顧客事例

豊田自動織機ITソリューションズ: Gemini Enterprise を一斉展開し、業務効率化とナレッジ集積、人材の育成・確保を実現

Mon, 22 Jun 2026 02:00:00 +0000

生成 AI の社内展開は、部署を限定して段階的に進めていくのが定石とされています。しかし、株式会社豊田自動織機ITソリューションズ（以下、TIIS）は、500 ライセンスの Gemini Enterprise を全社員に一斉提供するという方法を選択。情報の集積と活用による業務拡大、人材確保、新たな価値の創出などを図っています。その詳細を、同社代表取締役社長鈴木洋氏をはじめとする今回の取り組みのコアメンバーに伺いました。

利用しているサービス:
Gemini Enterprise, BigQuery など

利用しているソリューション:
生成 AI

激変する IT 業界の中でスタートした業務改革「TIIS-X プロジェクト」

TIIS は豊田自動織機グループ（従業員数約 8 万人 / 関連企業数約 300 社）における国内唯一のシステムインテグレーターです。社員約 450 名のうち、400 名ほどが IT 業務に従事しており、生産現場における設計業務からシステム開発、サーバーネットワークなどのインフラ構築、セキュリティ管理、組込みソフトウェアの開発まで、幅広い領域でグループの課題と向き合い、解決してきました。そんな同社の優位性と現況について鈴木氏は、こう胸を張ります。

「弊社は豊田自動織機グループの一員として、IT 戦略立案から参画し、超上流の要件定義から開発、運用保守まで、IT に関する全ライフサイクルに携わっています。その幅の広さと奥行きの深さ、そしてグループ現場の業務知識と IT スキルの両方を備えていることが我々の強みです。特にこの 3 年間は、新型コロナ禍を経て豊田自動織機からの IT 需要が爆発的に増加し、売上規模が倍以上に拡大しています。」

しかし、これと同時に IT 業界全体を取り巻くビジネス環境が激変。人材の流動性が高まった結果、長期的に活躍できる環境の整備が喫緊の重要課題となってきました。一方、運用面では、既存システムの老朽更新がリソースを圧迫し、新たな価値創造を難しくしつつありました。

このような状況を受けて始まったのが、社内変革活動「TIIS-X プロジェクト」です。2022 年に始まった本プロジェクトは、「テクノロジー推進」「ワークスタイル・制度変革」「コミュニケーション活性化」の三本柱で構成され、多角的な問題解決を目指すものとなっていました。鈴木氏と共にこの取り組みを推進してきた、執行職の小形健一氏は、その "伏線" が、すでに 10 年ほど前から張られていたと語ります。

「2017 年ごろに、散在していた社内ファイルサーバーを今後どのように運用していくかという議論が起きました。その際重視したのが、情報の検索性です。まず、弊社には過去に開発したアプリや業務システムの膨大なデータがありますので、これらを集約していかに活用するかは、将来の事業展開に向けた鍵となります。また、情報の整備は、人材の流出や業務の外注化などが進む中、個々人に蓄積した知見やノウハウを共有・活用していくという意味でも有効です。そこで 2018 年、社内ファイルサーバーを、優れた検索性を備える Google ドライブに統合しました。」

当時はまだ生成 AI が話題になる以前でしたが、Google ドライブを選んだ背景には、そう遠くない未来に AI 技術が劇的に進化するだろうという読みもあったといいます。

「例えば 2022 年末に対話型 LLM が大ブレイクした後、社内でさまざまな生成 AI サービスを検証しました。この際、焦点となったのが学習です。学習効果を最大限に得るには、500 万ファイルを超える社内データをすべて外部に送出して学習させる必要がありましたが、現実的ではありませんし、セキュリティの観点からも実施したくありません。しかし Google Cloud の生成 AI サービスであれば、Google ドライブに統合済みの社内データを安全かつシームレスに活用できます。2024 年末に、企業向け AI エージェントプラットフォームである Gemini Enterprise（当時の名称は Google Agentspace）が発表された時には、待ち望んでいたツールがついに登場したなと思いました。」（小形氏）

Gemini Enterprise が選ばれた理由は、データの連携性だけではありません。小形氏のもと、TIIS の技術戦略推進を担ってきた同社デジタル情報技術戦略部部長丹羽宏太氏は、グラウンディング（回答根拠の提示）によって情報の正確性を担保できることや、他社サービスと広く連携できることも大きな優位点だったと言います。

「Gemini Enterprise は、Google Cloud の各種サービスだけでなく、豊富に用意されたコネクタによって、多くの外部ソースとつなげることができます。弊社では業務にさまざまなサービスを日常的に利用しているので、このオープンさはとても魅力的でした。現在、TIIS では Outlook やSharePoint、OneDrive、GitHub などを含む合計 9 個のコネクタで社内サービスと接続しており、社内の知見を広く共有することに成功しています。」

PoV の成功を踏まえて、500 ライセンスを全社員に一斉に展開

こうして TIIS は、2025 年 4 月に Gemini Enterprise の導入を決定。8 月から開始された PoV（Proof of Value / 価値実証）では、間接部門も含めた各部署から選別された 12 名の「CHAMPION（活用の牽引役）」と協力するかたちで、Gemini Enterprise の活用方法と、運用における注意点などを集中的に検証・解決。その3か月後には、500 ライセンスを契約し、約 450 人の全社員に一斉展開することを決定しました。

「全社一斉展開を決意したのは、少しでも早く、より多くの社員に生成 AI の便利さを実感し、活用してもらいたかったからです。もちろん、そのコストは決して小さいものではありません。しかし TIIS なら誰でも最先端の生成 AI サービスを使えるという話が広まれば、就職活動を始める学生にも大きなアピールになります。そうした副次的効果を含めれば、十分にリターンのある投資だと考えました。」（鈴木氏）

Gemini Enterprise の現場への展開を担当したデジタル情報技術戦略部デジタル戦略推進課 BX 推進 1 グループグループリーダーの堀尾一孝氏は、現場への展開に向けた取り組み、工夫について、次のように振り返ります。

「PoV に協力してくれた 12 名の CHAMPION をそのまま推進チームとし、ワークショップやハンズオン体験会を繰り返し開催しました。また、社内チャットツールを使った日常的な情報発信や見やすいドキュメントの整理、チャンピオンたちが作った便利な AI エージェントの紹介・共有など、さまざまなかたちで興味を促し、実際に使ってもらえるよう手を尽くしました。」

なお、導入に際する一連の取り組みにおいては、Google Cloud のコンサルティングサービスと技術支援を活用。専門家集団による手厚い支援を受けながら、Gemini Enterprise を業務プロセスに組み込んでいくことができました。

「導入に際しては、まず業務的にインパクトの大きなものを対象にする、そこから業務プロセスを細かく分解して、それぞれに適切に AI を活用していくアプローチなど、私たちが持っていなかった知見を惜しみなく共有いただけたことで、無駄なステップを踏まずに導入できました。困った時に Google Chat ですぐに相談できることも心強かったですね。」（丹羽氏）

「技術的な支援もたくさんしていただいています。例えば、社内の課題を解決する AI エージェントを作る際は、ADK（Agent Development Kit）やローコードの対話型エージェントなど、さまざまな選択肢があるのですが、課題ごとに、どのような構成を取れば効率的なのかもアドバイスいただきました。コンサルティングチームの伴走は社内のナレッジ蓄積でも極めて有用でした。」（堀尾氏）

Gemini Enterprise の活用は、新たなる価値創造に向けた切り札になる

導入後、Gemini Enterprise は驚くべき速度で TIIS の現場に浸透しています。社員によって作成された AI エージェントは 1,300 以上にもなり、契約条項の精査や誤字・脱字のチェック、請求書・領収書の確認、議事録の要約、スライド作成、過去のシステム問い合わせ台帳の検索など、これまでマニュアルで行われてきた作業が劇的に効率化されているとのことです。もちろん、経営面でも大きなインパクトが生まれています。

「Gemini Enterprise の導入後、会社全体の平均残業時間は、前年度比で約 10% 減少しました。退職者数も前年度比で約 30% 減少しています。Gemini Enterprise 以外のさまざまな取り組みの成果も含めた数字ではあるのですが、想定していた以上の成果を得られています。」（鈴木氏）

TIIS では、Gemini Enterprise を業務プロセスの中にシームレスに組み込む取り組みが加速しています。BigQuery とLooker を活用したデータプラットフォームを整備し、コネクタで連携できない ERP や Excel データも含めたあらゆる社内資産を扱える環境を構築中です。

「中長期的な目標は、数年に一度、大型案件を受託・開発する『一括構築型モデル』から、長いライフサイクルの中で、小さな改善を速く回す『継続的な改善モデル』への転換を推進し、工数のすべてを価値向上に直結させていくことです。簡単なことではありませんが、まるで複雑な問題を一発で解決する "銀の弾丸" のように、想像以上の働きをしてくれるツールが登場したことで、その実現は夢物語ではなくなりつつあると強く感じています。また、我々が Gemini Enterprise で成果を出していけば、横展開もしやすくなります。弊社の取り組みをモデルケースに、豊田自動織機グループ全体で Gemini Enterprise を使っていこうという気運が高まると、さらなる業務効率化が実現できるのではないかと期待しているところです。」（鈴木氏）

株式会社豊田自動織機 IT ソリューションズ
1991 年に株式会社豊田自動織機の情報システム部門が独立して設立。国内唯一のシステムインテグレーター子会社として、グループ内の IT 課題解決を一手に担うほか、外部一般企業へのソリューション提供も拡大中。従業員数は 496 名（2026 年 4 月現在）。

インタビュイー（写真左から）
・デジタル情報技術戦略部デジタル戦略推進課 BX 推進 1 グループグループリーダー
　堀尾一孝氏
・代表取締役社長　鈴木洋氏
・執行職　小形健一氏
・デジタル情報技術戦略部部長　丹羽宏太氏

その他の導入事例はこちらをご覧ください。

Gemma で実現するデータ拡充のリアルタイムアーキテクチャ: Trustpilot の事例

Tue, 09 Jun 2026 02:20:00 +0000

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

厳しいレイテンシとコストの制約のもとで、数百万件のユーザーレビューをリアルタイムに処理するのは簡単なことではありません。Trustpilot は、大規模言語モデル（LLM）が注目を集めるはるか前から、カスタム ML を活用してこの課題に取り組んできました。そして現在、同社はコアスタックを生成 AI へと移行しています。ここでは、Google と Trustpilot が協力して、ファインチューニング済みの Gemma モデルを活用する大量処理向けストリーミングパイプラインをどのように構築したのかをご紹介します。

大規模で高度なレビューインテリジェンスを実現

Trustpilot のコアビジネスは、実用的で深いレビューインテリジェンスを提供することにあります。透明性と信頼できるフィードバックを重視するプラットフォームとして、データの完全性を守り、その価値を最大限に引き出すことが欠かせません。そのためには、受信するレビューからあらゆるメタデータを抽出する必要があり、このタスクには LLM が最も適しています。

LLM は、人が書いた雑多なテキストを解析し、固有表現抽出（NER）、ビジネスドメインの分類、感情スコアリング、顧客意図の特定を行うことに優れています。しかし、数件のレビューを LLM に処理させるのは簡単でも、コストを膨らませずに数百万件のレビューをリアルタイムで処理するとなると、エンジニアリング上の大きな課題になります。

オープンモデルをファインチューニングする理由

このような大規模なタスクに取り組む場合、Gemini のような強力な既製のフロンティアモデルに接続するだけでは、なぜ十分ではないのでしょうか。レビュー処理は Trustpilot のコアビジネスを支える重要なパイプラインであるため、クローズドモデルが最適な選択肢になることはほとんどありません。代わりに、Gemma のようなオープンウェイトモデルをファインチューニングすることで、Trustpilot は AI 戦略を自社で主体的に管理できます。具体的には次のとおりです。

モデルの完全な独立性: Trustpilot はモデルを自社で管理することで、再トレーニングのライフサイクルを自ら制御できます。これにより、サードパーティベンダーの更新スケジュールや突然の API 変更に左右されなくなります。
予測可能なコスト構造: トークン単位の変動料金モデルから、固定的なインフラストラクチャコストに移行することで、数百万件の予測処理を財務面で現実的かつ最適化可能なものにできます。
MLOps 機能の拡張: これらのモデルを社内で構築することで、Trustpilot はオープンウェイトモデルに関する専門性を高めながら、レビューインテリジェンスにおける独自のノウハウをモデルに組み込むことができます。
アーキテクチャの継続性: オープンウェイトモデルの系統に標準化することで、ベースモデルの将来のイテレーションも活用し続けられます。これにより、エンジニアリングの負担を最小限に抑えながら、パフォーマンス向上を取り込むことができます。

Trustpilot は、1 つの巨大なモデルをデプロイするのではなく、軽量な google/gemma-2-9b をベースに、高度に特化したモデル群を構築しました。

小さなフットプリントで高いパフォーマンスを実現するため、Trustpilot は自社のレビューコーパスから層化サンプリングしたデータに対し、Gemini 2.0 / 2.5 Pro / Flash ファミリーから選定した教師モデルを使用して、コンセンサスアノテーションを行いました。このプロセスにより、トピック分類、NER、感情抽出などの専門タスクに対応する高品質なトレーニングデータセットが生成されました。

その後、これらのデータセットを使用して、目的別に設計されたカスタムモデル群をファインチューニングしました。その結果、従来のソリューションを大幅に上回る精度を達成し、教師モデルのコンセンサスと比べても、わずか数ポイント低い程度の精度を実現しました。

システムアーキテクチャ

このアーキテクチャは、Dataflow と Gemini Enterprise Agent Platform エンドポイントの上に構築されています。VertexAIModelHandlerJSON をそのまま使用できるため、両者は非常にスムーズに連携します。

ビジネスロジックと LLM 推論そのものを分離するため、2 つのエンドポイントを作成しました。

分類器: FastAPI ベースのエンドポイントで、前処理 / 後処理、プロンプトテンプレート、チェーンなどの複雑な処理を担います。
LLM: vLLM 経由で Gemma モデルをサービングすることに特化した独立型の Agent Platform エンドポイントです。

このアプローチにより、Dataflow ジョブをシンプルに保ちながら、LLM エンドポイントを得意分野であるテキスト生成に専念させることができます。さらに、分類器と LLM エンドポイントを、トラフィックに応じて個別にスケールできます。

パフォーマンスチューニング

vLLM ベースの Agent Platform エンドポイントを最大限に活用するため、Trustpilot はパイプライン全体のパフォーマンスを可能な限り引き出すことに注力しました。特に、A100 GPU を搭載した A2 VM の性能を最大限に活かすことを重視しています。また、Gemini Enterprise Agent Platform が管理するカスタマイズおよび最適化された vLLM バージョンも活用しました。

パフォーマンスチューニングでは、処理のボトルネックを防ぐため、vLLM バックエンド構成の最適化に重点を置きました。エンジンパラメータを慎重に調整し、適切なデータ型を選択したうえで、プレフィックスキャッシュなどの有用な設定を有効にすることで、大量のストリーミングをモデルがスムーズに処理できるようにしました。

さらに、vLLM 推論サーバーの最適なサービング容量を見極め、パフォーマンス特性を把握するために、再利用可能な負荷テストフレームワークも共同で作成しました。これにより、必要なインフラストラクチャのベースラインを設定し、リクエスト数ベースの指標を使用して自動スケーリング設定をチューニングできるようになりました。加えて、vLLM で待機中のリクエスト数を使用する新しい指標のほうが、この用途にはさらに適している可能性があります。

課題

この構成を構築するにあたり、Trustpilot はいくつかの大きな課題に直面しました。

プライベートネットワーキング: このアーキテクチャでは、プライベートエンドポイントと Private Service Connect を使用して完全に分離された構成を目指していました。しかし、別個のエンドポイント間で直接プライベート通信を行うためのネイティブサポートがなかったため、実現には至りませんでした。
デプロイのオブザーバビリティと信頼性: エンドポイントのデプロイは時間がかかる場合や、内部の状態が見えにくい場合があります。そのため、正常でない状態になった際には、追加のトラブルシューティングが必要になることがあります。Trustpilot は現在も Gemini Enterprise Agent Platform のプロダクトチームと緊密に連携し、今後のオブザーバビリティ機能やプラットフォームの改善に取り組んでいます。
GPU の不足: EU リージョンで A100 GPU を確保するのは難しく、オンデマンド VM は多くの場合、現実的な選択肢になりません。そのため、予約の活用が望ましいものの、開発、本番環境、トレーニング、推論、試験の間で予約をどのように配分するかは非常に難しい課題です。

結果

Trustpilot は Google Cloud と協力し、Gemini Enterprise Agent Platform 上で Gemma の可能性を最大限に引き出すことで、1 日に数百万件のレビューをほぼリアルタイムで処理できるようになりました。その結果、Gemini に近いパフォーマンスをわずかなコストで実現しました。これにより、Trustpilot Business Platform は、日々寄せられる何百万件もの顧客レビューを、即座に活用できるインサイトへと変換できるようになりました。詳しくは、Trustpilot の Medium ブログ投稿をご覧ください。

^{このブログ投稿は、2025 年末に実施された共同プロジェクトの成果に基づき、Assulan Nurkas 氏（Trustpilot）、Subu Ramasubramanian 氏（Trustpilot）、Konrad Stanek 氏（Trustpilot）、Dario Banfi（Google）、Michael Cohen Hjertén（Google）が執筆しました。}

- Google、フォワードデプロイドエンジニア、Dario Banfi

- Trustpilot、スタッフ ML エンジニア、Assulan Nurkas 氏

「Google for Startups Accelerator: 中東、北アフリカ、トルコ」に新たに選出された企業の紹介

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

※この投稿は米国時間 2026 年 5 月 28 日に、Google Cloud blog に投稿されたものの抄訳です。

Google の使命は世界中の情報を整理し、世界中の人々がアクセスできるようにすることです。中東、北アフリカ、トルコ（MENA-T）のような技術革新に意欲的な急成長市場では、AI ファーストのスタートアップを支援することで、このミッションを遂行しています。これらのスタートアップは、次世代の情報主導型サービスをグローバル規模で構築しています。Google は、その高いレジリエンスで知られるこの地域の創業者たちがどんな状況でも成功を収めるための支援を提供したいと考えています。

Google for Startups Accelerator: MENA-T プログラムの最新のコホート（15 社）が 6 月 1 日にスタートします。前回にあたる第 6 回は 2025 年 11 月に終了し、この地域に新たなベンチマークを打ち立てました。

第 6 回のプログラムでは、8 か国から 14 社の AI ファーストスタートアップが参加し、Google のスペシャリストから 230 時間を超える専門的な 1 対 1 の指導を受けました。このサポートにより、ビジネス戦略のブラッシュアップ、Google Cloud を使用した AI / ML イニシアチブの加速、プロダクトデザイン全体の強化など、技術面とビジネス面の両方で測定可能な成果を達成しました。

2026 年のプログラムでは、リソース、重点分野、トレーニングをさらに拡充し、地域や世界に影響を及ぼす可能性のある不確実な地政学的な状況を乗り切るための支援を提供します。

最新の「Google for Startups Accelerator: 中東、北アフリカ、トルコ」のコホートの紹介

今回は過去最多の応募数を記録しましたが、このことからも、AI テクノロジーを活用して事業を通じた重要課題の解決に取り組むスタートアップがますます増えていることがうかがえます。このコホートに参加する 15 社をご紹介します。

BioTwin は、健康に関するデータからバーチャルツインを作成し、リスクの検出と予防措置の推奨を行います。
Coral は、企業全体のサステナビリティ関連の指標をリアルタイムで提供し、手作業のプロセスを不要にします。
Each::labs は、複雑なデベロッパーワークフローを合理化する次世代の AI ネイティブツールを構築しています。
Hakeem は、臨床研究を個々の患者に合わせたガイダンスにリアルタイムで変換し、医療従事者に提供します。
inveon.ai は、エージェント型 AI をデプロイして、e コマース向けの自律型デジタル従業員を提供します。
Jusoor Labs は AI を使用して科学実験でのインタラクションを分析し、学習成果を向上させています。
Openfarming は、販売業者のワークフローを自動化して、廃棄物の削減と利益の保護に貢献します。
Plusfinity は、スケーラブルでインタラクティブな教育を実現する AI ネイティブな学習インフラストラクチャを構築しています。
Promake は、AI を活用した設計と生産の最適化ツールで製造業を支援します。
Qanooni は、手動で行われる法律業務を構造化された検索可能なワークフローに変換します。
Repzo は AI を使用して、複雑な現場のデータを現場のチームが読む自然言語のレポートに変換します。
RFxAI は、AI 主導型の回答評価を通じて調達と販売を合理化します。
Tapper は、ML を適用して異常を検出し、無効なトラフィックをブロックします。
TruBuild は、構造化されていない建設データを分析することで、より迅速かつ客観的な入札評価を実現します。
Woliz は、音声 AI を使って小型店舗のオーナーがオンライン注文を利用できるようにします。

成果を上げるためのカリキュラム

6 月 1 日以降、各企業の創業者はスタートアップ特有の課題の解決を目的に特別にカスタマイズされた 3 か月間のプログラムに参加します。カリキュラムでは、包括的なスタック監査やグローバルエキスパートによる 1 対 1 のメンターシップなど、集中的な技術サポートが提供されます。

AI セキュリティとジェネレーティブデザインに焦点を当てた高度な技術トレーニングと、戦略的なビジネスモデリングおよび市場参入計画のバランスを調整することで、イノベーションの安全な拡大を支援します。この包括的なアプローチは、スタートアップが勢いを維持し、地域の持続的なデジタル成長と長期的なレジリエンスを促進することを目的としています。

このプログラムは昨年秋のコホートでも大きな成果を上げており、多くのスタートアップが成長と開発を加速させています。

エージェント型セキュリティオペレーションセンター（SOC）スイートのプロバイダである COGNNA も、継続的な成長を遂げている企業の一つです。アクセラレータ期間中に改善された同社のプラットフォームにより、アナリストは以前より 80% 速く作業できるようになりました。その後、同社は 920 万ドルのシリーズ A 資金調達ラウンドを完了しました。

