サステナビリティ

AI 搭載ツールが切り拓く、サステナブルなインフラとレポートの次なる潮流

Tue, 07 Apr 2026 02:00:00 +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 の活用が広がるなか、サステナビリティとテクノロジーが交わる領域で大きな変化が起きています。これまで報告業務を担うチームは、散在するデータの収集や手間のかかる文書作成に多くの時間を取られ、サステナビリティ戦略そのものに十分に注力できない状況にありました。ところが、AI を導入し始めた組織では、前年の実績や影響を説明するための作業に費やす時間が減り、その分、先を見据えたレジリエンス強化により多くの時間を充てられるようになっています。その結果、業務の効率化とスピード向上が進んでいます。

サステナビリティチームは、財務データ、施設面積、エネルギー使用量、材料消費量など、複数の異なるデータソースをもとにレポートを作成しなければならないことが少なくありません。しかも、報告基準は急速に変化しています。そのため、複数のデータソースをまたいで正確性を確保するのは難しく、ひとたび誤りがあれば、その影響も大きいという特有の課題があります。Google では、この課題に対応するため、この 2 年にわたり、自社の環境報告プロセスに AI を取り入れ、その有効性を検証しながら統合を進めてきました。

Google がレポート作成に AI をどう活用しているのか

まず Google は、自社の社内報告プロセスそのものを、AI ソリューションの実験の場として活用しました。環境報告書の作成にあたっては、環境に関する記述を確認する最初のレビュープロセスに Gemini を試験的に導入し、草案に含まれる記述を社内ポリシーやベストプラクティスと自動的に照合しました。この自動化は、専門家の役割を置き換えるものではなく、むしろその力を引き出すものです。人のレビュー担当者は、個々の記述を毎回ゼロから確認するのではなく、AI による評価結果の妥当性を見極めることに集中できます。また、NotebookLM を活用して静的な環境報告書を対話型のナレッジベースへと変換し、利用者が複雑なデータについて質問すると、出典付きの回答を即座に得られるようにしました。

私たちのチームは、効果のあったプロンプトや、期待どおりに機能しなかったプロンプトから得た教訓も含め、実験の内容と進捗をオープンソースの AI ハンドブックに記録しました。こうした取り組みを文書化するなかで、AI は単なる効率化のためのツールではなく、より大きな成果を生み出す触媒でもあることを実感しました。レポート作成に伴う複雑で手作業の多い工程を効率化することで、ファイルやデータの管理に費やす時間を減らし、その分、世界を前に進めるための戦略の推進に、より多くの時間を充てられるようになります。

Equinix におけるサステナビリティデータレイクの構築

デジタルインフラストラクチャプロバイダである Equinix は、Google Cloud の支援を受けながら、報告業務の変革に取り組みました。顧客から寄せられるサステナビリティ関連の要望が前年比で 46% 増加するなか、Equinix のチームは、手作業によるスプレッドシート運用ではもはや対応しきれないと判断しました。そこで必要とされたのが、リアルタイムの意思決定を支える仕組みでした。

Equinix は BigQuery 上にサステナビリティデータレイクを構築し、世界 240 箇所以上の拠点からデータを自動的に取り込めるようにしました。これにより、従来は手作業でのデータクリーニングに数週間を要していた報告サイクルが、必要なときにすぐ活用できるインサイトを提供する仕組みへと生まれ変わりました。

「私はもはや単なるデータアナリストではなく、戦略アドバイザーとしての役割を担っています」と、Equinix のサステナビリティ担当シニアマネージャーである Alexa Cotton 氏は述べています。「当社のサステナビリティデータは、今や戦略的な資産であり、年間経常収益（ARR）の 60% 以上に影響を与えています。私たちは事後対応型の姿勢から脱却し、エネルギーとコストの双方を削減できる自動化されたアクションに目を向けるようになりました。」

サステナビリティを設計段階から組み込む: Well-Architected Framework（WAF）の活用

Equinix は、AI による革新を実現するには、まず強固なデータ基盤が不可欠であることを示しました。また、レガシーな業務プロセスのモダナイズは、適切なアーキテクチャに基づいて進めることで、効率向上にもつながることを実証しました。

