク質フォールディングの魔法を格納するための&lt;a href="https://cloud.google.com/resource-manager/docs/creating-managing-projects#creating_a_project"&gt;プロジェクトを作成&lt;/a&gt;して、しましょう。&lt;/p&gt;&lt;p data-block-key="qc06"&gt;オープンソースの Google Cloud AlphaFold リポジトリ（こちらの&lt;a href="https://github.com/GoogleCloudPlatform/vertex-ai-alphafold-inference-pipeline)" target="_blank"&gt;リンク&lt;/a&gt;からアクセスできます）で提供されている案内に沿って、次の手順に進んでください。このリポジトリには、便利な事前構築済みのテンプレートが含まれており、すべての必要なコンポーネントを設定するのに役立ちます。このプロセスには、ある程度の専門知識が必要です。課題に直面や、ガイダンスが必要な場合は、GCP の専任担当者が複雑なクラウドを操作するお手伝いをします。&lt;/p&gt;&lt;p data-block-key="d0a7k"&gt;&lt;i&gt;ー Google Cloud、ソリューション&lt;/i&gt; &lt;i&gt;アーキテクト&lt;/i&gt; &lt;b&gt;&lt;i&gt;Yudy Hendry&lt;/i&gt;&lt;/b&gt;&lt;/p&gt;&lt;p data-block-key="4vi3f"&gt;&lt;i&gt;ー ML 担当カスタマー&lt;/i&gt; &lt;i&gt;エンジニア&lt;/i&gt; &lt;b&gt;&lt;i&gt;Alfonso Miranda&lt;/i&gt;&lt;/b&gt;&lt;/p&gt;&lt;/div&gt;</description><pubDate>Tue, 19 Mar 2024 01:20:00 +0000</pubDate><guid>https://cloud.google.com/blog/ja/products/ai-machine-learning/alphafold-portal-on-vertex-ai-alphafold-inference-pipeline/</guid><category>Healthcare &amp; Life Sciences</category><category>Open Source</category><category>AI &amp; Machine Learning</category><og xmlns:og="http://ogp.me/ns#"><type>article</type><title>タンパク質フォールディングの解明を支援: AlphaFold 推論を利用しやすく</title><description></description><site_name>Google</site_name><url>https://cloud.google.com/blog/ja/products/ai-machine-learning/alphafold-portal-on-vertex-ai-alphafold-inference-pipeline/</url></og><author xmlns:author="http://www.w3.org/2005/Atom"><name>Google Cloud Japan Team </name><title></title><department></department><company></company></author></item><item><title>Kubernetes 分野のリーダーとして 10 年: Kubernetes の相棒として Google Cloud を選ぶべき理由</title><link>https://cloud.google.com/blog/ja/products/containers-kubernetes/why-choose-gke-as-your-kubernetes-service/</link><description>&lt;div class="block-paragraph"&gt;&lt;p data-block-key="u7525"&gt;※この投稿は米国時間 2023 年 11 月 3 日に、Google Cloud blog に&lt;a href="https://cloud.google.com/blog/products/containers-kubernetes/why-choose-gke-as-your-kubernetes-service?hl=en"&gt;投稿&lt;/a&gt;されたものの抄訳です。&lt;/p&gt;&lt;p data-block-key="6t10e"&gt;Kubernetes は、最新のソフトウェア開発を取り巻く環境では不可欠の要素となっています。