BigQuery を使用してペタバイト規模のデータを取り込み、Google Kubernetes Engine により調査をスケールすることで、セキュリティ運用の変革と効率性の大幅な向上を達成しました。COGNNA の共同創業者 / CTO である Ziyad Alshehri 氏は「Google は、グローバル市場でのスケーリングを可能にすることで、COGNNA の未来を形作っています」と語っています。

AI を活用した不動産投資を行う UAE のスタートアップである Smart Bricks は、最近、a16z Speedrun が主導する 500 万ドルのプレシードラウンドを完了しました。Smart Bricks は、Google の ML パイプラインを使用して、ドバイ、ロンドン、ニューヨークの不動産投資ワークフローの 99% を自動化しています。

Smart Bricks の創業者 / CEO である Mohamed Mohamed 氏は次のように述べています。「Google for Startups Accelerator は、当社の技術開発を加速させるうえで重要な役割を果たしました。Google AI とクラウドスタックにアクセスできたことは、エージェント型 AI モデルの構築とスケーリングに役立ちました。特に、当社が扱うデータの規模と複雑さを考えると、その恩恵は大きなものでした。また、Gemini Enterprise Agent Platform や BigQuery などのインフラストラクチャにより、開発サイクルを大幅に高速化し、モデルのパフォーマンスを向上させ、より堅牢なデータドリブンプラットフォームをより迅速に市場に投入することができました。」

MENA-T の成長に向けた Google の取り組み

Google は、イノベーションの継続的な拡大を目的として、専門的なリソースとクラウドインフラストラクチャを提供し、この地域の創業者を支援し続けています。Google は、この地域のデジタルエコノミーがより安全で革新的な未来に向けて加速し続けることを目指しています。

この新しいコホートが MENA-T エコシステムの未来を形作っていくことを楽しみにしています。

- Google Accelerator およびスタートアップエコシステム責任者（中東、北アフリカ、トルコ担当）、Baris Yesugey

Urban Outfitters、Sterling OMS を AlloyDB for PostgreSQL に移行して大幅な費用削減を実現

Tue, 02 Jun 2026 02:00:00 +0000

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

編集者注: Urban Outfitters, Inc.（URBN）は最近、大規模なインフラストラクチャのアップグレードを完了し、既存の IBM Sterling Order Management System（Sterling OMS）の Oracle データベースを Google Cloud の AlloyDB for PostgreSQL に移行しました。Google Cloud と IBM のパートナーシップの拡大を証明するこの戦略的な取り組みは、URBN に大きなメリットをもたらし、効率向上と費用削減を実現したほか、将来を見据えたテクノロジー環境の構築への道を開きました。この成功事例は、企業が AlloyDB for PostgreSQL を活用してデータベースをモダナイズし、新たなレベルのパフォーマンスとスケーラビリティを実現する方法を示しています。

変化の速い小売業界において、注文管理はシームレスなカスタマーエクスペリエンスの基盤となります。Urban Outfitters, Inc.（URBN）は、IBM Sterling Order Management System（Sterling OMS）を同社のグローバルな e コマース事業の中心に据え、注文の受付から、リアルタイムの在庫追跡、納品の最適化、購入後のロジスティクスに至るまで、あらゆる業務をオーケストレートしていました。このシステムは、店舗、倉庫、デジタルチャネルのグローバルネットワーク全体で数百万件のトランザクションを効率的に処理でき、迅速で正確かつ柔軟に注文を処理するという顧客の期待に応えられるものでした。

しかし、この重要なシステムの基盤である 11 TB もの巨大な Oracle データベースが、次第にボトルネックになりつつありました。また、高額なライセンス費用や保守費用、増大する運用上の複雑さ、独自技術による制約が、スケーラビリティと長期的なイノベーションにとって重大な課題となっていました。そのため、Sterling OMS の高可用性、パフォーマンス、トランザクションの整合性を維持するために、以下のような要件を満たす最新のデータベースソリューションが必要になりました。

総所有コスト（TCO）の削減: 信頼性を維持しながら、ライセンス費用、運用上のオーバーヘッド、インフラストラクチャ費用を削減する。
ビジネス継続性の確保: 高可用性、迅速なフェイルオーバー、障害復旧をサポートし、注文処理や顧客取引の中断を防ぐ。
オープンスタンダードの採用: 独自技術から移行し、オープンで柔軟性があり、将来を見据えたソリューションを採用する。
同等の機能の維持: Sterling OMS の機能を損なうことなくシームレスな移行を実現し、すべてのミッションクリティカルな機能をそのまま維持する。

URBN のような小売企業においては、注文管理のわずかな不具合でさえ、財務面や運用面に重大な影響を及ぼす可能性があります。取引の失敗、在庫の予測ミス、納品の遅延は、顧客満足度、ブランドの評判、収益に直接影響します。Sterling OMS はミッションクリティカルなシステムであるため、URBN は技術的に堅牢かつ正確な移行アプローチを必要としていました。そのため、ダウンタイム、データ損失、パフォーマンス低下をほぼゼロに抑えた移行が求められました。

ソリューション: AlloyDB for PostgreSQL

この複雑な移行の成否は、URBN、IBM、Google Cloud による緊密かつ継続的なコラボレーションにかかっていました。このパートナーシップにより、業界をリードする専門知識と最先端の技術が結集し、各チームが全フェーズを通じて綿密に連携して取り組みました。URBN の技術スタッフと IBM と Google Cloud の専任エンジニアが直接連携することで、各チームは大規模なデータベースの移行を綿密に計画し、最適化できました。

このプロジェクトの成功は、以下のような重要な柱によって支えられました。

ファーストティアデータベースの認識と機能開発: IBM と Google Cloud のエンジニアリングチームが協力して、Sterling OMS で AlloyDB for PostgreSQL をファーストティアデータベースとして完全に認識し、サポートできるようにしました。
2 つの読み取りレプリカによるエンタープライズグレードの信頼性: パフォーマンスを向上させ、高可用性とスケーラビリティを実現するために、AlloyDB のデプロイアーキテクチャには 2 つの読み取りレプリカが含まれています。これにより、レポート作成や分析のためのデータへの低レイテンシアクセスが可能になり、Sterling OMS アプリケーション全体のオペレーショナルレジリエンスが向上します。
広範なパフォーマンスチューニング: Google Cloud の専任のパフォーマンスエンジニアリングチームが、URBN と IBM のエキスパートと協力して、データベースクエリの微調整と構成の最適化を行いました。このような継続的かつ高品質なサポートにより、AlloyDB は以前の Oracle データベースのパフォーマンスベンチマークを達成しただけでなく、それを上回る成果を上げることができました。この作業は、AlloyDB 上で Sterling OMS の膨大なトランザクション量を処理する、URBN のような非常に大規模な小売業者にとって不可欠です。
厳格な切り替えテストとリスク軽減: Google Cloud と IBM のチームは、厳格かつ反復的な切り替えテスト戦略で URBN を支援しました。この戦略には、Sterling OMS システムで AlloyDB を丸 1 日稼働させてから Oracle データベースに戻すという作業が含まれていました。このプロアクティブなテストにより、URBN のチームは制御された環境下で潜在的な問題を特定、解決でき、リスクを大幅に軽減するとともに、移行後のシステムに対する信頼性を高めることができました。

aside_block: <ListValue: [StructValue([('title', 'Google Cloud データベースでよりスマートに構築'), ('body', <wagtail.rich_text.RichText object at 0x7f54be3c8790>), ('btn_text', ''), ('href', ''), ('image', None)])]>

変革をもたらす転換

AlloyDB への移行により、URBN のデータ戦略は根本的に再構築されました。パフォーマンスや信頼性を損なうことなく、最適化されたストレージとコンピューティングアーキテクチャを通じて、より望ましい TCO を実現しています。さらに、PostgreSQL 互換データベースである AlloyDB への移行により、オープンソースエコシステムの柔軟性を手に入れました。この移行により、ベンダーロックインから解放されるだけでなく、活気のあるコミュニティやさまざまな最新ツールにアクセスできるようになり、長期的な技術的アジリティの確保につながりました。

この移行によって、費用や柔軟性の面だけでなく、優れたパフォーマンスと拡張性が実現し、URBN のミッションクリティカルな業務をサポートできるようになりました。また、最適化されたデータベースカーネルと高精度のクエリ調整を組み合わせることで、大幅な速度向上を実現し、Sterling Commerce システムの応答性を直接的に高めることができました。

成功への道筋: 計画とテスト

URBN が IBM Sterling OMS での AlloyDB への移行を成功させたこの事例は、ミッションクリティカルなインフラストラクチャをモダナイズし、AI の拡張に備えた将来性のある環境を構築しようとする組織にとってのブループリントとなります。組織をまたいだ緊密なパートナーシップと、段階的にリスクを軽減するアプローチの組み合わせは、極めて複雑なミッションクリティカルな移行でさえも実現できることを証明しています。

モダナイゼーションの課題に直面している企業にとって、URBN の事例は成功への明確なロードマップとなります。AlloyDB 上でシステムを実行し、元の環境に戻すという反復的な切り替えテストの実施は、本番稼働に必要な信頼を築くための「秘訣」でした。このレベルの厳格なテストを優先することで、企業はよりアジリティと効率性に優れ、イノベーションに満ちた未来へと進むことができます。

その他の情報

AlloyDB が PostgreSQL の優れた機能と Google Cloud の強みを組み合わせている方法を紹介している最新の電子書籍。
AlloyDB を 30 日間無料で試せる AlloyDB の無料トライアルクラスタ。
AlloyDB for PostgreSQL の詳細。

- Urban Outfitters、CIO、Rob Frieman 氏

- Google Cloud、プロダクト管理、データベース担当バイスプレジデント、Raj Pai

Google Cloud AI を活用して、未知なる偉大な創造に挑むスタートアップ

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

※この投稿は米国時間 2026 年 4 月 23 日に、Google Cloud blog に投稿されたものの抄訳です。

ラスベガスから未来へ、今週、新しい扉が開かれます。世界をリードするスタートアップが Google Cloud Next で一堂に会し、画期的な AI の取り組みを紹介します。最高水準の AI モデル、極めて負荷の高いワークロードにも対応するインフラストラクチャ、インテリジェントなマルチモデルデータベース、安心と成長のためのセキュリティおよびデジタル主権ソリューション、これらのいずれかを、あるいはすべてを必要とする、あらゆる規模、あらゆる業界のスタートアップが、Google Cloud を選択しています。

活用事例は枚挙に暇がありませんが、ほんの一例を挙げると、人気ソフトウェア作成プラットフォーム Lovable では、Google Cloud インフラストラクチャが利用され、現在 Lovable で作成されているプロジェクトは 1 日 20 万件を超えています。また、米国の医師に広く利用されている医療 AI プラットフォーム OpenEvidence は、Google AI ツールを使用してエビデンスに基づく回答を医療現場で提供しています。同社は最近、Wiley および Mount Sinai との大規模なパートナーシップを発表し、信頼できる医学研究とその AI アシスタントへのアクセスを拡大しました。

今回の Google Cloud Next では、Google Cloud を使用して新たに取り組みを開始した、または取り組みを拡大している、さらに多くのスタートアップをご紹介しました。バイブコーディング、モデルのトレーニングと推論、ヘルスケアとライフサイエンス、画像生成、金融サービス、ゲームなど、さまざまな分野をリードするスタートアップが盛り沢山です。さらに、Google Cloud の AI Hypercomputer を通じて GPU ベースの AI コンピューティングを利用し始めた新しいスタートアップグループもご紹介します。これは、Google と NVIDIA の緊密な技術パートナーシップが生み出した潮流であり、躍進が期待される分野です。

Google Cloud は常に AI スタック全体をスタートアップに統合環境で提供し、ビジネスがすぐにトップスピードに乗れるよう力強く後押ししてまいりました。Next ‘26 で発表する新サービスにより、スタートアップの選択肢と機会は一層広がるばかりです。

たとえば、Gemini Enterprise エージェントプラットフォームによる複雑なエージェントの迅速な構築、推論とトレーニングのための 2 つの差別化された TPU サービスによるコンピューティングニーズの最適化、次世代のクロスクラウドレイクハウスによるデータフリクションの削減、Wiz AI エージェントと Google 規模の脅威インテリジェンスによる総合的なガバナンスの向上など、進歩を支えるさまざまな取り組みが目白押しです。また、Marketplace と Gemini Enterprise のインテグレーションにより、AI ソリューションを企業ユーザーに直接販売できる仕組みも整っています。

多岐にわたるスタートアップのイノベーションをサポート

AI が仕事や生活のあらゆる側面をいかに劇的に変革しているかについて疑問をお持ちの方は、Google を利用しているスタートアップが市場にもたらしているイノベーションをご覧になればすぐにご理解いただけるはずです。

コーディングおよびデベロッパー用ツール

Emergent AI は、Google Kubernetes Engine（GKE）をコアインフラストラクチャとして使用し、オンデマンドの隔離された開発サンドボックスを何千件もオーケストレートすることで、バイブコーディングをサポートします。自動スケーリングに GKE Autopilot を活用し、コード生成に Gemini モデルを活用して、自然言語のプロンプトをプロダクションレディなライブアプリケーションに変換し、即座にプレビュー可能にするプラットフォームです。
Lovable は Google Cloud との連携を拡大し、新しいコーディングエージェントをリリースしました。このエージェントは、Google Cloud Marketplace と Gemini Enterprise から購入できます。
Parallel は、AI エージェントに特化した高精度のウェブ検索と調査のための API を構築しています。Gemini、BigQuery、BigTable、Spanner などの Google Cloud プロダクトを活用することで、2025 年 8 月のサービス開始以来、プラットフォームの構築、リリース、大規模なスケーリングを実現しています。
Temporal は Google Cloud と提携し、独自の Application Development Kit（ADK）インテグレーションを構築しています。これは、強力な実行保証、稼働時間、監査可能性、運用上のレジリエンスを必要とするミッションクリティカルなユースケースにエージェントシステムのデプロイを可能にするものです。

顧客エンゲージメント

Satisfi Labs は、行楽地や体験に関する顧客エンゲージメントを変革するために設計されたエージェント型 AI プラットフォームで、スポーツ、エンターテイメント、観光業界にまたがる 800 社の顧客にサービスを提供しています。Google Cloud エコシステム上に構築され、Gemini、BigQuery、AlloyDB、Datastream などのテクノロジーを活用して、インテリジェントなインタラクション、スケーラブルなデータ処理、リアルタイムのインサイトを実現しています。
Vapi は、会話型音声 AI を作成するデベロッパー向けのプラットフォームです。インテリジェンスコアとして Gemini を活用することで、コンピューティングの費用対効果を最大化しながら、驚異的なスケールでプレミアムな音声体験を生み出せます。
Vurvey Labs は、Gemini Enterprise Agent Platform を活用してエージェント集団の仮想世界を構築し、人間の行動と将来のニーズを予測しています。
ZenBusiness は、Gemini Enterprise Agent Platform を利用し、ビジネスの設立支援、コンプライアンス、ウェブサイト開設のための AI アシスタント「Velo」のリリースなどを通じて企業運営を簡素化しています。

ドキュメントインテリジェンス

Reducto は、Gemini Enterprise Agent Platform と AI Studio をコアモデルとともに活用して、リスクの高いワークフローを自動化し、本番環境の AI パイプラインを大規模に強化しています。

FinOps

Mavvrik は、Gemini と BigQuery を活用した FinOps プラットフォームです。統合された費用管理プラットフォームで、FinOps、IT、財務のリーダーによるパブリッククラウド、プライベートクラウド、AI ワークロード、SaaS アプリケーションにまたがる支出の管理、可視化、割り当ての自動化を支援しています。

生成メディア

ComfyUI は、Nano Banana Pro を統合することで、複雑なノードベースの生成メディア制作を合理化し、プロビジョンドスループットを使用してカスタマーエクスペリエンスの一貫性を向上させています。
Gamma は、Nano Banana 2 を活用し、ローカライズされたビジュアルを瞬時に生成してアイデアを数秒で共有可能なコンテンツに変換するツールです。7,000 万人以上のユーザーが、プレゼンテーション、ドキュメント、ウェブサイト、ソーシャル投稿の作成に使用しています。

業種特化型 AI

Chorus は、Alphabet のイノベーション部門である X から分離独立した企業で、さまざまな業界で物的資産の製造、移動、管理方法を変革する AI オーケストレーションツールを構築しています。Gemini Enterprise Agent Platform、高度な ML、独自のアルゴリズムを活用して、物的資産ごとのきめ細かな可視性、温度データ分析インテリジェンス、ミッションクリティカルなサプライチェーン全体にわたる動的な配送予測を提供しています。
ExaCare AI は、救急治療回復期ケア業務向けの AI プラットフォームです。Gemini Enterprise Agent Platform と Gemini を推論に使用し、入院から清算までのワークフロー全体で臨床データと運用データを処理します。
Industrility は、機械メーカー向けの AI 搭載アフターセールスプラットフォームです。Google Gemini の高度な言語モデルを基盤としてメンテナンスインテリジェンスエンジンが構築され、重要なメンテナンスタスクを抽出することで従来 2 か月かかっていた手動プロジェクトを 3 時間に短縮しています。
Insilica は、Gemini Enterprise Agent Platform を使用して、数百万件の毒性規制文書と数千件のデータベースを処理し、統合されたエージェント型リスク評価プラットフォームを編成しています。
Proximal Health は、DocAI を利用して保険金請求の審査プロセスを自動化しています。
Stord は、オムニチャネルの小売業向けのフルフィルメントサポートとソフトウェアを提供しています。Gemini Enterprise Agent Platform を活用して、商品取引総額年 100 億ドル以上の実データに基づき、数百万件の注文において配達日を予測し、需要計画を最適化する ML モデルを構築しています。
Stylitics は、Gemini Enterprise Agent Platform を使用して、世界トップクラスの小売業向けに 1,000 以上の AI プログラムをサポートし、AI による画像生成やコーディネートとスタイリング、AI 分析などを提供しています。
Wand は Gemini Enterprise Agent Platform を使用して、同社のシングルプレーヤー PC ゲームプラットフォームに組み込まれたコンテキスト対応型コンパニオン Game Guide を運用しています。Game Guide は、プレーヤーが行き詰ることのないよう導いたり、隠しコンテンツの発見を手伝ったりして、ゲームウィンドウを離れずに没頭し続けられるようプレーヤーをサポートします。

生産性向上

Notion は、生産性向上ツールへの AI 統合の最先端スタートアップであり、テキストと画像の生成機能に Gemini モデルを活用しています。

サステナビリティ

Watershed は、エンタープライズ気候プラットフォームで業界をリードするスタートアップです。Google Cloud を活用してサステナビリティデータを実用的な気候インテリジェンスに変換し、脱炭素化をグローバルに加速させ、組織が前例のない規模で測定結果を行動につなげられるよう支援しています。

NVIDIA AI インフラストラクチャによるモデルのトレーニングと推論のサポート

世界で最も革新的なスタートアップが NVIDIA の最先端 GPU を搭載したコンピューティングへのアクセスを必要とする場合、現在その多くは Google Cloud に依存しています。Google と NVIDIA との長年にわたるパートナーシップにより、スタートアップは Google Cloud を利用することで、AI モデルのトレーニングと実装、ファインチューニングのサポート、新しいエージェントワークロードのスケーリングが行えます。

今回の Google Cloud Next では、このようなスタートアップの成功事例を紹介し、さらに NVIDIA AI インフラストラクチャと Google Cloud の AI スタックの利用を選択した新しいスタートアップとのパートナーシップについても発表いたしました。

新規および拡大中のパートナーには、以下のスタートアップが含まれます。

Thinking Machines Labs は、Google Cloud を通じて最新の NVIDIA Blackwell チップを利用する予定です。これにより、GB300 を利用する最初の Google Cloud ユーザーの 1 社となります。Thinking Machines は初期テストにおいて、GB でのトレーニングとサービングの速度が前世代のチップと比較して 2 倍に向上したことを確認しています。
GMI Cloud は、Google Cloud の GPU インフラストラクチャを活用し、推論に最適化されたプラットフォームを運用して、テキスト、画像、動画にわたる GMI Studio のワークフローと大規模なモデル提供を実現しています。本番環境グレードのリアルタイム AI アプリケーションへの需要が高まる中、高使用率をサポートする Google Cloud の GPU インフラストラクチャが注目されています。
Inferact は、データセンターハードウェア上のオープンソース LLM 向けに、高性能で使いやすい推論エンジン vLLM を開発しています。これには、Google Cloud 上の NVIDIA GB200 のクラスタや、Managed Lustre や Cloud Filestore などのサービスが利用されています。
Neuraldefend は Google Cloud および NVIDIA と提携し、H100 および L4 GPU を使用してモデルトレーニングと本番環境の推論を行い、リアルタイムのディープフェイク検出エンジンとデジタルトラストソリューションを提供しています。
Nucleus AI は、Google Cloud を介して NVIDIA H100 GPU のクラスタをモデルトレーニングに利用しています。
Reflection は、Google Cloud を通じた G4 VM の使用や Google Cloud Storage などのサービスの利用を拡大し、オープンウェイトモデルのトレーニングと推論をサポートしています。
Reve は、Google Cloud 上の A3 Mega（NVIDIA H100 GPU）インスタンスと A3 Ultra（NVIDIA H200 GPU）インスタンスを使用して、高負荷マルチモーダル基盤モデルのトレーニングと推論を処理しています。また、GKE を使用して高パフォーマンストレーニングのニーズを管理しています。

