コンサルティング

Google Cloud の AI による机上演習で金融レジリエンスを高める

Fri, 20 Feb 2026 02:10:00 +0000

※この投稿は米国時間 2026 年 2 月 12 日に、Google Cloud blog に投稿されたものの抄訳です。

金融業界では、レジリエンスは必須です。最近のクラウド障害では、重要なデータがどれほど速く消える可能性があるかが明らかになっています。

このリスクは、デジタルオペレーショナルレジリエンス法（DORA）などの主要な規制要因によってさらに大きくなります。DORA では、金融機関があらゆる混乱に備えることが義務付けられています。最近、DORA に基づく重要なサードパーティサービスプロバイダ（CTPP）として Google Cloud が指定されたことは、お客様の安全でレジリエンスの高い金融業務を可能にするという Google の強いコミットメントをさらに強調するものです。

毎日数千件のトランザクションを処理する重要なアプリを多数抱える大手銀行を考えてみましょう。こうした銀行にとって、重大なインシデントは単なるダウンタイム以上の意味を持ちます。規制当局からの罰金や顧客からの信頼の低下につながるからです。

問題: 従来の机上演習は、次の 2 つの重要な点が不足しています。

金融機関の実際の本番環境の複雑さや固有の弱点を反映していない一般的なシナリオに依存している。
多くの場合、IT チームやコンプライアンスチームのみが関与し、実際のインシデント対応に不可欠な部門横断的なコラボレーションを組み込めていない。

このブログ記事では、Gemini Enterprise でコンテキストアウェアなシナリオモデリングを使用するソリューションをご紹介します。

ソリューション: Google AI を活用したコンテキストアウェアなシナリオモデリング

Google Cloud のテクニカルアカウントマネジメント（TAM）チームは、教科書的なシナリオにとどまらない、運用上のレジリエンステストの新しいアプローチを開発しました。

Google のイノベーションにより、これらの演習は動的で、真にコンテキストアウェアなものになっています。Google のチームは、さまざまなソースから得られたお客様の実際の運用情報を深く掘り下げて取り込み、分析して、高度にカスタマイズされた現実的なシナリオを構築します。また、過去のサポートケースや会議議事録から、アプリケーションのアーキテクチャ、さらには請求指標や SLA まで、あらゆるものを確認します。

次に、Gemini Enterprise を使用して、障害の内容とそのタイミングを正確に示したステップバイステップのタイムラインと、必要な軽減チェックを含む、カスタムシナリオを設計します。コンテキストアウェアな AI の準備は、FSI のお客様が独自の本番環境に直接根ざした状況に対するレジリエンスをテストするのに役立ち、お客様の対応戦略が目的に適合するようサポートします。

全体的なシナリオタイムラインのサンプル

Gemini Enterprise によって設計された、現実的な段階的シナリオを示すため、インシデントの全体的なシミュレーションを以下に示します。注 - 指標は説明のみを目的としています。

時間（hh:mm）	フェーズ / 対応	カスタマイズされたコンテキストアウェアイベント
T + 0:00	最初の異常	重要なトランザクション処理サービスでレイテンシの急増が検出された。ログに異常な API 呼び出しが記録されている。
T + 0:15	エスカレーション / 調査	アプリケーション運用チームから、主要な顧客データベースで読み取りエラーが 150% 増加しているという報告があった。
T + 0:45	重大な影響	アプリチームは、エラーの原因が重要なリージョンでのデータ破損であることを確認した。規制アラートが発行される。
T + 1:15	修復の試み	インシデント管理者が標準のフェイルオーバーランブックを実行しようとするが、既知の古い構成の問題が原因で失敗する。
T + 2:00	危機的状況	負荷により内部コミュニケーションシステムが遅くなり、チームは代替のコミュニケーション手段を使用せざるを得なくなる（コミュニケーションプロトコルのテスト）。

特定のサービス異常から規制上の危機的状況まで、インシデント進行のシミュレートは、お客様の実際の環境と文書化された弱点に深く基づいているため、演習は非常に関連性の高いものとなります。

実施: 部門横断的な緊急時訓練

最近、大手 FSI のお客様とのシミュレーションで、このアプローチにより、大規模なレイテンシとデータ破損を伴う二重の重大インシデントが明らかになりました。これは、お客様のコアシステムにとって完璧なストレステストとなりました。

その結果、ビジネスの意思決定者全員が参加する、リアルタイムのインタラクティブな緊急時訓練が実現しました。参加者の多様性が、テクノロジー、プロセス、コミュニケーションのギャップを明らかにする鍵となりました。

部門横断的なシミュレーション戦略により、忠実度の高いディスカッションが実現し、お客様は安全かつ現実的な環境で盲点を明らかにし、緊急時対応戦略を改善することができました。

効果と主な成果

Google は、DACH（ドイツ、オーストリア、スイス）地域の FSI 大手企業でAI を活用したこのアプローチを成功させており、その効果は即座に測定可能なものでした。

具体的な手順: この演習では、組織の強み（部門横断的なコミュニケーションなど）が明らかになり、優先度の高い取り組み（特定の自動フェイルオーバーランブックの実装など）に直接つながりました。重要なこととして、提案のほぼすべてが迅速に実装されました。これは、提案が実際の本番環境と近いシナリオに基づいていたからです。
戦略の転換: リアルなデモは大きな効果をもたらし、多くのお客様が AI ベースの脅威モデリングを既存のコンプライアンスプロセスに統合することを積極的に検討するようになりました。
長期的なパートナーシップ: その価値が認められた AI による机上演習プログラムは、テクニカルアカウントマネージャーとの定期的な演習としてスケジュールされるようになり、Google Cloud コンサルティングは、お客様の運用レジリエンスの取り組みにおける戦略的コラボレーターとしての地位を確立しました。

始める

汎用的な災害訓練から一歩進んで、組織の本当のレジリエンスを検証することに関心をお持ちですか？

Google TAM にお問い合わせいただき、AI による机上演習で準備状況を検証する方法をご確認ください。

- Google Cloud コンサルティング、Florian Graf

- Google Cloud コンサルティング、Juan Romero Garcia

Pluto AI: Magyar Telekom における AI のアクセシビリティとイノベーションの革命

Thu, 19 Jun 2025 01:02:00 +0000

※この投稿は米国時間 2025 年 5 月 31 日に、Google Cloud blog に投稿されたものの抄訳です。

昨今の急速に進化するテクノロジー環境において、AI は変革の原動力として業界を再編し、可能性を大きく広げています。Deutsche Telekom のハンガリーにおける通信事業者である Magyar Telekom は、AI の可能性を認識し、Google Cloud でデータ環境を運用しており、AI の知識とツールを使って従業員の能力を強化する取り組みを始めました。この取り組みの結果、Pluto AI が誕生しました。Pluto AI は、多様な AI ソリューションに対応する包括的なフレームワークに成長した、社内向け AI プラットフォームです。

ハンガリー最大級の通信事業者である Magyar Telekom の最終的なビジョンは、事業のあらゆる側面に AI を組み込み、すべての従業員が AI の可能性を活用できるようにすることです。Pluto AI は、イノベーションとデータドリブンな意思決定の文化を育みながら、この目標を達成するための重要なステップです。

Magyar Telekom の経営陣は、AI に習熟することが将来の成功に不可欠であることを認識していました。しかし、AI に対する従業員の理解度にばらつきがあったことや、実験と実用化のための手ごろなツールが不足していたことなど、課題も存在していました。そのため、Magyar Telekom は、進化する AI のニーズに適応し、幅広いユースケースをサポートできるスケーラブルなソリューションを構築することで、AI の知識を民主化し、実験の文化を育成することを目指しました。

Magyar Telekom のビジネスチームが生成 AI を活用できるようにするため、Pluto AI チームは、コンプライアンスを確保した安全な方法で大規模言語モデル（LLM）にプロンプトを入力できるシンプルなツールを開発しました。さらに、生成 AI の使用方法と、生成 AI がもたらす機会について、ビジネスチーム向けの教育コンテンツとトレーニングも作成しました。このアプローチにより、他のチームは必要な AI ソリューションを迅速に構築するためのビルディングブロックを得ることができました。

Pluto AI を手に入れた Magyar Telekom は、生成 AI を社内全体に導入することに成功し、このプラットフォームを迅速に拡張して追加のユースケースに対応しました。その際、中央のプラットフォームチームがそれらのユースケースを深く理解する必要はありませんでした。

aside_block: <ListValue: [StructValue([('title', 'Google Cloud を無料で試す'), ('body', <wagtail.rich_text.RichText object at 0x7f4bea74f460>), ('btn_text', '無料で開始'), ('href', 'https://console.cloud.google.com/freetrial?redirectPath=/welcome'), ('image', None)])]>

Pluto AI の開発

Magyar Telekom の AI チームは、Google Cloud コンサルティングと提携して、Pluto AI の開発を加速させました。このコラボレーションにより、このプラットフォームはベストプラクティスに基づいて構築され、業界標準に準拠し、規制の厳しい業界のセキュリティとコンプライアンスの要件を満たすことができました。

Pluto AI の主な特長は次のとおりです。

1. モジュラーフレームワーク

Pluto AI のモジュラーアーキテクチャにより、チームはさまざまな AI モデル、ツール、さまざまなアーキテクチャパターンをシームレスに統合、変更、更新できます。この柔軟性により、このプラットフォームは幅広いユースケースに対応し、Magyar Telekom の AI 戦略に沿ってすばやく進化することが可能になります。

Pluto AI のコアモジュールは次のとおりです。

大規模言語モデル: Pluto AI は最先端の LLM と統合されており、自然言語理解、テキストと画像の生成、会話型 AI アプリケーションを実現します。
コード生成およびアシスタンス: コード生成、予測入力、デバッグに対応することで、開発者の生産性とコードの品質を高めます。Pluto AI は、ユーザーインターフェースからアクセスできる、あらゆる開発レベル向けのコーディングモデルと、経験豊富なコーダー向けの IDE インテグレーションをどちらも備えています。
API: Pluto AI のモデルは API 経由で呼び出すことができるため、Magyar Telekom のすべての部門が AI 機能を活用して既存および新規のソリューションに統合できます。
検索拡張生成（RAG）とグラウンディング機能: RAG は、LLM と内部のナレッジソース（画像や動画などのマルチモーダルコンテンツを含む）を組み合わせます。これにより、膨大なデータセット内の情報にアクセスして統合し、企業データと公開データの両方から拡張引用などの証拠を回答に追加できる AI アシスタントを、チームが構築することが可能になります。
カスタマイズ可能な AI アシスタント: ユーザーは、システムプロンプトを定義して、ドキュメントをアップロードし、ビジネスニーズに合わせてモデルの動作をファインチューニングすることにより、パーソナライズされた AI アシスタントを作成できます。

2. 技術実装

Pluto AI は、仮想マシンを使用して Compute Engine で実行され、スケーラビリティ、信頼性、効率的なリソース管理を実現しています。さらに、このプラットフォームは Vertex AI の Model Garden の基盤モデルも利用しています。これには、Google の Gemini、Imagen、Veo モデル、Anthropic の Claude 3.5 Sonnet などが含まれます。Magyar Telekom は、RAG ワークフローを実現するのに必要なナレッジベースを保存するため、Google Cloud 上に ElasticSearch もデプロイしました。

これらのコアコンポーネントに加えて、Pluto AI は、Cloud Logging、Pub/Sub、Cloud Storage、Firestore、Looker などの他の Google Cloud サービスも活用して、プロダクションレディなアプリケーションの開発も支援します。

3. ユーザーインターフェースとエクスペリエンス

Pluto AI のインターフェースは直感的であるため、さまざまなレベルの技術的専門知識を持つユーザーが AI ツールを利用できます。ユーザーは、プルダウンメニューを使って各種モジュールや機能間を簡単に移動できます。このプラットフォームの設計ではユーザーエクスペリエンスが優先されているため、従業員は短期間で多くのことを習得しなくても AI 機能を活用できます。

効果と導入

Pluto AI は導入が急速に進み、さまざまな部門で毎日数百人のアクティブユーザーが利用しています。このプラットフォームのユーザーフレンドリーなデザインと実用的なアプリケーションは、Magyar Telekom の従業員から好評を博しています。

さらに、Pluto AI は、契約のレビューにかかる時間を短縮したり、コンプライアンス上のリスクを特定したり、法的文書を分析したりする法務およびコンプライアンスアシスタントなど、さまざまな AI アシスタントの開発を可能にしました。ナレッジマネジメントアシスタントは組織全体でのナレッジの共有と検索を強化し、コード生成およびアシスタンスツールはソフトウェア開発に恩恵をもたらしました。さらに、日常的な問い合わせを処理する AI 搭載の chatbot により、カスタマーサポートエクスペリエンスが大幅に改善されました。

Magyar Telekom は、Pluto AI をリリースして以来、定量化可能な成果を上げています。たとえば、1 日あたり数百人のユニークユーザー、数万件の API 呼び出し、法的文書のレビューにかかる時間の推定 20% 短縮、コードの不具合の 15% 減少などが挙げられます。

Pluto AI のビジョンと今後のロードマップ

Magyar Telekom は、Pluto AI を今後の AI 戦略の重要な要素と見なしています。また、このプラットフォームを組織内のより多くの市場、ビジネスユニット、部門に拡大し、その効果を最大限に高めたいと考えています。さらに、Magyar Telekom は、Pluto AI をサービスまたはプロダクトとして、Deutsche Telekom の他の市場に提供する可能性も検討しています。また、さまざまなユースケースに簡単に適応できる、再利用可能な AI モジュールとフレームワークのライブラリを構築することも計画しています。

Magyar Telekom は、Pluto AI を強化し、その機能を拡張するためのいくつかの重要な取り組みを進めています。たとえば、複雑なタスクやワークフローを自動化するエージェントベースの AI システムの可能性について調査したり、多様なユーザーベースに対応するために多言語サポート用の言語選択ツールを追加しているほか、RAG ソリューションの管理、使用状況のモニタリング、パフォーマンス指標の追跡のための拡張インターフェースを開発しています。Magyar Telecom は、クラウドリソースの使用状況と費用をモニタリングして最適化するためのダッシュボードの開発も継続していく予定です。

Pluto AI は Magyar Telekom の AI 環境を変革し、AI を利用しやすく、実用的で、効果的なものにしました。さらに Pluto AI は、ユーザーフレンドリーなプラットフォームを提供して、実験を促進し、具体的なビジネス価値を創出することにより、AI の社内導入の新たな基準を打ち立てています。

-Telekom HU、データおよび AI 担当エグゼクティブリード、András Balázs 氏
-Telekom HU、AI 責任者、Balazs Sziladi 氏

Google Cloud を活用した Infinity Learn の AI チューター開発の裏側

Fri, 23 May 2025 01:06:00 +0000

※この投稿は米国時間 2025 年 5 月 13 日に、Google Cloud blog に投稿されたものの抄訳です。

インドの何百万人もの生徒にとって、IIT JEE Main 試験（理系大学の共通入試）と NEET（医学系大学の共通入試）は、それぞれの将来につながる重要な通過点です。彼らは大きなプレッシャーにさらされ、深夜まで複雑な方程式に取り組んでいます。試験での成功は、物理学、化学、数学、動物学、植物学における複雑な推論能力にかかっています。生徒には、正しい解答を導き出せることだけでなく、そのトピックをステップごとに明確に理解していることが求められます。

テクノロジーを活用した教育のパイオニアである Infinity Learn は、こうした深い理解力と問題解決能力の重要性を認識し、Google Cloud コンサルティングと連携して、生徒の試験対策を支援する AI チューターを開発しました。目標は、単なる質問応答ツールではなく、真のチューターを作り出すことでした。

AI チューターはカスタム検索エンジンとして機能し、生徒が詳細なガイダンスを通じて数学、物理、化学の問題の解き方を学べるよう導きます。この検索可能なシステムは、Google Cloud の Vertex AI 検索拡張生成（RAG）サービスを利用しており、深い知識の習得を促すことを目指しています。AI チューターは、最先端の Gemini 2.0 Flash モデルを使用して、教職員が提供したリソースから必要な答えを生徒が自ら見つけられるようにし、答えの導き方とその根拠を確実に理解できるようにします。

aside_block: <ListValue: [StructValue([('title', '300 ドル分の無料クレジットで Google Cloud の AI と ML を試用'), ('body', <wagtail.rich_text.RichText object at 0x7f4c0e5ef1c0>), ('btn_text', '無料で構築を始める'), ('href', 'http://console.cloud.google.com/freetrial?redirectPath=/vertex-ai/'), ('image', None)])]>

Agent Builder と Vertex AI RAG Engine の活用

開発初期の最大の課題は、試験問題を予想するだけではないシステムを構築することでした。システムは次の機能を備えている必要がありました。

人間の教師と同じアプローチで、複数ステップの問題を論理的に解く。
各ステップを明確に説明し、概念の理解を促進する。
費用と精度のバランスを取りながら、幅広いユーザーベース（無料と有料の両方）に対応する。
エラーを分析して自己修正し、パフォーマンスを継続的に改善する。

Google Cloud コンサルティングと Infinity Learn は共同で取り組みを開始し、試験運用には Agent Builder を、改良には Vertex AI の RAG Engine を使用しました。

最初に、すぐに使用できる RAG システムである Vertex AI の Agent Builder を使用しました。これにより、迅速なプロトタイピングと短周期でのイテレーションが可能になりました。また、Agent Builder 内の Vertex AI Search を使用して、Infinity Learn のリソースを集めたライブラリを AI 言語モデルに供給することで、回答の関連性、精度、根拠を確保しました。

その後、カスタマイズをさらに進めるために、Vertex AI Search をリトリーバーとして、セルフサービスの RAG エンジンを実装しました。これにより、検索メカニズムと生成モデルを選択する際の柔軟性が向上しました。また、Google の検索インフラストラクチャを使用しつつ、AI チューターの精度と推論能力をきめ細かく調整できました。

技術アーキテクチャ: バックエンドエンジンとして最先端の Vertex AI Search を、生成モデルとして Gemini 2.0 Flash と思考モードを活用する統合アーキテクチャに、カスタムの評価手法を追加

精度を超えて: 実運用時の効果測定

AI チューターの導入後、チームは徹底的な評価を開始しました。このモデルベースのカスタム評価では、Vertex AI Workbench と対象分野のエキスパートによって、AI の精度の変動が最大 3～5% の範囲内であることを確認しました（人間によるレビューの精度との比較）。