当初 Google によって開発された Kubernetes は、今や史上 2 番目に大きいオープンソース プロジェクトにまで成長し、この 10 年間でこのプロジェクトに関与した&lt;a href="https://k8s.devstats.cncf.io/d/24/overall-project-statistics?orgId=1&amp;amp;var-period_name=Last%20decade&amp;amp;var-repogroup_name=All&amp;amp;var-repo_name=kubernetes%2Fkubernetes" target="_blank"&gt;コントリビューターは 83,000 人を超える&lt;/a&gt;ほどです。Kubernetes は現在、本番環境でコンテナ化アプリケーションを実行する際の事実上の業界標準となっています。&lt;/p&gt;&lt;p data-block-key="9mjv5"&gt;Kubernetes はクラウドの民主化にも役立ち、今ではあらゆる規模の企業がコンテナ化のメリットをもたらすクラウドを利用できるようになっています。Kubernetes は幅広いアプリケーションを実行できる、強力ながらも柔軟なプラットフォームとして、あらゆる規模の企業が使用しており、世界最大級の特に複雑なアプリケーションでも利用されています。最近では、生成 AI と大規模言語モデル（LLM）の急増に伴い、複雑でコンピューティング負荷の高い機械学習プラットフォームを運用し、スケーリングするため、企業は Kubernetes に頼るようになっています。&lt;/p&gt;&lt;p data-block-key="8c07"&gt;Kubernetes の成功は、オープンソース ソフトウェアの力を証明しています。Kubernetes は根本的にオープンで、コミュニティ ファーストのプロジェクトです。世界中で数万という開発者がこのプロジェクトに貢献し、Kubernetes の機能を拡張し、新しいユースケースに活用しています。結果として、オープンソースでなければ実現できない速度で Kubernetes は進化し続けています。&lt;/p&gt;&lt;h3 data-block-key="3ofs1"&gt;&lt;b&gt;業界全体に機会を拡大した、Kubernetes のオープンソース化&lt;/b&gt;&lt;/h3&gt;&lt;p data-block-key="en2vr"&gt;Google によって開発された Kubernetes は、2014 年にオープンソースとしてリリースされました。Kubernetes の起源は、（2003 年から 2004 年にかけて導入された）&lt;a href="https://kubernetes.io/blog/2015/04/borg-predecessor-to-kubernetes/" target="_blank"&gt;Google 社内の Borg システム&lt;/a&gt;に遡ります。これは、Google 検索からマップ、YouTube に至るまでのあらゆる Google プロダクトで活用されているシステムです。こうして、Google は 1 週間あたり平均で 40 億個を超えるコンテナを起動しています。&lt;/p&gt;&lt;p data-block-key="7non3"&gt;Kubernetes のオープンソース化は、革命をもたらしました。Cloud Native Computing Foundation（CNCF）が誕生し、世界中のコントリビューターとユーザーのコミュニティを発展させたのです。このグローバル コミュニティが成長を続ける中、Google は Kubernetes に対する取り組みをこれまで以上に強化し、コミュニティの成長が止まることのないよう、管理担当者として一貫したリーダーシップを発揮しています。&lt;/p&gt;&lt;p data-block-key="dg7na"&gt;現在、Google は 100 万を超える貢献を果たしてきた Kubernetes の&lt;a href="https://k8s.devstats.cncf.io/d/9/companies-table?orgId=1&amp;amp;var-period_name=Last%20decade&amp;amp;var-metric=contributions" target="_blank"&gt;最大のコントリビューター&lt;/a&gt;となっています。この数は、2 位以下の 4 つの組織の合計数を超えるほどです。時間と開発リソースを投じているだけでなく、Kubernetes コンテナをホストして各リリースを構築およびテストするために必要なインフラストラクチャをサポートするために、&lt;a href="https://cloud.google.com/blog/ja/products/containers-kubernetes/google-cloud-credits-support-cncf-work-on-kubernetes"&gt;Google Cloud から年間で数百万ドルを寄付&lt;/a&gt;しています。&lt;/p&gt;&lt;p data-block-key="j2cd"&gt;クラウド プロバイダだけに限って言えば、過去 1 年で Google Cloud が行った寄付額は、次に寄付額が多いプロバイダの 3 倍にも上ります。&lt;/p&gt;&lt;/div&gt;
&lt;div class="block-image_full_width"&gt;