多くのスタートアップは通常、NVIDIA の最新の Blackwell インフラストラクチャで実行される Google Cloud G4 VM を通じて NVIDIA の GPU にアクセスしています。さらに、今年中には NVIDIA の Vera Rubin アーキテクチャへのアクセスもスタートアップに提供する予定です。NVIDIA との緊密なパートナーシップにより、Google Cloud AI Hypercomputer は GPU ユーザー向けに高度に最適化されており、さまざまなユースケースで超低レイテンシ、高スループット、費用対効果に優れたパフォーマンスを実現できます。

この高度な最適化は、スタートアップが GPU を利用する手段として Google Cloud を選択する理由の一つです。また、Gemini Enterprise、Agent Builder、BigQuery、Google Kubernetes Engine など、高度に差別化された Google AI スタックのテクノロジーに簡単にアクセスできることも決め手となっています。

また、Google は今後も NVIDIA との緊密な連携を継続し、NVIDIA の Inception プログラムと Google for Startups クラウドプログラムを通じて、初期段階のスタートアップを AI コンピューティングとクラウドサービスでサポートしていきます。対象となるスタートアップには、以下の有望な企業が含まれます。

Aible は、長期稼働用エンタープライズ AI エージェントを構築しています。Google Cloud 上で GPU にアクセスすることで、Aible は Nemotron 3 や NemoClaw のエージェントを BigQuery 上で直接実行したり、インテリジェントウェアハウスのようなマルチエージェントブループリントをオーケストレートしたり、サーバーレスの RTX アクセラレーションによる推論を Cloud Run にデプロイしたりできます。
Baseten は、大規模言語モデルとビジョンモデル用のモデル提供を最適化するマネージド推論プラットフォームを提供しています。Google Cloud 上で GPU にアクセスすることで、Baseten は NVIDIA アクセラレーションによる推論をデプロイし、本番環境で生成 AI ワークロードを実行する顧客向けに 1 秒あたりのトークン数、1,000 リクエストあたりの費用、GPU 使用率を向上させています。
CodeRabbit は、Google Enterprise Agent Platform を介して Nemotron モデルでサポートされる、コードレビュー用の AI 主導ワークフローを構築し、低レイテンシの PR 要約、エンベディングを活用したコンテキスト拡充、スケーラブルな同時レビューパイプラインを実現しています。
Factory AI は、複雑なコードグラフを走査したり、依存関係を解決したり、実際の本番環境リポジトリに対して安全なパッチを生成したりできる自律型コード編集エージェントを開発しています。Factory AI が Gemini Enterprise Agent Platform の Nemotron モデルによって実現した、このエージェントは「Droids」と呼ばれ、Nemotron Super で稼働します。Droids は、セマンティックコード検索、grep や静的解析などのツール拡張型推論、大規模な複数ファイルのリファクタリング計画などを実行できます。
Mantis AI は、ラテンアメリカのメディアおよびエンターテイメント企業向けに、動画ネイティブのインテリジェンスレイヤを構築しています。NVIDIA の Inception プログラムと Google Cloud とのコラボレーションを通じ、Mantis AI は高スループットの推論パイプラインを運用し、ファインチューニングされたモデルバリエーションの厳密な評価と、NVIDIA NIM、Blueprints、ベクトル検索サービスの試験適用によって、放送局やライブ配信者が動画の分析から大規模なオーケストレーションに移行するのに役立つ本番環境対応のスタックを提供しています。
Photoroom は、商品画像を生成、編集する拡散ベースとトランスフォーマーベースのビジョンモデルを専門に扱っています。Photoroom は 1 分あたり 1,000 件以上の画像を処理し、4 倍速の TensorRT と xformers を使用して Stable Diffusion パイプラインの 100% 高速化を実現することで、Google Cloud で 50 万 GPU 時間以上を問題なく消費しています。

Gemini Enterprise でエージェントを直接販売

AI スタートアップにとって、企業の調達プロセスは成長のボトルネックとなることがよくあります。そこで、Google は Google Cloud Marketplace を Gemini Enterprise に統合することで、調達プロセスを加速するグローバルな場を設けました。

このたび、Next において、Marketplace でエージェントを提供する優秀なスタートアップ 70 社を発表しました。

これに加え、さらに多くのスタートアップがエージェントを構築して市場に投入できるよう、Google はパートナーのエージェント開発とマーケティングを支援する新しい 7 億 5,000 万ドルのファンドを立ち上げます。この新しいファンドについて詳しくは、こちらをご覧ください。

Gemini Startup Forum のご紹介

6 月には、シードからシリーズ A までのスタートアップの創業者を対象とした内容の濃い 2 日間の会合 Global Gemini Startup Forum を開催します。参加者は Google のリーダーやエンジニアと交流し、プロダクトの構築やスケーリングを体験しながら、Google の AI ポートフォリオを構成するさまざまなチームとフィードバックを共有します。プログラムの詳細をご確認のうえ、今後開催予定のイベントにご興味がございましたら、ぜひご登録ください。

今年後半には、次回のプログラム Gemini Startup Forum: Cybersecurity がロンドンで開催予定です。ご応募受付中ですのでご検討ください。AI を活用して次世代セキュリティソリューションを構築しているスタートアップには、ぜひご参加いただきたく存じます。

Google for Startups AI エージェントチャレンジにご参加ください

スタートアップは今すぐ参加して、実践力をお試しください。Next 2026 では、Google for Startups AI エージェントチャレンジを開催することが決定しました。

Next の参加者だけでなく誰でも参加できるこのグローバルコンペティションは 6 週間にわたって開催され、各チームには 500 ドルのクレジットと、新しい Gemini Enterprise Agent Platform をはじめとするツールが提供され、これを使用して自律システムの構築と、賞金総額 90,000 ドルの分け前を競い合います。

チャレンジ応募作品は受付が開始されており、提出期限は 2026 年 6 月 5 日までとなっています。このチャレンジには、各チームの開発状況に応じて 3 通りのトラックが用意されています。新しいエージェントをゼロから構築するか、既存のプロトタイプを最適化して本番環境での信頼性を高めるか、ビジネスで実用化されているエージェントをリファクタリングするかにより、Google Cloud Marketplace と Gemini Enterprise アプリを通じエンタープライズ仕様で配布できる可能性があります。

応募作品は、技術的な実装（30%）、ビジネスケース（30%）、イノベーションと創造性（20%）、デモとプレゼンテーション（20%）の各基準に基づいて評価されます。こちらで詳細をご確認のうえ、ふるってご応募ください。

新レポート「Future of AI: Perspectives on generative media for Startups」をお読みください

Future of AI: Perspectives on generative media for Startups レポートでは、8 人のスタートアップ創業者、投資家、Google 社員への独占インタビューが掲載され、業界の将来に関する率直なアドバイス、戦略的プライオリティ、予測がまとめられています。

創業者たちの生の声に耳を傾けることは、AI 主導のコンテンツ作成における新たな波を乗り越え、Google Cloud で生成メディアの未来を築くうえで、大いに役立つはずです。そして、将来の Next で、あなた自身が生の声を発する立場になるかもしれません。

- Google、グローバルスタートアップおよび投資家エコシステム担当バイスプレジデント、Darren Mowry

法改正対応を AI で加速する富士通の挑戦：暗黙知の言語化が開発プロセスを変えた

Tue, 19 May 2026 02:00:00 +0000

行政システムや電子カルテなど、法律に基づく社会インフラを支えるソフトウェアの開発には、独特の難しさがあります。法改正のたびに、数百ページに及ぶ法令文書を読み解き、既存システムへの影響を見極め、限られた納期でシステム改修を完了させなければなりません。しかも、その判断ができるのは、長年の経験で培われた業務知識を持つごく一部のエンジニアだけ。

富士通株式会社は、このような既存システムの改修案件におこる構造的な課題に AI で挑んでおり、こうした取り組みを、富士通のシステム開発を変革するプロジェクト「Takane Driven Initiative」として推進しています。今回は、この検討プロセスの一部において、Google Cloud の Tech Acceleration Program（TAP）を知見探索の場として活用しました。ここで得た知見を社内の開発プロセスに還元し、「暗黙知の言語化」という独自のアプローチで成果を上げ始めました。今回は、AI Innovation Center の小副川健氏、Public＆Education事業本部の馬塲燿司氏、AI&Tech-Driven Transformation 本部の魚瀬秀明氏にお話を伺いました。

左から順に、インタビューにご協力いただいた富士通Japanの馬塲氏、富士通の小副川健氏、富士通Japanの魚瀬氏

属人化した現場の課題：800 ページの法令を読み解き、数ヶ月でシステムへの反映をせまられる現実

富士通が開発・提供する行政システムや医療システムは、法改正に合わせて改修を繰り返す宿命を持っています。

医療分野では 2 年に 1 度の診療報酬改定があり、1 月末に出される仕様は 3 月にかけて段階的に詳細化されていきます。それを 6 月の施行日までに、つまり、たった 3 ヶ月でシステムへ反映させなければなりません。対象となる法令文書は 800〜900 ページ。行政分野でも、マイナンバー制度や標準化法など、大規模な法改正が定期的に発生します。

「法律が変わると、当然システムも変えていかなければなりません。その作業を何年も繰り返してきた結果、システムの母体が大きくなり、保守が大きなウエイトを占める状況になっています」と馬塲氏は語ります。

改修を繰り返す中で保守のウェイトが増していく現場の実情を語る馬塲氏

課題は規模だけではありません。法令文書を読み込み、各自治体や医療機関での運用を頭に描きながらシステムを設計し改修を行うには、既存のソースコードの理解、コーディングスキルに加えて、深い業務知識が求められます。しかも、この作業にかけられる時間は多くはありません。できる人材はどうしても限られ、一部のベテランの担当の「暗黙知」として蓄積され、業務の属人化が進んでいました。

この問題の解決に向けて、富士通社内で立ち上がったのが全社横断の取り組み「Takane Driven Initiative 」です。富士通の技術と蓄積された業務知見をあわせ、設計から、製造、テストまでを一気通貫で AI が担う「AI-Driven Software Development Platform（AI-Driven SDP）」の開発を進めています。現在、行政とヘルスケアを中心に活用がはじまっています。

AI-Driven Software Development Platform の全体像

Gemini CLI との出会い：コンテキストの長さとインタラクティブ性が決め手に

AI-Driven SDP の開発を統括する小副川氏が Gemini に注目した理由は明快でした。

「まず、当時のタイミングで圧倒的にコンテキストが長かった。我々のソースコードの量が膨大なので、どれだけ詰め込めるかが重要だと考え、これに耐えうる AI として Gemini に注目、それをターミナルで使える Gemini CLI を選びました」

加えて、すでに Google Cloud 環境を利用していたことも後押しになりました。富士通が独自に開発する AI-Driven SDP は、設計から製造、テストに至るまで、全工程一気通貫で処理が実行されます。ただし、そのドメインナレッジは、各工程ごとに試行錯誤しながら整備する必要があります。Gemini CLI のインタラクティブなやり取りは、ベテランの持つ暗黙知の抽出と言語化のアプローチにマッチしていました。TAP での検証を通じて暗黙知抽出のアプローチを確立し、それをTakane Driven Initiative に持ち帰って活かすこと。それが今回の狙いでした。

TAP で見つけた「暗黙知を言語化する」アプローチ

Google Cloud の TAP では、3 日間のワークショップを通じて具体的な検証を行いました。馬塲氏のチームが取り組んだのは、過去に実施した法改正の案件を題材にした 4 段階のアプローチです。

Gemini CLI の応答を前に、富士通と Google Cloud が議論を重ねた

まず、過去の法改正における法令文書とソースコードを Gemini に読み込ませ、正しく改修できるかを試しました。ところが、最初はうまくはいきませんでした。

そこで次に、正解となるコードを与えて逆算させました。「この正解を導き出すにはどういう実装方針が必要か」を Gemini に考えさせ、実装方針を言語化させたのです。

そして、コンテキストをリセットした上で、導き出した実装方針に基づいて改めて改修を試みます。それでも正解に届かなければ、プロンプトをチューニングして精度を上げていく。

「この 3 つのステップだけではうまくいかなかったんですね。なぜかというと、我々の頭の中にしかない暗黙知、言語化されていないものがあると、やはり期待どおりの開発ができないということがわかりました」と馬塲氏は振り返ります。

ここから生まれたのが、4 つ目のステップ、暗黙知の体系的な言語化です。Gemini CLI とインタラクティブに対話しながら、「なぜ正解にたどり着けなかったのか」を考察させ、足りなかった知識を一つひとつ洗い出していきました。

魚瀬氏はこのプロセスを「新人を教育しているようなイメージ」と表現します。

「最初の 50 点から 100 点に引き上げるために何が足りなかったのかが、少しずつアウトプットされていく。それをまとめて体系化すると、『こういうことが足りなかったんだ』という気づきが得られるんです」

Gemini との対話を新人教育になぞらえて説明する魚瀬氏

ソースコードの構造を一度に学習させようとするとトークン超過が発生しましたが、体系的に順序を整理し、フューショット（Few-shot prompting）で段階的に知識を投入していくことで、精度は大きく向上しました。

技術よりも大きかった「マインドの変化」

TAP を通じて得られた最大の成果は、技術的な知見だけではありませんでした。

「一番大きなところは、マインドの変化です」と馬塲氏は言います。「暗黙知をちゃんと言語化して AI に読み込ませないと、正しい正解を導き出せないことが目に見えてわかりました。普段何気なくやっているシステム開発の一つひとつを、AI に教えるならどう言語化すればいいか、と考えるようになったんです」

この意識の変化は、TAP 後の活動にも波及しています。TAP で得た暗黙知抽出のノウハウを社内に展開したことで、AI エンジニアとして活動できる人材が増えるという副次的な効果も生まれました。

小副川氏はこう補足します。「AI-Driven SDP における暗黙知の抽出・体系化プロセスとして整理し、環境やモデルが変わっても活用できる手法として確立したことで、ベテランの経験がなくても暗黙知を抽出できる人材が育ちつつあります」

Google Cloud スペシャリストとの連携で大きな手応え

TAP での Google Cloud スペシャリストとの協業について、馬塲氏は「非常に素晴らしかった」と評価します。

「目先のゴール達成だけでなく、ビジネスの背景や目的から理解していただきました。3 日間に限らず、その後も個別のフォローアップをしていただき、暗黙知の言語化についても継続的に支援を受けられたのは非常にありがたかったです」

魚瀬氏も、まず課題の真因に対して仮説を立て、それに対してどういった技術とアプローチで解決できるかを議論するという進め方に手応えを感じたと話します。

「来るたびに最新の技術を出し惜しみなく紹介してくれて、それを自分たちの中でどう活用できるかを検討できました」

小副川氏は「非常に真摯に課題に向き合っていただいた。自分たちの技術やサービスを当てはめようとするのではなく、課題そのものをしっかり見てくれた」と振り返ります。

Google Cloud スペシャリストとの協業を「課題そのものをしっかり見てくれた」と振り返る小副川氏

AI が主役になる開発、その先にあるもの

富士通は TAP で得た知見を AI-Driven SDP に還元し、法令の解釈から設計、製造、テストまでの全工程自動化を目指しています。プレスリリースでは、3 人月を要していた改修期間を 4 時間に短縮した実証結果も報告されました。

ただし、課題も残っています。馬塲氏は「AI は同じ命令を与えても結果が微妙に異なります。社会システムでは再現性が必須なので、間違ったアウトプットを検知して軌道修正する仕組みが必要です」と指摘します。

今後の展望について、魚瀬氏はこう語ります。「私たちはソフトウェアを通じてお客様の課題を解決するためにこの仕事をしています。AI が開発を加速してくれるなら、空いた時間でお客様のところに行き、業種を横断した社会課題の解決に取り組みたい。それが真の目的だと思っています」

馬塲氏は、AI を開発に活用する上での心構えをこう締めくくりました。

「今回の AI は、補助ではなくシステム開発の主役です。高速にアウトプットが出てきますが、それは最後の一瞬の動作にすぎません。裏には、暗黙知を地道に言語化して蓄えさせるという準備がある。一足飛びではなく、その地道な作業があってこそだということを、社内にも広めていきたいと思っています。そして今後も、社会システムに求められる品質と再現性を満たす AI ドリブン開発の在り方を追求していきます」

Tech Acceleration Program (TAP) とは

グーグル・クラウド・ジャパンは、ユーザー企業の DX の取り組みを加速させるために、生成 AI やクラウドネイティブな技術を活用して、実際のアプリケーションを題材に、迅速で効率的なアプリケーション開発を体験するアジャイル型のワークショップ「Tech Acceleration Program (TAP) 」を提供しています。TAP ではアジャイルなアプリケーション開発を支援するための環境づくり（開発環境の整備やコンテナベースのプラットフォームの検討など）もご支援しています。こちらからお問い合わせください。

インタビュイー

富士通株式会社
・AI Innovation Center 小副川健様

富士通Japan株式会社
・Public＆Education事業本部馬塲燿司様
・AI&Tech-Driven Transformation 本部魚瀬秀明様

未来にフィット: Breuninger が「be your own model」AI で売り上げを伸ばした方法

Fri, 15 May 2026 03:00:00 +0000

※この投稿は米国時間 2026 年 5 月 7 日に、Google Cloud blog に投稿されたものの抄訳です。

「これは自分に似合うかな？」というのは、オンラインでファッション品を購入するすべての買い物客が抱く疑問ですが、ほとんどの小売業者はこの疑問にまだうまく答えられていません。

ドイツを拠点とするファッションとライフスタイルの企業 Breuninger は、新しい生成メディアモデルでこのファッションの課題に対応できると考えました。同社は Google Cloud と連携して、買い物客が簡単な自撮り写真を使ってハイエンドファッション品を身に着けた自分を確認できるバーチャル試着エクスペリエンスを構築しました。

Trusted Tester からライブプロダクトへ

このプロジェクトは、ドイツの Google Cloud チームが Breuninger を Virtual Try-On（VTO）API の Trusted Tester プログラムに招待したときに始まりました。ドイツの Breuninger のデータチームは、カリフォルニアの Google のエンジニアと直接連携し、3 つの段階でテクノロジーのテストと改良を行いました。

カタログの拡充: チームはまず、VTO API を使用してプロのモデルにさまざまな衣装を着せてみました。これにより、Breuninger は新しい写真撮影を計画することなく、ユーザーテストのさまざまなバリエーションを確認できました。
体型の選択: 次に、ユーザーがさまざまな体型から選択して、自分の体型に似たシルエットで服がどのように見えるかを確認できる機能を追加しました。
「Be your own model」（自分自身がモデルになる）という画期的な機能: ユーザーからのフィードバックによると、顧客は単にモデルを見たいだけではなく、自分自身を見たいと考えていました。

Breuninger のプロダクトオーナーは、この緊密な連携により、チームがユーザーからのフィードバックをリアルタイムでデベロッパーと共有できるようになったと述べています。この迅速なフィードバック反映により、事前に選択されたモデルを使用する手法から、ユーザーファーストの自撮りベースのアプローチに移行できました。

3 つのレベルのバーチャル試着

このプロジェクトでは、小売業者が提供したいパーソナライズの程度に応じて VTO を導入できる 3 つのレベルが明らかになりました。

アプローチ	インタラクション	ユースケース
レベル 1: カタログの拡充	オフライン、バッチ処理	手動で撮影することなく、標準的なモデルに新コレクションのアイテムを大規模に着せて、商品ページを更新する。
レベル 2: 体型の選択	オンライン、リクエストに応じて	Google ショッピングの「バーチャルで試着」機能のように、ユーザーが選択できる事前定義済みのモデルを提供する。
レベル 3:「Be your own model」（自分自身がモデルになる）	オンライン、パーソナライズ	ユーザーが自撮り写真をアップロードして、特定のアイテムや全身のコーディネートを試着した自分を確認できる、最もパーソナルなエクスペリエンス。

Flutter による、スケーリングを考慮した構築

パーソナライズされたエクスペリエンスを拡大するには、AI モデルだけでは不十分でした。自撮り写真はそれぞれ照明や画質が大きく異なるため、チームは前処理ツールを構築し、最終的な画像が Breuninger のブランド基準を満たすようにしました。このプロジェクトは、Breuninger が Flutter ベースのプラットフォームに移行するのを加速させるものでもありました。VTO 機能は、自己完結型のプロダクトチームがこの新しい構造を使用して構築した最初のモジュールであり、それによってチームはわずか 3 か月で構想から本番リリースに移行できました。

ホリデーシーズン中の実際の結果

ブラックウィークとホリデーシーズンに 6 週間実施した A/B テストで、このバーチャル試着機能を利用した買い物客は、利用しなかった買い物客よりもコンバージョン率が高く、貢献利益も高くなることがわかりました。顧客アンケートでもこの数字が裏付けられました。買い物客は、高画質とパーソナライズされたエクスペリエンスに好意的に反応しました。チームが発見した、おそらく最も重要な点は、VTO が「このアイテムは自分に似合う」という自信を持つためのツールとなり、顧客が購入前にそのアイテムについて確信を持てるようになったことです。

次のステップ

パイロットの成功により、より広範なロールアウトと国際展開が計画されており、物理的なフィット感とサイズ選択のサポートもロードマップに含まれています。Breuninger は、顧客が日々の買い物でこのツールを実際にどのように利用しているかに基づいてエクスペリエンスを改良し続けています。これは、当初からプロジェクトを形作ってきたユーザーファーストのアプローチと同じです。

生成 AI が同様のエクスペリエンスの創出にどのように役立つかについては、Google Cloud のバーチャル試着ソリューションをご覧ください。Breuninger アプリでこの機能を実際に試すこともできます。

^{この研究は、Breuninger と Google Cloud の双方の貢献のもとに実現しました。Breuninger の Markus Peetz 氏、Jorina Hilser 氏、Martin Csengeri 氏、Jay Deutinger 氏、Sofia Widmayer 氏、David Schowalter 氏、Tobias Götze 氏、Eric Karge 氏、Abdul Mateen 氏、Besnik Brahimi 氏、Oliver Fesseler 氏、Lisa Beutner 氏、Google Cloud の Khanh LeViet、Jorj Ismailyan、Matt Chaban に感謝いたします。}