Equinix は BigQuery を活用したサーバーレスアーキテクチャへ移行し、コスト、パフォーマンス、環境負荷という 3 つの面で成果を上げました。

サーバーレスの弾力性を生かすことで、必要な分のコンピューティングリソースだけを使い、その分だけを支払う運用を実現した結果、「ゾンビ」サーバーは不要となり、無駄なエネルギー消費も削減されました。
BigQuery はワークロードのスケーリングと最適化をプログラムによって自動的に処理するため、リソース配分における人的ミスを抑えつつ、データレイクが拡大しても、無駄を最小限に抑えながら高い性能を維持できます。
Google のカーボンインテリジェントなデータインフラストラクチャを活用することで、「ワット当たりのパフォーマンス」を根本から改善し、報告業務という要件を、運用効率の高さを示す好例へと変えました。

これらは、Google の Well-Architected Framework における「4 つの M」、すなわち Machine、Model、Mechanization、Map を体現する優れた事例です。

アンビションループ

Equinix で進められている取り組みは、私たちが「アンビションループ」と呼ぶ好循環を生み出しています。アーキテクチャレベルで改善に取り組むことは、単にサステナビリティレポートの要件を満たすためだけではありません。経済性の向上にも直結し、その結果としてサステナビリティの成果も高まり、最終的には報告できる実績そのものの向上へとつながっていきます。

詳しくは、Google の「AI Playbook for Sustainability Reporting（サステナビリティレポートのための AI ハンドブック）」と、新たに追加された「WAF sustainability pillar」（WAF のサステナビリティの柱）をご覧ください。これらを手がかりに、データを AI 活用へとつなげる取り組みを始めることができます。ともに、レポートの未来、そしてよりレジリエントな世界を築いていきましょう。

- サステナビリティ担当グローバルマーケットリード Denise Pearl

- サステナビリティレポート担当シニアリード Luke Elder

二酸化炭素排出に配慮したデータセンターに対する Google のアプローチ: データセンターフリートの集中管理

Wed, 01 Oct 2025 02:00:00 +0000

※この投稿は米国時間 2025 年 9 月 11 日に、Google Cloud blog に投稿されたものの抄訳です。

データセンターはクラウドのエンジンであり、私たちの日常生活を支える情報を処理して保存しています。デジタルサービスの成長に伴って Google のデータセンターも拡大しており、Google は責任を持ってデータセンターを管理するよう努めています。Google はインフラストラクチャをハードウェアとしてだけでなく、ソフトウェアによって抽象化されたハードウェアとして、フルスタックレベルで考えており、これがイノベーションを可能にします。

Google は以前、技術インフラストラクチャハードウェアの最適化によってデータセンターにおけるカーボンフットプリントを削減する取り組みについてご紹介しました。このブログでは、社内のリソース管理システムをマシンエコノミーから、より持続可能なリソースとパフォーマンスのエコノミーに移行するのに役立った「中央フリート」プログラムについてご紹介します。

中央フリートとは

Google の中央フリートプログラムは、処理能力、メモリ、ストレージなどのコンピューティングリソースをより効率的かつ持続可能な方法で管理および割り当てることができるリソース分配アプローチです。Google 内の個々のチームやプロダクトチームがそれぞれ物理マシンを注文して管理するのではなく、最も必要とされる場所に動的に分散できるリソースの集中プールとして機能します。

いわば、カーシェアリングサービスのようなものです。1 日に数時間しか使わない車をそれぞれが所有するのではなく、共有フリートなら、より少ない台数の車を多くの人がより効率的に利用できます。同様に、Google の中央フリートプログラムでは、コンピューティングリソースが常に使用されるようにして、無駄を最小限に抑え、新しいマシンの調達の必要性を減らしています。

aside_block: <ListValue: [StructValue([('title', 'Google Cloud を無料で試す'), ('body', <wagtail.rich_text.RichText object at 0x7f045f5e4f10>), ('btn_text', ''), ('href', ''), ('image', None)])]>

仕組み: リソースエコノミーへの移行

フリート中心のアプローチは、リソースのプロビジョニングと管理の方法を根本的に変えます。チームがより多くのコンピューティング能力を必要とする場合、特定のハードウェアを注文するのではなく、中央フリートから「割り当て」を注文します。これにより、コンピューティングリソースが代替可能、つまり交換可能で柔軟になります。たとえば、チームは特定のサーバーモデルではなく、一定の処理能力やストレージ容量を要求します。