  
    &lt;div class="article-module h-c-page"&gt;
      &lt;div class="h-c-grid"&gt;
  

    &lt;figure class="article-image--large
      
      
        h-c-grid__col
        h-c-grid__col--6 h-c-grid__col--offset-3
        
        
      "
      &gt;

      
      
        
        &lt;img
            src="https://storage.googleapis.com/gweb-cloudblog-publish/images/1_ZxyK4KX.max-1000x1000.jpg"
        
          alt="1"&gt;
        
        &lt;/a&gt;
      
        &lt;figcaption class="article-image__caption "&gt;&lt;p data-block-key="ump78"&gt;出典: &lt;a href="https://k8s.devstats.cncf.io/d/9/companies-table?orgId=1&amp;amp;var-period_name=Last%20year&amp;amp;var-metric=contributions"&gt;Kubernetes Companies Statistics - 昨年度&lt;/a&gt;&lt;/p&gt;&lt;/figcaption&gt;
      
    &lt;/figure&gt;

  
      &lt;/div&gt;
    &lt;/div&gt;
  




&lt;/div&gt;
&lt;div class="block-paragraph"&gt;&lt;p data-block-key="u7525"&gt;Google の Kubernetes への貢献と取り組みは、次のように広範囲にわたります。&lt;/p&gt;&lt;ul&gt;&lt;li data-block-key="cqfus"&gt;API Machinery、Autoscaling、Networking、Scheduling、Storage などの多くの中核的な分科会（SIG）での共同議長、およびテクニカル リードとしての役割への従事。&lt;/li&gt;&lt;li data-block-key="altje"&gt;Kubernetes コミュニティと Google のお客様の両方に影響を及ぼす複雑な問題の特定と解決。たとえば、Google は Kubernetes でのあらゆるアップグレードとサポート終了を改善するため、コミュニティに多大な投資を行いました。その結果、あらゆるお客様にとって、以前よりもはるかに安定したプラットフォームになっています。&lt;/li&gt;&lt;li data-block-key="8bump"&gt;Kubernetes で発見された&lt;a href="https://kubernetes.io/docs/reference/issues-security/official-cve-feed/" target="_blank"&gt;セキュリティの脆弱性の半数以上&lt;/a&gt;の修正。これは Kubernetes のセキュリティへの多大な貢献であり、Kubernetes ユーザーのセキュリティ確保に対する Google のコミットメントを明らかにしています。&lt;/li&gt;&lt;li data-block-key="6hgng"&gt;&lt;a href="https://kubernetes.io/blog/2023/04/06/keeping-kubernetes-secure-with-updated-go-versions/" target="_blank"&gt;更新された Go バージョンで Kubernetes のセキュリティを確保&lt;/a&gt;するために、Go に取り組んでいる Google 社員と緊密に連携。Go チームが、Kubernetes コードを記述するために使用されている Go プログラミング言語の開発を担当しています。Google 社員はこの Go チームと緊密に連携し、Kubernetes が最新の Go バージョンとの互換性を確保するとともに、Go で発見されたセキュリティの脆弱性の修正に取り組んでいます。&lt;/li&gt;&lt;li data-block-key="d35fq"&gt;Kubernetes Pod のセキュリティを確保するための一連のベスト プラクティスをまとめた &lt;a href="https://kubernetes.io/docs/concepts/security/pod-security-standards/" target="_blank"&gt;Pod セキュリティの標準&lt;/a&gt;の開発を主導。Google 社員はこの標準の開発を主導し、ユーザーが Kubernetes Pod のセキュリティを確保できるよう、数々のガイドとリソースを公開しています。&lt;/li&gt;&lt;li data-block-key="6fa80"&gt;コンテナがストレージにアクセスする方法を定義する &lt;a href="https://github.com/container-storage-interface/spec/blob/master/spec.md" target="_blank"&gt;Container Storage Interface&lt;/a&gt;（CSI）の初期仕様を作成。CSI 開発の早期段階で Google 社員が関与して、この初期仕様の作成を支援しました。現在、CSI はオープンソースおよび商用ストレージ ベンダーの間で幅広く使用されています。&lt;/li&gt;&lt;li data-block-key="7erfj"&gt;構造化データに対するクエリと変換を表現するための &lt;a href="https://github.com/google/cel-spec" target="_blank"&gt;Common Expression Language&lt;/a&gt;（CEL）を作成。CEL は、&lt;a href="https://kubernetes.io/docs/reference/access-authn-authz/validating-admission-policy/" target="_blank"&gt;Validating Admission Policy&lt;/a&gt; や &lt;a href="https://kubernetes.io/docs/reference/access-authn-authz/validating-admission-policy/" target="_blank"&gt;Custom Resource Validation Expressions&lt;/a&gt; をはじめとする各種の Kubernetes コンポーネントで使用されています。