- Google Cloud、Michael Menzel

- Breuninger、シニアプロダクトオーナー、Daniel Rascher 氏

Google Cloud パートナーとのエージェント型エンタープライズの構築と 7 億 5,000 万ドルのイノベーションファンド

Mon, 27 Apr 2026 02:10:00 +0000

※この投稿は米国時間 2026 年 4 月 23 日に、Google Cloud blog に投稿されたものの抄訳です。

現在、エージェント型エンタープライズがお客様にとって現実のものとなりつつあります。今週開催の Next ‘26 では、お客様がエージェント型 AI をさらに加速させるのに役立つ、新しい画期的なイノベーションを発表しました。

エージェント型エンタープライズを実現するうえでは、Google のパートナー様が重要な役割を果たします。そこで今回は、エージェントの時代に業界で最も有能なパートナーエコシステムをお客様に提供するための新しいリソース、テクノロジー、緊密な技術パートナーシップについても発表いたしました。これには以下が含まれます。

グローバルコンサルティング企業、ソフトウェアパートナー、チャネルパートナーを対象とするエージェント開発のための 7 億 5,000 万ドルのパートナーファンド。
お客様が Gemini Enterprise でパートナーのエージェントをデプロイできる新しい方法。
お客様をサポートするために、グローバルコンサルティング企業との技術パートナーシップを強化し、Google から現地に配置するエンジニアチームを新たに編成。
Palantir、Salesforce、SAP、ServiceNow などのエンタープライズプラットフォームに Gemini モデルをより深く統合。
パートナー様が質の高いサービスを提供できるよう、Google Cloud パートナーネットワークの AI 搭載機能を拡充。

AI エージェントの開発を加速させるための投資

Google は、業界で最も AI 能力に優れたパートナーエコシステムをお客様に提供できるよう取り組んでいます。エージェント型 AI の時代にパートナー様が真の変革を推進できるよう、Google は 7 億 5,000 万ドルのイノベーションファンドを立ち上げます。エージェントの開発とデプロイを世界中で加速することを目的とし、対象はあらゆるビジネスプロセス、機能、業界となります。

このファンドは、以下のような幅広い活動を支援します。

ソフトウェア会社が Gemini Enterprise Agent Platform を使用して AI エージェントを自社製品に組み込み、Google の Agent Marketplace や、Gemini Enterprise の新しい Agent Gallery を通じて市場に投入できるよう、実践的サポートを提供します。
熟練した Google の前線配置エンジニア（FDE）が、主要なシステムインテグレータと連携して、お客様の技術的に難しい課題の解決や Google AI の迅速なデプロイを支援します。
デプロイと利用に関するインセンティブにより、サービスパートナー様がエージェントの時代に成功を収められるよう支援します。
パートナー様が Gemini Enterprise Agent Platform を使用してお客様向けにエージェントを構築、デプロイできるよう、トレーニング、技術開発イニシアチブ、ワークショップを提供します。

パートナー様が構築したエージェントを Gemini Enterprise で公開

Next では、エージェントを構築、スケール、管理、最適化するための包括的なプラットフォームである Gemini Enterprise Agent Platform を発表しました。このプラットフォームには、パートナーが構築した厳選されたエージェントをお客様が閲覧できる Agent Gallery が含まれます。

現在、Agent Gallery では幅広いサードパーティエージェントにアクセスできます。これらのエージェントは、Google の安全なエンタープライズグレードのインフラストラクチャ上に構築されているため、お客様は最高レベルのガバナンスと信頼性をもってビジネスにデプロイできます。現在、Accenture、Adobe、Atlassian、Deloitte、Lovable、Oracle、Palo Alto Networks、Replit、S&P Global、Salesforce、ServiceNow、Workday などが構築したエージェントがあります。

グローバルコンサルティングパートナーが AI トランスフォーメーションを推進できるよう支援

現在、Google Cloud のグローバルコンサルティングパートナーとシステムインテグレータパートナーは、Google AI の実装に関するトレーニングを受けた 33 万人以上のエキスパートをお客様に提供しています。Google Cloud は、今回の Next に合わせて、主要なシステムインテグレータとのパートナーシップを次のように拡大します。

Accenture は、前例のない Gemini Enterprise Acceleration Program の立ち上げにより、企業が AI を活用した変革とビジネス価値の向上を迅速かつ大規模に推進できるよう支援します。このプログラムでは、Google Cloud と Accenture のトップレベルの技術力と前線配置エンジニアをお客様の現場まで直接届けます。
BCG は Google Cloud とのパートナーシップを拡大して Gemini Enterprise による変革を加速させ、組織がエージェントの導入を大規模に実現できるよう支援します。
Capgemini は、Gemini Enterprise のエンタープライズ規模での導入を加速させるために、Google Cloud AI Enterprise Hub を設立します。
Cognizant は、Gemini Enterprise の企業への導入を加速させるために、Gemini Enterprise 専門のプラクティスグループを立ち上げます。
Deloitte は、Gemini Enterprise に特化した Google Cloud エージェント変革のプラクティスを立ち上げ、10 万を超える自社チームに Gemini Enterprise を展開します。
HCLTech は、Gemini Enterprise を基盤とする業界固有のソリューションの開発と導入を加速させるために、Gemini Enterprise ビジネスユニットを立ち上げます。
Infosys は、Infosys Topaz プラットフォーム内で Gemini Enterprise を活用し、Infosys のグローバルデリバリーチーム全体で 10 万人を超える Infosys の開発者に Gemini Enterprise を提供します。
KPMG は、ライフサイエンス企業に Gemini Enterprise をデプロイし、Workday と Google Cloud で構築された新しい Financial Close Companion エージェントをリリースします。
Kyndryl は、AI 対応の主権アプリケーション向けの Google Distributed Cloud サービスを拡大し、Google Cloud とのパートナーシップを強化します。
McKinsey は、McKinsey Google Transformation Group を立ち上げ、Gemini Enterprise を使用して企業の AI 成果を加速させます。戦略的専門知識と Google の AI スタックを組み合わせることで、組織がエージェントによる変革をスケールできるよう支援します。
PwC は、Google Cloud AI 専門のセンターオブエクセレンスを立ち上げ、組織の AI 導入の拡大を支援します。業界の専門知識と Gemini Enterprise を組み合わせることで、推論、行動、プロセスの自動化を大規模に行う AI エージェントをデプロイします。
TCS は、新しいエージェント型 AI サービスと Gemini Enterprise 専門のプラクティスを開始します。3,000 を超える業界に特化した AI エージェントと、Gemini Experience Centre のグローバルネットワークの拡大により、AI ネイティブの自律的な企業運営を加速させます。

Google Cloud はさらに、Accenture、Capgemini、Cognizant、Deloitte、HCLTech、PwC、TCS などの一部のグローバルパートナーにエンジニアチームを派遣し、お客様が自社内で AI エージェントのプロトタイプ作成とデプロイをより迅速に行えるよう支援します。Altimetrik、Artefact、Covasant、Deepsense、Distyl.ai、Northslope、Quantium、Tribe.ai、Tryolabs などの AI ネイティブサービスパートナーは、Gemini Enterprise のプラクティスを立ち上げ、サンドボックス開発、技術的なスキルアップ、紹介の機会のクレジットを受け取る予定です。

また、Google Cloud は、Accenture、BCG、Deloitte、McKinsey など、一部のパートナー様にモデルの早期アクセスを提供する新しいプログラムも展開します。これらのパートナー様は、Google DeepMind の今後のモデルのプレリリースバージョンをプレビューして、構築を開始できます。

一般的な SaaS プラットフォームを通じて Gemini をより多くのお客様に提供

世界をリードする多くのエージェント型 SaaS や AI プラットフォーム企業が、Gemini をすでに自社製品に統合しています。Cloud Next では、こうした統合を次のようにさらに拡大します。

Atlassian は、Gemini 3 Flash を Rovo に導入し、マルチモーダル機能を Confluence の Remix に統合することで、チームがテキストベースのドキュメントを忠実度の高い図やグラフに即座に変換し、関係者の意思決定を迅速化できるようにします。
Box は、Gemini 3 Flash と Gemini Enterprise を活用した新しい Box Agent をリリースします。これにより、企業は AI オーケストレーションを安全なコンテンツ管理ワークフローにネイティブに統合し、静的ファイルを実用的なインテリジェンスへと変換できます。
DocuSign は、Gemini を活用して、複雑な契約書を要約し、重要な条項を特定し、契約の言外の意味をユーザーが理解できるようにする新機能を提供します。
Oracle は、Gemini Enterprise 向け Oracle AI Database コネクタをリリースします。この新しいエージェントにより、エンドユーザーは Gemini Enterprise で Oracle データに関するビジネス上の質問を自然言語で行うことができるため、SQL を記述したり、基盤となるデータモデルを理解したりする必要がなくなります。
Palantir は、商用のお客様向けに Gemini と BigQuery のインテグレーションを追加し、お客様が最高水準のモデルを最も重要な AI ワークフローや業務に接続できるようにします。
Salesforce は、Atlas 推論エンジンにネイティブの Gemini サポートを追加します。これにより、Agentforce はテキスト、画像、動画など形式を問わず確認し、長年にわたる顧客履歴から複雑な問題を的確に解決できます。すでに数千ものお客様が Agentforce 内で Gemini を使用してプロンプトを作成した成果を基盤に、より迅速かつスマートな解決が可能になります。
SAP は、Gemini Enterprise を Engagement Cloud に統合し、AI を活用したカスタマーサービスと販売の分析情報とともに、画像やテキストを生成するクリエイティブツールを提供します。
ServiceNow は、自社の AI エージェントを Gemini Enterprise と統合し、世界最大規模の企業に自律運用を提供します。

エージェント時代のパートナーチャネルの構築

Google の新しいパートナープログラムである Google Cloud パートナーネットワークは、パートナー様がエージェントの時代に成功できるよう設計されています。昨年、Google は AI を使用してパートナーツール全体で深い分析情報を引き出せるようにしました。現在は、これらの分析情報を自律的な成長につなげるエージェント型ワークフローを構築しています。主な更新内容は次のとおりです。

Partner Agent: Partner Network Hub に統合されたこのエージェント型ツールは、パートナーエクスペリエンスの中央のオーケストレーターとして機能します。質問に答えるだけでなく、次のステップについて積極的にパートナーを導き、複雑なアセットを要約し、登録や作業明細書についてリアルタイムでコーチングします。
Agentic Earnings Hub: ここでは、作業明細書の下書きを自動で作成する新機能や、使用量のマイルストーンをモニタリングして請求リクエストを自動生成する新機能を確認できます。これらのツールを Earnings Potential Modeler と組み合わせると、コンテキストに応じて、利用可能なすべてのインセンティブを個々のクライアントレベルまでマッピングする推奨事項が提案されます。
パートナー検索ツール: このインテリジェンスをお客様にも拡張し、極めて具体的なワークロードに最適なパートナーを自然言語のプロンプトで特定できる会話機能を実現します。

最後に、Google Cloud の 2026 年パートナーアワードの受賞者をご紹介します。このアワードは、パートナー様が過去 1 年間にお客様にもたらした変革面の影響と素晴らしい価値を称えるものです。Google Cloud のエコシステムは、あらゆる業界のビジネスニーズに応えるために進化を続けています。Google Cloud のテクノロジーを使用してグローバル規模の複雑な課題を解決するパートナーの皆様の能力には、常に感銘を受けています。これらの優れた成果について詳しくは、パートナーアワード受賞者の一覧をご覧ください。

今週、数千人ものパートナーの皆様にお会いして、エージェント型エンタープライズの未来を一緒に構築できることを楽しみにしています。

- Google Cloud、グローバルエコシステム担当プレジデント、Kevin Ichhpurani

エージェントの未来を築く: メディアとエンターテイメント分野の Google Cloud パートナーエコシステムに注目

Fri, 24 Apr 2026 00:00:00 +0000

※この投稿は米国時間 2026 年 4 月 17 日に、Google Cloud blog に投稿されたものの抄訳です。

ラスベガスで NAB Show 2026 の開催が迫るなか、業界内の話題は変化しています。今は AI が機能するかどうかよりも、AI をいかにスケールさせるかに注目が集まっています。AI の試験運用の時代は終わり、本番環境グレードの実行の時代が到来しました。

Google Cloud は、スタジオや放送局がこの未来を単独で構築する必要はないと考えています。Google Cloud のミッションは、パートナー企業がアイデアを迅速にイノベーションにつなげられるエージェントプラットフォームと AI ツールやクラウドツールを提供することです。これは、編集スイートで使用するツールから、世界中の何百万人もの視聴者に動画を配信するテクノロジーまで、広範囲に及びます。

制作の強化: 手作業からインテリジェントなアシスタントへ

最新のクリエイティブワークフローは、手動の技術的タスクによってスピードが落ちることがよくあります。Google Cloud は、エコシステムのリーダー企業と協力して、高度な AI 機能を本番環境ソフトウェアのコアに直接統合しています。これにより、クリエイターは面倒な作業よりも、作品の芸術面に集中できます。制作チームは、クリエイティブスイート内で AI をプロアクティブなアシスタントとして活用することで、原案がフレームとして完成するまでの時間を大幅に短縮できます。

Avid は、Google Cloud 上で Content Core をリリースし、真のクラウドネイティブスタジオを提供しています。また、Media Composer にマルチモーダル AI 検索を統合しているため、編集担当者は自然言語を使用して必要なフレームを正確に見つけることができ、何時間もかかっていたログの検索が数秒で完了します。
Backlight は、制作から収益化まで、あらゆる規模のチームにとって複雑なメディアワークフローを簡素化します。Google Cloud と Video Intelligence API を基盤とする Backlight の Iconik プラットフォームは、アップロード時に検索可能なメタデータを自動的に追加します。お客様は、メディアライブラリを深く理解し、重複を減らし、アセットの配置を最適化することで、制作サイクルを最大 50% 短縮し、ストレージを最大 60% 節約できます。
Brahma AI は、小売、エンターテイメント、ヘルスケアの各分野で高忠実度のデジタルライクネスを推進するエンタープライズ AI コンテンツプラットフォームです。安全で管理されたフレームワーク内で、インタラクティブでインテリジェンス主導のデジタルライクネスを実現します。

コンテンツの価値向上: 静的なアーカイブからアクティブなアセットへ

データの価値は、そこから引き出せるインサイトによって決まります。Google Cloud Marketplace に掲載されているパートナー企業は、生成メディアモデルを使用して、膨大な静的アーカイブを検索可能で収益を生み出すエンジンへと変えています。Google Cloud は、すべてのフレームを検出可能にすることで、メディア企業が何十年分もの歴史を即座に機会に変えられるよう支援しています。

Ateme は、生成 AI を活用した新しい字幕ソリューションにより、グローバル配信を簡素化しています。このソリューションによって、さまざまなメディアタイプのローカライズにかかる手作業を大幅に削減できます。
Perfect Memory は、従来のストレージを、コンテキストを認識するナレッジエンジンへと変えるのに役立ちます。このプラットフォームは、アスリート、過去のイベント、感情のニュアンスの関係を理解し、膨大なメディアアーカイブをインテリジェントなライブラリに変換します。クリエイティブチームはあらゆるストーリーに最適なコンテンツを即座に探し出すことができます。
VionLabs は、Cineverse、Plex、Crunchyroll などの企業と連携し、AI を使用してコンテンツライブラリを分析、インデックス化することで、動画アセットへのアクセスを容易にし、メタデータの生成を可能にしています。Vionlabs は、各シーンの具体的なムードやスタイルを理解することで、ストリーミングプラットフォームが基本的なジャンル別タグの枠を超えて、より微妙な感情ベースのコンテンツの発見とマーケティングを実現できるよう支援します。

グローバルリーチへの拡大: シンプルなストリーミングから視聴者の拡大まで

この時代にメディア企業が成功するには、スムーズな視聴体験と簡単な支払い方法を提供する必要があります。Google Cloud のエコシステムは、信頼性と品質に優れた配信を通じて企業のリーチを拡大し、すべての視聴者の価値を最大化できるツールを提供しています。

Bending Spoons は、Google Cloud のグローバルな規模を活用し、Brightcove や Vimeo などの自社サービスを通じて、大企業、中小企業、次世代のクリエイターなどにプロフェッショナルグレードのツールを提供しています。同社のプラットフォームにより、グローバルブランドから独立系のストーリーテラーまで、誰もが質の高い動画を制作、配信できます。
Bitmovin は、ストリーミングサービスが効率的にスケールしながら、幅広いデバイスでプレミアムなエクスペリエンスを提供できるようにします。メディアチームは、リアルタイムのオブザーバビリティと AI による分析情報を組み合わせることで、エンゲージメントと収益化をプロアクティブに最適化できます。また、Bitmovin の高度なエンコードが、低ビットレートで優れた画質を実現し、需要の高いビデオオンデマンド（VOD）から大規模な 24 時間 365 日のライブ配信まで幅広くサポートします。
Evergent は、複雑な請求と収益化のワークフローを自動化し、AI を活用した収益管理を可能にします。メディア企業や通信企業は、Evergent のツールを使用して、個別の状況に応じたアジャイルな支払いオプションを用意することで、サブスクリプションの増加を最大化し、長期的な顧客維持率を向上させることができます。
Harmonic は、Grupo Globo などの大手放送局の業務のモダナイズを支援しています。新しいデジタル放送機能をクラウドベースのストリーミングソリューションに統合することで、リーダー企業が大規模な動画の処理と配信をより迅速かつ効率的に管理できるようにしています。

信頼性の確保: インフラストラクチャから信頼の基盤へ

高品質のコンテンツには、高性能の基盤が必要です。Google Cloud は、インフラストラクチャのリーダー企業と提携し、最も複雑なグローバルブロードキャストの安定性、安全性、応答性を確保しています。

Zixi は、プロフェッショナルな動画をあらゆるネットワーク上で移動するために必要となる放送レベルのトランスポートとワークフローの自動化を提供しています。Zixi は、制御の一元化と、配信プロセスに対する完全な可視性を提供することで、Fubo のようなリーダー企業が、信号が途切れるリスクを負うことなく、重要な放送品質のライブイベントを管理できるようにします。

エコシステムを実際にご覧ください

Google Cloud のエコシステムの強みは、メディアとエンターテイメントのあらゆる側面を統合していることです。カメラからクラウド、そして視聴者の画面まで、各パートナー企業が、よりクリエイティブで効率的、そして主体的なメディア業界の未来を体現しています。

4 月 19～22 日に開催される NAB Show で Google Cloud のブース（West Hall、#W2731）にお越しください。ライブデモやシアターセッションを通じて、多くのパートナー企業のソリューションをご覧いただけます。

- 通信、メディア、エンターテイメント、ゲーム担当グローバルリード、Anshul Kapoor

- Google Cloud、エンターテイメント業界ソリューション担当グローバルリード、Buzz Hays

エージェント型 AI で経費報告を自動化した SAP Concur

Wed, 22 Apr 2026 00:00:00 +0000

※この投稿は米国時間 2026 年 4 月 11 日に、Google Cloud blog に投稿されたものの抄訳です。

経費の自動化は、数十年にわたって「機械がテキストを読み取ることができれば、経費精算は可能である」というシンプルな前提に基づいていました。しかし、ポケットの中で丸まったレシートや、汚れがあったり、日焼けしたりしているレシートのスキャンを試みたことがある人は、情報の読み取りだけでは不十分であることがおわかりでしょう。都市名や明確な日付などの重要データが読み取れないと、機械は停止し、ユーザーが手動で入力しなければならないからです。

こうした従来の光学式文字認識（OCR）では対応できない課題を解決しようと、SAP Concur のエンジニアリングチームが取り組みを開始しました。業界の多くの企業がまだ会話型インターフェースの設計に注力していた頃、SAP Concur はより大きな変化を予見していました。同社は、効率性を飛躍的に高めるには、スキャン技術の改善ではなく、インテリジェントな推論が必要であることを早い段階で認識していたのです。

その結果、ExpenseIt のエージェント型 AI がアップグレードされ、テキストの読み取りだけでなく、一筋縄ではいかない複雑な推論も自動化されました。これにより、手動入力の手間が大幅に削減されました。出張中の社員は、受け取った領収書を写真撮影、デジタルスキャンのアップロード、またはメールでの転送を行うだけで、ExpenseIt によって内容が経費項目に正確かつ瞬時に変換されるため、日付の入力や明細の作成が不要になります。

このような次世代システムの実現に至るには、イノベーションの限界を超え、大胆な目標を短期間で実現したいという意欲を持つパートナーが必要でした。SAP Concur は、カスタムシリコンやデータプラットフォームから世界水準のモデルやエージェントに至るまで、あらゆるレイヤを共同設計できる唯一のプロバイダである Google Cloud と提携し、SAP Concur の先見的なロードマップと Google Cloud のフルスタック AI の力を融合させました。両社のチームは協力して、費用管理における真のブレークスルーを実現しました。つまり、領収書を読み取るだけでなく、出張者の状況を直感的に把握する AI エージェントです。

スピード、スケーラビリティ、創意工夫

標準的な経費の自動化は、領収書の記載内容を把握するのに優れていますが、記載されていない情報は把握できません。SAP Concur は、AI エージェントの登場を、自ら推論、判断、アクションを実施できるシステムを構築する好機と捉えました。

たとえば、「メインストリートカフェ」というレストランで昼食をとったときの領収書をアップロードした場合を考えてみましょう。この領収書には住所が記載されていません。以前は、こうした不足情報によって自動化が完全に中断され、続行するにはこのデータをユーザーが手動入力する必要がありました。

エージェント機能があれば、ベンダー名、経費の種類、出張日程データなどのコンテキスト上の手がかりの分析を通して、不足情報が補われます。SAP Concur は、人間のアシスタントのように考えられる AI エージェントを構築したいと考えていました。たとえば、「『メインストリートカフェ』と記載されています。このベンダーはダラス行きのフライトとテキサス州グリーンビルのホテルを予約しているため、この取引は同ベンダーの出張日程と一致しています。したがって、このベンダーはフランスのパリではなく、テキサス州パリのホテルの近くにあるレストランを利用した可能性が高いです」のように考えるエージェントです。