この「インテントベース」の注文システムによって、需要を満たす方法の幅が広がるのです。Google の中央フリートは、既存の在庫を使用するか、大規模に調達することで、リクエストをインテリジェントに処理できます。これにより、コストと環境への影響を低減できます。また、不要なリソースを返却して他のチームに再割り当てできることで、無駄をさらに削減できます。

これらはすべて、Google のフルスタックインフラストラクチャと、Borg クラスタ管理システムを基盤として、物理ハードウェアを単一の代替可能なリソースプールに抽象化することで実現しています。このソフトウェアレベルのインテリジェンスにより、インフラストラクチャを静的なマシンの集合体ではなく、流動的で最適化可能なシステムとして扱うことができ、効率が大幅に向上します。

フリートの集中管理によるサステナビリティのメリット

中央フリートのアプローチは、サステナビリティとサーキュラーエコノミーに対する Google の幅広い取り組みに沿ったものです。既存のハードウェアの使用を最適化することで、二酸化炭素排出量を削減できます。たとえば、2024 年には、Google の中央フリートプログラムにより、約 260,000 トンの CO2e に相当するエンボディドインパクトを持つ新しいコンポーネントやマシンの調達を回避できました。これは、ガソリンを燃料とする一般的な乗用車が走行する距離に換算すると、約 10 億 6,000 万 km に相当します1。

この柔軟なフルフィルメントにより、リソース効率が向上し、二酸化炭素排出量が削減されます。その理由は次のとおりです。

電子廃棄物の削減: 再割り当てと再利用によってマシンの寿命を延ばすことで、新しいハードウェアを製造する必要性を最小限に抑え、電子廃棄物の量を削減します。
製造時の二酸化炭素排出量の削減: 新しいサーバーの製造には、製造時の二酸化炭素排出量が伴います。新しいマシンを作成しないことで、関連する CO2e 排出を回避できます。
エネルギー効率の向上: フリートを集中管理することで、利用可能な最も電力効率の高いハードウェアにワークロードを戦略的に配置し、データセンター全体のエネルギー消費を最適化できます。
循環型経済の推進: このモデルは、循環型経済の原則を実践した好例です。直線的な「採取、製造、廃棄」モデルから、再利用と長寿命化を重視するモデルへと移行しています。

フリートの取り組みは、社内の効率化プロジェクトにとどまりません。サステナビリティを中核的なビジネス上の意思決定に組み込むことを具体的に示すものでもあります。インフラストラクチャの管理方法を見直すことで、AI とクラウドの需要の高まりに対応しながら、より持続可能な未来への道を開くことができます。詳しくは、sustainability.google をご覧ください。

^{1. 回避された排出量の推定値は、2024 年に Google の中央フリートイニシアチブによって節約されたマシンとコンポーネントリソースに、社内の LCA 排出係数を適用して計算されました。推定される回避排出量を EPA の温室効果ガス換算計算ツールに入力して、ガソリン車（乗用車）の平均走行距離に換算しました（2025 年 8 月にアクセス）。データおよび主張は、独立した第三者により検証されていません。}

ー Praneet Arshi、クラウドサプライチェーンサステナビリティ担当プログラムマネージャー

ー Joel Miller、テクニカルプログラムマネージャー兼リード、中央フリート

Google AI によるエネルギーの使用量を算出

Thu, 28 Aug 2025 03:00:00 +0000

※この投稿は米国時間 2025 年 8 月 22 日に、Google Cloud blog に投稿されたものの抄訳です。

AI は科学の躍進、医療と教育の向上を可能にし、世界経済に数兆ドル規模の価値をもたらす可能性があります。AI のフットプリントを理解することは重要ですが、トレーニングされた AI モデルを使用して予測を行ったり、テキストや画像を生成したりする AI 推論のエネルギーと環境への影響に関する詳細なデータは限られたものになっています。AI システムのユーザーが増えるにつれて、推論効率の重要性が高まります。