強力で柔軟な言語である CEL は、Kubernetes の拡張性とユーザビリティの向上に役立っています。&lt;/li&gt;&lt;/ul&gt;&lt;p data-block-key="8i8k7"&gt;以上のように、Google は Kubernetes に多大な貢献を行って、このプラットフォームの堅牢性、スケーラビリティ、セキュリティ、信頼性を強化してきました。さらに、Google は Kubernetes を&lt;a href="https://thenewstack.io/kubernetes-evolution-from-microservices-to-batch-processing-powerhouse/" target="_blank"&gt;バッチ処理&lt;/a&gt;や機械学習（ML）などの新しいドメインに展開し、&lt;a href="https://kubernetes.io/blog/2022/10/04/introducing-kueue/" target="_blank"&gt;Kueue&lt;/a&gt; によるジョブ キューイング、&lt;a href="https://www.cncf.io/blog/2023/07/25/kubeflow-brings-mlops-to-the-cncf-incubator/" target="_blank"&gt;Kubeflow&lt;/a&gt; による ML オペレーションおよびワークフローなどによって、CNCF への貢献を続けています。これらの貢献は重要です。Kubernetes コミュニティが盛況ということは、個人と企業からなるコアグループが、必要不可欠であるものの地道で手間のかかるタスクに実際に時間を費やし、万人にメリットをもたらす新しい機能を作成してくれているということだからです。AI / ML などの新しいワークロードにとっても Kubernetes が優れたプラットフォームであり続けるためには、Kubernetes を活用しているより多くの企業がそれぞれの役目を果たして貢献する必要があります。&lt;/p&gt;&lt;h3 data-block-key="2sohl"&gt;&lt;b&gt;お客様がミッション&lt;/b&gt; &lt;b&gt;クリティカルなワークロードに Google Kubernetes Engine を頼りにする理由&lt;/b&gt;&lt;/h3&gt;&lt;p data-block-key="4fadb"&gt;Google Kubernetes Engine（GKE）は、使用可能な Kubernetes サービスの中で最もスケーラビリティに優れた、完全に自動化されたサービスです。これは、あらゆる規模の企業と業界の間で一般的な選択肢となっていて、規模も複雑さも世界トップクラスのアプリケーションをホストするために使用されています。GKE を使用すれば、自分のアプリケーションが Google Cloud の専門知識に支えられた信頼性に優れたスケーラブルなプラットフォームで実行されていることを確信できます。GKE には現在、マルチクラスタおよび分散チームの管理機能、&lt;a href="https://cloud.google.com/anthos-config-management/docs/concepts/policy-controller"&gt;Policy Controller&lt;/a&gt; によるポリシー適用機能、&lt;a href="https://cloud.google.com/anthos-config-management/docs/config-sync-overview"&gt;Config Sync&lt;/a&gt; による GitOps ベースの構成機能、&lt;a href="https://cloud.google.com/anthos-config-management/docs/concepts/config-controller-overview"&gt;Config Controller&lt;/a&gt; による Google Cloud リソースのセルフサービス プロビジョニング機能、およびフルマネージドの &lt;a href="https://cloud.google.com/service-mesh/docs/overview#managed_anthos_service_mesh"&gt;Istio を活用したサービス メッシュ&lt;/a&gt;が組み込まれています。これらの新機能のすべてが統合されている &lt;a href="https://cloud.google.com/anthos/docs/concepts/gke-editions"&gt;GKE Enterprise&lt;/a&gt; は、Kubernetes を新たに導入するお客様にとっても、すでに世界規模で Kubernetes をデプロイしているお客様にとっても理想的な選択肢です。&lt;/p&gt;&lt;p data-block-key="3282e"&gt;お客様がミッション クリティカルなアプリケーションを実行するのに GKE を選択すべき理由は数えきれないほどあります。&lt;/p&gt;&lt;ul&gt;&lt;li data-block-key="fmqfn"&gt;Kubernetes 環境の運用や管理に最も有利な立場にあるのは、もちろんKubernetes を開発したチームです。オープンソースの Kubernetes プロジェクト全体のビルド、テスト、配信は Google Cloud 上で行われています。また、Google は、&lt;a href="https://cloud.google.com/vertex-ai"&gt;Vertex AI&lt;/a&gt;、&lt;a href="https://deepmind.google/" target="_blank"&gt;DeepMind&lt;/a&gt; をはじめとする複数のサービスに GKE を使用しています。&lt;/li&gt;&lt;li data-block-key="684m3"&gt;GKE は、&lt;a href="https://inthecloud.withgoogle.com/gartner-magic-quadrant-report-containers-2023/dl-cd.html" target="_blank"&gt;2023 年 Gartner Magic Quadrant のコンテナ管理部門&lt;/a&gt;でリーダーとして選出されています。