これを実現するために、チームはスタートアップのようなダイナミックなマインドセットで問題に取り組みました。長い開発サイクルではなく、迅速なプロトタイピングと大胆な問題解決に基づくコラボレーションを推進しました。

両チームは Google の Gemini モデルを活用して、認知アーキテクチャを基盤とする Receipt Analysis Agent を構築しました。

仕組みは次のとおりです。

取り込み: ユーザーは SAP Concur モバイルアプリで写真を撮影するか、デジタルスキャンをアップロードするか、デジタル領収書をメールとして転送します。
決定論的なコア: SAP の基盤となるテクノロジーは、何十年にもわたる世界のさまざまな経費処理を通して改良されてきました。このテクノロジーは、細かく調整されたロジックを適用して、領収書に記載された情報を高精度で抽出します。
インテリジェントなルーティングレイヤ: スキャンされた領収書のデータが明確な場合、追加のアクションをトリガーする必要はありません。データに不足がある場合（例:「場所が不明」）、ルーティングロジックによって、そのタスクが Receipt Analysis Agent に動的に転送されます。
コンテキストに沿った推論: Gemini モデルで構築された AI エージェントは、単に推測するだけでなく、ツールやグラウンディングを使用して不足している情報を推論します。ExpenseIt は、ユーザーの出張日程やビジネスカレンダーなどのグラウンディングデータとともに、領収書のデータの一部を AI エージェントにフィードします。
ReAct（推論とアクションのフレームワーク）: Receipt Analysis Agent は、ロケーション履歴と照らし合わせてベンダーを検証するなど、複数の情報を結び付けてから、経費の入力を完了します。

エージェント型 AI を搭載した ExpenseIt（Receipt Analysis Agent）

上の例に基づき、ExpenseIt は領収書の画像に場所が記載されていないことを特定すると、インテリジェントルーティングレイヤが Receipt Analysis Agentをトリガーします。エージェントは Gemini を使用して、不足している情報を特定し、コンテキスト上の関連する手がかりとユーザー固有のデータを分析し、出張関連の予約やカレンダーの予定などの情報に基づいて判断を下します。

AI エージェントを成功させるための主な設計パターン

Receipt Analysis Agent は、Google のシニアエンジニアである Antonio Gulli が執筆した実践的なガイド『Agentic Design Patterns』の基本原則に基づいて設計されています。この重要なガイダンスにより、SAP Concur は ExpenseIt を、領収書の記載データと、領収書に記載されていないデータを推論したものを正確に経費入力できるシステムに見事に変換しました。

まず、チームはルーティングパターンを実装し、すべての領収書が AI エージェントによって処理されないようにすることで、費用とインテリジェンスの両方を最適化しました。ルーティングアーキテクチャでは、受信するタスクが分類されます。具体的には、OCR の信頼スコアが高い領収書は標準の決定論的パスにルーティングされ、スコアが低い領収書（例:「場所が不明」）は Receipt Analysis Agent に動的にルーティングされます。

次に、自己検証パターンを適用して、エージェントが基本的な chatbot のように単に回答を生成するのではなく、パリをフランスではなく米国テキサス州の街だと特定した複雑な例で見られるように、複数の情報を照合して正確な判断を下します。このパターンでは、ジェネレーターと批判者による内部ループが使用されます。つまり、モデルが仮説（「ここはフランスのパリだと思います」）を生成し、次に批判者として、その内容を確立されている事実に照らし合わせて確認します（「出張日程にはテキサス州ダラスと記載されています。したがって、この仮説は間違っている可能性が高いです」）。

最後に、エージェントはツール使用パターンに従い、Concur Travel から得られる出張日程などのグラウンディングソースへの明示的な API アクセスを提供します。このアプローチにより、エージェントはハルシネーションを起こすことなく、正しい情報を取得できるため、システムはテキスト生成ツールではなく事実確認ツールとして機能することになります。

曖昧さに対応するアーキテクチャ: Google Cloud のエコシステムの優位性

このプロジェクトは、インテリジェントシステム設計における重要な転換点を示しています。SAP Concur は、決定論的なコアとエージェントによる推論レイヤを組み合わせることで、AI の最大の価値が多くの場合、手元にあるデータの処理ではなく、不足データの推論による取得であることを証明しました。このエンジニアリングの過程でもたらされた重要な変化は、モデルの活用方法の転換でした。チームは Gemini を生成インターフェースとして活用するだけでなく、ロジックエンジンとしてデプロイするようになったからです。

SAP Concur がこうした未来を構築するために、Google Cloud との連携を選んだ理由は何でしょうか？なぜなら、エージェントの真価が、世界をどれだけ深く理解しているかに左右されるのと同様に、デジタル世界を深く理解している企業は Google の他にはないからです。

今回のリリースでは Gemini の推論能力が活用されていますが、このパートナーシップにより、市場で他に類を見ないマルチモーダルかつフルスタックのインテリジェンスの未来が実現されるでしょう。たとえば、次のようなことが可能になります。

実世界でのグラウンディング: エージェントが領収書と Google マップのデータを照合して、ビジネスが実際にその場所に存在することを確認できるようになります。
スムーズなフロー: 将来的に Google ウォレットとのインテグレーションにより取引のタイムスタンプを瞬時に照合したり、Gmail とのインテグレーションによりホテルの明細書を自動的に表示したりできるようになります。
エッジインテリジェンス: Gemini Nano やサービスシステム Android AICore などのモバイルの進化により、最終的には機密性の高い処理がデバイス上で直接可能になり、ユーザーはデータをスマートフォン以外に送信することなく、プライバシーを確保しながら迅速に操作できるようになります。

SAP Concur は、世界の金融取引を支える専門分野の知識を持っています。Google Cloud は、トレーニングに最適化されたカスタム設計チップ（TPU）から、ユーザーが携帯するモバイル OS まで、AI スタック全体を提供しています。

次世代エージェントを構築する準備はできていますか？

ExpenseIt のような推論エンジンを構築するために、一から作り直す必要はありません。ここで説明するアーキテクチャパターン（ルーティング、自己検証、ツール使用）は、Google Agent Development Kit（ADK）にすでに組み込まれています。ADK は、ユーザーの皆様が「プロンプトエンジニアリング」から「システムエンジニアリング」に移行するのを支援するフレームワークとベストプラクティスを提供します。これらは、信頼性とスケーラビリティに優れ、企業に適したエージェントを構築するためのブループリントとしてご利用いただけます。

- Google AI スペシャリスト、Matt Wilkerson

- Google 主要アカウントエグゼクティブ、Jaime Serra

大手消費者インサイトブランドが Dataproc を使用して高度なパーソナライズを加速している方法

Tue, 21 Apr 2026 01:00:00 +0000

※この投稿は米国時間 2026 年 4 月 7 日に、Google Cloud blog に投稿されたものの抄訳です。

RVU には、人々を支援し、業界を変革するという明確かつ重要な使命があります。

当社が展開している Confused.com、Uswitch、Tempcover、Money.co.uk、Mojo Mortgages などの市場をリードする家計管理ブランドや乗り換え支援ブランドにおいて、何よりも重要なのは透明性と正確な情報です。昨今の消費者は、単純な比較表以上のものを求めています。つまり、各消費者の状況に合わせたパーソナライズされたおすすめを求めているのです。

その期待に応えるには、すべてのブランドを支える真のパーソナライズエンジンを構築する必要があります。また、それを実現するには高度な ML モデル向けに膨大で複雑なデータセットを処理できるデータ基盤が必要です。現在、当社のプラットフォームはすべてのブランドから収集した数十億のデータポイントを活用して最適化した、数百もの自動化されたパーソナライズキャンペーンを支えています。この大規模なプラットフォームの構築には、Google Cloud と、Google Cloud が提供する Apache Spark 向けの 2 つのソリューション（Dataproc と Google Cloud Serverless for Apache Spark）を活用しました。Google Cloud を採用したことで、当社の使命は現実のものになりつつあります。

特徴量エンジニアリングのための高速エンジン

当社と Google Cloud の関係は今に始まったものではありません。当社は 10 年以上にわたり、統合データプラットフォームとして BigQuery を使用しています。パフォーマンスマーケティングのバックグラウンドを持つ当社では、常に大量のデータを扱ってきました。しかし、自社はデジタルインフラストラクチャ企業ではないという認識は早い段階からありました。どこに価値があるのかに常に注目しなくてはならないため、インフラストラクチャやキャパシティの問題に悩む必要がなくなる BigQuery のようなマネージドソリューションは、創業当初から私たちにとってまさにうってつけでした。

主な課題は、全ブランドにわたり、顧客の行動を意味のある一貫した全体像にまとめることでした。無数の断片的なインタラクションを、ユーザーの行動、クリック、意思決定の方法をそのまま反映したデータに変換する必要があったのです。単独のイベントや集計ビューを頼りにするのではなく、これらのシグナルを、当社の ML モデルが活用できる有用なナラティブとして取り込むことができるプラットフォームを構築する必要がありました。

これを実現するために Dataproc を利用できたことは、実に画期的でした。Dataproc が最も効果を発揮したのは、主に ML モデル開発の特徴量エンジニアリングを目的とした、高速 Spark 処理エンジンとしての役割です。膨大な未加工の顧客データをデータサイエンスモデルが活用できる形へと変えていく「特徴量エンジニアリング」は、まさに当社の価値を高める要素であり、Google が大きな競争優位性を持つ分野です。

その結果、イノベーションの速度が大幅に向上しました。Serverless for Apache Spark を使用することで、わずか数日で特徴量エンジニアリング用に顧客データを整形できるようになりました。以前は数週間かかっていた作業です。製品化までの時間も、数週間かかっていたのが大幅に短縮されました。今では、チームに新たに加わった契約社員でも、探索的データ分析やすべての特徴量エンジニアリングを含むモデルをわずか 1 週間半で提供することができます。これはものすごいスピードです。

パーソナライズされたエクスペリエンスの提供

イノベーションのスピードを向上させることで、お客様やパートナーに、よりパーソナライズされたユーザーエクスペリエンスを提供できるようになりました。

Spark への移行後、高度なパーソナライズへの取り組みは加速しました。膨大な行動データやコンテキストデータを処理する大規模なデータ処理ジョブを実行して、真に有意義な予測を生成するモデルを構築できるようになりました。

これらのモデルは、お客様に何を言うべきかだけでなく、いつ、どのように言うべきかを理解できるようサポートしてくれます。これにより、適切なタイミングと適切なチャネルを選んで、お客様の心に響くパーソナライズされた情報を提供することができます。

未来のビジョンを築く

Google のデータクラウドは、価値を優先するという当社の文化とまさに合致しており、ビジネスに大きな影響を与えています。私はこれを、すべてが同じエコシステム内でシームレスに接続されるネットワーク効果と呼んでいます。当社のデータは BigQuery に存在し、そのデータを検証、拡充、変換する能力は Dataproc と Serverless for Apache Spark に紐付けられ、ML モデルをデプロイする機能はこのネットワーク全体に及んでいます。すべてが連携し統合されているため、当社の消費者ブランドのリアルタイムでの精度を高め、競争優位性を確保することができるのです。

エンジニアにとっての大きなメリットは、インフラストラクチャを扱う必要がないことです。クラスタやサーバーのネットワークを設定して相互に通信させる必要はなく、ボタンを押すだけで 10 分以内にすべてのデータを処理できます。非常に効率的で、データプロダクトの構築やイテレーションなど、より価値の高い作業に時間を割くことができます。

Dataproc のおかげで、スピード、スケール、アジリティが向上しました。また、AI を活用してイノベーションを起こし、高度なパーソナライズの未来を築くためのツールも提供されます。現在、RVU の最先端のテクノロジーとデータは、英国の何百万人もの消費者がよりスマートに十分な情報に基づいて意思決定できるようサポートし、まさに業界を変革しようとしています。

RVU の成功から何かヒントを得られましたでしょうか。Dataproc を使用した永続的なクラスタが必要な場合も、サーバーレス Spark のアジリティが必要な場合も、Google Cloud ならインフラストラクチャではなく価値に集中できるマネージドソリューションを見つけることができます。ユースケースに適した Google Cloud 上の Spark をご確認ください。

- RVU、データエンジニアリング責任者、Siddharth Dawara 氏

Google Cloud と米国代表チームによる分析の裏側: 米国冬季オリンピック選手のための AI インフラストラクチャの設計

Fri, 17 Apr 2026 03:00:00 +0000

※この投稿は米国時間 2026 年 4 月 11 日に、Google Cloud blog に投稿されたものの抄訳です。

従来の動画再生では、フリースタイルスキーやスノーボードにおける複雑な空中技の様子はわかりますが、その技がどのようにして実現されたかという物理的な説明はできません。スポーツのスピードでは、高速の動作を実用的なデータ（関節の角度、回転速度、体の縮め具合）に変換することは非常に困難です。これには、アスリートの完全な 3 次元モデルをフレームごとにリアルタイムで追跡および分析する必要があります。

Google DeepMind とのコラボレーションにより、私たちは冬季オリンピックに先立ってこうした分析を米国オリンピック選手に提供するシステムを構築しました。Google AI の姿勢推定モデルは、単一の 2D 動画を完全な 3D 生体力学分析に変換し、ローカル座標系に 63 個の関節をプロットします。これにより、アスリートとコーチには革新的な競争上の優位性がもたらされます。より広範なユースケースにおいては、人間の動きを客観的なデータに変換できます。

課題: 過酷な状況では標準的なビジョンが機能しない

2D 動画から 63 個の関節を持つ 3D 骨格を生成するには、膨大なコンピューティングワークロードが必要です。研究室レベルのセンサーを使用せず、予測不能な屋外環境で生成するには、コンピュータビジョンの限界に挑戦する必要があります。スノーボーダーやスキーヤーは、ものすごいスピードで移動します。分厚い装備も身につけています。グラブやスピンのために体を抱え込むと、手足が視界から外れます。標準的な姿勢推定モデルでは、このようなオクルージョンが発生した瞬間に追跡が失われます。

Google のソリューションは、人間の動きを反映する独自のモデルを利用します。各フレームを個別に処理するのではなく、学習済みの事前分布を使用して、身体の全体的な軌跡に基づいて見えない部分の関節の位置を推測します。この時間的推論により、高速の逆回転でも安定したデジタル骨格を維持できます。

インフラストラクチャ: TPU と Vertex AI

オクルージョンの解決だけでは、完全とは言えません。オリンピック選手が着地した数秒後にこうした分析情報を迅速に提供するには、高負荷に対応できるインフラストラクチャが必要です。私たちは Google Cloud 上に高性能な推論エンジンを構築し、オリンピックで求められる厳しい MLOps の需要に対応しました。

ハードウェア基盤: TPU

パイプラインの中核をなすのは、最も負荷の高い行列演算を担う Google の Tensor Processing Unit（TPU）です。エンコーダがまず動画を潜在表現に圧縮し、動画トランスフォーマーモデルが 3D での関節の位置を予測します。

標準的なクラウドの「コールドスタート」による遅延をなくすため、米国チームが冬季オリンピックに出場する期間中、専用の TPU スライスを静的にプロビジョニングしました。これにより、モデルは高帯域幅メモリ（HBM）に常に読み込まれた状態になります。動画が到着すると「ウォーム」状態の TPU に到達し、マルチテナント環境でのリソース競合なしに、ほぼ瞬時の予測可能な推論が保証されます。

大規模なオーケストレーション: Vertex AI

単一のラボサーバーへのデプロイは簡単ですが、オリンピック競技大会での生のアクションのオーケストレーションは簡単ではありません。Vertex AI は、ボリューム、複雑性、レイテンシを管理するための統合コントロールプレーンを提供しました。

バッチ予測による水平スケーリング: Vertex AI バッチ予測 API を使用すると、受信した動画はワーカーの分散ネットワークに即座に転送されます。これにより、モデルの読み込みと推論が切り離され、システムが水平方向にスケールされ、複数のアスリートを同時に処理できるようになります。
ボリュームと弾力性: 米国オリンピック選手の動画分析は、「バースト的」です。すなわち、選手の走行時間という短い期間に計算ニーズが急増します。Vertex AI は、リソースを常にオンにしておくのではなく、こうしたデータ急増を吸収するためにリソースを動的にプロビジョニングします。
セキュリティと排他性: チーム USA の専有データを保護するために、Virtual Private Cloud（VPC）内にプライベートエンドポイントを確立しました。承認されたトラフィックは専用のネットワーク経路を介して移動し、エンジンを公共のインターネットから分離することで、攻撃対象領域を減らし、レイテンシを最小限に抑えます。

その他の応用法

極寒の冬の気象条件下で信頼性の高い姿勢推定が可能なシステム（高速、繰り返されるオクルージョン、速度要件）は、一般化されたシステムです。基盤となる AI アーキテクチャに加え、構造化データフィードや汎用的なインテリジェンスを提供する機能により、冬季競技以外のさまざまなユースケースが可能になると考えられます。

会話型 AI の理学療法コーチが、動作のフォームを分析してサポートしてくれることを想像してみてください。あるいは、工場作業員の姿勢から検出された合図によってトリガーされるロボットアシスタントなどです。これらはすべて、専用のセンサー AI を強力な推論モデルと組み合わせることで、役立つ分析情報やアクションを提供できる潜在的なユースケースです。

- Google Cloud プロジェクトチーム

Honeylove が BigQuery を活用して製品の品質とサービスの効率を向上させた方法

Fri, 17 Apr 2026 01:00:00 +0000

※この投稿は米国時間 2026 年 4 月 3 日に、Google Cloud blog に投稿されたものの抄訳です。

完璧なブラの制作には、数千ものデータポイントが利用されます。

Honeylove が単なる下着ブランドではない理由はそこにあります。当社は、優れたブラジャー、トップス、補正下着、ボディスーツを製造するテクノロジー企業です。顧客からのフィードバックに基づいて製品を反復的に改良する方法から、数千ものデータポイントにわたってサイズを最適化する方法まで、テクノロジーは当社のあらゆる業務の基盤となっています。

2018 年に Honeylove が誕生した当時、当社のデータはまだ統合されていませんでした。Shopify で分析を行い、あるプラットフォームでメールキャンペーンのパフォーマンスを確認し、別のプラットフォームで広告の指標を確認するといった状況でした。データはバラバラな状態で、効果的につながっていませんでした。

そんな折、心を捉えたのが BigQuery でした。この投稿では、Honeylove が BigQuery と Gemini を活用してデータを統合し、重要なビジネスインサイトを自動化し、AI を活用して製品の品質とサービスの効率を向上させている方法をご紹介します。また、データを最大限に活用したいとお考えの他の組織の皆様が、当社の手法をどのように応用できるかについてもご説明します。

BigQuery と Gemini でインサイトを変革

最初のステップは、すべてのデータを 1 か所に集めることでした。BigQuery は、当社がまさに求めていたもの、つまり、チームが Google エコシステム内ですでに使用しているツール（Google 広告や Google スプレッドシートなど）とシームレスに統合できる、パフォーマンスが高く経済的な統合データプラットフォームを提供してくれました。これにより、手作業によるデータサイロが解消され、ビジネス全体で AI と ML の機能を迅速に導入できるようになりました。

真の変革が実現したのは、貢献度分析に BigQuery ML 関数を活用し始めたときでした。当社は、コンバージョン率、顧客満足度スコア、ウェブサイトのパフォーマンス、返品率など、最も重要な指標の背後にある主な要因を分析するモデルを構築しました。

とても便利なことに、これらの貢献度分析の結果を Gemini に直接フィードすれば、アクセスしやすいレポートと要約を生成できます。この手法を導入するまでは、重要な会議の前に 10～15 人が 1 時間かけて手作業でダッシュボードを確認し、データを詳しく調べて有用なインサイトを探そうとしていました。Gemini でこのプロセスを自動化するだけで、年間数百時間を節約できました。

さらに、BigQuery と Gemini の効果は、時間の節約だけにとどまりませんでした。これらのツールを活用することで、完全に見逃していたであろうパターンやインサイトを発見することができました。優秀なマーケティングアナリストがダッシュボードを監視したとしても、このようなレポートと同じようにデータを切り分けることはできないでしょう。

また、以前は手作業によるプロセスが主流だった在庫予測と需要計画の分野も変革できました。BigQuery ML の ARIMA 単変量予測モデルをデプロイしてトレーニングすることで、季節性や最近の変化に合わせて自動的に調整される、SKU レベルの高精度な需要予測を利用しました。

この自動化された予測と手動で計算した予測との誤差は、常に 5% 以内に収まっています。これは、20～30% の誤差が生じることもあったサードパーティベンダーの予測と比べると、大きな改善です。こうしてチェックポイントが追加されたことで、より自信を持って在庫に関する重要な決定を下せるようになりました。

マルチモーダルエンベディングで価値と創造性を引き出す

カスタマーサービスのチケットは、e コマースブランドにとって貴重なフィードバックや情報の宝庫となります。ただし、データから分析情報を抽出できる場合に限ります。Google Cloud ならそれが可能です。

当社は、Gemini エンベディングモデルと BigQuery ベクトル検索を活用して、チケットの非構造化テキストを行動につながるデータに変換しています。簡単な SQL コマンドを使用して、データウェアハウスにすでに存在するチケットのベクトルエンベディングを生成し、それらのベクトルを検索拡張生成（RAG）によるセマンティック検索に使用しています。

これにより、「お客様は当社のブラのどのような点を気に入っているか」や「ボディスーツのどのような点を改良したらよいか」といったように、正確で自然な言葉で質問できます。これに応えて、Gemini は類似するユースケースを即座に特定し、キーワードのマッチタイプだけにとどまらず、微妙なニュアンスを伴うことが多い問題の根本原因を迅速に見つけられるようにします。こうして製品の改良を積極的に進めて、サービスの効率性を高めることができます。節約できる時間はチケット 1 件あたり約 30 秒ですが、やり取りが数千件あることから、乗算すればその効果が絶大であることがおわかりになるでしょう。