そこで Google は、Gemini プロンプトのエネルギー、排出量、水への影響を測定するための包括的な手法について詳述した技術論文をリリースすることにしました。この手法を使用すると、Gemini アプリのテキストプロンプトの中央値として、エネルギーの使用量は 0.24 ワット時（Wh）、二酸化炭素換算の排出量は 0.03 グラム（gCO2e）、水の消費量は 0.26 ミリリットル（約 5 滴）と推定されます1。これらの数値は、多くの公表推定値よりも大幅に低くなっています。プロンプトごとのエネルギー消費量は、9 秒未満のテレビ視聴と同程度です。

それと同時に、研究のイノベーションとソフトウェアおよびハードウェアの効率改善を通じて、Google の AI システムはより効率的になっています。たとえば最近の 12 か月間で、Gemini アプリのテキストプロンプトでのエネルギーと温室効果ガスの総排出量の中央値はそれぞれ 33 倍と 44 倍下がっている一方で、回答の品質は上がっています。こうした結果は、Google の最新のデータセンターでのエネルギー排出量の削減と、カーボンフリーエネルギーと水資源保護を推進する取り組みによってもたらされています。これまでの効率化の背後にあるイノベーションを誇りに思うとともに、今後も大幅な改善を続けていくことをお約束します。進行中の取り組みについて、詳しくご紹介します。

Google における AI 環境フットプリントの算出

詳細な測定では、さまざまな AI モデルのほか、それらが実行されるハードウェアとエネルギーを比較できるだけでなく、ハードウェアやデータセンターからモデル自体まで、システム全体の効率を最適化できます。Google は、この手法を共有することで、AI のリソース消費と効率の算出における業界全体の整合性を高めたいと考えています。

AI サービングワークロードのフットプリントを測定するのは簡単ではありません。Google の規模で AI 提供の現実を考慮した包括的なアプローチを開発しました。これには以下が含まれます。

システム全体の動的電力: これには、アクティブなコンピューティングでプライマリ AI モデルで使用されるエネルギーと水だけでなく、本番環境規模で実際に達成されたチップ使用率も含まれます。これは、理論上の最大値よりもはるかに低くなる可能性があります。
アイドル状態のマシン: 高い可用性と信頼性を確保するには、アイドル状態ではあるものの、トラフィックの急増やフェイルオーバーにいつでも対応できるプロビジョニングされた容量が本番環境システムに必要です。こうしたアイドル状態のチップが消費するエネルギーは、総エネルギーフットプリントに含める必要があります。
CPU と RAM: AI モデルは、TPU や GPU などの ML アクセラレータのみで実行されるわけではありません。ホスト CPU と RAM も AI の提供に重要な役割を果たし、エネルギーを使用します。
データセンターのオーバーヘッド: AI のワークロードを実行する IT 機器によって消費されるエネルギーは、全体の一部にすぎません。これらのコンピューティングをサポートするインフラストラクチャ（冷却システム、電力配分、その他のデータセンターのオーバーヘッド）もエネルギーを消費します。オーバーヘッドのエネルギー効率は、電力使用効率（PUE）と呼ばれる指標で測定されます。
データセンターでの水の消費: 多くの場合、データセンターではエネルギー消費量と関連する排出量を削減するために、冷却に水が使用されます。AI システムを最適化してエネルギー効率を高めることで、全体的な水の使用量も減少します。

現在、AI によるエネルギー消費量の算出の多くは、アクティブなマシンの消費量のみが対象となっており、上記の重要な要素の一部が見落とされています。そのため、大規模な実際の運用効率ではなく、理論上の効率が示されています。こうした、アクティブな TPU と GPU の消費量のみが考慮される包括的でない手法を適用すると、Gemini のテキストプロンプトの中央値として、エネルギー使用量は 0.10 Wh、温室効果ガスの排出量は 0.02 gCO2e、水の消費量は 0.12 mL と推定されます。これは楽観的なシナリオであり、AI の実際の運用フットプリントが大幅に過小評価されてしまいます。

Google の包括的な手法による推定値（0.24 Wh のエネルギー使用、0.03 の gCO2e、0.26 mL の水の消費）は、AI をグローバルに提供するうえで重要な要素がすべて考慮されています。Google では、これが AI の全体的なフットプリントを最も包括的に把握できる方法だと考えています。