&lt;/li&gt;&lt;li data-block-key="4aifd"&gt;&lt;a href="https://g.co/cloud/gke-aiml" target="_blank"&gt;AI / ML ワークロード&lt;/a&gt;を加速し、効率的にスケーリングするために &lt;a href="https://cloud.google.com/kubernetes-engine/docs/concepts/timesharing-gpus"&gt;GPU タイム シェアリング&lt;/a&gt;と &lt;a href="https://cloud.google.com/blog/products/compute/how-to-use-cloud-tpus-with-gke"&gt;Cloud TPU&lt;/a&gt; を使用できます。&lt;/li&gt;&lt;li data-block-key="8shev"&gt;GKE は、&lt;a href="https://cloud.google.com/kubernetes-engine/docs/concepts/autopilot-overview"&gt;GKE Autopilot&lt;/a&gt; による初のフルマネージドのサーバーレス Kubernetes エクスペリエンスを実現しています。この Autopilot モードでは人による操作を必要とせずに、基盤となるコンピューティング インフラストラクチャが管理され、同時に Kubernetes API を最大限に活用でき、Pod レベルの SLA と Google の有名な SRE チームによるサポートも利用できます。&lt;/li&gt;&lt;li data-block-key="cn7c8"&gt;圧倒的な &lt;a href="https://cloud.google.com/blog/ja/products/containers-kubernetes/google-kubernetes-engine-clusters-can-have-up-to-15000-nodes"&gt;15,000 ノードのクラスタ&lt;/a&gt;を活用し、とりわけ規模が大きく、要求が高いアプリケーションのニーズにもスケーリングして対応できます。たとえば、&lt;a href="https://www.pgs.com/company/newsroom/news/industry-insights--hpc-in-the-cloud/" target="_blank"&gt;PGS 社&lt;/a&gt;はこれまで Cray を使用してきましたが、それを 72.02 ペタフロップスの処理能力を持つ GKE ベースのスーパーコンピュータに置き換えました。&lt;/li&gt;&lt;li data-block-key="1u8aq"&gt;GKE には、エンタープライズ グレードのセキュリティを実現するさまざまな機能が備わっています。たとえば、ワークロードの構成ミスやコンテナ イメージの脆弱性をスキャンできる &lt;a href="https://cloud.google.com/blog/ja/products/identity-security/gke-security-posture-now-generally-available-with-enhanced-features"&gt;GKE セキュリティ対策&lt;/a&gt;、組み込みの Kubernetes ネットワーク ポリシーによる&lt;a href="https://cloud.google.com/kubernetes-engine/docs/how-to/network-policy"&gt;ネットワーク ポリシーの適用&lt;/a&gt;、信頼できないワークロードを隔離できる &lt;a href="https://cloud.google.com/kubernetes-engine/docs/concepts/sandbox-pods"&gt;GKE Sandbox&lt;/a&gt;、使用中のワークロード データを暗号化する&lt;a href="https://cloud.google.com/kubernetes-engine/docs/how-to/confidential-gke-nodes"&gt;機密ノード&lt;/a&gt;などです。&lt;/li&gt;&lt;li data-block-key="9p0ao"&gt;シームレスな&lt;a href="https://cloud.google.com/kubernetes-engine/docs/how-to/node-auto-upgrades"&gt;自動アップグレード&lt;/a&gt;では、&lt;a href="https://cloud.google.com/kubernetes-engine/docs/concepts/node-pool-upgrade-strategies#blue-green-upgrade-strategy"&gt;Blue/Green アップグレード&lt;/a&gt;や&lt;a href="https://cloud.google.com/kubernetes-engine/docs/concepts/maintenance-windows-and-exclusions"&gt;メンテナンスの時間枠と除外&lt;/a&gt;などによってアップグレードをきめ細かく制御できます。&lt;/li&gt;&lt;li data-block-key="1co0j"&gt;ビジネス、法規制、コンプライアンスのニーズと要件に対応できるよう、柔軟なデプロイ オプションが揃っています。たとえば、&lt;a href="https://cloud.google.com/distributed-cloud"&gt;Google Distributed Cloud&lt;/a&gt; では、フルマネージドのハードウェアとソフトウェアのデプロイ オプションを選択して、Google Cloud をお客様のデータセンターやエッジ ロケーションに拡張できます。&lt;a href="https://cloud.google.com/anthos/clusters/docs/multi-cloud/aws"&gt;AWS&lt;/a&gt; および &lt;a href="https://cloud.google.com/anthos/clusters/docs/multi-cloud/azure"&gt;Azure&lt;/a&gt; へのマルチクラウド デプロイも選択できます。また、CNCF 対応の任意の Kubernetes クラスタを接続して管理することもできます。