当社はまた、広告とインフルエンサーコンテンツのライブラリ全体で動画アセットを検索するために、マルチモーダルエンベディングのテストも行っています。「犬の動画を探して」や「赤いドレスの動画を探して」といったクエリをテストして、それが実際に機能するのを見るのは楽しいものでした。次のステップでは、これらのエンべディングを使用して、新しいクリエイティブアセットを既存のものと比較し、過去のデータに基づいてパフォーマンスを予測します。

成長分野のクリエイティブは、これまで数値分析ではなく直感に頼っていましたが、今後は既存の広告クリエイティブの大規模なライブラリを使用して、テストする内容や今後のクリエイティブの作成に役立てることで、この状況を変えたいと考えています。

Google Cloud を使用して未来に向けて構築

Google Cloud と BigQuery は、今では当社の中心的な柱となっています。これにより手作業に費やす時間が減り、実世界の問題を解決する価値の高い作業に時間を割くことができ、小規模なチームで非常に効率的に働けるようになりました。

Google Cloud チームとの連携は非常に役立っています。Google は真のパートナーであり、当社のロードマップを継続的にサポートしてくれています。そして BigQuery ML の機能をさらに活用し、データサイエンスの作業をオフライン分析ではなく、常時利用可能な自動化されたモデルへと移行しています。

また、Vertex AI RAG Engine を使用して社内ナレッジボットを開発し、Google ドライブでホストされている社内ドキュメントに直接接続して、社内ポリシーやプロセスに関する質問に即座に回答できるようにしています。さらに、当社は Conversational Analytics API のテストを行っており、「セルフサービス BI」エクスペリエンスを提供して、チームがアナリストを必要とせずに、書式なしテキストで質問して指標とグラフを取得できるようにしたいと考えています。

テクノロジーファーストの企業として、この変革は Honeylove の事業に大きな影響を与え続けています。これにより、製品品質のイノベーションが加速し、業務効率が向上し、お客様によりインテリジェントで一貫したサービスエクスペリエンスを提供できるようになりました。

- Honeylove、データ責任者、Erik Fantasia 氏

- Honeylove、最高技術責任者、Daniel Upton 氏

Spanner の完全に相互運用可能なマルチモデルデータベースを使用した実際の成功事例

Thu, 16 Apr 2026 01:00:00 +0000

※この投稿は米国時間 2026 年 4 月 1 日に、Google Cloud blog に投稿されたものの抄訳です。

生成 AI の基盤を築くマルチモデルデータベースの力に焦点を当てた最初の投稿では、組織がデータベースのアーキテクチャと管理に対する従来のアプローチでもたらされる課題を克服するうえで、Google Cloud Spanner がどのように役立つかを説明しました。この投稿では、4 つの一般的なユースケースを取り上げて、具体的な例を詳しく見ていきます。

以下に挙げる 3 つの主要な戦略目標を達成するために、Spanner のマルチモデル機能を選択するお客様が増えています。

スケーラビリティと信頼性の基盤: グラフ、ベクトル、検索などに特化した多くの専用データベースは、従来の単一マシンアーキテクチャで構築されています。結果として、お客様はスケーラビリティ、可用性、整合性に関する根本的な課題に直面しています。限界に達したか、あと少しで達するため、お客様はこうした専用システムから移行しています。Spanner のすべてのデータモデルは、99.999% の可用性、自動スケーリング、無制限の水平スケーリングを提供する実証済みのプラットフォーム上に構築されており、新しい機能へと簡単に拡張できます。たとえば、既存のグラフスキーマにベクトルエンベディング列を追加するといったことが可能です。
乱立するデータベースの統合と ETL の排除: 複数の異なるデータベースにそれぞれ独自のデータモデル、クエリ言語、バックアップポリシーがある場合、それらを管理、保護し、パッチを適用するのは、ユーザーにとって悪夢のような煩わしい作業になります。データを同期するために必要な抽出、変換、読み込み（ETL）パイプラインは、不整合や遅延を生み出すことが多く、特にストレスとなります。Spanner は、単一の統合データベースで複数のデータモデルを提供することで、この複雑さを解消し、余分なデータコピー、不整合、管理オーバーヘッドを排除します。さらに、Spanner の相互運用可能なマルチモデル機能により、デベロッパーは 1 つの SQL クエリを作成するだけで、リレーショナルテーブルを結合し、グラフ関係を走査し、ベクトル検索またはテキスト検索機能に対してフィルタを適用できます。
進化するアプリケーションニーズに適応する将来性: 多くのお客様は簡単なアプリケーションから始めますが、時間の経過とともに、よりスマートでより複雑なアプリケーションにする必要が生じることを認識しています。Spanner では、グラフベースのレコメンデーションや AI を活用したベクトル検索を後から追加できます。デベロッパーは、簡単なデータ定義言語（DDL）コマンドを使用して、運用データに対してグラフ機能や検索機能を簡単に有効化できます。Spanner を使用すれば、面倒な移行も複雑な再設計も不要で、成長の限界もありません。お客様は、信頼性の高いリレーショナルデータベースを基盤として構築しながら、アプリケーションの進化に合わせて新しい高度なデータモデルをシームレスに追加できます。

ここでは、さまざまな業界のお客様が、Spanner の進化するマルチモデル機能を活用して、最も困難なデータ課題を解決し、早期に成功を収めている例をご紹介します。

1. 不正行為の検出

不正行為者は、複数のトランザクションやアカウントにまたがる複雑でわかりにくいパターンを悪用することがよくあります。従来のリレーショナルデータベースでは、このような入り組んだ関係をリアルタイムで検出するのは容易ではありません。Spanner は、リレーショナルクエリとグラフ分析を組み合わせて、リアルタイムのパターン認識を実現します。これにより、企業は不正行為を示す可能性のある不審なクラスタや異常な接続を効率的に特定し、財務上の損失を大幅に削減してセキュリティを強化できます。

DANA: 急速に拡大する顧客ベースに対するマネーロンダリング対策

DANA は、インドネシアを拠点とする電子ウォレットアプリで、融資、保険、投資などの支払いとデジタル金融サービスを提供しています。DANA は自社に不可欠なマネーロンダリング対策（AML）の取り組みをサポートするために、Spanner Graph を採用しました。

課題: 急速に拡大を続ける大規模なユーザーベースを持つ DANA は、トランザクションにおけるマネーロンダリングのパターンを検出するために、既存のリレーショナルデータベースを使用して、スケールしてクエリパフォーマンス SLA を満たすのに四苦八苦していました。グラフデータベースで分析を行うように移行すればよいのは明らかでしたが、市場の多くのグラフデータベースプロバイダは、そのような規模には対応できませんでした。
ソリューション: 綿密な RFP プロセスを経て、その高可用性、実質無制限のスケーラビリティ、外部整合性から、Spanner が選ばれました。全文検索（FTS）とベクトル検索をグラフモデル内で直接使用できる機能が、重要な差別化要因となりました。

Palo Alto Networks: SaaS ID のアクセスグラフ

サイバーセキュリティの大手企業である Palo Alto Networks は、Spanner を活用して組織の ID 体制に関する分析情報を提供し、構成ミスや過剰な権限を持つアカウント、休眠アカウント、ローテーションされていない認証情報、ID プロバイダ（IDP）にないアカウントを検出しています。

課題: チームは、データサイロを生み出すことなく高いスケーラビリティを確保しながらイノベーションを加速できる、AI 時代に対応する世界クラスのエージェントセキュリティプロダクトを構築する必要がありました。
ソリューション: Spanner 上に「アクセスグラフ」を構築し、ユーザー ID、アクセス許可、関連するユーザーアクティビティを SaaS アプリケーション内で接続しました。Spanner では、グラフとグラフ以外の両方のユースケースに対して単一のスキーマをシームレスに使用して、大規模なスケールを実現できます。

Verisoul.ai: リアルタイムの偽ユーザー検出

Verisoul は、偽ユーザーを検出して防止するための AI を活用した統合プラットフォームを提供しており、アカウントが実在し、一意で、信頼できるものであることを保証します。

課題: Verisoul は以前は、Postgres、Cassandra、Neo4j にわたる 10 種類の独立したサービスを構築、維持することで、ネットワークインテリジェンス、デバイスインテリジェンス、行動データやセンサーデータ、メール、マルチアカウンティングなど、さまざまな種類のデータを処理していました。この複雑さにより、最新の不正攻撃の速度、規模、高度化に対抗できるゼロレイテンシ検出を提供することが困難になっていました。
ソリューション: Spanner に統合することで、Verisoul は何百万ものアカウントを持つ何百もの顧客をリアルタイムでモニタリングし、すべてのログイン、ページビュー、クリック、マウスの動きを捕捉できるようになりました。Spanner により、グラフ、ベクトル検索、そして BigQuery とのシームレスな統合のためのオールインワンデータベースが得られ、メンテナンスのオーバーヘッドを排除しながら、無制限のスループットの提供をすべてシンプルなアーキテクチャで実現することができました。

2. レコメンデーションエンジン

パーソナライズされたレコメンデーションは、消費者向けオンラインビジネスの中核をなすものです。効果的なレコメンデーションエンジンを構築するには、膨大な量のユーザー行動データ、商品やサービスの属性、過去のインタラクションを分析する必要があります。Spanner の相互運用可能なクエリを使用すると、ユーザープロファイル（リレーショナル）、インタラクション履歴（検索）、商品の類似性（グラフ）を組み合わせて、関連性の高いおすすめ表示をリアルタイムで生成し、ユーザーエンゲージメントの向上を促進し、コンバージョン率を改善できます。

Target: ベクトル検索とグラフ検索を組み合わせてギフトのおすすめを表示

Target は、生成 AI を活用した Gift Finder を使用して高度にパーソナライズされたギフトのおすすめを表示し、ホリデーシーズンのショッピング体験を向上させたいと考えていました。

課題: アプリケーションは検索専用データベースで実行されており、表示するギフトのおすすめの内容は限定されていました。ショッピング体験をパーソナライズしてより良いものにするには、高度なアップグレードが必要でした。
ソリューション: Target は、汎用性の高いハイブリッドクエリモデルとなる Spanner Graph を選択しました。このソリューションは、グラフ走査機能とベクトル検索を独自のエンベディングと組み合わせて、直感的なリアルタイムの商品提案を実現します。これらすべてを、2025 年のブラックフライデーとサイバーマンデーの買い物商戦に間に合わせることができました。

True Digital Group: AI 検索を統合

タイの大手通信テクノロジー企業である True Digital Group は、ストリーミングメディアと印刷メディアの両方にわたる幅広い高品質なデジタルサービスと、顧客ロイヤリティの追跡を提供しています。同社の AI を活用したインテリジェント検索機能により、キーワードとユーザーインテントに基づいてコンテンツを正確に取得できます。

課題: 複数のデータベースでスタックが断片化されていることで、データの更新頻度の低さ、整合性のないトークン化、複数のクエリ言語の混在、検索の品質低下などから、ユーザーは検索機能の使用を避けるようになっていました。
ソリューション: True Digital は、すべての検索機能を Spanner に統合しました。SQL を使用してキーワードとインテントベースの検索結果を組み合わせることで、検索の関連性と精度が大幅に向上し、顧客エンゲージメントと満足度の向上につながりました。

3. ハイブリッド検索

情報検索は、事実に基づいた最新データで AI モデルをグラウンディングし、エージェントワークフローを可能にする重要な架け橋です。多くの場合、ユーザーは法的文書、財務報告書、研究論文の膨大なコーパスを検索する必要があります。これはまるで、干し草の山の中から特定の針を探すようなものです。相互運用可能なマルチモデル Spanner は、ハイブリッド検索機能でお客様を支援し、AI モデルが任意の規模で最も関連性の高いコンテキストを正確に取得できるようにします。

Rogo: 財務ワークフローの自動化

Rogo は、独自の社内データと、ファイリング、PitchBook、LSEG、FactSet、S&P Capital IQ などの外部の金融情報源を接続し、財務担当者が提案資料の作成から投資メモの作成まで、ワークフローを自動化できるよう支援しています。

課題: Rogo は、構造化形式と非構造化形式の両方にわたって、数十の情報源からデータを同時に取り込んで接続する必要があります。これをサポートする適切なバックエンドを見つけるのは簡単ではありませんでした。
ソリューション: Rogo は、その高いパフォーマンス、スケーラビリティ、管理のしやすさから、Google Cloud Spanner を選択しました。リレーショナルデータとドキュメントベースのデータの両方を 1 か所に保存してクエリを実行できるため、プラットフォームの成長に伴い、監査とメンテナンスが容易になりました。

Inspira: リーガルインテリジェンスのストリーミング

リーガルテックの大手企業である Inspira は、法的調査や一般的な労働力の最適化に特化した、AI を活用したソリューションを提供しています。同社のプラットフォームは、法律事務所、企業、政府機関にサービスを提供し、7,500 万件の法的文書と 4 億 4,000 万件のベクトルの膨大なリポジトリを管理しています。

課題: Spanner に移行する前、Inspira は、Elasticsearch、BigQuery、Cloud SQL で構成された多言語対応システムに依存する、複雑で断片化されたアーキテクチャに苦慮していました。これにより、データの同期が複雑化し、キーワード検索とベクトル検索を組み合わせるために複雑な「2 段階」のクエリフィルタリングが必要でした。また、レイテンシと高い読み取り / 書き込みスループットを犠牲にすることなく、10 億個を超えるベクトルをスケールする方法も必要でした。
ソリューション: こうした非効率性を解消するため、Inspira はスタック全体を Spanner に統合し、4.5 TB のデータパイプラインを、統合された高パフォーマンスの信頼できる唯一の情報源へと大幅に簡素化しました。FTS とベクトル検索の両方をネイティブにサポートする Spanner を活用することで、ハイブリッドクエリにおいて「1 段階」のフィルタリングが可能になり、RAG ワークフローを使用した LLM ベースの法的分析において高精度のスニペットを実現しました。

4. 自律型ネットワーク運用

自律型ネットワーク運用（ANO）は、事後対応型メンテナンスから予防的な自己修復型ネットワークへの移行を意味します。ネットワークトポロジの包括的なデジタルツインを作成し、リアルタイムの運用データと重ね合わせることで、通信事業者は根本原因分析を自動化し、異常を予測し、人手を介さずにネットワークインシデントを解決できます。

MasOrange: デジタルツイン

MasOrange の ANO の取り組みの中心にあるのは、時間的デジタルツインです。これは、同社の全国規模のワイヤレスネットワークトポロジを、オペレーションサポートシステム（OSS）やビジネスサポートシステム（BSS）のデータとともに複製します。

課題: MasOrange は、ANO スタックの基盤となる、ゼロ RPO / RTO の高可用性で無限にスケーラブルなグラフデータベースを必要としていました。複数の異なるソリューションの管理という運用上のオーバーヘッドのない、ベクトル検索や全文検索機能を求めていました。
ソリューション: MasOrange は、スケーラビリティと可用性の厳しい要件を満たしながら、完全に相互運用可能なグラフ検索、ベクトル検索、全文検索機能を提供できることから、Spanner を選択しました。現在、MasOrange のデジタルツインは Spanner 上で稼働しており、エンドツーエンドの異常検出と根本原因分析を強化しています。

今後の展望

スケール保証、高い信頼性、グローバルな整合性、さまざまなデータモデルを相互運用可能な方法で処理する汎用性を備えた Spanner は、エージェントワークロードに対応できる将来を見据えたデータベースです。

Google は、データベースが単純な実装の詳細となり、デベロッパーは生産性の向上、運用効率の改善、ビジネス目標の達成に純粋に集中できるようになる未来を思い描いています。Spanner のページで詳細をご覧になり、詳細を確認して今すぐ始めましょう。

- グループプロダクトマネージャー、Wenzhe Cao

膨大な表計算作業から脱却。AI と数理最適化で実現する、需要予測の先の「発注・在庫管理の自動化」

Tue, 14 Apr 2026 03:00:00 +0000

商品、サービス、店舗を通じて、より効率的で最適なサプライチェーンの実現を目指す中で、需要予測の精度向上は株式会社カインズにとっても最優先課題です。しかし、精度の高い需要予測モデルを構築し予測結果を出力することはサプライチェーン全体においては入り口に過ぎません。

実際には、予測値が出た後に、SKU ごとの特性や季節性に応じた「予測結果の精査」や「発注・在庫管理のためのメンテナンス」という不可欠な実務工程が存在し、その膨大な作業を表計算ソフトによる手作業で支えているという実態がありました。

本記事では、Vertex AI による需要予測の次のステップとして、AI エージェントを組み合わせることで、190 万行に及ぶ SQL 処理と複雑な表計算ソフト作業をどのように刷新したのか、株式会社カインズの取り組みの舞台裏を詳しく紹介します。

利用しているサービス:
Big Query、Vertex AI、Cloud Run Jobs、Workflows、Vertex AI Agent Builder (SDK)

「表計算ソフト作業」への依存がもたらす限界

これまで、需要予測の結果を実務に反映させるプロセスは、まさに「表計算ソフト作業との格闘」でした。システムから出力されるデータは、190 万行に及ぶ膨大な SQL クエリ結果を発注点メンテナンス向けの表計算ソフトの作業用シートに書き出したもので、その出力だけで丸 2 日を要していました。

出力されたデータは 1 ファイルに収まりきらず、20 万行ごとに 6〜7 個のファイルに分割して管理されていました。現場の担当者は、これらのファイルに対して棚割りデータや在庫データ、直近の売上実績などから様々なフラグを作成したり、他システムで管理しているマスタデータを VLOOKUP 等の関数で紐付けたりしていました。さらに「この在庫は動かさない」といった個別のフラグを手作業で立てるなど、複雑で膨大な表計算ソフト作業を行っていました。

「こうした表計算ソフト作業でメンテナンスを行うこと自体が、もはや正解ではないと感じていました」と、矢口氏は当時の課題を振り返ります。表計算ソフトの作業用シートのメンテナンスは、専任の担当エンジニアがつきっきりで数式の変更や列の追加要望に対応していましたが、列ずれの確認やテストに多大な工数がかかり、現場のニーズに即座に応えることが難しい状況にありました。

AI エージェントの導入：自然な対話で「発注点メンテナンス」を民主化

この課題を根本から解決するために導入されたのが、AI エージェントを活用したデータ処理基盤です。Vertex AI Agent Builder を活用し、ユーザーが自由な条件でデータの絞り込みを行える仕組みを構築しました。

従来の運用では、メンテナンスの要望があるたびに表計算ソフト作業のロジックを書き換える必要がありましたが、AI エージェントを介することで、ユーザー自身が「この条件でデータを抽出してほしい」といった指示を出し、BigQuery 上のデータを直接操作・抽出することが可能になりました。

また、需要予測の「後工程」として非常に負荷が高かったのが、酒類などの発注において「車建発注（在庫回転日数をコントロールしつつトラック積載量を最大化する）」の最適化計算です。これまでは、カインズ側でベースの発注量を 1 日かけて表計算ソフトで算出して翌日に取引先に送付し、取引先側で車建計算を行っていました。しかし、数理最適化を使ったアルゴリズムを開発し、計算を組み込むことでこのプロセスを自動化。現在ではカインズ自身で車建発注量の計算を行えるようになりました。

導入効果：劇的な業務削減と「あるべき姿」への集中

今回の取り組みにより、主に以下の 3 つの成果が得られました。

劇的な工数削減： 2〜3 日かかっていた発注点メンテナンスのためのデータ抽出および表計算ソフト作業が大幅に効率化されました。
柔軟性の向上：Vertex AI Agent Builder を使った AI エージェントの導入により、自分たちで「やりたいこと」を AI エージェントを通じて即座に実行できる内製化のスピード感が実現しました。
データの正確性と一貫性：複数のファイルに分散しローカル保存されていた表計算ソフト作業のデータが BigQuery という単一のソースに統合され、属人的な数式ミスや列ずれの不安が解消されました。

「需要予測を起点に発注管理から在庫管理まで、すべて統合された基盤で実行することが可能になった」と矢口氏は語るように、点在していた業務プロセスが Google Cloud 上で統合されたことが、最大の価値となっています。

今後の展望：数理最適化のさらなる拡張と AI エージェントの融合

現在はローカル環境で行っている数理最適化計算のリクエスト処理なども、順次 AI エージェント上に移行していく予定です。またシーズン商品の最適化や棚割の最適化など、より複雑な変数が絡む領域への数理最適化の適用も視野に入れています。

AI が単に予測値を出すだけでなく、実務における判断をサポートし、複雑な計算を肩代わりする。株式会社カインズにとって、この「需要予測のその先」の実現こそが、小売・流通業界における真の DX の鍵となるはずです。

株式会社カインズ
株式会社カインズは、29 都道府県下に 264 店舗を展開するホームセンターチェーンです。「くらし DIY 」をブランドコンセプトに、くらしを豊かにする価値ある商品・サービスを開発し、お値打ち価格で毎日提供します。Kindness（親切心）と創意工夫のアイデアあふれる店舗づくりに努めることで、お客様一人ひとりの、ご家族の、そして地域の日常を楽しいものとし、お客様とのプロミスである「くらしに、ららら。」をお届けします。

インタビュイー
株式会社カインズ　
ビジネスソリューション部需要予測グループ　グループマネジャー　矢口未知彦氏

ID.me、1 億 6,000 万ユーザーに対応するスケーリングと運用リスクの軽減を同時に達成

Thu, 09 Apr 2026 02:00:00 +0000

※この投稿は米国時間 2026 年 3 月 31 日に、Google Cloud blog に投稿されたものの抄訳です。

編集者注: ID.me は、デジタル ID のセキュリティを変革することで、ID の確立が容易であることを証明しています。さらに、同社のプラットフォームは 1 億 6,000 万人の会員に対応できるようスケールされ、1 分あたり最大 40,000 人のユーザーへの対応が可能となっています。圧倒的な規模とリアルタイム AI を必要とする税務申告などのサービスに対応するために、同社のチームは 50 テラバイトのデータを従来のプラットフォームから Google Cloud に移行し、AlloyDB、Cloud SQL、Vertex AI を基盤とする最新のアーキテクチャを採用しました。このアーキテクチャにより、開発の迅速化、不正行為の検出精度の向上、データチーム全体の作業完了時間の 40% 短縮が実現しました。