評価プロセスでは、概念、計算、手順の間違いに関連するエラーの測定と分析に重点を置きました。こうしたエラーを軽減することが、生成される回答の自己修正に役立ちます。つまり、ソリューションにおける今後の回答をよりスマートにし、継続的な改良に役立つデータをもたらし、生徒がつまづきがちな分野を特定する AI 機能に関する分析情報を提供します。

AI チューターの影響と学習の変化

AI チューターは、高度な推論、カスタム AI、柔軟なデータ検索を組み合わせることで、平均 500 問の試験対策問題にわたり、生徒の質問に 90% という驚異的な正答率で対応しました。このレベルの精度を実現できれば、生徒はほとんどの質問について AI チューターに安心して頼ることができます。

しかし、このテクノロジーは精度だけでなく、教育に根本的な変革をもたらしています。生徒は、暗記学習から脱却し、AI チューターの詳細で包括的な回答を通じて、自分のペースで学習できるようになりました。

たとえば、夜遅くに難解な数学の問題に取り組んでいる生徒を想像してみてください。AI チューターに質問できれば、何時間も行き詰まったままになることはありません。正解だけでなく、基本原理とそこに至るまでのステップを基礎から理解できます。

Infinity Learn の教育へのテクノロジーファーストなアプローチと、Google Cloud コンサルティングとの連携により、このいつでも利用可能なパーソナライズされた試験対策ツールは、自立した思考と理解を促し続けています。

「AI チューターを導入して以来、生徒が複雑な問題に取り組む方法に大きな変化が見られました。生徒たちは、基礎となるコンセプトに、より深いレベルで向き合っています。Google Cloud コンサルティングの専門知識は、表面的な回答を超えて真の理解を育む革新的な AI チューターを構築するうえで、非常に役立ちました。」– Infinity Learn、最高プロダクト責任者 Amit Bansal 氏

Infinity Learn のような革新的アプローチにご関心のある場合

Google Cloud と Infinity Learn by Sri Chaitanya のパートナーシップは、Google が AI 搭載ソリューションで企業を支援している最新の例の一つです。Google は、お客様が複雑な問題を解決し、望ましい成果を上げられるよう取り組んでいます。

Vertex AI を活用して課題やビジネスニーズに対応するうえで、Google Cloud コンサルティングがどのように役立つかをご確認ください。Google Cloud コンサルティングのポートフォリオは多岐にわたり、テクニカルアカウントマネジメント、プロフェッショナルサービス、カスタマーサクセスなど複数の専門分野にまたがるさまざまなサービスを、一元的に提供しています。Google Cloud コンサルティングの全サービスポートフォリオをご確認ください。また、Vertex AI の利用を開始する方法もご覧ください。

-Google Cloud コンサルティング、AI コンサルタント Akhil Sakarwal
-Infinity Learn、最高プロダクト責任者 Amit Bansal 氏

Google Cloud コンサルティングが新サービスで企業の AI 導入を支援

Tue, 13 May 2025 00:00:00 +0000

※この投稿は米国時間 2025 年 4 月 10 日に、Google Cloud blog に投稿されたものの抄訳です。

企業のお客様は、AI で企業組織を変革するために Google Cloud を採用するようになってきました。このようなイノベーションの実装を支援する Google Cloud コンサルティングの経験豊富な専門家は、そうしたお客様の多くをサポートしています。

Google Cloud コンサルティングチームは、数多くのパートナーと連携して、お客様が適した AI のユースケースを特定し、安全かつ確実に実現して、高い費用対効果を生み出せるよう支援しています。実際、Google Cloud AI の実装を中心とするお客様との関わり方は、過去 1 年間のコンサルティング業務の中で最も急成長している分野であり、Google AI サービスに対する期待の著しい高まりを示しています。

今週の Google Cloud Next では、Google Cloud コンサルティングとパートナーが連携して提供するいくつかの新しいサービスを発表し、この成功を後押ししていきます。これらのサービスはすべて、単純ながらも重要な目標、つまり、Google が提供する AI モデル、AI 最適化インフラストラクチャ、AI プラットフォーム、エージェントテクノロジーのポートフォリオ全体を企業がさらに簡単に活用できるようにすることを目指しています。

また、クラウドベースのプロジェクトに携わるチームにプロジェクト計画テンプレート、技術的な手順、予測インサイト、スマートな推奨事項といった幅広いリソースを提供するプラットフォームである Delivery Navigator へのアクセスも拡大していきます。

最後に、Google の取り組みがビジネスに効果をもたらしていることを実証するために、Google のチームが業界リーダーである Airbus と Broadcom とともに成し遂げた 2 つの重要なプロジェクトをご紹介いたします。

aside_block: <ListValue: [StructValue([('title', 'Google Cloud を無料で試す'), ('body', <wagtail.rich_text.RichText object at 0x7f4c0c5e4d90>), ('btn_text', '無料で開始'), ('href', 'https://console.cloud.google.com/freetrial?redirectPath=/welcome'), ('image', None)])]>

変革を加速: 新しいサービスパッケージ

お客様がデジタルトランスフォーメーションを加速し、テクノロジーの導入を合理化できるよう、Google はあらかじめパッケージ化された 3 つの新しいサービスパッケージをリリースします。これらのカスタマイズされたサービスは、コンセプトからデプロイへと進むための明確で実績のある道筋を提供し、Google テクノロジーの迅速な導入と、想定どおりに進まないことによる損失の回避を支援するものです。各サービスはお客様固有のニーズに合わせてカスタマイズできるため、効率的かつ効果的なテクノロジー導入プロセスを実現できます。

今週から利用可能になる新しいサービスは以下のとおりです。

Agentspace Accelerator: 構造化されたアプローチにより、組織内で AI を活用した検索を接続してデプロイできるようにするサービスです。これにより、従業員は必要なときに関連する社内情報や社内リソースに簡単にアクセスできます。このサービスの一環として、Google の専門家チームが、Gemini の高度な推論および Google 品質の検索とエンタープライズデータの安全なインテグレーションを支援します。また、クラウドの設定、データの準備、戦略的支援のためのカスタマイズ可能なアドオンも提供します。Agentspace Accelerator サービスは、組織が単一の統合プラットフォーム内で AI を活用した独自のエージェントやエージェントワークフローなどを作成するための足がかりとなります。
Optimize with TPUs: お客様が専用の AI チップである TPU にワークロードを移行できるよう支援するサービスです。これにより、AI による推論と AI のトレーニングにかかる費用を最適化し、パフォーマンスを最大化できます。TPU は、chatbot、コード生成、メディアコンテンツの作成、合成音声、パーソナライゼーションモデル、レコメンデーションエンジンなど、さまざまなユースケースにわたって費用効率に優れた方法でスケールできるよう設計されています。6 週間に及ぶお客様との関わりを通じて、Google Cloud の専門家がお客様の既存の AI Infrastructure を基盤としてカスタムバックエンドラッパーを開発します。これにより、ワークロードを TPU に簡単に移行できるのと同時に、必要に応じて他のチップに切り替える柔軟性を維持できます。
Oracle on Google Cloud: お客様が Google と Oracle のパートナーシップのメリットを最大限に活かせるよう支援するサービスで、Oracle のデータベースとアプリケーションを、Google Cloud の高度なプラットフォームおよび AI 機能と組み合わせて、データベースとネットワークのパフォーマンスを向上させます。Google Kubernetes Engine のお客様所有ライセンスの使用や Google Cross-Cloud Interconnect の Oracle Cloud Infrastructure など、さまざまな方法により、Google Cloud のエキスパートが、お客様に応じた関わり方を通じて Oracle のデプロイと最適化を支援します。このサービスにより、お客様はデータベースとネットワークの速度を向上させながら、Google Cloud の AI ツールやデータツールへのアクセスを効率化して、AI を活用したアプリケーションの作成を簡素化できます。

次のステップ: AI で強化された Delivery Navigator プラットフォーム

お客様のクラウドへの移行をさらに支援するため、Google Cloud プロジェクトに効率性と信頼性をもたらすように設計されたプラットフォームである Delivery Navigator へのアクセスを拡大します。現在、Google のパートナーとコンサルティングチームは、Delivery Navigator を使用して実績あるデリバリー手法やベストプラクティスにアクセスし、移行とテクノロジーの実装を効率的かつ安全にガイドするのに役立てています。

10 月より、お客様への Delivery Navigator のリリースを開始し、プレビュー版をご利用いただけるようになります。つまり、参加するお客様は、Google Cloud のチームが使用するのと同じフレームワーク、ツール、ヒント、ベストプラクティスに直接アクセスできるようになります。

Delivery Navigator は、会話型 AI チャットインターフェースを基盤に構築されており、クラウドベースのプロジェクトに取り組むチームに対して、プロジェクト計画テンプレート、サンプルコードを含む詳細な技術的手順、チームが技術的な課題に事前に対処できるよう支援する予測的な分析情報やスマートな推奨事項など、幅広いリソースを提供します。ソリューションの実装における一般的な変更から、まれに発生する障害まで多くをカバーしており、Google Cloud のデプロイを最適化し、価値創出までの時間を短縮する方法に関するガイダンスが豊富に用意されています。

Delivery Navigator により、Google のエキスパートが使用するのと同じ高度なフレームワークや AI による強化機能を利用できるようになることで、よりスムーズかつ迅速に Google Cloud の価値を最大限に実現できるようになります。

クラウドと AI プロジェクトの実例

お客様はすでに、Google Cloud コンサルティングの専門家やパートナーエコシステムのサポートを利用して目覚ましい成果を達成しています。今週は、Airbus や Broadcom のような企業のお客様との取り組みを皆様にご紹介いたします。ニーズはお客様ごとに異なりますが、Google Cloud コンサルティングの共通のテーマは、お客様が安全かつ確実に、Google Cloud テクノロジーを導入し、複雑な IT 環境内でワークロードを移行できるよう支援することです。

Airbus の IT 環境は、合併後の統合という流れの中で、カナダでオンプレミスサーバーから Google Cloud への戦略的な移行を通じて合理化されました。この変革により、Airbus はカナダで複雑な IT インフラストラクチャの可視性と所有権を強化し、500 以上のシステムを移行してシステムをモダナイズすることができました。

Airbus は、堅牢なインフラストラクチャと移行ツールを活用することで、2.5 ペタバイトのデータの迅速かつシームレスな移行を予定通りのスケジュールで完了できました。この改良された技術スタックにより、Airbus はカナダでの生産率の向上をサポートし、航空会社の信頼性強化に貢献しています。

Broadcom は、VMware を Google Cloud へと戦略的に移行してコンピューティングとデータの環境を最適化し、Gemini Code Assist を導入して従業員の効率を高めることで、デジタルトランスフォーメーションを推進しています。

Broadcom は、Google Cloud コンサルティングの専門家チームに業務委託し、ダウンタイムをゼロに抑えながら、データインフラストラクチャを含む 12 の SaaS プロダクトを効率的に移行しました。この統合されたデータ環境により、Broadcom はデータへのアクセスと分析をより効率的に行えるようになり、製品に関するより深い分析情報を得て、カスタマーエクスペリエンスを向上させています。

さらに、Google Cloud コンサルティングが主導する堅牢なイネーブルメントプログラムを通じてハンズオントレーニング、アクセスしやすいオフィスアワー、継続的なチャットサポートを提供し、Gemini Code Assist を従業員に展開しています。

共に築く未来

Google Cloud コンサルティングは、クラウドと AI の時代において企業が繁栄できるよう支援することに情熱を注いでいます。最初の計画と実装から継続的な最適化まで、あらゆる段階でお客様を支援できるよう取り組んでいます。今すぐお問い合わせのうえ、この新たなテクノロジーの時代において、お客様のビジネス目標の達成を Google がどのように支援できるかをご確認ください。

-Google Cloud コンサルティング、グローバルバイスプレジデント Lee Moore

Google Cloud での画像生成パイプライン最適化: 実践ガイド

Thu, 06 Mar 2025 01:01:00 +0000

※この投稿は米国時間 2025 年 2 月 22 日に、Google Cloud blog に投稿されたものの抄訳です。

Stable Diffusion や Flux などの生成 AI 拡散モデルは、生成するビジュアルの品質が高く、さまざまな分野のクリエイターにとって心強い画像生成ツールとなります。しかし、高度なパイプラインによる高品質な画像の生成には多大なコンピューティング能力が求められるため、費用がかさみ、結果を得るまでの時間にも影響します。これは GPU や TPU などの強力なハードウェアを使用しても変わりません。

主な課題は、画像の品質を損なうことなく、費用とレイテンシを最小限に抑えるようパイプライン全体を最適化することです。実際のアプリケーションで画像生成の可能性を最大限に引き出すためには、この絶妙なバランスが不可欠です。たとえば、モデルサイズを縮小して画像生成費用を削減する前に、基盤となるインフラストラクチャとソフトウェアを最適化して、モデルの最高のパフォーマンスを確保することを優先します。

Google Cloud コンサルティングは、お客様がこうした複雑な状況を乗り切れるよう支援してきました。最適化された画像生成パイプラインの重要性を理解しています。この投稿では、効率性と費用対効果の両方を実現して優れたユーザーエクスペリエンスを提供するための 3 つの実証済みの戦略をご紹介します。

最適化のための包括的なアプローチ

ハードウェアからコード、アーキテクチャ全体に至るまで、パイプラインのあらゆる側面に対応する包括的な最適化戦略を策定することをおすすめします。Google Cloud では、TPU や GPU などのハードウェアと、Pytorch などのソフトウェアやフレームワークを組み合わせたコンポーズ可能なスーパーコンピューティングアーキテクチャである AI Hypercomputer でこの問題に対処しています。主な取り組み分野は次のとおりです。

1. ハードウェアの最適化: リソース運用効率の最大化

画像生成パイプラインでは、デプロイに GPU か TPU が必要になることが多く、ハードウェアの使用率を最適化することで費用を大幅に削減できます。GPU を部分的に割り当てることはできないため、特にワークロードのスケーリング時には未使用率が高くなりやすく、効率の低下と運用コストの増加につながります。この問題に対処するために、Google Kubernetes Engine（GKE）には、リソース効率を向上させるための GPU 共有戦略がいくつか用意されています。また、NVIDIA H100 80 GB GPU を搭載した A3 High VM はサイズが小さいため、効率的にスケーリングして費用を調節しやすい VM です。

GKE の主要な GPU 共有戦略には、次のようなものがあります。

マルチインスタンス GPU: この戦略では、GKE で 1 つの GPU を最大 7 つのスライスに分割することで、ワークロード間でハードウェアを分離します。各 GPU スライスには独自のリソース（コンピューティング、メモリ、帯域幅）があり、1 つのコンテナに個別に割り当てることができます。この戦略は、復元力と予測可能なパフォーマンスが求められる推論ワークロードに活用できます。実装する前に、このアプローチの制限事項を文書で確認してください。留意すべきは、GKE のマルチインスタンス GPU で現在サポートされている GPU タイプは、NVIDIA A100 GPU（40 GB と 80 GB）と NVIDIA H100 GPU（80 GB）であるということです。
GPU タイムシェアリング: GPU タイムシェアリングでは、プロセス間の高速なコンテキストの切り替えを使用して、複数のコンテナが GPU の全容量にアクセスできます。これは、NVIDIA GPU の命令レベルのプリエンプションによって可能になります。このアプローチは、バースト型のインタラクティブなワークロードや、完全な分離が不要なテストやプロトタイピングにより適しています。GPU タイムシェアリングを使えば、GPU のアイドル時間が短縮され、GPU の費用と使用率を最適化できます。ただし、コンテキストの切り替えにより、個々のワークロードにレイテンシのオーバーヘッドが生じる可能性があります。
NVIDIA Multi-Process Service（MPS）: NVIDIA MPS は CUDA API のバージョンの一つであり、複数のプロセス / コンテナを同じ物理 GPU 上で干渉を受けずに同時に実行できます。このアプローチでは、単一の GPU で小規模から中規模の複数のバッチ処理ワークロードを実行し、スループットとハードウェアの使用効率を最大化できます。MPS を実装する際は、MPS を使用するワークロードがメモリ保護とエラーの封じ込めに関する制限を許容できることを確認する必要があります。

GPU 共有戦略の例を示すイラスト

2. 推論コードの最適化: 有効性を高めるためのファインチューニング

PyTorch でネイティブに記述されたパイプラインについては、その実行時間を最適化して短縮する方法がいくつかあります。

一つの方法は、PyTorch のコンパイルメソッドを使用することです。これにより、PyTorch コードを最適化されたカーネルに JIT（Just-in-time）コンパイルして実行を高速化できます。特にデコーダステップのフォワードパスの実行に有効です。基盤となるハードウェアに応じて、NVIDIA TensorRT、OpenVINO、IPEX などのさまざまなバックエンドコンピュータを使用したり、トレーニング時に特定のコンパイラバックエンドを使用したりすることもできます。同様の JIT コンパイル機能は、JAX などの他のフレームワークでも利用できます。

コードのレイテンシを改善するもう一つの方法は、Flash Attention を有効にすることです。torch.backends.cuda.enable_flash_sdp 属性を有効にすると、PyTorch コードは Flash Attention をネイティブに実行し、特定のコンピューティングを高速化します。入力に基づく Flash が最適でない場合、別のアテンション機構が自動的に選択されます。

レイテンシを低減するには、GPU と CPU の間でのデータ転送を最小限に抑える必要もあります。テンソルの読み込みや、テンソルと Python の float の比較などのオペレーションでは、データ移動に伴うオーバーヘッドが非常に大きくなります。テンソルを浮動小数点値と比較するたびに CPU に転送する必要があり、レイテンシが発生します。GPU へのテンソルの読み込みとオフロードは、画像生成パイプライン全体で 1 回だけにとどめるのが理想です。これは、複数のモデルを利用する画像生成パイプラインでは特に重要です。こうしたパイプラインでは、実行される各モデルでレイテンシが連鎖的に発生するからです。PyTorch Profiler などのツールは、モデルの使用時間とメモリ使用量をモニタリングするのに役立ちます。

aside_block: <ListValue: [StructValue([('title', '300 ドル分の無料クレジットで Google Cloud の AI と ML を試用'), ('body', <wagtail.rich_text.RichText object at 0x7f4c0f1a8520>), ('btn_text', '無料で構築を始める'), ('href', 'http://console.cloud.google.com/freetrial?redirectPath=/vertex-ai/'), ('image', None)])]>

3. 推論パイプラインの最適化: ワークフローの合理化

コードを最適化すると、パイプライン内の個々のモジュールを高速化できますが、全体像をとらえることが重要です。マルチステップの画像生成パイプラインの多くは、複数のモデル（サンプラー、デコーダ、画像エンベディングモデル、テキストエンベディングモデルなど）を次々にカスケードして最終的な画像を生成します。多くの場合、1 つの GPU が接続された単一のコンテナで実行されます。