&lt;/li&gt;&lt;li data-block-key="43c0f"&gt;Google Cloud には、&lt;a href="https://cloud.google.com/architecture/best-practices-for-running-cost-effective-kubernetes-applications-on-gke"&gt;費用が最適化されたアプリケーション&lt;/a&gt;の実行に関する専門知識があり、&lt;a href="https://cloud.google.com/blog/ja/products/containers-kubernetes/new-report-state-of-kubernetes-cost-optimization"&gt;State of Kubernetes Cost Optimization（Kubernetes の費用最適化の現状）レポート&lt;/a&gt;も初公開しています。&lt;/li&gt;&lt;li data-block-key="7c5tm"&gt;Google は、オープンソース バージョンの Kubernetes がリリースされた約 30 日後に、対応する新しいマイナー バージョンの GKE をリリースして、できるだけ早く GKE ユーザーが新しいセキュリティ パッチと機能にアクセスできるようにしています。&lt;/li&gt;&lt;/ul&gt;&lt;p data-block-key="1skci"&gt;スケーラビリティと信頼性に優れたフルマネージドの Kubernetes サービスを使用して、マイクロサービス、データベース、要求のとても高い生成 AI ワークロードなど、すべてのものを実行したいと考えているなら、GKE はまさに最適です。&lt;/p&gt;&lt;h3 data-block-key="6vgou"&gt;&lt;b&gt;KubeCon + CloudNativeCon North America 2023 にご参加ください&lt;/b&gt;&lt;/h3&gt;&lt;p data-block-key="2cqsa"&gt;KubeCon で皆様にお会いできるのを楽しみにしています。Google の予定はすべて&lt;a href="https://inthecloud.withgoogle.com/kubecon-northam-chicago-microsite-23/register.html#home" target="_blank"&gt;こちら&lt;/a&gt;でご確認いただけますが、いくつかハイライトをご紹介します。&lt;/p&gt;&lt;ul&gt;&lt;li data-block-key="7fe5e"&gt;&lt;a href="https://inthecloud.withgoogle.com/kubecon-northam-chicago-microsite-23/register.html#agenda" target="_blank"&gt;65 以上のブレイクアウト セッションとライトニング トーク&lt;/a&gt;&lt;/li&gt;&lt;li data-block-key="45k9g"&gt;&lt;a href="https://rsvp.withgoogle.com/events/gke-kube-con-na-23" target="_blank"&gt;Google Container Day&lt;/a&gt;&lt;/li&gt;&lt;li data-block-key="84f3v"&gt;&lt;a href="https://inthecloud.withgoogle.com/kubecon-northam-chicago-microsite-23/register.html#meeting" target="_blank"&gt;1 対 1 のミーティング リクエスト&lt;/a&gt;&lt;/li&gt;&lt;/ul&gt;&lt;p data-block-key="ae710"&gt;ブース #D2 ではデモやライトニング トークをご覧になれます。また、Google の GKE および Kubernetes のエキスパートとエンジニアに直接会うこともできます。今年は参加できない場合は、&lt;a href="https://cloudonair.withgoogle.com/events/countdown-to-kubecon-with-cloud" target="_blank"&gt;オンデマンドの限定プレビュー&lt;/a&gt;をご覧いただけます。&lt;/p&gt;&lt;p data-block-key="90kdr"&gt;&lt;i&gt;-プロダクト管理担当シニア&lt;/i&gt; &lt;i&gt;ディレクター&lt;/i&gt; &lt;b&gt;&lt;i&gt;Drew Bradstock&lt;/i&gt;&lt;/b&gt;&lt;/p&gt;&lt;p data-block-key="bidu7"&gt;&lt;i&gt;-プロダクト&lt;/i&gt; &lt;i&gt;マネージャー&lt;/i&gt; &lt;b&gt;&lt;i&gt;Gari Singh&lt;/i&gt;&lt;/b&gt;&lt;/p&gt;&lt;/div&gt;</description><pubDate>Thu, 16 Nov 2023 00:00:00 +0000</pubDate><guid>https://cloud.google.com/blog/ja/products/containers-kubernetes/why-choose-gke-as-your-kubernetes-service/</guid><category>Open Source</category><category>Application Modernization</category><category>Infrastructure Modernization</category><category>Containers &amp; Kubernetes</category><og xmlns:og="http://ogp.me/ns#"><type>article</type><title>Kubernetes 分野のリーダーとして 10 年: Kubernetes の相棒として Google Cloud を選ぶべき理由</title><description></description><site_name>Google</site_name><url>https://cloud.google.com/blog/ja/products/containers-kubernetes/why-choose-gke-as-your-kubernetes-service/</url></og><author xmlns:author="http://www.w3.org/2005/Atom"><name>Google Cloud Japan Team </name><title></title><department></department><company></company></author></item></channel></rss>