皆さん、家を出るときは、スマートフォン、運転免許証、クレジットカードなど、必ずなんらかの身分証明書を携帯するでしょう。それによって自分の身元を証明できますし、ほぼどこでも利用できます。しかし、オンラインでは、何度も本人確認を求められ、新しいサービスやツールを使い始めるたびに、新しいログイン情報を作成する必要があります。ID.me は、ユーザーが本人確認を一度だけ安全に行い、その認証情報をオンラインのどこでも使用できるようにすべきだと考えています。

当社の目標は、公的機関と民間企業の両方で信頼性の高いログイン方法として機能する、ID 用のデジタルウォレットを開発することです。当社は現在、1 億 6,000 万人以上の会員にサービスを提供しており、私たちの生活や仕事において ID の重要性が高まっています。このため当社は、対面で運転免許証を提示する場合と同じくらい簡単に、オンラインで本人であることを証明できるよう規模を拡張しています。

追いつかないスピードで増える需要

ID.me の以前の会員数は 5,000 万人でしたが、この数年間で 1 億 6,000 万人以上という規模まで成長しました。現在は 1 日単位での使用状況のトラッキングは行わず、代わりにほぼリアルタイムのモニタリングを行っています。現時点で、当社のプラットフォームは 1 分あたり最大 40,000 人の会員に対応できるように設計されています。この種の需要は予測できません。ID.me の会員にとって、アクセスがすべてです。稼働時間だけでなく、政府の給付金、医療、限定特典などに関して、会員が必要とする場合に、安全かつ即座に本人確認を行えることが重要です。そしてユーザー数が拡大する中、当社のインフラストラクチャを必要な形でスケールできていないことがわかりました。アーキテクチャの限界に達しつつあったため、当社はある決断を下しました。ID.me のデータ基盤を Google Cloud 上で再構築して、次の成長段階に備えることにしたのです。

1 億 6,000 万人の大切なお客様と当社のための新しいデータベース

最初の作業は、当社が必要としていた圧倒的なスケーラビリティと信頼性を実際に提供できるデータベースを選択することでした。すぐに目に留まったのが AlloyDB for PostgreSQL でした。以前の環境で直面していたスケーリングのボトルネックと運用上の複雑さに直接対処するソリューションであったため、ピーク時の需要にも自信を持って対応できるようになりました。この移行によって、技術的な課題を解決できただけでなく、開発者のエクスペリエンスが劇的に向上しました。チームがプロビジョニング、メンテナンス、パッチ適用に費やす時間が大幅に減り、開発サイクルが数週間からわずか数日に短縮されました。

過去 2 年間で、15 個のデータベースインスタンスに分散されていた 50 テラバイト以上のデータを Google Cloud に移行しました。しかも、ダウンタイムは最小限で済みました。また、2 階層アーキテクチャも導入しました。Cloud SQL がより小規模かつ標準的なサービスをサポートし、AlloyDB が ID.me プラットフォームのバックボーンを形成するより負荷の高いワークロードを実行します。これにより、安定性を損なうことなく迅速に処理を進めることができます。また、チームに余裕が生まれ、実際にイノベーションを推進する作業に集中できています。たとえば、当社の ID に対する取り組みに逆行するのではなく、確実に役立つ AI の開発などです。

aside_block: <ListValue: [StructValue([('title', 'Google Cloud データベースでよりスマートに構築'), ('body', <wagtail.rich_text.RichText object at 0x7f54c4f6b4c0>), ('btn_text', ''), ('href', ''), ('image', None)])]>

AI トレーニングの目的は . . . AI との戦い？

あらゆる組織が AI を活用しようと躍起になっています。しかし ID.me では、その不正使用を防ぐことも同じくらい重要です。脅威の状況は進化しており、特に生成モデルは、個人になりすます能力だけでなく、合成 ID を作成する能力も高めています。ユーザーが名乗ったとおりの人物であることを確認することをビジネスとしている当社にとって、この脅威は大きな問題です。

AlloyDB の優れた点の一つは、複数の読み取りプールを作成できることです。当社では、これらの読み取りプールを、データエンジニアやデータサイエンティストと迅速に共有できるデータクリーンルームとしています。不正行為分析担当者がそこに入り、問題を発見して、リアルタイムで修正または防止できます。

全体で見ると、AlloyDB AI のおかげで従来のシステムを 10～20 倍にスケールし、さらに料金も下げることができました。その効果は非常に大きいものです。ID.me は、米国連邦政府から、国家システム内での大規模な不正行為を防止する役割を担っていると認められています。この成功の重要な要因となったのは、AlloyDB に組み込まれた高可用性と、スケーリングが容易な読み取りプールです。これにより、米国の国家税務当局である Internal Revenue Service（IRS）は、前回の納税申告のピーク時に、1 秒あたり 120,000 件を超えるトランザクションを滞りなくシームレスに処理できました。これは実質的に、以前のセルフホスト型 PostgreSQL のパフォーマンスの 2 倍に相当します。

多くの新機能を試してきましたが、特に期待しているのは Gemini Enterprise と AlloyDB AI の自然言語です。これにより、当社の AI の構築と操作の方法に根本的な変化がもたらされるからです。

1 つのログインであらゆるシステムにスムーズに対応

当社のデータチームは Google Cloud を大いに活用しており、作業が大幅に楽になりました。移行後は、変更をはるかに迅速に行えるようになり、全体の作業完了時間が 40% 短縮されました。ID.me のエンジニアリングチームでは、開発者のエクスペリエンスが劇的に向上しました。チームが製品の機能全体をリリースするまでに要する期間が数週間から数日に短縮し、当社の会員にとって重要な問題の解決に時間を費やせるようになりました。

インフラストラクチャのスケーリングと信頼の拡大を同時に達成できました。ポータブル ID を圧倒的な規模で処理できるように構築された、より高速でスマートなプラットフォームにより、当社は目標達成に一歩近づきました。それは、必要なときに必要な場所で、デジタルによる安全な方法で本人確認を行うことができるソリューションです。子どもの頃に飼っていたペットに関するセキュリティ保護用の質問は、もうなくなるかもしれません。

詳細:

AlloyDB と AlloyDB AI の機能の詳細をご確認ください。
AlloyDB の無料トライアルを今すぐ開始しましょう。
AlloyDB を活用してビジネスを変革している Bayer や Character.ai などのお客様の事例をご覧ください。

- ID.me、クラウドプラットフォームアーキテクト Kevin Liu 氏

FM Logistic が AlphaEvolve を使って倉庫規模の「巡回セールスマン問題」を解決

Wed, 08 Apr 2026 03:00:00 +0000

※この投稿は米国時間 2026 年 3 月 27 日に、Google Cloud blog に投稿されたものの抄訳です。

巡回セールスマン問題とは、「すべての地点を 1 回ずつ訪問する最短ルートは何か」という、一見すると単純な問題です。これはコンピュータサイエンスにおける最も難しい問題の一つであり、数学者は 1 世紀近くもこの問題に取り組んでいます。また、FM Logistic のポーランドの倉庫作業員が日々直面している課題でもあります。

倉庫は全体でサッカー場 8 面分の広さがあり、ピッキングポイントの数は 17,700 を超えています。シフトごとの作業員数は数十人にのぼり、その各人が電動車両に乗ってフロアを縦横に駆け巡り、1 度の巡回で数十か所の保管場所を回って段ボール箱を回収します。こうした作業において、不要な経路が積み重なっていくと、時間が無駄になるだけでなく、車両の劣化や、納品の遅延にもつながります。

14 か国以上でグローバル事業を展開する物流プロバイダの FM Logistic は、すでにルーティングを最適化する仕組みを有していました。既存のモデルは、費用優先の高速なルート割り当てロジックに基づき、リアルタイムで応答を得られるようなものです。これはこれでうまく機能していましたが、ルートの判断がその都度行われる仕組みになっており、倉庫全体から見たルート調整能力に限界がありました。一度のシフトで同時に働く作業員数が数十人にのぼることを考えると、ルートがわずかでも改善されれば、大きな効果に直結します。

そこで導入されたのが、Google Cloud の AlphaEvolve です。

AI に、もっと優れたアルゴリズムを書いてもらう

AlphaEvolve は、Gemini モデルを使ってアルゴリズムを自律的に生成、改良する進化型のコーディングエージェントです。固定ルールからスケジュールを計算するのではなく、コーディングパートナーのように動作するのが特徴で、新しいコードを記述し、スコアを付け、最初のコードよりも優れたソリューションが見つかるまで反復処理を行います。

この取り組みをゼロから始めたわけではありません。既存のアルゴリズムを AlphaEvolve に「シード」プログラムとして提供しました。このアルゴリズムは、各ステップごとに、最善と思われるルートをその都度採用するというものです。この実際に使用されているアルゴリズム（すでに問題を解決しており、まだ最適化の余地があるもの）をベースラインとして使用し、Gemini を使って変更や新しいロジックを加えて新たなコードを生成して、人間が設計した元のコードを上回ることができるかどうかを調べました。

改善結果の評価

AlphaEvolve によって改善するには、各アルゴリズムのパフォーマンスを測定する方法が必要となります。そこで、60 件の巡回（合計 1 時間以上の作業員データ）を代表的なデータセットとして使ってカスタム評価関数を設計し、生成された数千のアルゴリズムを実際の状況下でテストしました。

この評価では、「ピックごとの平均移動距離を最小に抑える」という基本的な目標に基づいてコードをスコア付けします。また、運用上の問題を回避するため、フォークリフトの容量超過や、注文品の回収漏れ、同じ箱の重複割り当て、注文の先入れ先出しルール違反、リアルタイム運用で許容される計算時間の超過といった事象にそれぞれペナルティを設け、不適切な解を避けられるようにしています。

結果

新しいルーティングロジックでは、過去最良だったベースラインからの改善をただちに数値で確認できました。

過去最良のソリューションと比較して、ルーティング効率が 10.4% 向上。
全体で、倉庫内の移動距離が年間 15,000 km 以上削減。

この効率化により、人員や車両を増やすことなく、従来と同じ作業員数および設備でより多くの注文を処理できるようになりました。

FM Logistic のグループ CIO である Rodolphe Bey 氏は、次のように述べています。「Google Cloud と協力して AlphaEvolve および Gemini を実装したことで、このスピードが要求される業務においてルーティングアプローチをさらに最適化することができました。既存のアルゴリズムもすでに高度に最適化されていたため、そのベースラインを超えることは困難と思われましたが、上乗せで 10.4% の改善を実現しました。この改善は、納品のスピードアップや、労働条件の改善、車両の劣化軽減に直結しています。」

最終的に勝ち残ったアルゴリズムの動作

AlphaEvolve の実験を繰り返し、実験のたびに数百の候補プログラムを生成するという方法によって、人間が設計した最良のアルゴリズムを上回る新しいアルゴリズムが生み出されました。この新しいアルゴリズムは、人間が解読可能なルールセットとなっており、倉庫チームが内容を確認して適宜調整することが可能です。

3 つの主な改善点:

密度ベースの開始点（アンカー選択）: 旧システムでは、最も多くのピッキングが必要な一か所を開始点として選択していました。新しいアルゴリズムでは、開始点を広く捉えるようになっています。具体的には、互いに近くにあるアイテム同士をクラスタ化して、アイテムが密集しているエリアを開始点（基点アンカーグループ）として使用します。この方法によって、すべての巡回において開始点の効率が高められます。
距離シミュレーションにおけるフィルタリング: リアルタイムに通用する速度を維持するため、2 段階の処理プロセスを使用しています。まず、クイックフィルタによって、ルートロジックに適さない注文を除外します。続けて、残った適切な候補に対してのみ厳密な距離シミュレーションを実行することで、スピードを落とすことなく最も効率の良い経路を見つけています。
柔軟なルート構築: ある出発点から初めて、トラックを効率的に満載にできなくなった場合、無駄なルートを強制することはありません。メインプールにいったん積み荷を戻し、後でもっと良いルートでピックすることで、倉庫全体で効率を向上させています。

次のステップ

ポーランドでの試験運用（現在は本番環境に移行済み）では、倉庫規模の複雑なルーティングにおいて、進化型 AI が役立つことが示されました。FM Logistic は現在、大量の商品を扱っている他の e コマース施設にもこのアルゴリズムを適用することを計画中です。また、AlphaEvolve を道路輸送にも応用し、トラックが積載量に満たない場合の効率化に役立てられないかどうか探っています。さらに、倉庫内の商品配置にも AI を活用して移動距離をさらに短縮できないかどうか検討中です。

^{このプロジェクトは、FM Logistic チーム（Mateusz Klimowicz、Jarosław Urbański、Florent Martin、Alberto Brogio）、Google Cloud の AI for Science チーム（Kartik Sanu、Laurynas Tamulevičius、Nicolas Stroppa、Chris Page、Gary Ng、John Semerdjian、Skandar Hannachi、Vishal Agarwal、Anant Nawalgaria、他）、Google DeepMind の協力によって実現しました。}

- FM Logistic、シニアソフトウェアエンジニア、Mateusz Klimowicz 氏

- Google、シニアスタッフ ML エンジニア兼プロダクトマネージャー、 Anant Nawalgaria

初級者コースのように簡単: Vail Resorts がパーソナライズされたおすすめを自動化する AI アシスタントを構築した方法

Mon, 06 Apr 2026 02:20:00 +0000

※この投稿は米国時間 2026 年 3 月 28 日に、Google Cloud blog に投稿されたものの抄訳です。

スキーヤーやスノーボーダーは、新雪を追い求めたり、新しいトリックをマスターしたり、新しい地形を探索したりと、ゲレンデでのあらゆる瞬間を精一杯楽しむものです。よく知っているお気に入りのゲレンデを訪れる場合でも、初めてのゲレンデを訪れる場合でも、必要な情報をすぐに手に入れて、自信を持って移動し、隠れた名所を見つけ、到着した瞬間からその場所に溶け込みたいと考えています。

そのような理由から、Vail Resorts は 2024～2025 年の雪シーズンに My Epic Assistant をリリースしました。Vail は、世界で最も象徴的で愛されている山岳リゾート（ウィスラーブラッコム、パークシティマウンテン、ストウ、クレステッドビュートなど）を運営しています。同社は、すべての利用者が新しいアプリで十分なサポートを受けられる、つまり、ゲレンデ体験に没頭したまま、迅速かつ有益な回答を得て、ゲレンデにあるすべてのものを発見できるようにしたいと考えていました。

情報ブースを探すのと、次の滑走に向けてリフトに乗っている間にアプリで情報を得るのと、どちらがよいか、考えれば答えは明白です。

My Epic Assistant は、Vail Resorts の IT チーム、接客チーム、運営チームのノウハウを Google の強力な Gemini モデルにフィードする AI 搭載アシスタントです。結果として、ゲレンデで適切なシーズンパスを選択するサポート、最新の雪の状況の共有、レッスンの準備状況の確認、ココアを飲むのに最適な場所の提案などを、このエージェントで行えるようになりました。Vail Resorts は、単なる chatbot ではなく、ウィスラーでパウダースノーを楽しめる日と、ビーバークリークへの家族旅行に適した日の微妙な違いを理解できるデジタルコンシェルジュを求めていました。

これらのサービスを次のレベルに引き上げるため、Vail Resorts のチームと Google Cloud スペシャリスト 66degrees は、2025～2026 年シーズン向けに My Epic Assistant を更新し、シーズンパスのおすすめや強化されたパーソナライズなどの新機能を追加しました。この機能により、ゲストの質問を理解し、複雑なリクエストに対応して、ゲストに最適なパスをインテリジェントに案内できるようになりました。

この投稿では、ゲレンデを楽しむために迅速なサポートを求めている、目の肥えた利用者からの、微妙な違いのある複雑な質問に効果的に回答できるマルチエージェントシステムをオーケストレートするという難題に、Google がどのように取り組んだのかをご紹介します。このような AI 搭載ツールを活用できるのは、ゲレンデに詳しい利用者だけではありません。

このような AI 搭載ツールを活用できるのは、ゲレンデに詳しい利用者だけではありません。

このブログ投稿では、接客業のこの過酷な分野特有の課題に巧みに対処できるマルチエージェントシステムをオーケストレートして、My Epic Assistant を構築した方法について詳しく説明します。これは、顧客中心の他の分野の組織が、それぞれの状況に合わせてエージェントシステムを構築するうえでも役立つアプローチです。

新しいシーズン、より良い結果

My Epic Assistant 内のパーソナライズ、検索、要約の各機能、会話フローを実装して改良した結果、アプリの初回リリース以降、人間のエージェントへのエスカレーションが 45% 減少しました。

テクノロジーは人と人の触れ合いに取って代わるのではなく、それを強化するものです。日常的なロジスティクスを自動化し、パーソナライズを拡大することで、Vail Resorts のゲストエクスペリエンステクノロジーチームは、そのことを確実にすることができました。全体的に、サポートを求める利用者は、より迅速かつ確実に、より多くの方法とタイミングでサポートを利用できるようになりました。

「Google Cloud のツールを利用することで、エージェント設計パターンを活用して、自然でパーソナライズされた会話を実現できました。これにより、顧客満足度が向上し、手動でのインテント設計の必要性が低減しました。また、これらのツールにより、柔軟性と制御性を組み合わせて、アシスタントがブランド、ポリシー、プロダクト戦略の範囲内で常に流動的に対応できるようになりました」とチームは述べています。

My Epic Assistant の構築手順

まず、My Epic Assistant はサブトピック分類エージェントを使用して、パスの比較、おすすめの提案、一般的な情報の検索など、利用者の最初のリクエストを理解します。パスは期間限定でのみ購入できるため、日付オブジェクトを使用して時期を判断します。パスが販売終了している場合は、自動的にリフト券の情報にルーティングされます。パスとリフト券の両方が購入可能な場合、アシスタントはいくつかの確認の質問をして、旅行に最適な価値を提供するオプションを顧客が決定できるようにします。次に、アシスタントは、おすすめを提示するために必要な追加データを判断するために、データ収集エージェントに引き継ぎます。認証済みのユーザーの場合、Vail Resorts は、よく訪問するリゾート、平均訪問回数、年齢、今後訪問予定のリゾート、ピーク日の好みなどの既存のデータを、Webhook から呼び出して提供します。認証されていない新規のユーザーの場合、ギャップを埋めるために、確認のための回答しやすい質問をします。一方通行の静的なフォーム入力ではありません。

このステップでは、生成 AI の会話機能が真価を発揮します。My Epic Assistant は、自由に会話できるように設計されているため、利用者はいつでも確認のための質問をして、コンテキストを失うことなくレコメンデーションプロセスに戻ることができます。ハンドブックの手順に沿って、モデルは出力に必要なすべてのパラメータが入力されているかどうかを継続的に評価し、次のステップに進みます。このプロセス中も、利用者は他の質問をすることができます。

たとえば、ピーク日の利用を希望するかどうかを尋ねられた利用者が、「制限の対象となる今年のピーク日はいつですか？」と続けて質問する可能性があります。My Epic Assistant は、Vail Resorts の広範な知識を体系化したウェブサイトのデータストアを呼び出して対応します。その後、My Epic Assistant は回答を提供し、コンテキストを失うことなく会話の前のターンに戻ります。

最後に、レコメンデーションエージェントが引き継ぎます。収集したユーザーデータを使用して、すべてのパスオプションの構造化データベースに対してクエリを実行し、完全一致を見つけます。その後、システムは、特定されたパスが適している理由を説明するユーザーフレンドリーな回答を生成し、直接購入リンクを含むコンテンツカードを提供して、利用者の最終ステップを簡素化します。

パスレコメンデーションエージェントのコア機能は、既存のすべてのパス、その特長、制限事項の構造化ファイルを含むパスマトリックスのデータストアツールです。利用可能なオプションが多数あるため、ツールがすべての入力パラメータを受け取ったときに有効で適切なオプションを返すことを確認するには、広範なテストが必要でした。66degrees は、この分野に関する Vail Resorts の深い知識を活用して、あらゆる結果を検証しました。

プロンプトエンジニアリングにより、最終的な回答では、特定のパスが利用者に最適なオプションである理由を詳細に説明したおすすめが提示されます。また、おすすめの購入リンクを含むコンテンツカードも呼び出されます。ハンドブックを終了する必要はありません。新しくリリースされた Epic Friends 機能に関する詳細情報が表示されるなど、生成された回答が適切でない場合もありました。静的な回答は、コードスニペットと条件付きアクションを介して呼び出されます。これらもハンドブック自体に格納されるため、全体的なアーキテクチャが簡素化されます。

パーソナライズが初級者コースのように簡単に

My Epic Assistant のスマートテクノロジーとユーザー重視のデザインの新しい組み合わせにより、Vail Resorts は、単なる顧客の質問とその回答という枠を超えて、多くの顧客のリクエストに対して真に会話型でありながら完全に自動化されたエクスペリエンスを提供できるようになりました。重要なのは、Vail Resorts のような運営企業にリゾート利用者が期待するコンシェルジュサービスを、AI とクラウドテクノロジーなしでは実現できない規模で提供していることです。

Vail Resorts は、My Epic Assistant のパスのおすすめ機能により、すべての利用者がこれまでで最高のシーズンを過ごすためのカスタムのおすすめ情報を受け取れるように準備を進めています。

上級者コースのように技術的に難しい課題を、初級者コースのように簡単に扱えるソリューションで解決することをご希望の場合は、66degrees と Google Cloud のエキスパートにお問い合わせのうえ、最新の AI とクラウドテクノロジーで何ができるかをご確認ください。