AI と AI の効率性に対する Google のフルスタックアプローチ

Gemini では、カスタムハードウェアや高効率モデルから、これらのモデルを実現する堅牢なサービングシステムまで、AI 開発に向けた Google のフルスタックアプローチが理由で、効率が大幅に向上しています。Google では、以下などの AI のあらゆるレイヤを効率化しています。

より効率的なモデルアーキテクチャ: Gemini モデルは、Google の研究者が開発したTransformer モデルアーキテクチャを基盤に構築されています。このアーキテクチャは、言語モデリングの以前の最先端アーキテクチャと比較して、効率が 10～100 倍向上しています。Mixture-of-Experts（MoE）やハイブリッド推論など、本質的に効率的な構造を持つモデルが設計されています。たとえば、MoE モデルでは、クエリへの応答に特に必要な大規模モデルの小さなサブセットを有効にできるため、コンピューティングとデータ転送を 10～100 倍削減できます。
効率的なアルゴリズムと量子化: Google は、Accurate Quantized Training（AQT）などの手法を使用して、モデルを強化するアルゴリズムを継続的に改良し、回答の品質を損なうことなく、効率を最大化してサービングのエネルギー消費量を削減しています。
推論とサービングの最適化: Google は応答性と効率性を高めるために、AI モデルの配信を常に改善しています。投機的デコーディングなどのテクノロジーを利用すると、より少ないチップでより多くの回答を提供できます。これは、より小さなモデルが予測を行い、それをより大きなモデルが迅速に検証できるようにすることで実現され、大きなモデルが単独で多くの連続した予測を行うよりも効率的です。蒸留などの手法では、より大きくて高性能なモデルを教師として使用する、より小さくて効率的なモデル（Gemini Flash および Flash-Lite）が作成されます。ML ハードウェアとモデルが高速化されたことで、レイテンシの目標を達成しながら、より効率的で大きなバッチサイズをリクエストの処理時に使用できるようになっています。
カスタムビルドのハードウェア: Google は、ワットあたりのパフォーマンスを最大化するために、10 年以上にわたって TPU をゼロから設計してきました。また、AI モデルと TPU を協調設計することで、ソフトウェアがハードウェアを最大限に活用し、ハードウェアが将来の AI ソフトウェアを効率的に実行できるようにしています。最新世代の TPU である Ironwood は、Google が最初に一般公開した TPU よりも 30 倍エネルギー効率が高く、推論用の汎用 CPU よりもはるかに電力効率に優れています。
最適化されたアイドル状態: Google のサービングスタックは CPU を非常に効率的に使用し、「設定して放置」のアプローチではなく、需要に基づいてモデルをほぼリアルタイムで動的に移動することで、TPU のアイドル状態を最小限に抑えています。
ML ソフトウェアスタック: Google の XLA ML コンパイラ、Pallas カーネル、Pathways システムにより、Google の TPU サービングハードウェア上で JAX などの高レベルシステムで表現されたモデル計算を効率的に実行できます。
超効率的なデータセンター: Google のデータセンターは業界でも非常に効率的であり、フリート全体の平均 PUE は 1.09 です。
責任あるデータセンターの運用: Google は、24 時間 365 日カーボンフリーの目標を追求し、クリーンエネルギーの発電量を増やし続けています。また、オフィスとデータセンター全体で平均で消費する淡水の 120% を還元するという目標も推進しています。また、科学的根拠に基づいた流域の健全性評価を実施して、冷却方式の選択を導き、高いストレスにさらされている場所での水の利用を制限することで、エネルギー、水、排出量の間の地域的なトレードオフのバランスを取りながら、冷却システムを最適化しています。

効率的な AI に向けた Google の取り組み

Gemini の効率化は長年に及ぶ取り組みの成果ですが、これはほんの序章にすぎません。AI に対する需要が高まっていることを認識し、プロンプトごとに必要な電力の費用と水の削減に対して重点的に投資しています。調査結果と手法を共有することで、業界全体でより効率的な AI に向けた進展を促進することを目指しています。これは、責任ある AI 開発に不可欠です。