拡散ベースのパイプラインでは、デコーダなどのモデルはコンピューティングの複雑さが大幅に増すため、実行に時間がかかります。一般的に高速なエンベディングモデルと比較すると特に顕著です。つまり、特定のモデルが生成パイプラインのボトルネックとなる可能性があるということです。GPU 使用率を最適化し、このボトルネックを軽減するには、マルチスレッドキューベースのアプローチを採用して、タスクのスケジューリングと実行を効率化することを検討してください。このアプローチにより、同じ GPU 上で異なるパイプラインステージを並列実行できるため、複数のリクエストを同時に処理できます。ワーカースレッド間でタスクを効率的に分散することで、GPU のアイドル時間を最小限に抑え、リソースの運用効率を最大化できるため、最終的にスループットが向上します。

また、プロセス全体で同じ GPU 上にテンソルを保持することで、CPU から GPU への（およびその逆の）データ転送のオーバーヘッドを削減できるので、さらなる効率向上と費用削減も見込めます。

2 つの同時リクエストに対するスタックパイプラインとマルチスレッドパイプラインの処理時間の比較

最後に

画像生成パイプラインの最適化は多面的なプロセスですが、その見返りは大きいものです。ハードウェアの最適化によるリソース運用効率の最大化、コードの最適化による実行速度の向上、パイプラインの最適化によるスループットの改善などを含めた包括的なアプローチを採用することで、パフォーマンスを大幅に強化して費用を削減するとともに、優れたユーザーエクスペリエンスを実現できます。お客様との取り組みにおいて、これらの最適化戦略を実装することで、画像の品質を損なうことなく大幅な費用削減につながることが一貫して確認されています。

準備ができたら

Google Cloud コンサルティングは、お客様が高性能な AI ソリューションを構築してデプロイできるよう支援しています。画像生成パイプラインの最適化をご検討中の方は、今すぐ Google Cloud コンサルティングにご連絡ください。AI イニシアチブの可能性を最大限に引き出すお手伝いをいたします。

^{重要なテストの段階で貴重なサポートとガイダンスを提供してくれた Akhil Sakarwal、Ashish Tendulkar、Abhijat Gupta、Suraj Kanojia に感謝します。}

- Google Cloud、AI エンジニアリングリード Gopala Dhar
- Google Cloud コンサルティング、リード AI / ML エンジニア Kartik Chaudhary

クラウド移行を簡単に: AWS から Google Cloud への移行ガイド

Wed, 05 Feb 2025 02:10:00 +0000

※この投稿は米国時間 2025 年 1 月 28 日に、Google Cloud blog に投稿されたものの抄訳です。

Google Cloud にワークロードをデプロイするお客様はますます増えています。しかし、ワークロードが別のクラウドにある場合はどうなるでしょうか。ワークロード、データ、プロセスの移行を計画、設計、実装するのは簡単な作業ではありません。ダウンタイムの回避（ゼロダウンタイム移行とも呼ばれます）など、移行に影響する要件を満たす必要がある場合はさらに難しくなります。さらに、移行によっては、ワークロードを新しい環境に適応させるなど、ある程度のリファクタリングが必要になります。特に、サードパーティソフトウェアやレガシーソフトウェアが関係する場合は、一連の課題が生じます。また、新しい環境で機能するように、デプロイや運用プロセスを調整する必要がある場合もあります。

そして、移行したくないワークロードがある場合はどうなるでしょうか。すべてを Google Cloud に移行しない場合でも、マルチクラウドアプローチを採用すれば、それも移行であることに変わりはありません。多くの組織は、一部のワークロードを現在のクラウドプロバイダに保持し、他のワークロードを Google Cloud に移行することを選択しています。

複数のクラウドにわたるワークロードの管理、特にワークロードの分散やクラウド間の接続に関しては、独自の課題がありますが、マルチクラウド戦略を適切に実施することで、柔軟性を維持し、ベンダーロックインを回避して、システムの復元力を向上させることができます。

aside_block: <ListValue: [StructValue([('title', 'Google Cloud を無料で試す'), ('body', <wagtail.rich_text.RichText object at 0x7f4c0f084100>), ('btn_text', '無料で開始'), ('href', 'https://console.cloud.google.com/freetrial?redirectPath=/welcome'), ('image', None)])]>

スムーズに移行していただけるよう、アマゾン ウェブ サービス（AWS）から Google Cloud への移行に関する一連のリファレンス ガイドを公開しました。これらのガイドは、AWS から Google Cloud への移行プロセスの設計、計画、実装を支援することを目的としています。また、移行の機会を評価中で、移行がどのようなものになるかを調べたい意思決定者にも役立ちます。たとえば、次のような移行プロセスを対象とするガイドを用意しています。

AWS コンピューティング サービスから Google Cloud へ

AWS データ ストレージ サービスから Google Cloud へ

Amazon S3 から Cloud Storage に移行する

AWS データベース サービスから Google Cloud へ

AWS データ分析サービスから Google Cloud へ

Amazon RedShift から BigQuery に移行する

AWS インテグレーション サービスから Google Cloud へ

AWS Step Functions から Workflows に移行する

これらのガイドは、AWS から Google Cloud への特定の移行ユースケースにおける Google Cloud 移行フレームワークのフェーズ（評価、計画、移行、最適化）に沿っています。

このアプローチは、移行計画の各タスクに取り組む際に、影響が大きく、リスクの高い移行を回避するのに役立ちます。この移行計画の各タスクを完了する方法の詳細については、AWS から Google Cloud への移行ガイドをご覧ください。

次のステップ

AWS から Google Cloud への移行を始める方法を今すぐ学びましょう。
サポートが必要な場合のために、ワークロード、データ、プロセスの大規模な移行に役立つリソースをいくつかご用意しています。
より視覚的なガイドが必要な場合は、新しい移行ガイドとチェックリストをダウンロードしてください。

さっそく始めましょう

詳しく知りたい場合は、Google Cloud への移行に関する詳細をご覧ください。また、お客様が学習、構築、運用し、成功を収めるうえで Google Cloud コンサルティングがどのようにお役に立てるかについてもご覧ください。

謝辞: クラウドソリューションアーキテクト Alex Cârciu、クラウドソリューションアーキテクト Xiang Shen

-クラウドソリューションアーキテクト Marco Ferrari
-ソリューションマネージャー Giuseppe Lino

バーチャルでのサリーの試着

Wed, 07 Aug 2024 02:40:00 +0000

※この投稿は米国時間 2024 年 7 月 31 日に、Google Cloud blog に投稿されたものの抄訳です。

インドの最大手 e コマースプラットフォームの Meesho は、サプライヤーと顧客との間で行われる売買取引を円滑化するオンラインショッピングモールです。Meesho のエンドサプライヤーがカタログ掲載のプロセスで直面している大きな課題のひとつに、さまざまなアパレル製品を着用させるモデルの取得に費用と時間がかかることがあります。そこで Meesho のチームは Google Cloud コンサルティング（GCC）と提携し、形状が最も複雑であるといえるサリーのための、Virtual Try On のソリューションを構築することにしました。エンドサプライヤーが指定するブラウスの画像、サリーの身体を覆う箇所の画像、パルーの画像をもとに、2D の画像と 3D のモデルを生成します。

2D および 3D ベースのソリューションを構築するために使用される技術スタックのそれぞれのコンポーネントについて、詳しく見ていきましょう。

このアーキテクチャは、Google Cloud Platform を活用する Virtual Try On サービスのエンドツーエンドのパイプラインを表しています。このパイプラインは、エンドディストリビューターがサリーの画像をアップロードするプロセスを円滑化することを目的としたものであり、アップロードされた画像はその後にカスタムの AI ソリューションによって処理されます。処理された画像は Vertex AI Imagen に渡され、これによってバックグラウンドの更新と画像のアップスケーリングが行われ、画像の品質が改善されます。最終的に得られる画像は、製品のカタログを生成するために使用できます。このアーキテクチャには次のパイプラインステージがあります。

1. 要件

以下に、画像に関して遵守する必要のあるガイドラインをいくつか記載しています。

このソリューションを構築するには、柄や反射のない、白色で無地のサリーを着用したモデルの静的な画像が必要です。前面のポーズ、背面のポーズ、側面のポーズなどといった、さまざまなポージングのモデルを用意することが理想的です。
モデルに関する条件とは別に、エンドサプライヤーがアップロードするサリーの画像にしわがないこと、その画像が適切な照明状態で撮影されていることも条件となります。また、サリーにボーダーがある場合は、それが正しくキャプチャされている必要があります。

2. サリーの再構築

このステップでは、入力の画像を規格化された形式に変換して、ダウンストリームのサリーを着用させるコンポーネントでこれを使用できるようにします。私たちはオーバーレイとブレンディングの手法を使用して、まず 2 つの入力画像を固定のパーセンテージで重ね、その後に img2texture という Python ライブラリを使用して重なった箇所をブレンドしました。このオーバーレイとブレンディングの手法を使うことで、つなぎ目を不自然ではない滑らかな状態にすることができます。また、この手法は 2 つのまったく異なる柄をブレンドする場合でも機能します（今回のように、パルーとサリーの身体を覆う部分の画像で柄がまったく異なる場合もあるため）。まったく異なる画像のオーバーレイ、ブレンディングを行う場合でも、つなぎ目が不自然になることはなく、非常にリアルな外観になります。以下の画像は、サリー再構築モジュールの入力と出力を示しています。

3. 2D のアプローチ

A. ラベル付け

私たちは Label Studio を使用して、サリーの複数の異なる箇所のラベル付けを行いました。以下は、正面を向いたモデルで特定された、4 つのカスタムの箇所です。

パルー: サリーのパルーの部分
上半分: サリーの上側の部分。上半身にかぶさる領域。
下半分: サリーの下側の部分。下半身にかかる領域。
ブラウス: ブラウスの部分に対応

B. TPS のゆがみ

Thin-Plate Spline（TPS）のゆがみは、画像やその他のデータポイントを操作、変形させるために使用される手法です。これはスプラインベースの手法であり、データの補完やスムージングのために使用されます。Label studio を使用して、ゆがみの箇所にアノテーションを付けます。このステップの結果は以下のとおりです。

C. プリーツの改善

このステップでは、2 つのプリーツの間にある柄の一部分を隠すことで、下半身のプリーツの見た目がリアルになるようにします。これを行うためにまず、サリーの下半身に対応する箇所をすべて、プリーツマスク（png マスク）としてラベル付けします。次に、並んでいるプリーツの間に余白を設定して、連続するプリーツの間に来る柄の画像の一部を隠せるようにします。そしてこの柄部分を切り抜き、サリーの一部分がプリーツの間で隠れているような効果を出します。最後に、照明のマスクを画像に適用し、リアルな出力を生成します。以下の画像は、このステップの最終的な出力を示しています。

上の画像からわかるように、プリーツの間に来るパターンの一部分が隠れているため、全体としての衣装の見た目が非常にリアルになっています。

D. 照明のマスキング

マスキングは、柄の画像を既存のモデルの上に重ねるプロセスです。以下の画像では、下半身に相当する部分とサリーの柄を対象とし、マスキング機能を使用して柄の各ピクセルをベースマスクで乗算することでモデル画像を修正し、2D の画像を生成しています。

E. 画像構築サービスですべての箇所を最終的な画像に統合します。

すべての箇所（ブラウス、上半身、下半身、パルーの箇所）がひとつに統合されて、最終的な画像が生成されます。

4. 3D のアプローチ

A. 3D メッシュのレンダリング

3D のアプローチに関しては、サリーを着せるモデルの 3D ファイルが必要です。このようなファイルにはさまざまな形式がありますが、今回のテストでは、とりあえず OBJ ファイルを使用することにしました。

3D のテストは、操作が簡単な 3D モデリングおよびレンダリングソフトウェアである Blender ソフトウェアを使用して行います。3D パイプラインでは主に .blend ファイルを信頼できる情報源として使用して、その後にこのファイル内の要素を操作してそれぞれのサリーの柄に対応する 3D レンダリング画像を生成します。

B. 3D メッシュのシーンの写真撮影サービス

表示させるにふさわしいリアルな画像を作成するためには、適切なカメラの位置と角度（方向）を定める必要があります。私たちはこれをまず手動で一度行い、適切であると思われるすべてのカメラの位置を記録して、その後に各カメラ位置の場所と方向を指定する camera_profiles json を作成します。この際、キーをその特定の構成の名前に設定した状態にします。

5. 生成 AI による改善

A. バックグラウンドの改善

Vertex AI Imagen を使用して、生成された画像のバックグラウンドを編集します。編集を適用する対象領域は、マスクベースの編集を使用することで指定できます。

B. 解像度のアップスケーリング

Vertex AI Imagen を使用することで、生成あるいは編集された画像をその品質を損なわずに拡大できます。

「製品をモデルに着用させることができる機能は、ユーザーによる製品の吟味、品質や色の確認、そして、そのユーザーに似合うかどうかの確認に大いに役立つものです。この自動化で販売者の生産性向上を達成することも、製品購入の可能性を大幅に高めることもできます。今回の Google Cloud とのコラボレーションのおかげで、Google の強みと Meesho の技術をかけ合わせて、きわめて優れたショッピング体験を創出することができました。

この機能は、近日中に Meesho アプリで使用できるようになります。」と、Meesho のエンジニアリング担当バイスプレジデント Divyesh Shah 氏は語ります。

Google Cloud コンサルティング（GCC）によるエンドツーエンドの迅速な導入

Google Cloud と Meesho のパートナーシップは、お客様が望ましい成果を上げられるよう支援するために、Google が複雑な問題を解決する AI 搭載ソリューションをどのように提供しているかを示す最新の例のひとつです。GCC は Meesho から、Meesho チームと共同でビジネス要件に合わせてワークフローの環境を構築することを託されました。GCC ポートフォリオは、さまざまなサービスやプロダクトを 1 つに統合し、複数の専門分野にまたがるさまざまなサービスを 1 か所にまとめて提供します。これには、学習サービス、テクニカルアカウントマネジメント、プロフェッショナルサービス、カスタマーサクセスなどが含まれます。

Google Cloud コンサルティングが学習、構築、運用、成功にどのように役立つかについて詳しくは、こちらのページをご覧ください。

ー Meesho、エンジニアリング担当ディレクター Tushar Saxena 氏

ー Google Cloud、AI プログラム リード Sharmila Devi

Cloud FinOps と GKE: Generali が Google Cloud コンサルティングで支出を最適化した方法

Wed, 19 Jun 2024 01:00:00 +0000

※この投稿は米国時間 2024 年 6 月 1 日に、Google Cloud blog に投稿されたものの抄訳です。

「小規模なプラットフォームチームで、どうすれば複数の GKE クラスタで実行されている数百ものワークロードを最適化し、パフォーマンスや信頼性を犠牲にすることなく費用対効果を高めることができるか？」

これは、2023 年の夏から秋にかけて Google Kubernetes Engine（GKE）がホストするアプリケーションスイートを担当した Generali Switzerland のチームが直面した問題で、多くのお客様も共感するであろう難しい課題です。

GKE の最適化が容易ではない理由は 2 つあります。

クラスタの信頼性を最適化するのに使用できる、単一の指標が存在しないこと。そのため、どのような最適化が効果的であるかを判断するには複数の要素を考慮する必要があります（GKE における 4 つのゴールデンシグナルについての詳細は後述）。
多くの場合 GKE は分散されがちで、中央チームがクラスタを維持し、アプリケーションチームがクラスタにワークロードをデプロイします。このモデルは、アプリケーションとインフラストラクチャにまつわる責任範囲を分けることができれば有効です。しかし、アプリケーションチームがリクエストのサイズを大きくしすぎると、リソースの無駄になってしまいます。エンジニアは正しいワークロードのサイズ設定を意識する必要があります。

Generali では、GKE の使用状況がクラウド支出の大部分を占めているため改善の余地があると考えました。そこで Google Cloud コンサルティングに依頼して、同社のようなグローバルに展開する保険会社が、本番環境と非本番環境の両方でクラスタとワークロードを最適化するベストな方法を検討しました。その結果、2023 年 7 月から 9 月の 12 週間にわたるプロジェクトで、GKE の費用を 41% 削減できたことから、年間 €260,000 以上を節約できることがわかりました。

「ゴールデンシグナル」を分析する

この成果は、どのようにして、どのようなツールを使用して達成できたのでしょうか。さらに重要な点として、どうすれば他の企業も同じ同様の成果を出せるのでしょうか。

GKE の費用を最適化するときは、必ず「ゴールデンシグナル」の分析から始めます。これは GKE クラスタの効率を分析するのに使用する一連の指標です。シグナルには、以下が含まれます。

ワークロードのサイズ適正化と使用率
需要ベースの自動スケーリング
ビンパッキング
割引の適用範囲

シグナルの詳細については、State of Kubernetes Cost Optimization（Kubernetes の費用最適化の現状）レポートをご覧ください。ただし、クラスタの費用を最適化する手段としてお考えください。それでは、Generali はシグナルをどのように使用したのでしょうか。

ワークロードのサイズ適正化

まず、ワークロードのサイズ最適化から見てみましょう。ワークロードのサイズ最適化とは、できる限り実際のリソース使用量に近いリクエストを CPU とメモリに設定する作業です。これをクラスタ最適化の最初のステップとして行う必要があるのは、ワークロードのサイズ最適化を変更すると、ビンパッキングと割引の最適な設定に影響するためです。ワークロードのサイズ適正化は、考慮するアプリケーションの数が少なければ比較的シンプルな作業です。しかし、Generali のように多くのチームを抱え、数百ものアプリケーションがクラスタ上で実行されている場合は、大規模な適用は非常に困難です。

Google Cloud コンサルティングとの連携により、Generali の大半のアプリケーションにリクエストが設定されており、リソース使用率はリクエストの 20% に満たないことが判明しました。これは、節約の余地が大いにあります。このゴールデンシグナルを最適化するため、同社はすべてのアプリケーションリクエストを確認して抑制し、社内のアプリケーションチームとセッションを実施して、適切なリクエストを設定する重要性について教育し、スキルを高めました。これが、年間 €100,000 の節約につながりました。

ヒント: ワークロードのサイズがどのように最適化されているかは、すぐに使用できる GKE 費用最適化グラフと、推奨されるリクエストで確認できます。Google Cloud コンソールで使用できるリスクのある GKE ワークロードのダッシュボードも、コンテナがリクエストを設定していない場所の特定に役立ち、クラスタに関するその他の豊富な情報を参照できます。