- 66degrees、会話アーキテクト、Olivia Marrese

- Google、カスタマーエンジニア、Jacob Walcik

Manhattan Associates、Google Cloud データベースで 1 日に 10 億件以上の API 呼び出しを処理

Mon, 06 Apr 2026 02:10:00 +0000

※この投稿は米国時間 2026 年 3 月 27 日に、Google Cloud blog に投稿されたものの抄訳です。

編集者注: サプライチェーンとオムニチャネルコマースソリューションのグローバルリーダーである Manhattan Associates は、それまで使用していた Oracle と DB2 のシステムから Google Cloud データベースに移行することで、Manhattan Active SaaS プラットフォームをモダナイズしました。Cloud SQL と BigQuery を活用することで、同社は現在、1 日あたり 10 億件以上の API 呼び出しを平均 150 ミリ秒未満の応答時間で処理しており、数万の店舗と物流センターで毎月数十万人のアクティブユーザーをサポートしています。

モノリシックな基盤からクラウドのレジリエンスへ

当社の Manhattan Active SaaS プラットフォームは、グローバルサプライチェーンのサポートに不可欠なため、常時稼働と高いパフォーマンスが求められます。従来の Oracle と DB2 のインフラストラクチャは、手動によるスケーリング、複雑なライセンス管理、高額なメンテナンス費用が必要で、運用に大きな負担が生じていました。そのため、可用性を契約条項に規定した SLA、自動化されたレジリエンス、予測可能な費用モデルを利用できる新しいデータベース基盤を必要としていました。

当社が Google Cloud のデータベースを選んだのは、Manhattan Active をグローバル規模で稼働させるために必要な、柔軟性、スケーラビリティ、運用の容易さのバランスが適切だったからです。マネージドデータベースの Google Cloud SQL を使用することで、手動でのメンテナンスを排除でき、組み込みの高可用性、スケーラビリティ、リージョン間の障害復旧に注力できるようになりました。

Manhattan Active の各機能は、現在、独立したコンテナ化されたサービスとして実行されており、Google Kubernetes Engine（GKE）によってオーケストレートされています。データは Pub/Sub を介して BigQuery にストリーミングされ、リアルタイム分析が行われます。また、Cloud Logging と Cloud Monitoring により、大規模なオブザーバビリティを実現しています。Google Cloud のマネージドサービスを活用したマイクロサービスファーストの設計により、当社は、迅速に進化するためのアジリティを得られたほか、全リージョンにおいてミッションクリティカルな運用のレジリエンスを維持できるという確信を持つことができました。

aside_block: <ListValue: [StructValue([('title', 'Google Cloud データベースでよりスマートに構築'), ('body', <wagtail.rich_text.RichText object at 0x7f54c423b040>), ('btn_text', ''), ('href', ''), ('image', None)])]>

あらゆるトランザクションにレジリエンスとスピードを組み込む

当社のプラットフォーム基盤を Google Cloud で刷新したことで、大規模に価値を提供する方法を再検討する機会が生まれました。Manhattan Active のアーキテクチャは、マネージドデータベースと連携することで、サプライチェーンの煩雑さが解消され、応答性とレジリエンスに優れたシステムへと変わりました。

そのメリットはプラットフォーム全体に波及しています。Cloud SQL は Manhattan Active の中核を担っており、1 日あたり数百万件に及ぶサプライチェーンのトランザクションを迅速かつ確実に実行しています。リアルタイム分析は BigQuery に送信され、より精度の高い予測と、より迅速な異常検出を小売業者に提供しています。自動フェイルオーバーとクロスリージョンレプリカによってビジネスの継続性が確保されるため、障害が発生した場合でも重要なサービスは利用可能な状態を維持できます。

基盤をモダナイズ: データベースからインテリジェンスへ

従来の Oracle と DB2 のシステムからの Google Cloud データベースへの移行は、パフォーマンスの問題を解決しただけでなく、次のステップに向けた強固な基盤を築くことにもなりました。その信頼性とスケーラビリティにより、生成 AI をサプライチェーンに直接組み込むことも可能になりました。

当社のエージェント型 AI スイートには、店舗や物流センターの業務全体でリアルタイムの意思決定を調整する事前構築済みエージェント（Intelligent Store Manager や Labor Optimizer など）が含まれています。また、Manhattan Agent Foundry を利用すれば、ローコード環境を使用してカスタム AI エージェントを構築することも可能です。この基盤は、リアルタイムのログ分析、デベロッパー向けコード支援、シナリオシミュレーションといったユースケースを通じて、社内の効率化も支えています。

かつてないスピード、規模、運用効率を実践

このプラットフォームのモダナイゼーションの効果は、小売業者にもすぐに現れました。それは、目に見えるスピードと信頼性です。

現在、Manhattan Active は、Cloud SQL と BigQuery を活用して驚異的な数の API 呼び出しに日々対応しており、平均応答時間は 150 ミリ秒未満を実現しています。このスピードにより、数万の店舗と物流センターにわたって数十万人の月間アクティブユーザーをサポートしており、重要な場面でのリアルタイムな意思決定を可能にしています。

運用面では、プラットフォームの弾力性と効率性が向上しました。このシステムは、1 日に数十万件のスケーリングイベントを自動的に処理するため、ピーク時のトラフィック急増時でも一貫したパフォーマンスを維持できます。高額なオーバープロビジョニングを行う必要はありません。また、Query Insights などのデータベースオブザーバビリティツールにより、エンジニアは状況を明確に把握できるため、データベースのパッチ適用や事後対応型のトラブルシューティングに費やす時間が減り、機能開発やパフォーマンスチューニングにより多くの時間を割けるようになりました。

現在、Manhattan Associates では、レジリエンスが組み込みの機能となっています。これは、当社のソフトウェアを利用する小売業者にとって、よりスマートかつ迅速で、将来のあらゆる事態に備えたサプライチェーンの実現へとつながるものです。

詳細

Cloud SQL でビジネスを変革する方法をご確認ください。今すぐ無料トライアルを開始できます。
IDC レポートをダウンロードして、Cloud SQL への移行によってコストの削減、アジリティの向上、デプロイの高速化を実現する方法をご確認ください。
Ford と Yahoo が Cloud SQL でモダナイズして、高いパフォーマンスを実現し、費用を削減した方法をご確認ください。

- Manhattan Associates、シニアディレクター、Narayana Reddy Kothapu 氏

- Manhattan Associates、テクニカルディレクター、Rajkumar Ramani 氏

JA 共済連: 年間数百件におよぶ問い合わせの回答支援 AI エージェントを Gemini Enterprise を用いてスピーディに構築

Mon, 30 Mar 2026 02:00:00 +0000

将来的な人員減を見据え、全国共済農業協同組合連合会（以下、JA共済連）は、富士通株式会社（以下、富士通）とのパートナーシップのもと、Google Cloud の AI エージェントプラットフォーム Gemini Enterprise を活用した業務効率化プロジェクトを始動させました。その第一歩となったのが、各県域における地域貢献活動にかかる積立金の支出可否判断の支援です。ここでは取り組みの詳細をプロジェクトで中心的な役割を担った 4 名のキーパーソンに伺います。

利用しているサービス:
Gemini Enterprise など

利用しているソリューション:
生成 AI

AI エージェント活用で「2040 年問題」に備える

多くの企業・組織で人手不足が叫ばれる昨今。政府試算によると、日本の労働人口は 2040 年までに現労働人口の約 2 割、最大 1,200 万人ほど減少すると言われています。この問題はJA 共済連にとっても無縁ではありません。同会は「相互扶助」の理念を掲げ、全国の JA（農業協同組合）と連携・協調しながら「ひと・いえ・くるま」の総合保障の提供のほか、豊かで安心して暮らすことのできる地域社会づくりに貢献しています。この質の高いサービスを維持するためにも、「2040 年問題」にいかに備えるかが喫緊の課題となっています。そこで着目されたのが生成 AI の技術です。JA共済連農業・地域活動支援部地域貢献企画管理グループ主幹の市川豪氏は、次のように説明します。

「将来的に予想される職員の減少に対応するためには、業務を効率化していくことも有効な手段となります。最近、社会的に大きな注目を集めている生成 AI 技術を活用することで、現状をかなり改善できるのではないかという期待があり、具体的な活用方法を探ってみることになりました。」

JA共済連は、同会のシステム開発・運用パートナーである富士通に AI を用いた業務効率化を相談。いくつかのユースケースを検討した結果、対応のスピードアップと負荷軽減が求められていた地域貢献活動にかかる基金の支出判断に、AI エージェント技術を活用するプランを採用します。

「地域貢献活動とは、健康増進や防災、交通事故対策、農機具の寄贈など、JA・JA共済連が、組合員や地域住民の方々のために行う活動です。実施に当たっては、ガイドラインに基づいて支出可否を判断します。ただし、地域貢献活動は一般的な共済事業と異なり、明確な約款が定められているわけではありません。実際には、過去事例などと照らし合わせながら個別かつ総合的に検討する必要があり、どうしても判断に時間がかかってしまいます。公益性の高い非常に重要な活動を充実させるうえでも、判断の迅速化が求められていました。」（市川氏）

市川氏とともに同業務を担当してきた地域貢献企画管理グループ主査、町田瑞季氏は、AI導入によって期待される効果を、業務負荷の軽減という観点から説明します。

「最大の問題はガイドラインの解釈が担当者によって異なり、判断基準に差が生じるリスクがあったことです。これまでは、そうした問題を未然に防ぐため、部署内で全国からの問い合わせに関する認識をすり合わせたうえで、回答を行っていました。しかし、文書による照会だけで年間 200～300 件、さらに毎日数件、電話による問い合わせがあり、認識のすり合わせだけでも負担になっていました。この部分に AI エージェントをうまく活用できれば、私たち本部の作業だけでなく、地域貢献活動を実施する JA と直接やりとりをしている全国各地の担当者の作業負荷も大きく軽減されるのではないかという期待がありました。」

Gemini Enterprise だから実現できた短期間での課題解決

この課題解決にあたり、富士通の営業部門担当者として、JA共済連の業務効率化を担当してきた岡田晋太朗氏は、さまざまなソリューションの中から、Gemini Enterprise の採用を決定しました。

「AI エージェント導入に際しては、『短期間で成果を出したい』『アジャイル的に対話しながら AI を育てたい』というリクエストがありましたので、ノーコード・ローコードで構築できる Gemini Enterprise を選択しました。他の選択肢も検討しましたが、チューニング力や短期間での成果創出の確実性を考えると、今回は Gemini Enterprise が最適解という結論に達しました。」

2025 年 7 月に開発に着手。その後はスピード感をもって進められ、業務フローのヒアリング後、わずか 1〜2 週間でプロトタイプが完成。富士通のエンジニアとして AI エージェント開発に携わった宇野健介氏は、Gemini Enterprise を用いた AI エージェント作成について、こう語ります。

「今回は Gemini Enterprise の ADK（Agent Development Kit）を用いてAI エージェントを開発しました。Gemini Enterprise には、Gemini Pro をはじめとする高性能なモデル、SDK、UI、ローコードツールなどが一通り揃っているうえ、それらを連携させるのも容易で、スムーズに開発を進めることができました。今回、Gemini には、ガイドラインのほか、過去 3 年分、約 600 件の照会票（照会内容と回答の記録）データをナレッジとして追加しました。AI エージェントに新たに照会内容を入力すると、ナレッジを参照し、適切な回答を出してくれる仕組みです。最初のプロトタイプの時点でかなり精度が出ていましたが、そこからさらにご要望に沿うようチューニングしていき、トータルおよそ 1.5 か月程度で必要な精度・内容に仕上げられています。」

チューニングでは、いくつかの工夫も行われました。

「例えば、照会内容によって検討すべき争点が異なるため、まず AI エージェントに照会内容から争点を洗い出させ、そのうえで回答を生成させるようにしました。これにより、担当者の思考プロセスに、より近い回答が生成されるようになりました。また、単に過去事例をナレッジとして追加するだけでは、AI がキーワードにヒットした複数の過去事例の「いいところ取り」をしてしまい、文脈のつながらない回答を生成してしまう恐れがありました。照会票データを 1 つずつ「別のファイル」としてナレッジに追加することで、個別ケースの文脈を維持した回答を引き出せるように対応しました。」（宇野氏）

さらに、回答精度の向上に加え、「この情報が足りていないので教えてください」と AI 側から追加情報の提供を促す機能も実現。これらの改善によって、実用性が大きく高まったと言います。

業務負荷を最大 50％削減見込み、今後は他部署への展開を予定

町田氏は出来上がった AI エージェントを初めて利用した際、瞬時に理想的な回答が提示されたことに感動したと、当時を振り返ります。

「単に承認・否決を判定するのではなく、過去事例なども踏まえ、『ガイドラインのこの箇所に合致します、理由はこれです』と判断の根拠を明確に提示してくれるため、これならすぐに業務に使えそうだと感じたのをよく覚えています。また、チャット形式でやり取りできることも操作の学習が不要でありがたかったですね。」（町田氏）

市川氏によると、本システムの導入によって、照会応答業務負荷が 20〜50％程度削減できることを見込んでいるとのこと。

「特に回答の均質化・平準化が図れる点を高く評価しています。今後、実務への導入が実現した場合には、まずは各県本部に対してこの AI エージェントをリリースすることで、各地の職員が悩む時間を減らし、迅速に判断できるのではないかと考えています。将来的には他部署へも横断的に展開し、組織全体の効率化を図っていきたいです。Gemini Enterprise の導入で削減できた時間を、本来注力すべき、より良い地域貢献活動の企画・分析に充てていくことで、最終的には組合員や利用者の利益にもつなげていけるのではと期待しています。」（市川氏）

今回の取り組みの成功を受け、JA 共済連と富士通は今後、さらに AI エージェントの活用を拡大していく予定で、すでに別部署では、新たな業務効率化に向けた PoC（概念実証）も始まっています。

「今後は問い合わせ業務に限らず、営業推進、査定、支払いなど、バリューチェーン全体での活用を提案していければと考えています。また、現場の担当者自らが Gemini Enterprise を操作し、AI エージェントを作成・チューニングしていく取り組みも加速していきたいです。」（岡田氏）

「今回は AI エージェントを用いた業務改善でしたが、今後は、地域貢献活動参加者のニーズ分析などに Google Cloud の技術と知見を活用していきたいと考えています。2026 年 1 月に JA共済連は 75 周年を迎えました。伝統を守りつつも、新しいテクノロジーの力で組織の変革・改革を前に進めて、より深く多角的に地域に貢献していきたいですね。」（市川氏）

全国共済農業協同組合連合会
JA グループの共済事業を全国規模で支える連合会。「相互扶助」の理念のもと、「ひと・いえ・くるま」の総合保障を中心とした活動で、組合員・地域住民の暮らしと営農を支える。全国本部と 47 都道府県本部からなる体制で、総窓口数は約 5,400 か所。従業員数は6,367 名（2025 年 3 月末現在）。

富士通株式会社
（Google Cloud パートナー）
「イノベーションによって社会に信頼をもたらし、世界をより持続可能にしていく」というパーパスを掲げ、世界中のお客様に選ばれるデジタル・トランスフォーメーション（DX）パートナーとして、社会課題の解決に取り組んでいる。AI、コンピューティング、ネットワーク、データ＆セキュリティ、およびコンバージングテクノロジーの 5 つの重点技術領域を核に、幅広いサービスとソリューションを提供。これらの技術を駆使し、持続可能な社会の実現を目指すサステナビリティ・トランスフォーメーション（SX）を推進している。

インタビュイー
全国共済農業協同組合連合会
・農業・地域活動支援部地域貢献企画管理グループ主幹　市川豪氏
・農業・地域活動支援部地域貢献企画管理グループ主査　町田瑞季氏
富士通株式会社
・Finance & Public事業本部共済事業部　岡田晋太朗　氏
・クロスインダストリーソリューション事業本部
　Forward Deployed Engineering事業部　宇野健介氏

顧客事例

豊田自動織機ITソリューションズ: Gemini Enterprise を一斉展開し、業務効率化とナレッジ集積、人材の育成・確保を実現

激変する IT 業界の中でスタートした業務改革「TIIS-X プロジェクト」

PoV の成功を踏まえて、500 ライセンスを全社員に一斉に展開

Gemini Enterprise の活用は、新たなる価値創造に向けた切り札になる

Gemma で実現するデータ拡充のリアルタイム アーキテクチャ: Trustpilot の事例

大規模で高度なレビュー インテリジェンスを実現

オープンモデルをファインチューニングする理由

システム アーキテクチャ

パフォーマンス チューニング

課題

結果

「Google for Startups Accelerator: 中東、北アフリカ、トルコ」に新たに選出された企業の紹介

最新の「Google for Startups Accelerator: 中東、北アフリカ、トルコ」のコホートの紹介

成果を上げるためのカリキュラム

MENA-T の成長に向けた Google の取り組み

Urban Outfitters、Sterling OMS を AlloyDB for PostgreSQL に移行して大幅な費用削減を実現

ソリューション: AlloyDB for PostgreSQL

変革をもたらす転換

成功への道筋: 計画とテスト

その他の情報

Google Cloud AI を活用して、未知なる偉大な創造に挑むスタートアップ

多岐にわたるスタートアップのイノベーションをサポート

NVIDIA AI インフラストラクチャによるモデルのトレーニングと推論のサポート

Gemini Enterprise でエージェントを直接販売

Gemini Startup Forum のご紹介

Google for Startups AI エージェント チャレンジにご参加ください

法改正対応を AI で加速する富士通の挑戦：暗黙知の言語化が開発プロセスを変えた

属人化した現場の課題：800 ページの法令を読み解き、数ヶ月でシステムへの反映をせまられる現実

Gemini CLI との出会い：コンテキストの長さとインタラクティブ性が決め手に

TAP で見つけた「暗黙知を言語化する」アプローチ

技術よりも大きかった「マインドの変化」

Google Cloud スペシャリストとの連携で大きな手応え

AI が主役になる開発、その先にあるもの

未来にフィット: Breuninger が「be your own model」AI で売り上げを伸ばした方法

Trusted Tester からライブ プロダクトへ

3 つのレベルのバーチャル試着

Flutter による、スケーリングを考慮した構築

ホリデー シーズン中の実際の結果

次のステップ

Google Cloud パートナーとのエージェント型エンタープライズの構築と 7 億 5,000 万ドルのイノベーション ファンド

AI エージェントの開発を加速させるための投資

パートナー様が構築したエージェントを Gemini Enterprise で公開

グローバル コンサルティング パートナーが AI トランスフォーメーションを推進できるよう支援

一般的な SaaS プラットフォームを通じて Gemini をより多くのお客様に提供

エージェント時代のパートナー チャネルの構築

エージェントの未来を築く: メディアとエンターテイメント分野の Google Cloud パートナー エコシステムに注目

制作の強化: 手作業からインテリジェントなアシスタントへ

コンテンツの価値向上: 静的なアーカイブからアクティブなアセットへ

グローバル リーチへの拡大: シンプルなストリーミングから視聴者の拡大まで

信頼性の確保: インフラストラクチャから信頼の基盤へ

エコシステムを実際にご覧ください

エージェント型 AI で経費報告を自動化した SAP Concur

スピード、スケーラビリティ、創意工夫

AI エージェントを成功させるための主な設計パターン

曖昧さに対応するアーキテクチャ: Google Cloud のエコシステムの優位性

次世代エージェントを構築する準備はできていますか？

大手消費者インサイト ブランドが Dataproc を使用して高度なパーソナライズを加速している方法

特徴量エンジニアリングのための高速エンジン

パーソナライズされたエクスペリエンスの提供

未来のビジョンを築く

Google Cloud と米国代表チームによる分析の裏側: 米国冬季オリンピック選手のための AI インフラストラクチャの設計

課題: 過酷な状況では標準的なビジョンが機能しない

インフラストラクチャ: TPU と Vertex AI

ハードウェア基盤: TPU

大規模なオーケストレーション: Vertex AI

その他の応用法

Honeylove が BigQuery を活用して製品の品質とサービスの効率を向上させた方法

BigQuery と Gemini でインサイトを変革

マルチモーダル エンベディングで価値と創造性を引き出す

Google Cloud を使用して未来に向けて構築

Spanner の完全に相互運用可能なマルチモデル データベースを使用した実際の成功事例

1. 不正行為の検出

DANA: 急速に拡大する顧客ベースに対するマネー ロンダリング対策

Palo Alto Networks: SaaS ID のアクセス グラフ

Verisoul.ai: リアルタイムの偽ユーザー検出

2. レコメンデーション エンジン

True Digital Group: AI 検索を統合

3. ハイブリッド検索

Rogo: 財務ワークフローの自動化

Gemma で実現するデータ拡充のリアルタイムアーキテクチャ: Trustpilot の事例

大規模で高度なレビューインテリジェンスを実現

システムアーキテクチャ

パフォーマンスチューニング

Google for Startups AI エージェントチャレンジにご参加ください

Trusted Tester からライブプロダクトへ

ホリデーシーズン中の実際の結果

Google Cloud パートナーとのエージェント型エンタープライズの構築と 7 億 5,000 万ドルのイノベーションファンド

グローバルコンサルティングパートナーが AI トランスフォーメーションを推進できるよう支援

エージェント時代のパートナーチャネルの構築

エージェントの未来を築く: メディアとエンターテイメント分野の Google Cloud パートナーエコシステムに注目

グローバルリーチへの拡大: シンプルなストリーミングから視聴者の拡大まで

大手消費者インサイトブランドが Dataproc を使用して高度なパーソナライズを加速している方法

マルチモーダルエンベディングで価値と創造性を引き出す

Spanner の完全に相互運用可能なマルチモデルデータベースを使用した実際の成功事例

DANA: 急速に拡大する顧客ベースに対するマネーロンダリング対策

Palo Alto Networks: SaaS ID のアクセスグラフ

2. レコメンデーションエンジン

Inspira: リーガルインテリジェンスのストリーミング

業務負荷を最大 50％削減見込み、今後は他部署への展開を予定