1. 2025 年 5 月のデータに基づき、Gemini アプリの中央値となるテキスト生成プロンプトごとに消費されるエネルギーを定量化した時点分析。プロンプトあたりの排出量はプロンプトあたりのエネルギーに基づいて推定され、2024 年の Google のフリート全体の平均的なグリッド二酸化炭素排出原単位が適用されています。また、プロンプトあたりの水の消費量はプロンプトあたりのエネルギーに基づいて推定され、2024 年の Google のフリート全体の平均的な水の利用効率が適用されています。これらの調査結果は、Gemini アプリのすべてのテキスト生成プロンプトによる環境への具体的な影響や、将来のパフォーマンスを示すものではありません。2. 2025 年 5 月の上記の分析結果と、2024 年 5 月の Gemini アプリのテキスト生成プロンプトの中央値のベースラインデータとの比較。プロンプトの中央値ごとのエネルギー消費量は、新しいモデルの追加、AI モデルアーキテクチャの進化、AI chatbot ユーザーの行動の変化によって変わる可能性があります。データおよび主張は、独立した第三者によって検証されていません。

-Amin Vahdat、Google Cloud、AI およびインフラストラクチャ担当バイスプレジデント兼ゼネラルマネージャー

-Jeff Dean、Google DeepMind / Google Research、チーフサイエンティスト

Earth Engine ラスター分析で BigQuery の地理空間機能を拡張

Tue, 20 May 2025 01:01:00 +0000

※この投稿は米国時間 2025 年 5 月 9 日に、Google Cloud blog に投稿されたものの抄訳です。

Google Cloud Next 25 で、Google は地理空間分析において大きな一歩となる BigQuery の Earth Engine を発表しました。この新しい機能により、Earth Engine のラスター分析を BigQuery で直接実行できるようになり、衛星画像から得られた地理空間データセットの高度な分析を SQL コミュニティに提供できます。

この新機能の詳細と、それによってどのようにユースケースを強化できるかについて説明していきますが、その前に、まずは 2 つの地理空間データのタイプと、従来から Earth Engine と BigQuery が優れていた点を確認しておくといいでしょう。

ラスターデータ: このタイプのデータは、セルまたはピクセルのグリッドとして地理情報を表します。各ピクセルには、標高、気温、土地被覆などの特定の属性を表す値が格納されます。ラスターデータの代表的な例は衛星画像です。Earth Engine はラスターデータの保存と処理に優れており、複雑な画像の分析と操作を可能にします。
ベクターデータ: このタイプのデータは、ポイント、ライン、ポリゴンなどの地理的対象物を表します。ベクターデータは、建物、道路、管理境界などの個別のオブジェクトを表現するのに最適です。BigQuery はベクターデータの保存とクエリにおいて非常に効率的であるため、大規模な地理分析に適しています。

Earth Engine と BigQuery はどちらも、それ自体が強力なプラットフォームです。両方の地理空間機能を組み合わせることで、ラスター分析とベクター分析の両方の長所を 1 か所に集約できます。そこで、BigQuery の現在の地理空間機能を拡張した BigQuery の Earth Engine 機能を作成しました。これにより、より多くの人がラスター分析を実行でき、実際に企業が抱えているさまざまな問題にこれまで以上に簡単に対応できるようになります。

BigQuery の Earth Engine: 主要な機能

BigQuery の Earth Engine の 2 つの主要な機能を使用することで、BigQuery でラスター分析を実行できます。

BigQuery の新しい関数: 新しい BigQuery 地理関数である ST_RegionStats() を実行すると、指定した地理的境界内のラスターデータから統計情報を効率的に抽出できます。
BigQuery Sharing（旧 Analytics Hub）の新しい Earth Engine データセット: BigQuery Sharing（旧 Analytics Hub）で増え続ける Earth Engine データセットのコレクションにアクセスし、データの検出とアクセスを簡素化します。これらのデータセットの多くは分析にすぐ使用できる状態となっており、対象地域の統計情報を導き出して、標高、排出量、リスク予測などの有用な情報を提供します。

ラスター分析の 5 つの簡単なステップ

新しい ST_RegionStats() 関数は、Earth Engine の reduceRegion 関数に似ており、画像の 1 つ以上の地域の統計情報を計算する際に使用できます。ST_RegionStats() 関数は、BigQuery SQL 式の一部として呼び出される BigQuery の地理関数セットに新たに追加された関数です。地理情報で示される対象地域（郡、土地区画、郵便番号など）と Earth Engine でアクセス可能なラスター画像を取得し、指定された地理情報と交差するピクセルの集計値セットを計算します。対象地域の集計統計の例としては、特定の郡の最大洪水深度や平均メタン排出量などが挙げられます。