リクエストのサイズ適正化は、クラスタの効率と費用に多大な影響を及ぼします。それに加えて、正しく設定されていないリクエスト（まったく設定されていない、少なすぎるなど）も、ワークロードがクラスタから削除される可能性があるためアプリケーションの信頼性に影響します。このシグナルを必ず最初に調査して、リクエストを継続的にモニタリングする必要があります。

需要ベースの自動スケーリング

Generali が考慮した 2 つ目のシグナルは需要ベースの自動スケーリングです。アプリケーションとインフラストラクチャをエンドユーザーからの需要に基づいて自動スケーリングするよう構成することで、トラフィックが一定しないワークロードの費用を大幅にカットできます。たとえば、Generali ではすでにインフラストラクチャは自動スケーリングされていたものの、このシグナルを分析したところ適切にトリガーされないことがあり、トラフィック量が少ないときでもスケールダウンが行われていなかったことが判明しました。Pod の自動スケーリング構成方法と、アプリケーションの構成エラーが原因です。

この動作を変更するために、同社はスケールダウンを妨げている問題を修正し、Google Cloud コンサルティングが提供したベストプラクティスに基づいて水平および垂直 Pod 自動スケーラーを構成しました。

Generali の場合、特定のワークロードの垂直 Pod 自動スケーリングと水平 Pod 自動スケーリングをブロック解除することで不要なノードの対価を払う必要がなくなり、費用削減がすぐに実現しました。ゼロへのスケーリング手法も取り入れ、年間 €35,000 の推定削減額を達成しました。

ビンパッキング

3 つめのシグナルであるビンパッキングは、ワークロードに適合するノードの最適な数と特性を選択します。アプリをノードにうまく詰め込むほど、無駄を省けます。Generali は GKE Standard と、Spot VM などのさまざまなノードプールを使用してビンパッキングを改善しました。ビンパッキングの割合はすでに 60% を超えていたものの、まだ改善の余地がありました。チームは、N2 マシンから、コスト最適化された E2 マシンへの移行に重点を置き、パフォーマンスと費用のバランスを改善しました。こうした変更と、さらなるビンパッキングの最適化により、Generali は年間 €105,000 ほどの節約ができることを確認しました。

最適化をさらに進めるため、Generali は GKE Autopilot のテストも行いました。ノード上の未使用の容量には課金されないため、総所有コストが低減されます。GKE は最適なノードを選択して管理し、ビンパッキングを改善して、本来はユーザーが行う必要がある自動スケーリングの設定など、多くの保守運用タスクを実施します。詳しくは、Autopilot のドキュメントガイドをお読みいただくか、GKE Standard と GKE Autopilot の機能を比較する方法をご確認ください。

割引の適用範囲

最後のシグナルである割引の適用範囲は、GKE に対して最大の費用対効果を得るために不可欠です。特に、確約利用割引（CUD）の対象になる可能性があるクラウドリソースを、確実に対象とするために重要です。

CUD では、リソースの一定期間（通常 1 年または 3 年）にわたる使用を確約することで、GKE 使用量に対して大幅な割引を得られます。GKE リソースの需要が予測可能で一貫している場合は、非常に効果的です。

GKE では 2 種類の CUD が提供されています。

GKE Autopilot モードの CUD: GKE Autopilot クラスタに特有の支出ベース割引を提供します。
リソースベースの CUD: GKE Standard クラスタに適用される vCPU とメモリの割引を提供します。

CUD は、最初は控えめに始めて、適用範囲を確立していくのがベストです。Generali はすでに CUD を使用しており、最適化により使用しているインフラストラクチャの総量に影響があると考えられることから、この最適化の作業が完了するまで新たなコミットメントの購入は待つことを選びました。Generali は、CUD により約 €75,000 の節約を予測しています。

Generali と Google Cloud にとっての素晴らしい成果

Google Cloud コンサルティングと連携して、Generali は GKE 投資に対し、パーセンテージにして 2 桁の節約を達成できました。プロジェクトリードの Mohamed Talhoui 氏によると、「今回 Generali が行った取り組みから得られた学びは、先を見越した財務管理と最適化の重要性」とのことです。

費用最適化の次のステップとして、Generali はすべてのクラスタのサイズ最適化とビンパッキングを終わらせて、GKE Autopilot の評価を完了させる計画を立てています。チームは、すべての費用最適化を実施し終えたら、新しいコミットメントの準備も予定しています。

Talhoui 氏は以下のように述べています。「Google Cloud コンサルティングの FinOps チームとのエンゲージメントは当社にとって非常に有益でした。Google の専門知識、ガイダンス、集中的な作業のおかげで、非常に短期間のうちに大幅な費用最適化が実現し、パフォーマンスやクオリティが犠牲になることもありませんでした。」

使ってみる

詳細については、FinOps に重点を置いた Google のサービスをご確認ください。また、お客様が学習、構築、運用し、成功を収めるうえで Google Cloud コンサルティングがどのようにお役に立てるかについてもご覧ください。

費用削減方法を見極めて導入し、本ブログ投稿のために分析情報を共有いただいた Generali Switzerland GKE チームの Nada Kammoun-Ksibi 氏、Mohamed Talhaoui 氏、Christophe Mugnier 氏、Mohamed Marzouk 氏、Daniele Altomare 氏、Jomon Joseph 氏、Gustavo Benitez 氏に感謝するとともに、成功を心よりお祝い申し上げます。

-Google Cloud コンサルティング、戦略的クラウドエンジニア Ecaterina Grisaeva
-Google Cloud コンサルタント、FinOps および Digital Transformation コンサルタント Sam Moss

新しい Generative AI Ops サービスで生成 AI がビジネスに及ぼす影響を拡大

Wed, 29 May 2024 02:00:00 +0000

※この投稿は米国時間 2024 年 5 月 24 日に、Google Cloud blog に投稿されたものの抄訳です。

生成 AI ワークロードを概念実証から本番環境へと移行し、AI への投資がビジネスに及ぼす影響を実感している Google Cloud のお客様が増えています。こうしたお客様の多くは、Google Cloud コンサルティングと連携して重要な領域で AI を活用し、その恩恵を受けています。たとえば、Bristol Myers Squibb は、臨床研究チームがより簡単に重要な情報を特定し、ドキュメントを生成できるようにする新しい AI 搭載インターフェースを開発しました。また、Palo Alto Networks は、Gemini を利用してコパイロットのユーザーエクスペリエンスを効率化し進化させる新しい AI ツールをリリースすることで、セキュリティ担当者の生産性を改善しています。

AI ワークロードを本番環境に移行するには、生成 AI のシステム設計、大規模言語モデルのアーキテクチャ、プロンプトエンジニアリング、評価などに関する深い知識が必要です。そこで Google は、これらの領域に関する専門知識を幅広いお客様に提供するために、Generative AI Ops サービスという新たなソリューションをリリースすることにしました。Google Cloud コンサルティングまたは広範なパートナーエコシステムによって提供されるこの新ソリューションは、組織が生成 AI プロトタイプを本番環境グレードのソリューションに成長させることができるよう支援し、セキュリティ、モデルのチューニング、フィードバック、最適化などの重要な領域に関するサポートを提供します。

Generative AI Ops のリリースにより、Google Cloud は AI 構築のためのオープンで最適化された技術スタックと、検討から本番環境まで、AI 変革のあらゆる段階にいるお客様を支援するための包括的なサービスセットの両方をお客様に提供することになります。

新ソリューションである Generative AI Ops サービスは、AI アプリケーションをプロダクションレディにするために必要なあらゆる手順に関してお客様を支援します。たとえば次のようなものです。

プロンプト エンジニアリング、プロンプトの設計と最適化: モデルが確実に質の高い出力を生成し、ユーザーの信頼を得られるようにするには、十分に最適化されたプロンプトを設計することが重要です。Google Cloud コンサルティングは、プロンプトエンジニアリングのベストプラクティスと、ReAct、検索拡張生成（RAG）、Chain-of-Thought などの手法を利用して、お客様が生成 AI アプリケーションのパフォーマンスとモデルの出力を改善するソリューションを構築できるよう支援します。重要な点は、ユースケースによって適切なモデルは異なり、モデルごとに異なるプロンプト構造が必要であるということです。Google の専門家チームは、ユースケースに応じた適切なモデルの適用とモデルに応じた適切なプロンプト手法の適用に関してもお客様を支援します。
パフォーマンスとシステムの評価: AI の本番環境への移行を成功させるには、モデルとアプリケーションのパフォーマンスを改善するための継続的な評価とフィードバックが必要です。このサービスは、お客様がアプリケーションに応じてカスタマイズした評価フレームワークを設計してデプロイし、AutoSxS や生成 AI の評価などのツール、人間による評価、またはこれらを組み合わせたハイブリッドアプローチを使用して自動評価指標のメカニズムを構築できるよう支援します。
モデルの最適化と継続的なチューニング: パフォーマンスとシステムの評価のためのフレームワークを導入した後も、生成 AI アプリケーションおよびモデルを継続的にチューニングし、最適化する必要があります。Generative AI Ops は、人間によるフィードバックとベンチマークに基づいてモデルを最適化し、チューニングするためのソリューションとマネージドサービスを提供します。たとえば、システムアーキテクチャとモデルの選択の改善、レイテンシと費用の削減、最新の API の統合が可能です。また、LangChain や DIY オーケストレーターを使用して AI エージェントのオーケストレーションと構築を行い、アプリケーションを最適な形で実行できるようにするためのツールも用意されています。
モニタリングとオブザーバビリティ: AI アプリケーションをプロダクションレディにするには、牢獄なモニタリングソリューションを導入することが重要です。Google Cloud コンサルティングは、お客様が生成 AI アプリケーションのオペレーションとパフォーマンスを継続的にモニタリングするためのオブザーバビリティソリューションを構築できるよう支援します。モニタリングの対象は、モデルの精度とハルシネーション、レイテンシ、スループット、ハードウェアの使用率、モデルのドリフト、トラフィック、費用などの広範な要素に及びます。
ビジネスへの統合とテスト: お客様のアプリケーションとモデルが現実世界のさまざまなシナリオで適切に機能し、ビジネスプロセスと問題なく統合できることが重要です。Google Cloud コンサルティングは、この目的を達成するための慎重なプランニングを介してお客様を支援します。たとえば、Google Cloud でのスケーラブルかつ安全な環境の構築や、各種モデルとのやり取りを効率的に管理するための API の設計に加えて、さまざまな条件下でモデルのパフォーマンスを評価するための厳格な単体テスト、統合テスト、負荷テストの実装が可能です。

お客様のチームを対象としたトレーニングと支援

AI アプリケーションを本番環境に移行するために必要なビジネスプランニングと技術的な手順に加えて、トレーニングとチームへの支援も、クラウドデプロイの成功を目指すお客様にとって重要な優先事項です。Google Cloud は、Google Cloud Skills Boost プラットフォームを介して、チームが生成 AI に関するスキルアップを図れるよう支援する幅広いトレーニング、ハンズオンラボ、ブートキャンプ、コースワークを提供しています。これにより、お客様のチームは新しい AI アプリケーションを確実に構築、デプロイ、使用、管理できるようになります。

使ってみる

詳細については、こちらのページをご覧ください。Google Cloud コンサルティングがどのようにお客様の学習やソリューションの構築と運用を支援し、お客様を成功に導くかをご紹介しています。

-グローバル Google Cloud コンサルティング、バイスプレジデント Lee Moore

自社実践: Google Cloud コンサルティングにおける AI 主導ビジネスの構築

Wed, 24 Apr 2024 01:20:00 +0000

※この投稿は米国時間 2024 年 4 月 12 日に、Google Cloud blog に投稿されたものの抄訳です。

Google にはプロダクトを自社実践する文化が根付いています。つまりプロダクトを社内で使用し、テストすることで、自社のチームやお客様の体験を向上させています。この慣行は、プロジェクト LEAP（Google Cloud コンサルティング（GCC）内で Vertex AI をビジネスのあらゆる部分に活用する社内の取り組み）の中核をなしています。

今週開催される Next ‘24 では、AI を活用したサービスのビジネスを創出するために、社内で Vertex AI プロダクトをどのように利用しているのかをご紹介します。ここでは、この取り組みの中で開発してきた注目すべきアプリケーションを 2 つ取り上げます。

1. GCC Assist: AI 搭載の情報ハブ

Google Cloud コンサルティングには、実践的なデリバリー体験、アーキテクチャモデル、ベストプラクティスのガイダンス、デリバリーガイド、テンプレートなどの充実したデータが大量に蓄えられています。驚くべき知識のリポジトリを築き上げたものの、それをすぐにユーザーに活用してもらえるような簡単な方法は用意していませんでした。

そこで、簡単な自然言語のやり取りで情報を要約したり合成したりするために Vertex AI のベクトル検索と生成 AI を活用したところ、Google のチームの全員がデータの価値を引き出せるようになりました。アイデアはシンプルで、データに基づいて自然言語クエリを直感的に理解し応答することができる、一元化された AI 搭載アシスタントを作成する、というものでした。Vertex AI により、GCC ユーザーが AI による対象分野の個人向けエキスパート機能をオンデマンドで利用できるようになりました。これはサービス提供に関する分析情報や、ベストプラクティスハンドブック、お客様のユースケースに基づくサービス、その他の重要な運用リソースを探すために役立ちます。

Google のチームはすでに、Vertex AI で情報検索、お客様とのミーティングの準備、サービスの提供にかかる時間を短縮できることを実感しています。この情報ハブをすぐに利用できるようにしたことで、チームメンバーが答えや情報を素早く見つけて、お客様に適切なサポートと効果的なガイダンスを提供できるようになりました。

たとえば、Google Cloud コンサルティングのディレクター Dan Roiter はこのように述べています。「Teradata から BigQuery への移行をどのように実現するかについて、重要なミーティングをお客様と行いました。その際、この分野に詳しい技術エキスパートとして GCC Assist にいくつか質問をしたところ、サンプルプロジェクト、リファレンスアーキテクチャ、メリットの例、ウォッチポイントを確認できました。そうしてお客様とのミーティングの準備を整え、プログラムを進めることができました。」

2. GCC Scribe: 生成 AI による契約書起案パートナー

Google のチームは、お客様とのプロジェクト計画を把握し文書化するために、顧客エンゲージメントの範囲設定や作業明細書（SOW）の作成もサポートします。調査や起案には何時間もかかることがあり、多くの場合、専門分野の異なる複数の人員が必要になります。

このプロセスを加速させるために、Google は GCC Scribe を作成しました。Vertex AI のベクトル検索を活用したこのツールを使用することで、チームは契約書や SOW を素早く作成し、提供することができます。Scribe により、ユーザーは自然言語で SOW を検索して特定の実装シナリオを記述したり、テンプレートや承認済みの前例に基づいて SOW の草案を生成したりできます。Scribe では契約書の自動レビューも利用できます。これは AI を使用して提出前の契約書のレビューを行う機能であり、問題を報告したり、承認プロセスを加速させたりするために役立ちます。

取り組むにあたっての課題

Google はお客様とのやり取りや日頃の経験から、生成 AI のテストが通常は迅速であり、素早い概念実証を実現できるものであると認識しています。しかし、本番環境に対応できる有用な生成 AI アプリケーションを開発するには、明確な効果のある有益な機能を構築し、データ品質、データの可用性、セキュリティ、プライバシーについて入念に検討する必要があります。

Assist と Scribe の両アプリケーションを開発するにあたり、Google は大きな課題に直面しました。AI プロジェクトの実装を開始する際は、こうした点に注意することをおすすめします。

データの準備: 優れた生成 AI 体験を実現するには、関連性の高い充実したデータが必要です。Google はアップストリームのデータオーナーと提携することで、適切なデータを取得して正規化し、正確な引用のためにメタデータで補強しました。この評価は、データに関する現在と今後の機会を示すために役立ちました。
アプリとプラットフォーム: 長期的な価値を最大限に高めるために、新しいアプリを個別に構築するのではなく、構築するためのプラットフォームアプローチを採用することにしました。一度取り込まれたデータは、複数の目的やユースケースに利用できます。プラットフォームアプローチには事前の計画が必要ですが、最終的には将来の機能開発を加速させることができます。
大規模なパーソナライズ: インターフェースには毎日のように、生成 AI を活用したチャット機能などの新しいイノベーションが起きています。Assist でユーザーはさまざまなボタンをクリックして、特定の分野の質問を行うことができます。これにより、（1）ユーザーの期待する目標を定め、（2）データセットごとにプロンプトエンジニアリングを提供して、（3）ロールタイプに基づいたシンプルなレベルのアクセス制御を行うことができます。
セキュリティとプライバシーの考慮: エンタープライズアプリケーションにおいて、データと AI に関するセキュリティとプライバシーは重要なコンセプトであり、計画の初期段階で考慮する必要があります。当初からこうした問題に対処しておくことで、セキュリティとプライバシーを、機能の設計やアーキテクチャの決定の基礎とすることができます。

プロジェクト LEAP から得た最大の収穫

GCC で AI を導入した経験に基づくと、Google がその過程で得た最大の教訓は、同じ主要テーマに帰結します。つまり、データの課題、ユーザー中心設計の重要性、そして専門的な観点から AI に特有な考慮事項を深く理解することです。

ここで、生成 AI の導入を成功させるために役立つ 4 つの推奨事項を紹介します。

必ずライブデモを行い、早期のフィードバックを求める: AI のデプロイは、「理論上」ではうまくいきません。経営陣の賛同を得たり、アイデアや新しいプロダクト機能について正確なフィードバックを集めたりするには、実際の対面デモや仮想デモを行うことが重要です。
ユーザーと話す: ユーザーエクスペリエンスが優れているということは、つまりプロダクトのユーザーについてよく理解しているということです。ユーザーが建設的なフィードバックを提供できるようなプロセスを確立し、作業が進行中のものであってもユーザーがテストできるようにしましょう。
投資し、最初の一歩を踏み出す: 生成 AI を使用して今作成するものは出発点にすぎなくても、投資する価値はあります。生成 AI をうまく使用したり取り入れたりできれば、将来的に差別化要因になる可能性があります。早ければ早いほどよいでしょう。
自分のために解決し、他者のために解決する: どのようなプロジェクトにも、別の部門、部署、会社に展開する機会があります。自分にとって有用なものを作れば、拡大するチャンスが生まれます。

詳細については Google Cloud Next でお伝えします。また、この 2 つのソリューションの技術的な実装や基盤について詳しく説明する記事を投稿する予定です。

Google Cloud コンサルティングでは、Vertex AI を使用した生成 AI のユースケースをテストする方法や本番環境に導入する方法について、ガイダンスを提供しています。Google は、クラウドへの独自の取り組みを行うすべてのお客様に対して、適切なサポートを行いたいと考えています。Google Cloud コンサルティングが学習、構築、運用、成功にどのように役立つかについて詳しくは、こちらのページをご覧ください。