対象地域について有意義な分析情報を得るための 5 つのステップは次のとおりです。

ベクターデータを含む BigQuery テーブルを特定する: 管理境界（郡、州など）、顧客の所在地、または対象となるその他の地理的地域を表すデータを指します。BigQuery の一般公開データセットからデータセットを取得することも、ニーズに応じて独自のデータセットを使用することもできます。
ラスターデータセットを特定する: BigQuery Sharing で Earth Engine ラスターデータセットを検索するか、Cloud GeoTiff または Earth Engine 画像アセットとして保存されているラスターデータを使用できます。後者の場合、ベクター境界内で分析する情報を含む任意のラスターデータセットを指定できます。
ST_RegionStats() を使用してラスターデータを BigQuery に取り込む: ST_RegionStats() 地理関数は、ラスターデータ（raster_id）、ベクタージオメトリ（geography）、オプションのバンド（band_name）を入力として受け取り、交差するラスターデータとベクター対象物の集計値（平均、最小値、最大値、合計、件数など）を計算します。
結果を分析する: ST_RegionStats() を実行して得られた出力を使用してラスターデータとベクター対象物の間の関係を分析することで、対象地域に関する有益な分析情報を生成できます。
結果を可視化する: 地理空間分析は、通常、地図上に可視化すると最も効果的です。BigQuery Geo Viz などのツールを使用すると、分析結果を表示するインタラクティブな地図を簡単に作成できるため、空間パターンの理解や結果の共有が簡単になります。

データドリブンな意思決定に向けて

BigQuery の Earth Engine を利用できるようになったことで、これまで BigQuery では利用できなかったデータセットのラスター分析が可能になり、さまざまな地理空間やサステナビリティのユースケースにおいてデータドリブンな意思決定を大規模に行う際に新たな可能性が生まれます。これらのデータセットは、新しい地理関数 ST_RegionStats() と組み合わせて、特定の管理境界内におけるさまざまな土地被覆タイプの計算や開発候補地内の平均標高適合性分析など、多様なユースケースに使用できます。また、これらのデータセットのサンプルクエリは、BigQuery Sharing の個々のデータセットページでも確認できます。たとえば、GRIDMET CONUS Drought Indices データセットページに移動すると、カリフォルニア州の各郡の Palmer Drought Severity Index（PDSI）平均値を計算するサンプルクエリを確認できます。このインデックスは、米国全土の干ばつ状況をモニタリングするために使用されます。

この新しい機能によって実現されるユースケースをいくつか詳しく見ていきましょう。

1. 気候、物理的リスク、災害対応

ラスターデータから、気象パターンや自然災害のモニタリングに関する重要な分析情報を取得できます。BigQuery Sharing で利用可能なラスターデータセットの多くは、洪水マッピング、山火事リスク評価、干ばつ状況などに関する派生データを提供します。これらの分析情報は、災害リスクと対応、都市計画、インフラストラクチャ開発、交通管理などに活用できます。たとえば、Wildfire Risk to Communities データセットを予測分析に使用して、山火事のリスク、コミュニティの被災状況、脆弱性要因を評価し、効果的な回復戦略を策定できます。洪水マッピングでは、Global River Flood Hazard データセットを使用して米国で浸水深度が最も深くなると予測される地域（つまり地表からの水位）を把握できます。

2. サステナブルな調達と農業

ラスターデータは、時間の経過に伴う土地被覆や土地利用の変化に関する分析情報も提供します。BigQuery の新しい Earth Engine データセットには、地形、標高、土地被覆の分類に関する派生データが含まれており、これらはサプライチェーン管理や農業、食料安全保障の評価に不可欠な入力データとなります。グローバル市場で事業を展開する企業にとって、サステナブルな調達にはサプライチェーンへの透明性と可視性が求められます。規制要件により、商品生産における森林破壊ゼロへの取り組みが任意から必須に移行している現状ではなおさらです。新しい Forest Data Partnership のカカオ、パーム油、ゴムに関する地図を使用すると、時間経過に伴う商品の栽培地の変化を分析でき、Forest Persistence または JRC Global Forest Cover データセットを追加して、2020 年以前に森林伐採や劣化が起きていない地域で農産物が栽培されているかどうかを把握できます。たとえば、シンプルな SQL クエリを使用して、2020 年にインドネシアの土地面積のうち、手つかずの森林が占めていた割合を推定できます。