^{これらの取り組みでリーダーシップを発揮し協力をしてくれた Kaitlin Ardiff、Gautam Bajaj、Daniel Massarsky、Robin Singh、Crispin Velez、Vineet Verma に感謝します。また、イノベーションを熱心に支援し、Google Cloud AI プロダクトの最前線で活躍してくれた Sunil Rao と Lee Moore にも感謝します。}

-GCC LEAP、AI プロダクト リード Bob Greenlees

-GSD コアサービス - ディレクター、GCC 自動化およびツールリード Ashutosh Gupta

Isolator のご紹介: 医療データを使用した安全なマルチパーティコラボレーションの実現

Tue, 23 Apr 2024 03:30:00 +0000

※この投稿は米国時間 2024 年 4 月 12 日に、Google Cloud blog に投稿されたものの抄訳です。

Google Cloud は、10 年以上にわたって AI モデルと ML モデルを構築してきた経験から、これらの新しいテクノロジーの活用を検討している皆様に待ち受けるメリットと課題の両方を理解しています。世界中の組織は現在、厄介な問題を解決するために AI ソリューションに注目しています。問題解決のためには、重要なデータを使用してプロダクトのテストや開発を行う際に、安全かつセキュアな方法が必要です。

特に医療とライフサイエンスの分野では、生成 AI が大きな影響を及ぼす可能性が明らかになっています。これには、情報や分析情報へのアクセスの改善、医療従事者の管理負担の軽減、創薬や臨床試験のペースの加速などが含まれます。

本日 Google Cloud Next で、Isolator のリリースを発表いたします。Isolator は安全なインフラストラクチャとデータ処理のためのソリューションであり、関係者間のコラボレーションで使用される医療データに重要な保護レイヤを追加します。Isolator を使用すると、分離され、コンプライアンスを確保した Google Cloud 上のプライベート環境で、未処理の元データ、機密データ、規制対象データの処理を伴う作業において、マルチパーティのコラボレーションが可能になります。

Isolator により、センシティブデータのコラボレーションにおいて複数の関係者がこれまで以上に簡単に連携できるようになります。そのため、Isolator がクリエイティブなテクノロジーソリューションの促進にどのように役立つかについて、あらゆる業界から関心が寄せられることが予想されます。Isolator は次のようなユースケースで役立ちます。

カスタムモデルの構築: Isolator は、退院サマリーの作成など、労力がかかる管理タスクを自動化する基盤モデルや Vertex AI を使用したカスタムモデルの開発をサポートできます。
複雑なデータの活用: Isolator は Medical Image Suite の導入を促進できます。これにより、研究者やデータサイエンティストが効率的にワークフローを改善し、オンプレミスでデータを保持するよりも費用を削減できるようになります。
新しい治療法の発見: Isolator を Multiomics Suite と併用することで、ワークフローの効率化、安全なマルチパーティコラボレーション、開発タイムラインの短縮が可能になり、創薬と臨床試験が簡素化されます。
高度なデータ分析のスケーリング: Isolator は、サイロ化されたオンプレミスデータベースから、Healthcare Data Engine や BigQuery などの機能豊富で高度にスケーラブルな分析およびデータ処理サービスにデータを移行、変換することで、費用の削減と結果の改善を支援します。
研究でのコラボレーション: Isolator は、モデルの研究開発で使うデータセットの構築、パッケージ化、共有をサポートすることを特に得意とします。データの完全性を保証し、データセットに対して行われるすべてのアクションに透明性をもたらすことができます。

お客様とそのパートナーは Google Cloud のコンサルティングサービスを通じて利用できる Isolator により、IT 環境内に分離されたインスタンスを設定して、プライバシー、セキュリティ、完全性、トレーサビリティを維持しながら機密性の高い医療データのワークロードを処理できるようになります。

また、Isolator は、お客様がワークロードを Google Cloud に移行する際にも役立ちます。データをエンドツーエンドで保護することで、強固な AI モデルと ML モデルの作成に必要となる安全な境界を確立しやすくなります。

Isolator の中核となっているのは、業界初で広く普及している Google のゼロトラストテクノロジーである Chrome Enterprise Premium で構築された環境です。Isolator は、VPC Service Controls、Chrome Enterprise、保存中、使用中、転送中の暗号化など、Google Cloud に組み込まれている他の機能と組み合わせることで、安全な Isolator 環境からのデータ流出を防ぐ ID ベースのアクセスを提供できます。特別なデバイスや、データ損失防止（DLP）制御、VPN 接続を設定、デプロイする必要はありません。

Isolator は Google Confidential Space などのテクノロジーと連携することもできます。Confidential Space は、強固なハードウェア分離とリモート認証機能によって使用中のデータを暗号化し、さらに優れた制御を実現します。

重要な点として、Isolator には、データアクセスアクティビティのログ記録や、セキュリティに関する構成ミスの検出、違反の報告を行う検出機能とアラート機能も組み込まれています。これにより、お客様のセキュリティチームは、機密性の高い医療データに対するアクセス権が付与されているユーザーを完全に制御できるようになります。

お客様は、組織のセキュリティポリシーが常に満たされている限り、数回クリックするだけで、世界中のどこにいても、どのデバイスからでも、Google Cloud 上のデータと ML リソースへの安全なアクセスをあらゆる共同編集者に提供できます。Isolator で保護された環境のセキュリティが変更された場合、必要な保護が復元されるまでデータへのアクセスは一時停止されます。Isolator は Google Cloud サービス上に構築されており、コンプライアンスのページに記載されている制御と保証を継承します。

Google Cloud は、AI を大胆かつ責任を持って構築するための知識と能力を共有することが、組織と社会全体に利益をもたらすと信じています。こうしたアプローチは、Isolator のようなソリューションを構築する原動力となっています。安全かつセキュアなコラボレーションが、医療をはじめとするさまざまな業界の組織にもたらす効果は革新的であり、医療従事者、保険者、研究者が Google Cloud に信頼を寄せる主な理由の一つとなっています。

今すぐ Isolator の利用を開始する方法の詳細については、Google Cloud コンサルティングサービスを通じて Google Cloud セールススペシャリストまでお問い合わせください。

-CISO オフィスディレクター兼エンタープライズヘルスセキュリティ責任者 Taylor Lehmann

-Google Cloud コンサルティング、プラットフォームセキュリティ、コンプライアンス担当マネージャー Jaffa Edwards

クラウドへの移行を加速させることを目的とした、新しい Google Cloud コンサルティングプログラム

Tue, 23 Apr 2024 03:10:00 +0000

※この投稿は米国時間 2024 年 4 月 11 日に、Google Cloud blog に投稿されたものの抄訳です。

Google Cloud コンサルティングでは、お客様がクラウド移行のどの段階にいる場合でも、学習、構築、運用、成功を支援することに取り組んでいます。私たちは生成 AI の変革をもたらす可能性に刺激を受けています。そして、生成 AI が多くの注目を集めている一方で、それを支えるクラウドインフラストラクチャは依然として重要です。

私たちは、世界中の何千もの顧客エンゲージメントを通じて、知識豊富なスタッフ、強固なテクノロジー基盤、信頼できるガイダンスがイノベーションをもたらすことに気付きました。このたび、新しい Google Cloud コンサルティングプログラムを発表いたしました。これは、新しいアイデアを実現するうえで、お客様の現在のニーズに応えられるよう支援するプログラムです。

学習によって結果を改善

Google Cloud コンサルティングの目標は、誰もが、どこにいても、Google Cloud テクノロジーを利用して成功するために必要なスキルを簡単に習得できるようにすることです。学習と支援は、世界中の情報を整理し、誰もがアクセスして活用できるようにするという Google のコアミッションにおける重要な部分です。私たちは、組織が学習プロセスを加速し、生成 AI を使用してビジネス機能を変革するお手伝いができることを嬉しく思います。高度なトレーニングを受けた組織は、クラウド移行が成功しやすくなるとともに、従業員もより自信を持つようになります。そのため、私たちは今年のお客様のビジネスを推進する要素として、学習に力を入れています。

生成 AI は、ほとんどの組織がちょうど今学習しているスキルを必要としますが、多くの組織では、従業員に教えるための社内の専門知識がありません。役員の 87% が、AI スキルを持つ人材を見つけることに苦戦していると回答し、77% が、AI によってビジネス戦略が中断していると回答しています。

Google Cloud は、そのような状態を大幅に変えることを望んでいます。お客様のスキルと知識を拡大するための取り組みをお見せするために、Google Cloud は、上位のお客様に、チームのすべてのメンバー向けの新しい AI トレーニングを含む無料のオンデマンド トレーニングを提供しています。お客様は仮想クラスルームでの生成 AI トレーニングと、Google Cloud Skills Boost でのオンデマンドトレーニングの全カタログを無料で利用できます。Google Cloud Skills Boost には、新たにリリースされた新しい生成 AI のスキルバッジが用意されています。次の 3 つの新しいバッジが、Google Cloud のコンセプト、プロダクト、サービスについて、個人が該当し評価されている能力を示します。

詳しくは、Google のアカウント担当者にお問い合わせください。

実社会への影響のために簡素化されたソリューション

Google Cloud コンサルティングでは、ビジネスに特化したソリューションによってお客様の複雑な問題を解決することに取り組んでいます。お客様が生成 AI を使用して成果を挙げ、一般的な障壁を克服できるように、私たちは Google のプロダクトエキスパートと連携し、テクノロジーとサービスの両方に焦点を当てたエンドツーエンドのソリューションを厳選しました。完全なソリューションを活用して、デベロッパーの生産性、カスタマーサービスのモダナイゼーション、マーケティング、デジタルコマース、ウェブサイトのモダナイゼーション、バックオフィスビジネスアプリケーションにおける既知の課題に対処できます。特定の業界ニーズを満たすように、すべてが専門家によって設計され、パートナーとの連携により提供されます。

また、Google Cloud コンサルティングと簡単に利用できるよう取り組んでいます。クレジットプログラムの変更を展開し、既存のインセンティブに影響を与えることなく、完全な GCC サービスカタログを幅広く利用できるようになる予定です。この簡素化されたエクスペリエンスによって、お客様の柔軟性が向上し、Google Cloud のエキスパートから直接ガイダンスを入手してリアルタイムの支出に関する情報の可視性が高まり、サービス戦略を最大限に活用できるようになります。

実現するためのパートナー

クラウドテクノロジーを活用し、生成 AI を効果的に統合してビジネスを変革するには、チームワークと、堅牢な基盤が必要です。そのため私たちは、特に堅牢なパートナーエコシステムの中で、コアインフラストラクチャ、鉄壁のセキュリティ、お客様対応チームのスキルアップに大きく力を入れています。今年の Next で、Delivery Navigator が一般提供となったことを発表しました。

Google が初めて Delivery Navigator を発表したのは Google Cloud Next’ 23 でした。一貫性があり繰り返し可能で、アジャイルかつ高品質なエクスペリエンスを共同でお客様に提供するための手段としてご紹介しました。そして今、さまざまな変革の手法が集められたこのライブラリを、数千ものクラウドプロジェクトを実施した経験に基づいて、パートナーエコシステムの他のパートナー様にも提供する準備が整ったところです。

クラウドでの成功は、お客様、Google Cloud コンサルティング チーム、パートナー様の密接な連携によって実現するものであると私たちは理解しています。Delivery Navigator は、パートナー様がコラボレーターとして成功できるよう支援する方法の一つにすぎません。お客様は、よりシームレスで優れた提供によってこれらの変更のメリットを得ることができるのです。Google Cloud とパートナー様の専門知識を組み合わせることで、両方の利点をお客様に提供します。つまり、Google の最先端のテクノロジーと、パートナー様の専門知識と経験を利用できるということです。

生成 AI を日常業務に組み込むことは、Google Cloud コンサルティングにとって、単なる理論ではなく、実践です。Gemini とその他の生成 AI ツールを社内導入したことで、私たち自身の運用が変革されました。お客様が同じことを行えるよう支援して、ビジネス戦略と技術戦略を適切に組み合わせ、クラウド変革を実現できるようにすることを嬉しく思います。

詳細については、 Google Cloud コンサルティングが学習、構築、運用、成功をどのように支援できるかをご確認ください。

-グローバル Google Cloud コンサルティング、バイスプレジデント Lee Moore

1. EdX Enterprise、Navigating the Workplace in the Age of AI、2023 年のホワイトペーパー

Delivery Navigator: Service パートナー様への一般提供を開始

Mon, 22 Apr 2024 01:00:00 +0000

※この投稿は米国時間 2024 年 4 月 11 日に、Google Cloud blog に投稿されたものの抄訳です。

複雑なクラウド移行やクラウド変革を進める作業は、いわば未知の領域を探索するようなものです。多くの企業は、最新のツールや手法を利用する複雑さへの対応に追われ、中核的な目標に注力できないという課題に直面しています。では、このプロセスを簡素化し、本当に重要なことに注力し続ける方法があるとしたらどうでしょうか。

そこでこのたび、条件を満たした Service パートナー様すべてを対象として、Google Cloud コンサルティングの Delivery Navigator を一般提供することになりました。Delivery Navigator はクラウドプロジェクトのデリバリー方法に革新をもたらすプロダクトであり、Google Cloud ソリューションのアーキテクチャ面とデザイン面に関するガイダンスを提供する包括的なプラットフォームとして機能します。さらに、AI の基盤や Healthcare Data Engine など、専門分野を対象とした詳細かつ実用的な実装手順も提供します。Google が初めて Delivery Navigator を発表したのは Google Cloud Next’ 23 でした。このときは、一貫性があり反復可能で、アジャイルかつ高品質なエクスペリエンスを共同でお客様に提供するための手段としてご紹介しました。そして現在は、何千ものクラウドプロジェクトを進めてきた経験に基づき、さまざまな変革手法を集めたライブラリなどをパートナーエコシステムの他のパートナー様にも提供する準備が整ったところです。

まずは、こちらのクリップをご覧いただき、Delivery Navigator が Google Cloud コンサルティングのビジネスをどのように最適化してきたのか、そして貴社にどのようなメリットをもたらすのかご確認ください。

新しいクラウド手法に関するコミュニティを少しずつ構築

Google のテクノロジーとさまざまな実装手法を組み合わせた Delivery Navigator は、Google Cloud コンサルティングのお客様による Google Cloud での変革、創造、イノベーションを支援する社内プラットフォームとしてスタートしました。昨年のパートナーコミュニティに対する最初の限定公開プレビュー版プラットフォーム提供を経て、1 つ以上のパートナースペシャライゼーションを取得済みのその他の対象パートナー様に Delivery Navigator を公開する準備が整いました。

この大きな節目は、プライバシーとセキュリティを厳格に管理しながら、クラウドプロジェクトのデリバリー手法について活発に探究するコミュニティとして Delivery Navigator を確立しようという Google のビジョンを前進させるものです。これは、Google のパートナー様、ひいては Google のお客様も対象となります。Google は Delivery Navigator が、ともに協力して継続的な価値を促進していくためのこれまでにない機会をもたらすものであると考えています。

実務担当者が価値とイノベーションの促進に注力し続けられるようにする

Google の目標はたったひとつです。それは実務担当者が、最新のツール、手法、クラウドでの作業方法に関する情報を 1 か所で容易に入手できるようにすることで、パートナーやお客様が各自のビジネスにとって重要な側面に注力する時間を取り戻すことです。Delivery Navigator は単なるツールではありません。クラウド移行とクラウド変革のプロセスを効率的に進められるように設計された包括的なエコシステムなのです。

Delivery Navigator は Google Cloud コンサルティングのプロジェクト管理のベストプラクティスに基づいて構築されており、効率と品質を高め、リスクを低減する総合的なアプローチを提供します。技術的な手順、作業量の見積もり、スキル要件、テンプレートベースの成果物など、カスタマイズされたプロジェクト計画がいつでも利用できるようになります。さらに、Delivery Navigator は、Jira、Smartsheets、Asana などのプロジェクト管理ツールと統合済みです。このような効率化により、エンジニアやプロジェクトマネージャーは面倒な調査や管理作業から解放され、お客様のエクスペリエンスを一変させるソリューションの把握と提供に専念できるようになります。

Delivery Navigator は、以下のような多数のメリットを Google Cloud の Service パートナー様にもたらします。

効率の向上: 構造化されたわかりやすい指示と、計画の構造に基づいて構築されたリソースにより、プロジェクトデリバリーを加速します。
品質の向上: 実証済みのエクスペリエンスに基づいた Google Cloud のベストプラクティスを活用して、お客様の期待を上回る成果を達成します。
リスクの最小化: 潜在的な課題を予測して緩和する明確かつ構造化されたアプローチと構造化されたガイダンスを組み合わせることで、よくある落とし穴を回避し、やり直しを削減できるため、プロジェクトを順調に進めることができます。
顧客満足度の向上: クライアントの主要な課題に対処し、中核的な問題点を解決することで、クライアントの共感を得られるプロジェクトデリバリーを達成し、満足度とロイヤリティを高めます。
専門知識の蓄積: プラットフォームのナレッジベースを拡大するため、共同編集やブランド提携の機会を通じて、Google にご協力をお願いしております。

導入に向けて

Google Cloud プロジェクトのデリバリー方法を刷新する準備は整っているでしょうか。ソリューション分野で 1 つ以上のパートナースペシャライゼーションを取得されている場合は、このプラットフォームとオンボーディングプロセスに関する詳細情報が記載されたスタートガイドをご覧ください。また、優れたクラウドサービスの提供に特化したコミュニティに、ぜひご参加ください。

Google Cloud コンサルティングと Delivery Navigator でクラウドサービスの未来を切り開き、プロジェクトごとにクラウドの可能性を引き出しましょう。

ーバイスプレジデント、Cloud プロフェッショナルサービスグローバル責任者 Brad Little

Next '24 でクラウドのスキルを大きく高める: あらゆるスキルレベルに適した学習をお届け

Mon, 01 Apr 2024 16:00:00 +0000

※この投稿は米国時間 2024 年 3 月 14 日に、Google Cloud blog に投稿されたものの抄訳です。

この 4 月にラスベガスで開催される Next '24 は、クラウドの専門的なスキルを大きく高めるチャンスです。

4 月 9～11 日にラスベガスで開催される Google Cloud Next '24 では、Google Cloud コンサルティングが、クラウドに興味を持ち始めたばかりの方から、上級のプロフェッショナル、デベロッパー、パートナー、そして最高責任者に至るまで、あらゆるスキルレベルの参加者に適したまたとない学習の機会を 3 日間にわたり提供します。Next 参加者が今後業務でクラウドのスキルを活かすにあたって直接的に役立つよう、さまざまなプログラムを計画しておりますので、この機会を逃さず参加いただけると幸いです。最新テクノロジーを体験できるハンズオンセッション、ライブワークショップ、スキルバッジや限定グッズの獲得、生まれたばかりのイノベーションのデモ、チャレンジの実施、コミュニティのエキスパートとの交流など、見逃せない機会が盛りだくさんです。ぜひ入場券を確保して、今すぐご登録ください。

入場券を手に入れ、準備が整いましたでしょうか。ここでは、Google Cloud Next で得られる主な学習機会をいくつかご紹介します。

生成 AI のスキルバッジ（とグッズ）を手に入れる

生成 AI のスキルアップは、今後間違いなく役立ちます。Vertex AI におけるプロンプト設計のスキルバッジを無料で獲得できる入門コースは、生成 AI を使用してクラウドソリューションを短時間で構築する実践的体験を提供し、価値ある Google Cloud クレデンシャルを獲得できます。Vertex AI におけるプロンプト設計のスキルバッジを獲得できる入門コースを Next '24 開催期間中、または開催前に修了した方には、学習と認定資格のブースにお立ち寄りいただくと、限定グッズを進呈します。ソーシャルメディアでデジタルの #GoogleCloudSkillBadge（Google Cloud スキルバッジ）をシェアして、実績をアピールしましょう。

自分に適したクラウドのタイプを見極める

Python を駆使した技術的に高度な開発を行うスキルを身に付けるべきか、あるいはラバーダックデバッグの手法でより重要な問題に集中するスキルを身に付ける方が良いのか、お悩みではありませんか。そのような方に朗報です。学習と認定資格のブースでは、今回新たに提供される「What's my Cloud Type?（自分に適したクラウドタイプ）」のクイズを受けて、自分に最適なスキルを見極めることができます。現場のインサイトを取り入れたこのクイズに楽しみながら答えることで、今後どのような方向で学習を進めればよいかを的確に判断できます。興味 / 関心や仕事のスタイルに関するいくつかのクイズに答えるだけでクラウドタイプを判定でき、その結果に沿った Google Cloud のスキルセットや、パーソナライズされた学習プログラムが提案されます。現実志向の方も技術志向の方も、現実的な問題を徹底的に調査することを好む方もこれまでにないイノベーションを目指す方も、あらゆるタイプの方に最適な学習プログラムを提供いたします。ここでしか手に入らないピンを手に入れて、クラウドのスキルをアピールしましょう。

トレーニングワークショップでスキルを高める

さまざまな学習レベルに適した、キャリアアップにつながるセッションを開催します。Google Cloud のトレーニングを受けて資格認定された方は、収入が増加し、自信を持って仕事に取り組めるようになったとの報告があります1。自己投資として、積極的に認定資格トレーニングワークショップを受けることをおすすめします。ワークショップでは、実践的な学習、ゲーム感覚のアクティビティ、講演者のプレゼンテーションなど、さまざまな形で学習を進めることができます。データ分析を始めたばかりで大規模データセットに対するクエリの演習を行いたい方や、生成チャットアプリの作成を通して生成 AI に関する高度な能力をさらに高め、実践的なものへと磨き上げたいとお考えの方など、さまざまなレベルの参加者向けのセッションが提供されます。セッションライブラリでご自身に適したセッションを探すことができます。自分にぴったりのセッションが見つかったら、定員に達する前に、今すぐ技術トレーニングセッションの座席を確保しましょう。

Cloud の学習に関するブレイクアウトセッションに参加する

トレーニングと認定資格が企業文化の変革にどのように役立つか知りたいとお考えでしたら、Google におまかせください。人気の高い Google Cloud 認定資格試験への準備と対策についての役立つ情報、生成 AI を活用してチームの学習を効率的に進める方法、Google Cloud が提供する最新の学習リソースの情報などを提供いたします。Google のお客様によるセッションでは、Cloud の学習がビジネスにもたらしたプラスの影響について、実体験に基づくストーリーを聞くことができます。Cloud の学習と認定資格のプレイリストをご確認のうえ、関心のあるセッションの予定をカレンダーに記入しておきましょう。

ライトニングトークでインスピレーションを得る

さまざまな業界でスキルを重視する傾向が強まる中2、どのように最新のスキルを身に付け、キャリアの成長に結び付けるかを理解することが重要になっています。Google Cloud Learning Services では、自分自身の専門性をどのように築き上げればよいかについての 2 つのライトニングトークを開催します。履歴書で差を付けたいとお考えの方は、「Stand Out with Google Cloud Credentials（Google Cloud クレデンシャルで差を付ける）」にご参加ください。Google Cloud クレデンシャルを活かしてライバルに差を付け、新たなキャリアにつなげる方法をご紹介します。早いペースで進化するテクノロジーに合わせて、学習に対するアプローチをどのように変えてゆけばよいかお悩みの方は、「Need for Speed: Skilling up in the World of Cloud and AI（スピードが求められる時代: クラウドと AI の世界におけるスキルアップ）」にご参加ください。AI とクラウドテクノロジーの急速に進化する世界において、既存のスキルを評価し、新たなスキルを習得することの重要性と、そのプロセスについてご紹介します。さらに詳しい内容などについては、セッションライブラリの Innovators Hive ライトニングトークをご覧ください。

スキルを向上させ、限定グッズを手に入れる

素敵なグッズを配布しています。Next 開催までに以下の 3 つのスキルバッジのいずれかを獲得して、Google Cloud に関する高い能力があることを示しましょう。

デベロッパープロフィールに掲載されるデジタルバッジを獲得して、オンラインでシェアし、#GoogleCloudLearning（Google Cloud に関する学習）の取り組みの成果をアピールしましょう。バッジを獲得したら、ラスベガスで開催される Next の学習と認定資格のブースにお立ち寄りいただき、デベロッパープロフィールをお見せください。限定版のピンをお渡しします。

ガイダンスを提供する学習と認定資格のブースが皆様をお出迎え

学習と認定資格のブースでは、たとえば学習コンテンツの最新情報などのご質問にお答えするほか、ステッカーも配布しています。トレーニングのエキスパートと話せるだけでなく、最新の学習教材やクレデンシャルをお試しいただけます。もちろんクラウドのスキルについてのクイズも受けることができますので、お気軽にお立ち寄りください。また、このたび認定資格の準備のための書籍、および Google 社員が執筆した生成 AI に関する書籍を集めた学習ライブラリを初公開いたします。ブースではこの学習ライブラリを実際に手に取り、オンライン購入時の割引を受けることもできます。写真撮影用の背景もご用意していますので、ぜひ素敵な自撮り写真を撮影してください。

特定のペルソナ向け Quizathon で能力をテストする

Next で 10 分間のスキマ時間があれば、Innovators Hive の 7 種類のペルソナエリアで Google Cloud Quizathon をプレイしましょう。クイズ形式の楽しいゲームを通して、Google Cloud の基礎的なコンセプトに関する知識をテストできます。デジタルのバッジと実物のグッズを手に入れて、専門知識をアピールしましょう。

コミュニティハブで人脈を広げ、最新の流行についての情報を手に入れる

Innovators Hive のコミュニティハブでは、さまざまな参加者とつながることができます。デベロッパーや Google Cloud Innovators との会話を通して、さまざまな Google コミュニティについての情報を得て、自分に適したコミュニティを見つけることができます。ペルソナベースのデモを体験する、エキスパートと会話する、オフ会に参加するなど、さまざまな交流を持つことができます。ハブでは常にさまざまな交流が繰り広げられていますので、いつでもお気軽にお立ち寄りください。

Next 開催まで待ちきれない方は、Google Cloud コミュニティに登録して今すぐ交流を始めることができます。

Google Cloud コンサルティングブースでエキスパートと交流する

Showcase に設けられた Google Cloud コンサルティングのブースでは、プロダクトおよびソリューションのエキスパート、業界のエキスパートが、個々のお客様に合わせたコンサルティングを提供します。たとえばビジネスを変革するためのヒントをご希望の場合は、高度な分析機能を活かしてデータから最大限の分析情報を手にする方法や、最先端の AI ソリューションを統合してプロセスの自動化、意思決定の改善、カスタマーエクスペリエンスの向上を実現する方法を学ぶことができます。クラウドテクノロジーのリーダーから貴重な情報を直接聞けるこのチャンスをお見逃しなく。ビジネスを前進させるために必要な情報を手に入れましょう。

リラックスして Champions and Certified Lounge を満喫する

Innovators Hive には、Champion Innovators と Google Cloud Certified のコミュニティ専用のラウンジをご用意しています。人脈を築く、議論を戦わせる、くつろいで軽食をとるなど、自由にご利用ください。軽食のご用意のほか、Google がキュレートしたプログラムおよびイベントも開催します。写真撮影用の背景もご用意していますので、ラウンジでのひと時を写真に収め、シェアすることができます。リラックスして他のラウンジ利用者との絆を深めるための特別なアクティビティも突発的に開催します。Google Cloud Next に登録する際、プロフィールページに Champion Innovator または Google Cloud Certified と明記すると、スムーズにラウンジをご利用いただけます。

今年最大のイベントの開催を控え、スタッフ一同心が躍る気持ちです。この機会を活かしてスキルを大きく高め、それぞれの専門分野での未来につながる投資を強化していただけますと幸いです。ラスベガスの Google Cloud Next でぜひお目にかかりましょう。お待ちしております。今すぐご登録ください。

1. 2020 年 Google Cloud 認定資格の影響度に関するレポートのアンケート回答に基づいています。2. 出典: Deloitte の記事（2022 年）

-Google Cloud 学習サービス担当マネージングディレクター Erin Rifkin

メインフレームの移行が単なるテクノロジーの変革ではない理由

Tue, 27 Feb 2024 01:00:00 +0000

※この投稿は米国時間 2024 年 2 月 17 日に、Google Cloud blog に投稿されたものの抄訳です。

英国の作家であり小説家の L.P. Hartley はかつて「過去とは異国のようなものだ。今とは物事の進め方が違う」と言いました。メインフレームの移行という領域において、この感覚は特に当てはまります。メインフレームの移行はしばしば組織全体に予期せぬ変化を引き起こします。

メインフレーム環境で確立しているプロセスは、メンテナンス、セキュリティ、サポートなどの重要な機能を備えた、一元管理型の内部サービスとして提供される傾向があります。しかし、アプリケーションやワークロードをクラウド環境に移行する際は、このような一元化されたプロセスや提供方法も変えなければなりません。

デリバリーを一元管理することは、整合性、エンジニアリングリソースの共有、一括割引、組織の要件の専門的な理解の向上につながり、費用削減に効果的であることが実証されています。一方でリソースが有限であることがスケーラビリティ、柔軟性、迅速な処理の妨げになり、メインフレームに少しでも関わるイニシアチブはすべて一元的に調整しなければなりませんでした。

しかし、クラウドへの移行が完了に近づく頃、多くの組織は突如として、かつてメインフレームチームが行っていた作業を再現する必要があることに気づきます。とはいえ、この頃には変更に対応できる新たな力を手に入れています。このように、変革がもたらすメリットを組織が最大限に活用しようとする際に非常に役立つのが、クラウドプロバイダやパートナーの深い専門知識です。

Google Cloud コンサルティングでは、組織が複雑な移行を遂行するのを何度も支援し、変革はテクノロジーだけでなく、人やプロセスにも関わるものであることを目の当たりにしてきました。この投稿では、メインフレームからクラウドに移行する際に大きな影響を受け、変化することが予想される 3 つの分野をご紹介します。

メンテナンス: 違いは設計にあり

私たちはよくお客様に対し、新しいクラウドチームに余計な負担をかけないようにするため、プロセスが不要になる設計にすることをおすすめしています。たとえば、AlloyDB、CloudSQL、BigQuery といった Google Cloud のマネージドデータベースを使用すれば、オンプレミスのデータベースやデータストアに関連するユーティリティやメンテナンスタスクの多くをなくすことができます。毎晩のバックアップや毎年のデータベース再編成などのプロセスが Google Cloud によって自動化、管理されるため、心配する必要がなくなります。

同様に、Google Cloud では、GKE インスタンスを定期的（30～45 日間隔など）にローテーションすることにより、OS のアップグレードとパッチを自動的に実行できます。組織はこれをポリシーで定義し、新しい OS イメージのロールアウトを CI / CD パイプラインに統合できます。こうすることで、これらのプロセスはモニタリングや管理を必要とする個別の作業ではなく、通常の開発ライフサイクルの一部となります。

当然ですが、それでもバックアップや緊急の復元プロセスは定期的にテストする必要があります。とはいえ、テストは特に面倒なものではありません。組み込みのネットワーク分離機能とオンデマンド容量を組み合わせれば、障害復旧環境をスピンアップし、データベースを復元してテストを行い、再び停止させることが十分可能です。しかも、これらはすべて本番環境を停止させずに実施できるのです。

移行する前の一元化されたプロセスと比較して、クラウドベースアプリケーションでは、メンテナンスと更新にかかる労力と時間を、オンプレミスソリューションで同じタスクを行う場合よりも大幅に削減できます。

セキュリティ: 全員が鍵を持つ（とは限りませんが）

移行時に課題となることが多いものの一つが、セキュリティへの対応です。Google Cloud はデフォルトで保存データの暗号化を提供していますが、それだけでは必ずしも十分ではありません。鍵のローテーションなど、追加のステップを検討する必要があります。クラウド環境に移行するにあたり、鍵をローテーションすることは組織の責任となります。

メインフレームについては許容される最低限のソリューションでよしとしてきたかもしれませんが、クラウドへの移行を機にセキュリティ管理を強化しようとする組織は少なくありません。そのため、新たな負担が生じる場合があります。メインフレームでは、すべてのデータに対して同じ鍵が使われる可能性がありますが、クラウドの場合、すべての場所ですべてのデータに同じポリシーを適用することは非論理的です。

成功するパターンとしてよく見られるのは、各プロダクトやアプリケーションのオーナーに鍵をローテーションする責任を持たせる方法です。こうすることで、データに応じて異なるローテーションポリシーを設定できます。たとえば、最高レベルの PCI および PII 保護が必要なデータの鍵は 90 日ごとにローテーションし、一般公開データは 12 か月ごとにローテーションします。このパターン化により、鍵が漏洩した場合の影響範囲も小さくできます。目標は、データや各地域の法律に合わせてポリシーを調整し、わずかな労力で全体的なセキュリティ対策を向上させることです。

同様に、クラウドコンプライアンスも対処すべき極めて重要な課題です。コンプライアンスの監査には時間がかかりますが、組織が透明性を確保し、データとクラウドアセットを保護するうえで非常に重要な手続きです。監査を成功させるコツは、コンプライアンスを示す電子証跡でポリシーとドキュメントを裏付けることです。クラウドの優れた点は、既存のクラウドドキュメントに組織のポリシーを適用したり、要件を満たしていることの証明としてプロダクトやサービスのログを使用したりするのが容易なことです。

サポート: 新たな責任、より優れたソリューション

午前 2 時にかかってくる電話ほど嫌なものはありません。何かが失敗したか（よくないこと）、うまくいっていない（さらによくないこと）からです。メインフレームは緊密に統合されているため、サポートは主に、メインフレームの問題をゼロからトラブルシューティングするスキルとセキュリティ権限を持つ、オンコールのコアチームに任されていました。

Google Cloud に移行すると、Google がインフラストラクチャを提供する責任を担いますが、何が実行されているかは Google ほとんど把握していません。そのため、サポートは個々のプロダクトチームが担当することになります。新しい責務ですが、Google Cloud から多くのサポートをご提供します。

Google Cloud Operations には、トラブルシューティングに役立つ完全に統合された指標一式が一括表示されるため、問題点を簡単に見つけることができます。これらの指標は、組織の特定の技術スタックを反映するようプラグインで最適化することができます。

さらにクラウドは、夜中に電話でデバッグする必要のない問題を解決するための新たなオプションも提供します。たとえば、問題が発生したインスタンスをクラスタから隔離し、数秒で代替インスタンスをスピンアップすることも可能です。その結果、お客様の生活に支障をきたすことなく、チームは朝、コーヒーを飲みながら問題を解決できるようになりました。

最後に

メインフレームの移行に着手することは、大変であると同時にやりがいもあります。新しい役割や責任を担うことはエキサイティングなことですが、何十年もかけて特定の役割のスキルを磨いてきた既存のチームにとっては、大変な移行になる可能性が高くなります。組織は、このことを前提としてそれに応じた計画を立て、設計と自動化を通じて可能な限り問題を排除する必要があります。

Google Cloud コンサルティングは、このプロセスの複雑さを理解しています。Google のチームは、深い専門知識を活用して移行を効率化し、プロセスを自動化して、組織がクラウドの可能性を最大限に活用できるようにすることで、お客様がこのような変化に対応できるよう全力でサポートします。

メインフレームのモダナイゼーションに対する Google Cloud の取り組みについて詳しくは、こちらをお読みいただくか、Google Cloud のエキスパートにお問い合わせください。現在受付中: Google Cloud コンサルティングにご連絡ください。どうすればお客様の組織固有のニーズや目標に合わせた移行戦略を策定できるか探りましょう。Google と連携することで、メインフレーム移行という課題を成長とイノベーションの機会に変えることができます。

-Google Cloud コンサルティング、メインフレーム リード David Morley

エンタープライズ品質の AI アプリケーションを構築するには、モデルだけでは不十分

GKE Cronjob と Google Cloud Storage を介した Neo4j グラフデータベースのバックアップと復元

Mon, 05 Feb 2024 03:00:00 +0000

※この投稿は米国時間 2024 年 1 月 27 日に、Google Cloud blog に投稿されたものの抄訳です。

昨今のデータ中心の世界では、データベース情報の完全性と可用性は、あらゆるデジタル企業の成功に不可欠です。Neo4j は、込み入った関係と複雑なクエリを巧みに処理することで知られるプレミアなグラフデータベースであり、この現実の最前線に立っています。しかしながら、Neo4j のスケーラビリティは、特にデータのバックアップと復元に関して、独自の課題をもたらす可能性があります。データが急激に増加するにつれて、従来のデータベース管理手法では限界が見えてきます。

背景

Neo4j データベース管理の動的な領域において、開発者や IT プロフェッショナルは複数の課題に取り組んでいます。従来のバックアップ方法は、面倒なだけでなくリスクも伴います。手作業による介入は人的ミスにつながる可能性があり、ローカルストレージのバックアップにはシステム障害や予期せぬ災害によるデータ損失の脅威が伴います。さらに、Neo4j が提供する多様なバックアップオプション（完全、増分、差分）は有益ですが、包括性と効率性のバランスを取るための戦略的なアプローチが必要です。

こうした複雑さを認識し、Google Cloud コンサルティングは Neo4j データベースのバックアップと復元のための自動化されたクラウド中心のソリューションを開拓しました。この革新的なアプローチでは、Google Kubernetes Engine（GKE）CronJobs の汎用性と Google Cloud Storage（GCS）バケットの堅牢性を組み合わせて利用しています。クラウドのスケーラビリティと復元力を活用することで、このソリューションはバックアッププロセスを効率化するだけでなく、データの損失や破損に関連するリスクを大幅に軽減します。

当初このツールは、特定のクライアントのニーズに合わせてカスタムメイドされたものでしたが、データの復元力を高める可能性が示されたため、Google Cloud コンサルティングはその設計をオープンソース化することを決定しました。この決定は、先進的なクラウドネイティブソリューションがより広範なコミュニティで利用できるよう、イノベーションと共有の文化を育成するという Google の継続的なコミットメントを反映するものです。このツールをオープンソース化することで、開発者や組織がデータを保護するだけでなく、安全で効率的な方法で Neo4j の機能を最大限に活用できるようにすることを目指しています。

データが意思決定と運用の要となる未来へ向けてさらに一歩踏み出すとき、データを確実にバックアップし、復元する能力が不可欠となります。このガイドと Google Cloud が提供するツールにより、Neo4j を活用する組織は、より大きな自信と能力を持ってこの道を進むことができます。

環境の設定

始める前に、環境が適切に構成されていることを確認しましょう。

Google Cloud: 有効な Google Cloud アカウントが必要です。
Google Kubernetes Engine（GKE）: GKE クラスタを作成し、Neo4j と関連コンポーネントをデプロイします。
Google Cloud Storage（GCS）: GCS バケットをセットアップして、Neo4j のバックアップを安全に保存します。リポジトリの README で提供されている詳細なセットアップ手順に沿って進めます。
コードリポジトリ: 提供されるリポジトリには、シンプルさと使いやすさを考慮して設計されたバックアップと復元の手順のわかりやすい例が含まれています。Neo4j のバックアップと復元の例

バックアップ

バックアップ手順では、バックアップのプロセスを作成および管理するための以下のステップを説明します。各ステップを詳しく見ていきましょう。

1. バックアップ Pod イメージのビルドと push:

バックアップ用の専用コンテナを作成することから始めます（例）。
backup/backup.env ファイルの設定が正しいことを確認します。これらの設定は、バックアップにデータの配置場所と Neo4j データベースの検索方法を指示します。
pod-image-exec.sh というスクリプトを使用してこのコンテナを作成し、Google Artifact Registry などのイメージリポジトリに送ります。

code_block: <ListValue: [StructValue([('code', '# スクリプトを準備する\r\n$ chmod u+x backup/docker/pod-image-exec.sh\r\n\r\n# スクリプトを実行し、バックアップコンテナを作成して保存する\r\n$ ./backup/docker/pod-image-exec.sh'), ('language', ''), ('caption', <wagtail.rich_text.RichText object at 0x7f4bebf2fbb0>)])]>

2. バックアップスケジュールの展開:

「backup/deployment/backup-cronjob.yaml」ファイルで、バックアップを作成する頻度やその他の特別な設定を決めます。
「deploy-exec.sh」というスクリプトを使用して、Neo4j クラスタのバックアップ作成スケジュールを設定します。

code_block: <ListValue: [StructValue([('code', '# スクリプトを準備する\r\n$ chmod u+x backup/deployment/deploy-exec.sh\r\n\r\n# スクリプトを実行してバックアップスケジュールを作成する\r\n$ ./backup/deployment/deploy-exec.sh'), ('language', ''), ('caption', <wagtail.rich_text.RichText object at 0x7f4bebf2f8e0>)])]>

3. バックアップコンテナの更新（必要な場合）:

バックアップの動作方法を変更したい場合は、「backup-via-admin.sh」というスクリプトを使用するか、「backup/docker/」フォルダ内の Dockerfile を変更することで変更が可能です。
変更後は、バックアップコンテナを更新する必要があります。

code_block: <ListValue: [StructValue([('code', '# スクリプトを実行してコンテナを更新して保存する\r\n$ ./pod-image-exec.sh'), ('language', ''), ('caption', <wagtail.rich_text.RichText object at 0x7f4bebf2ffd0>)])]>

4. バックアップスケジュールの削除（必要な場合）:

自動バックアップを作成する必要がなくなった場合は、簡単なコマンドでスケジュールを削除できます。<CRONJOB_NAME> をスケジュール名に置き換えます。

code_block: <ListValue: [StructValue([('code', '# スケジュールされているバックアップを削除する\r\n$ kubectl delete cronjob <CRONJOB_NAME>'), ('language', ''), ('caption', <wagtail.rich_text.RichText object at 0x7f4bebf2f3d0>)])]>

5. バックアップスケジュールの再展開（必要な場合）:

気が変わってバックアップの作成を再開したい場合は、上記と同じ構成ファイルを使用して簡単にスケジュールを再度設定できます。

code_block: <ListValue: [StructValue([('code', '# バックアップスケジュールを再度設定する\r\n$ kubectl apply -f backup-cronjob.yaml'), ('language', ''), ('caption', <wagtail.rich_text.RichText object at 0x7f4bebf2f520>)])]>

この手順により、ストレージに GCS を使用し、Kubernetes 上で実行されている Neo4j データベースのバックアッププロセスを自動化できます。これによりデータが定期的にバックアップされ、必要に応じて復元できるようになり、Neo4j ベースのアプリケーションにデータの復元力と信頼性が提供されます。

復元

1. 要件:

復元プロセスを続行する前に、次のいずれかがあることを確認してください。

Neo4j インスタンス上で Google Cloud SDK を実行するサイドカーコンテナ
Neo4j インスタンスが実行されているサーバーにプリインストールされた Google Cloud SDK

2. Google Cloud Storage バケットからのダウンロードと復元:

復元プロセスには、Google Cloud Storage（GCS）バケットからのバックアップデータの取得とそれを使用した Neo4j データベースの復元が含まれます。
このプロセスを単純化するために、「/restore/restore-exec.sh」というスクリプトがあり、復元ステップを調整し、一度に 1 サーバーずつ処理します。

3. 復元スクリプトの実行:

復元プロセスを開始するには、まずスクリプトを実行する権限があることを確認します。

code_block: <ListValue: [StructValue([('code', '# スクリプトを実行可能にする（まだ実行可能でない場合）\r\n$ chmod u+x restore/restore-exec.sh'), ('language', ''), ('caption', <wagtail.rich_text.RichText object at 0x7f4bebf2ffa0>)])]>

b. 次に、復元スクリプトを実行します。

code_block: <ListValue: [StructValue([('code', '# 復元手順のスクリプトを実行する\r\n$ ./restore/restore-exec.sh'), ('language', ''), ('caption', <wagtail.rich_text.RichText object at 0x7f4bebf2f880>)])]>

この復元手順は、Neo4j インスタンスまたはサーバー上で必要な Google Cloud ツールが利用可能であることを前提としています。スクリプトを使用して Google Cloud Storage バケットからバックアップデータをダウンロードし、Neo4j データベースを一度に 1 サーバーずつ慎重に復元します。このプロセスにより、Neo4j データベースはデータ損失や破損が発生した場合でも、効率的に復元することができ、アプリケーションのデータの信頼性を高めます。

まとめ

Neo4j データを保護することが何よりも重要です。このブログ投稿で確認したコードリポジトリは、GKE および GCS の機能と組み合わせることで、Neo4j のバックアップと復元のための堅牢なソリューションを提供します。ここで説明する包括的な手順とベストプラクティスに従うことで、Google Cloud（この場合は Google Kubernetes Engine と Cloud Storage）を最大限に活用して Neo4j データベースの復元力と可用性を確保でき、最終的にはアプリケーションの成功と信頼性に貢献します。

このガイドでは、Google Cloud コンサルティングの能力と、当面の課題を解決するだけでなく将来の進歩への道を開くソリューションの開発に対する Google の取り組みを垣間見ることができます。Google Kubernetes Engine と Cloud Storage のパワーを活用して、Neo4j データベースを安全に保護しましょう。詳しくはお問い合わせください。

リファレンスとその他の参考資料

ー戦略的クラウド エンジニア Usama Ijaz

ークラウド データベース移行エンジニア David Ng

MedLM で拡張された臨床ナレッジグラフを使用して臨床インテリジェンスエンジンを構築

Fri, 02 Feb 2024 01:40:00 +0000

※この投稿は米国時間 2024 年 1 月 24 日に、Google Cloud blog に投稿されたものの抄訳です。

AI は、患者データと医療情報を統合して価値あるインサイトを提供することで、臨床医を支援できる大きな可能性を秘めています。Google は、AI が臨床医コミュニティにもたらすメリットについて理解しており、このたび、インド最大のマルチチャンネルデジタルヘルスケアプラットフォームである Apollo 24|7 と協力して、臨床インテリジェンスエンジン（CIE）を構築しました。この CIE を使用すると、数百万もの匿名化された臨床インタラクションデータポイントでキャプチャした豊富な情報から、根拠に基づくインサイトを生成できます。このソリューションは、臨床医が自身の能力を強化し、患者により優れた治療を提供できるように支援するための補助ツールとして設計されています。

Apollo 24|7 のソリューションにはさまざまなアプローチが含まれており、Google が新たにリリースした MedLM の一部となった Med-PaLM 2 や、臨床ナレッジグラフをベースとしたモデルも使用されています。

使用したデータセット

MIMIC IV データセットを使用しました。これは一般公開されている電子医療記録データセットで、フリーテキストの退院記録も含まれています。

評価指標

テストの評価に使用した 3 つの主な指標は次のとおりです。

Top-K の調整済み MAP: Recommender のようなシステムを評価するために、上位 K 個の候補の平均適合率（MAP）を計算します。最大 K 個の値それぞれの平均適合率を反復処理で計算します。
適合率スコア: この指標によって、真陽性と比較して、予測に存在する偽陽性の数を判断しやすくなります。
キャプチャ率: この指標によって、グラウンドトゥルースに実際に存在する値のうちモデルで正確に特定された値の数を経験的に判断しやすくなります。いわば、これは再現率に似ています。

テスト

MedLM と呼ばれる Google Research の大規模言語モデル（LLM）から、Personalized PageRank などのグラフモデルや、kNN（k 最近傍）モデル、Two-Tower モデルといった従来のモデルまで、さまざまなモデルでテストを実施しました。

このブログでは、MedLM によって拡張された Personalized PageRank を使用したアプローチについて説明します。

ステップ 1: 臨床ナレッジグラフを構築する

グラフデータベースである Neo4j で、包括的な臨床ナレッジグラフを構築しました。
まず、Google の PaLM 2 モデルと Vertex Healthcare Natural Language API を使用して、退院記録の形式をとった非構造化医療テキストから医療コンセプトを抽出します。

これらの臨床エンティティには、投薬、投与量、投与頻度、投与期間、症状が含まれます。これらのエンティティをリンクして、適切な関係を作成します。抽出したエンティティは、グラフデータベースとして Neo4j に取り込まれます。

Fig 1: Clinical knowledge graph

「入院」と「UMLS」の 2 種類のノードだけを持つ二部ナレッジグラフを作成します。UMLS（統一医学用語システム）コードは、Healthcare NL API のレスポンスによって生成されます。
エンティティのコンテキストを維持するために、退院サマリーからセクション（「症状」、「アレルギー」、「病歴」など）を抽出します。薬剤「パラセタモール」が「投薬」セクションと「アレルギー」セクションに存在することは、UMLS コードが同じでも 2 つの異なるものであることを示しています。そこで、UMLS と Section（セクション）を組み合わせた中間ノード「SUMLS」を作成しました。

Fig 2: Section Details in clinical knowledge graph

このナレッジグラフを作成したうえで、さまざまなグラフアルゴリズムでテストを実施しました。

ステップ 2: GraphSage と Optuna の最適化を使用して Personalized PageRank モデルを構築する

Neo4j で作成した臨床ナレッジグラフに基づいて、PageRank ベースラインモデルを構築しました。
ノード属性を考慮するために、ノードエンベディングを使用して近接ベクターで類似ノードを表し、kNN アルゴリズムを使用して類似性の高い上位 10 件の入院を関連付けました。
利用率の高いノードのエッジについては、混雑の影響を軽減するために、利用率に基づいて重みを軽くしました。
次に、GraphSage モデルをトレーニングして、二部ナレッジグラフに存在するノードの近接エンベディングを作成しました。
エッジの重みを最適化するために、Optuna を使用しました。

ステップ 3: MedLM によって結果を拡張する

MedLM は、Google の MedLM の機能を活用しています。また、医療分野向けに調整されており、医療に関する質問に対してより正確な回答を提供します。さらに、有益で充実したディスカッションの促進、医療に関する複雑な質問への回答、複雑な非構造化医療テキストでのインサイトの発見に活用できます。ほかにも、短い回答と長い回答の作成、内部のデータセットや科学知識体系から得たドキュメントやインサイトの要約に役立てることができます。

Google が行ったテストでは、Personalized PageRank モデルの出力を MedLM にコンテキストとしてフィードして、最終的な回答を生成することによって、精度を高めることができました。

MedLM と臨床ナレッジグラフを使用したこのアプローチによって生成された最終的な回答が事実に基づいていることが確認され、偽陽性を削減し、真陽性を増加させることでさらに精度が上がることがわかりました。

「臨床ナレッジグラフと MedLM による拡張を基盤として構築されたこのソリューションは、患者の病歴を分析して、関連する投薬、検査結果、治療内容、考えられる診断に対するインサイトを生成して臨床医が確認できるようにします。このような根拠に基づくインサイトを生成することで、この生成 AI ソリューションは、臨床ワークフローの強化、エラーの削減、患者の転帰の改善を目指しています。また、非常に強力であるとともに、常に臨床医を補助する AI の機能に関して、これはほんの一例であると理解しておくことがきわめて重要です」と、Apollo 24|7 のエンジニアリングリードである Abdussamad M 氏は述べています。

このソリューションは、臨床医の専門知識に置き換わることではなく、臨床医のスキルと経験を増強することを目的としています。

Google Cloud コンサルティング（GCC）によるエンドツーエンドの迅速な導入

Google Cloud と Apollo 24|7 のパートナーシップは、組織が望ましい成果を上げられるよう支援するために、複雑な問題を解決する AI 搭載ソリューションを提供している最新の例のひとつです。Apollo は Google Cloud コンサルティング（GCC）の協力の下、繰り返しのイテレーションとテストを実施し、最終的なソリューションを構築できました。そして、これはビジネスの強化につながっています。GCC は Apollo から、Apollo チームと共同でビジネス要件に合わせてワークフローの環境を構築することを託されました。GCC ポートフォリオは、さまざまなサービスやプロダクトを 1 つに統合し、複数の専門分野にまたがるさまざまなサービスを 1 か所にまとめて提供します。学習サービス、テクニカルアカウントマネジメント、プロフェッショナルサービス、カスタマーサクセスなど、Google Cloud コンサルティングサービスの具体的なサービスの全ポートフォリオはこちらでご確認いただけます。

^{免責条項: MedLM はインドではまだプレビュー段階であり、本番環境での使用は承認されていません。}

Apollo 24|7、クリニカル AI プロダクト責任者 Chaitanya Bharadwaj 氏
Google Cloud、AI プログラム リード Sharmila Devi

Apollo 24|7 による MedLM と RAG を活用した医療分野の変革

Fri, 02 Feb 2024 01:30:00 +0000

※この投稿は米国時間 2024 年 1 月 24 日に、Google Cloud blog に投稿されたものの抄訳です。

インド最大のマルチチャネルデジタルヘルスケアプラットフォームである Apollo 24|7 は、臨床判断をサポートし、プライマリケア、疾患管理、在宅医療、ウェルネスにおける医療従事者の支援を目的とした臨床インテリジェンスエンジン（CIE）の構築に取り組んでいます。同社が直面した大きな課題の一つは、Apollo の臨床ナレッジベースの情報を活用できる専門的な臨床アシスタント機能の設計でした。

堅牢なシステムを構築するために、Apollo 24|7 のチームは Google Cloud と提携して、臨床ナレッジグラフ、臨床エンティティ抽出、タイムスタンプのリレーションシップ抽出といった機能を備えた各種のシステムを構築しました。

このブログでは、臨床アシスタントシステムがどのように誕生したのかをご紹介します。このシステムは、医療従事者を支援して CIE プラットフォームの使用体験を向上させるものであり、最終的には臨床的意思決定の改善につながることが期待されます。

Google Cloud と Apollo 24|7 が共同で構築したソリューションを詳しく見ていきましょう。

モデルの特定

このようなソリューションを構築するための最初のステップは、システムの構築に役立つ可能性のある適切なモデルを特定することでした。いくつかのオープンソースモデルを含め、多数のモデルを慎重に評価した結果、チームは MedLM を使用してこのソリューションを実装することに決めました。

MedLM は、医療向けにチューニングされた基盤モデルファミリーであり、医療に関する質問に対して高品質な回答を提供するよう設計されています。また、Med-PaLM 2 を基に構築され医療用にファインチューニングされているため、臨床 QA モデルを構築するのに最適な候補でした。

次のステップは、Apollo のナレッジベースと連携させるために、モデルアーキテクチャを強化することでした。

ソリューションの試験運用

私たちが最初に試みたアプローチは、臨床の「報告」とユーザーの「質問」から構成されるプロンプトを作成することでした。このプロンプトは臨床的な質問応答のために、直接 MedLM に送信されます。アプローチ自体は優れた結果をもたらしたものの、Apollo の膨大な臨床ナレッジベースはまったく活用されませんでした。このナレッジベースは、匿名化された退院時の臨床記録の形式をとっており、特定の患者が過去に受けてきた治療内容に沿った、より直接的な回答を提供できる可能性を秘めていました。

これを活用するために、Apollo のナレッジベースからプロンプトに追加のコンテキストを提供するテストを行いました。しかし、モデルの入力トークンの上限を超えるため、問題が生じてしまうことにすぐに気付きました。

論理的な次のステップは、病院のデータを小さなシャードに分割することでしたが、このアプローチにも独自の課題がありました。データを小さなシャードに直接分割すると、患者の全体的なコンテキストが失われる可能性があるのです。つまり、個々のシャードには臨床記録の特定の限られた部分しか含まれず、患者の治療、投薬、家族歴などを含む全体的な臨床記録が保存されないことになります。

RAG + MedLM

このモデルをより堅牢なものにし、かつ Apollo のナレッジベースをもっと利用できるものにするために、私たちは Apollo の匿名化された臨床ナレッジベースで検索拡張生成（RAG）を活用する新しいアプローチを提案しました。

RAG は外部のナレッジソースを統合することで大規模言語モデル（LLM）を強化する AI フレームワークであり、この場合、ナレッジベースは Apollo Hospitals から入手した前処理済みの匿名化された退院時の臨床記録になります。

Architecture Diagram

臨床記録はほとんど特定のパターンに従っておらず、その多くは自由形式のテキストでした。そのため、このソリューションの構築には、まず臨床記録に含まれるセクション情報により記録を分類し、次にその記録内のすべての臨床概念を要約する必要がありました。

要約にあたっては専用のプロンプトを作成し、それを PaLM 2 モデルで使用して、退院時の記録に含まれる臨床概念のみから構成された要約が出力されるようにしました。

この時点で、臨床要約を PaLM2 エンベディングモデルの入力として渡し、768 次元のベクトルを取得して、任意のベクトルデータベースに保存します。このソリューションでは、Vertex AI Vector Search データベースを使用して、ベクトルインデックスを作成し保存しました。

このプロセスは、1 回限りのバッチ処理の場合も、追加の臨床データが調達された時点でのオンライン処理の場合もあります。

実行時に、このソリューションは医療従事者のクエリを解析します。クエリには通常、臨床の「報告」と「質問」フィールドが含まれ、解析された出力は同じエンベディングモデル（つまり PaLM2 エンベディングモデル）を使用して埋め込まれます。

このモデルの出力ベクトルは、Vertex AI Vector Search に組み込まれている近似最近傍アルゴリズムを使って、前述のベクトルデータベースに保存されているベクトルと比較されます。

そして、最も近い近傍ベクトルがフェッチされ、ルックアップを実行して、それらの最も近い近傍に関連する臨床要約を特定します。

これらの要約が、さきほどの臨床「報告」とユーザーの「質問」とともに追加入力として MedLM モデルに渡され、追加のコンテキストデータでクエリが強化されます。

観察と結果

ソリューションを構築したら、次のステップは当然、実際の医療従事者や医師と協力して臨床における回答内容を検証することです。

しかしその前に、私たちは簡単なウェブ UI を構築し、エンドユーザーがソリューションをテストしてフィードバックを提供できるようにしました。

Apollo 24|7 のチームが、私たちのソリューションを実際にテストすることに快く応じてくれた医師や医療従事者のオンボーディングを支援しました。

Sample Result

数週間にわたるイテレーションと段階的な改善の後、私たちはフィードバックを組み込んでシステムをより堅牢にし、スキーマエンジニアリングやプロンプトエンジニアリングなどの手法を導入してハルシネーション防止策を講じることができました。

最終的に、医療従事者はウェブ UI を使用して私たちのソリューションアプローチを検証し、その回答の信頼性を確認してくれました。多くの医療従事者が、このツールはアシスタントのように機能し、医師が患者とその疾病についての理解を深めるのに役立つ可能性があるとコメントしました。

「Apollo 24|7 の技術スタックに MedLM が加わったことで、CIE モデルの効率性と有効性が大幅に向上しました。医師たちは、より堅牢な専用の CIE ツールをアシスタントとして使用できるようになりました」と、Apollo 24|7 の臨床 AI 製品責任者である Chaitanya Bharadwaj 氏はコメントしています。

Google Cloud と Apollo 24|7 のパートナーシップは、難題を解決する AI 搭載ソリューションを提供して組織の成果実現を支援する取り組みの最新の例のひとつです。Apollo は Google Cloud コンサルティング（GCC）の協力の下、多数のイテレーションとテストを実施し、最終的なソリューションを構築できました。そして、これはビジネスの強化につながっています。GCC は Apollo から、Apollo チームと共同でビジネス要件に合わせてワークフローの環境を構築することを託されました。GCC ポートフォリオは、複数の専門分野にまたがるさまざまなサービスを 1 か所に統合し、まとめて提供します。学習サービス、テクニカルアカウントマネジメント、プロフェッショナルサービス、カスタマーサクセスなど、Google Cloud コンサルティングサービスの具体的なサービスの全ポートフォリオはこちらでご確認いただけます。

^{免責条項: MedLM はインドではまだプレビュー段階であり、本番環境での使用は承認されていません。}

-Apollo 24|7、エンジニアリング責任者 Abdussamad GM 氏

-Google Cloud、AI エンジニアリング リード Gopala Dhar

Apollo24|7: 複雑なマイクロサービスアプリケーションを Google Cloud にゼロダウンタイムで移行

Thu, 18 Jan 2024 01:00:00 +0000

※この投稿は米国時間 2023 年 12 月 9 日に、Google Cloud blog に投稿されたものの抄訳です。

Apollo 24|7 は、インドのチェンナイに本社を置く医療法人 Apollo Hospitals のデジタル事業を展開している会社です。医療を誰にでも手ごろで利用しやすいものにすることを目標に掲げ、オンライン診察や、在宅臨床検査、オンライン薬局などの総合的なサービスを提供しており、インド国内の医療システムとしては最大規模を誇ります。

このブログ投稿では、インド国内で 24 時間 365 日利用されている重要なアプリケーションとそれに含まれる 97 種類のサービスおよび 40 超の SQL データベースを、Google Cloud にゼロダウンタイムで移行した方法を紹介します。

パフォーマンス、セキュリティ、信頼性を向上させて成長を後押し

パンデミックの直前に設立された Apollo 24|7 では、COVID-19（新型コロナウイルス感染症）の感染拡大によって経営陣は成長に伴う新たな課題に直面していました。高まる需要に応えるために、機能やその他もろもろの開発を猛スピードで進める必要がありました。Apollo 24|7 アプリケーションのデプロイ環境には、VM とコンテナベースが混在しています。このアプリケーションには、SQL および NoSQL の各種データベースや、Redis、VM、Kubernetes、ロードバランサ、WAF が含まれるほか、さまざまなサードパーティのパブリックエンドポイントが統合されています。

エンジニアリング部門のリーダー陣は、パンデミック後の成長にも対応するために Apollo 24|7 を見直す良い機会と捉え、特にパフォーマンス、セキュリティ、信頼性に改善の余地を見出していました。また、最新の自動化と Infrastructure as Code（IaC）を取り入れて、堅牢性とスケーラビリティを高めたいと考えました。さらに、費用効率を全体的に改善し、大衆に手ごろな価格で医療を提供する重要性も高まっていました。ただし、当社のアプリケーションは数百万のアクティブユーザーを抱えているため、ダウンタイムをゼロにして、ユーザーエクスペリエンスに影響が出ないようにしなければなりませんでした。

これらの要件やニーズにスムーズに応えるため、受賞歴のある Google Cloud パートナーの Searce 社と緊密に連携して一大プロジェクトに取り組みました。プロジェクト全体を通じて、Apollo 24|7、Searce、Google Cloud の各チームが相互に協力し、開発、テスト、デプロイ、モニタリングにあたったことが、移行の成功に大きく貢献しました。

Searce 社は当社の拡張チームとして、貴重な専門知識やサポートを一貫して提供してくれました。

ゼロダウンタイムでフルスタック移行を達成

プロジェクトの目標は、アプリケーション全体を Google Cloud にゼロダウンタイムで移行することでした。移行の対象には、品質保証（QA）、本番前環境、本番環境が含まれます。

プロジェクトは以下の手順で進めました。

DORA の調査に続いて CAST の評価を実施
移行ウェーブと依存関係グラフを作成、脆弱なライブラリを修復
Google Cloud 上にエンタープライズグレードのランディングゾーンを作成、セキュリティ体制の管理を有効化
VM、GKE クラスタ、Cloud SQL、Redis インスタンスをデプロイ
全サービス用の CI / CD パイプラインを作成
Google Cloud 上にサービスおよびその依存関係をデプロイ
Google Cloud Marketplace を介して ISV サービスを有効化
ソースデータベース（DB）と Cloud SQL 間に変更データキャプチャ（CDC）を設定
Google Cloud へのトラフィックをサービス間で分割してから、Google Cloud に最終的にカットオーバー

QA 環境は、CI / CD パイプライン、Terraform スクリプト、その他さまざまな必須リソースを作成した後で、Google Cloud 上に直接デプロイしました。

次の環境に移る際には本番前環境を使用しました。これは、本番環境のレプリカで、本番環境よりもトラフィックと容量が少ない環境です。このレプリカを使って本番環境への移行シミュレーションを行うことで、アプリケーションに含まれるサービスごとに適切な標準作業手順書（SOP）を作成できます。さらに、サービスの詳細な依存関係を作成し、旧ロケーションと Google Cloud の間でトラフィックを分割して、サービスに応じて 1～10% 程度のトラフィックを Google Cloud に送信して機能のエンドツーエンドテストを実行しました。最後に、Google Cloud 上のソースとターゲットのデータベース間に CDC を設定し、全トラフィックを Google Cloud に切り替えて、移行のカットオーバーを完了しました。

本番前環境ではさまざまな学びがあり、それを活かして本番環境への移行に臨みました。しかし移行当日は、支払いなどのサードパーティサービスと統合している少数のサービスで Identity and Access Management（IAM）関連の問題が発生しました。GKE で部分的にサービスをデプロイしている間、サービスの Pod とソースロケーションの DB 間の通信は、インターネットや VPN トンネル経由で行いました。そのため、パケットドロップを回避するために、帯域幅のモニタリングと NAT ゲートウェイのポート割り当てを注意深くモニタリングする必要がありました。トラフィックを分割する利点は、なんらかの問題が発生した場合、すべてのトラフィックを Google Cloud から迂回できることです。これにより、真にゼロダウンタイムの移行を達成することが可能となりました。

この移行プロジェクトの主な成果は以下のとおりです。

ゲートウェイと Ingress コントローラの両方を備えた 3 つの GKE クラスタ上に、97 種類のサービスを移行
22 個の Redis インスタンス、Cloud Functions、Pub/Sub、Kafka をデプロイ
静的コンテンツを Cloud CDN に移行
Cloud Armor を実装して WAF、DDoS、Security Command Center Premium に対応
Aiven マネージド Kafka や MongoDB などの Marketplace サービスを選定
本番環境のトラフィックを旧ロケーションと Google Cloud の間で分割し、ゼロダウンタイムを達成
CDC を使って、40 超のデータベースインスタンス（MySQL、PostgreSQL）を CloudSQL に移行
2 TB 以上のオブジェクトを Google Cloud に転送

アジリティとセキュリティを向上させながら運用費用を削減

Google Cloud へのアプリケーション移行は成功を収め、GKE や Cloud SQL へのアクセス時のパフォーマンスやレイテンシの改善など、数々のメリットがもたらされました。モノリシックなコードから脱してアーキテクチャを根本的に改善したほか、確約利用割引（CUD）料金、Google Cloud の秒単位の課金、オンデマンドリソース、カスタムサイズの VM によって、費用削減を達成しました。

Terraform を使って Infrastructure as Code（IaC）を導入することで、サービスを効率良くデプロイするとともにエラーの余地を大幅に減らし、アジリティとパフォーマンスを改善できました。さらに、このデプロイ方法では既存の IAM ポリシーの不備を特定し、セキュリティを改善できます。このプロジェクトを通じて、Google のセキュリティ原則に基づいた徹底的なクリーンアップを実施できました。

今後の展望

Apollo 24|7 は Google Cloud のコンサルティング AI チームと共同開発した臨床決断支援システム（CDSS）に続いて、AI によるソリューションでのパートナーシップをさらに拡大しています。現在、Ask Apollo およびそれに続くシステムに Med-PaLM 2 の生成 AI モデルを組み込んでいるところです。

Google と Apollo 24|7 は今後もパートナーシップを継続し、インドの医療変革を推進していく所存です。また、Apollo 24|7 のコアアプリケーションで威力を発揮してくれた Google Cloud を、マーケティング、サプライチェーン、カスタマーサービスなどの分野にも取り入れていきたいと考えています。

-Google Cloud インド、カスタマー エンジニア Nishu Saxena

-Apollo 24|7、エンジニアリング担当アシスタント バイス プレジデント Prabhat Sharma 氏

コンサルティング

Google Cloud の AI による机上演習で金融レジリエンスを高める

ソリューション: Google AI を活用したコンテキスト アウェアなシナリオ モデリング

全体的なシナリオ タイムラインのサンプル

実施: 部門横断的な緊急時訓練

効果と主な成果

始める

新たな時代: EU DORA に基づく重要な ICT サードパーティ プロバイダとしてお客様をサポート

Pluto AI: Magyar Telekom における AI のアクセシビリティとイノベーションの革命

Pluto AI の開発

効果と導入

Pluto AI のビジョンと今後のロードマップ

Google Cloud を活用した Infinity Learn の AI チューター開発の裏側

Agent Builder と Vertex AI RAG Engine の活用

精度を超えて: 実運用時の効果測定

AI チューターの影響と学習の変化

Infinity Learn のような革新的アプローチにご関心のある場合

Google Cloud コンサルティングが新サービスで企業の AI 導入を支援

Google Cloud での画像生成パイプライン最適化: 実践ガイド

最適化のための包括的なアプローチ

1. ハードウェアの最適化: リソース運用効率の最大化

2. 推論コードの最適化: 有効性を高めるためのファインチューニング

3. 推論パイプラインの最適化: ワークフローの合理化

最後に

クラウド移行を簡単に: AWS から Google Cloud への移行ガイド

次のステップ

さっそく始めましょう

-クラウド ソリューション アーキテクト Marco Ferrari-ソリューション マネージャー Giuseppe Lino

バーチャルでのサリーの試着

1. 要件

2. サリーの再構築

3. 2D のアプローチ

A. ラベル付け

B. TPS のゆがみ

C. プリーツの改善

D. 照明のマスキング

E. 画像構築サービスですべての箇所を最終的な画像に統合します。

4. 3D のアプローチ

A. 3D メッシュのレンダリング

B. 3D メッシュのシーンの写真撮影サービス

5. 生成 AI による改善

A. バックグラウンドの改善

B. 解像度のアップスケーリング

Google Cloud コンサルティング（GCC）によるエンドツーエンドの迅速な導入

Cloud FinOps と GKE: Generali が Google Cloud コンサルティングで支出を最適化した方法

「ゴールデン シグナル」を分析する

Generali と Google Cloud にとっての素晴らしい成果

使ってみる

-Google Cloud コンサルティング、戦略的クラウド エンジニア Ecaterina Grisaeva-Google Cloud コンサルタント、FinOps および Digital Transformation コンサルタント Sam Moss

新しい Generative AI Ops サービスで生成 AI がビジネスに及ぼす影響を拡大

お客様のチームを対象としたトレーニングと支援

使ってみる

自社実践: Google Cloud コンサルティングにおける AI 主導ビジネスの構築

1. GCC Assist: AI 搭載の情報ハブ

2. GCC Scribe: 生成 AI による契約書起案パートナー

取り組むにあたっての課題

プロジェクト LEAP から得た最大の収穫

Isolator のご紹介: 医療データを使用した安全なマルチパーティ コラボレーションの実現

-CISO オフィス ディレクター兼エンタープライズ ヘルス セキュリティ責任者 Taylor Lehmann

-Google Cloud コンサルティング、プラットフォーム セキュリティ、コンプライアンス担当マネージャー Jaffa Edwards

クラウドへの移行を加速させることを目的とした、新しい Google Cloud コンサルティング プログラム

学習によって結果を改善

実社会への影響のために簡素化されたソリューション

実現するためのパートナー

-グローバル Google Cloud コンサルティング、バイス プレジデント Lee Moore

Delivery Navigator: Service パートナー様への一般提供を開始

新しいクラウド手法に関するコミュニティを少しずつ構築

実務担当者が価値とイノベーションの促進に注力し続けられるようにする

導入に向けて

Next '24 でクラウドのスキルを大きく高める: あらゆるスキルレベルに適した学習をお届け

生成 AI のスキルバッジ（とグッズ）を手に入れる

自分に適したクラウドのタイプを見極める

トレーニング ワークショップでスキルを高める

Cloud の学習に関するブレイクアウト セッションに参加する

ライトニング トークでインスピレーションを得る

スキルを向上させ、限定グッズを手に入れる

ガイダンスを提供する学習と認定資格のブースが皆様をお出迎え

特定のペルソナ向け Quizathon で能力をテストする

コミュニティ ハブで人脈を広げ、最新の流行についての情報を手に入れる

Google Cloud コンサルティング ブースでエキスパートと交流する

ソリューション: Google AI を活用したコンテキストアウェアなシナリオモデリング

全体的なシナリオタイムラインのサンプル

新たな時代: EU DORA に基づく重要な ICT サードパーティプロバイダとしてお客様をサポート

-クラウドソリューションアーキテクト Marco Ferrari
-ソリューションマネージャー Giuseppe Lino

「ゴールデンシグナル」を分析する

-Google Cloud コンサルティング、戦略的クラウドエンジニア Ecaterina Grisaeva
-Google Cloud コンサルタント、FinOps および Digital Transformation コンサルタント Sam Moss

Isolator のご紹介: 医療データを使用した安全なマルチパーティコラボレーションの実現

-CISO オフィスディレクター兼エンタープライズヘルスセキュリティ責任者 Taylor Lehmann

-Google Cloud コンサルティング、プラットフォームセキュリティ、コンプライアンス担当マネージャー Jaffa Edwards

クラウドへの移行を加速させることを目的とした、新しい Google Cloud コンサルティングプログラム

-グローバル Google Cloud コンサルティング、バイスプレジデント Lee Moore

トレーニングワークショップでスキルを高める

Cloud の学習に関するブレイクアウトセッションに参加する

ライトニングトークでインスピレーションを得る

コミュニティハブで人脈を広げ、最新の流行についての情報を手に入れる

Google Cloud コンサルティングブースでエキスパートと交流する

GKE Cronjob と Google Cloud Storage を介した Neo4j グラフデータベースのバックアップと復元

2. バックアップスケジュールの展開:

3. バックアップコンテナの更新（必要な場合）:

4. バックアップスケジュールの削除（必要な場合）:

5. バックアップスケジュールの再展開（必要な場合）:

MedLM で拡張された臨床ナレッジグラフを使用して臨床インテリジェンスエンジンを構築

Apollo24|7: 複雑なマイクロサービスアプリケーションを Google Cloud にゼロダウンタイムで移行

ゼロダウンタイムでフルスタック移行を達成