3. メタン排出量のモニタリング

気候変動の速度を遅らせるためには、石油ガス産業からのメタン排出量を削減することが不可欠です。MethaneSAT L4 Area Sources データセットは、ST_RegionStats() 関数を使用して Earth Engine 画像アセットとして使用でき、小規模で分散した地域におけるさまざまな発生源からのメタン排出に関する分析情報が得られます。このような広範囲に分散した排出タイプは、石油とガスの堆積盆地におけるメタン排出の大部分を占める可能性があります。これらの排出の場所、規模、傾向を分析してホットスポットを特定し、緩和策の策定に役立てるとともに、盆地のような広い地域における排出の特徴を把握できます。

4. カスタムユースケース

これらのデータセットに加えて、Cloud Storage GeoTiff または Earth Engine 画像アセットを介して独自のラスターデータセットをインポートすることで、BigQuery のスケーラビリティと分析ツールのメリットを活用しながら、その他のユースケースに対応できます。

aside_block: <ListValue: [StructValue([('title', '300 ドル分のクレジットで Google Cloud のデータ分析を試用'), ('body', <wagtail.rich_text.RichText object at 0x7f04629aa7c0>), ('btn_text', '無料で構築を始める'), ('href', 'http://console.cloud.google.com/freetrial?redirectPath=/bigquery/'), ('image', None)])]>

総合的な例

それでは、モデル化された山火事のリスクと AI を活用した天気予報技術に基づくより高度な例を見てみましょう。以下の SQL は、BigQuery Sharing にリストされている Wildfire Risk to Communities データセットを使用しています。このデータセットは、コミュニティが山火事の被害を把握し、軽減できるよう支援することを目的としています。このデータには、地域全体での山火事の発生確率と影響度を示すバンドが含まれています。国勢調査指定地域の一般公開データセットのジオメトリを使用すると、ST_RegionStats() でこのデータセットから値を計算し、コミュニティの相対的なリスクへの曝露を比較できます。また、WeatherNext Graph 予報の天気データを組み合わせて、その地域に迫る火災が発生しやすい気象状況がどのような影響を及ぼすかを予測することもできます。

まず、BigQuery Sharing コンソールに移動します。[リスティングを検索] をクリックして [気候、環境] でフィルタし、[Wildfire Risk to Community] データセットを選択（または検索バーでデータセットを検索）します。[サブスクライブ] をクリックして、Wildfire Risk データセットを BigQuery プロジェクトに追加します。次に、「WeatherNext Graph」を検索し、WeatherNext Graph データセットをサブスクライブします。

これらのサブスクリプションを設定したら、クエリを実行し、多くのコミュニティにまたがるこれらのデータセットを単一のクエリで結合します。SQL WITH ステートメントを使用してこのタスクをサブクエリに分割することで、よりわかりやすくなります。

まず、前のステップでサブスクライブした入力テーブルを選択します。

次に、特定の日付と対象地域について、WeatherNext Graph の予報データを使用して天気を予測します。すると、各コミュニティ内の平均風速と最大風速が算出されます。

3 番目に、ST_RegionStats() 関数を使用して、各コミュニティの Wildfire Risk to Community ラスターデータのサンプルを取得します。ここでは地域内の平均値の計算のみを目的としているため、関数オプションでスケールを 1 キロメートルに設定して解像度の低い概要図を使用することで計算時間を短縮できます。ラスターのフル解像度（この場合は 30 メートル）で計算する場合は、このオプションを省略できます。

code_block: <ListValue: [StructValue([('code', 'WITH\r\n -- ステップ 1: サブスクライブしたデータセットから入力を選択します\r\n wildfire_raster AS (\r\n SELECT\r\n id\r\n FROM\r\n `wildfire_risk_to_community_v0_mosaic.fire`\r\n ),\r\n places AS (\r\n SELECT\r\n place_id,\r\n place_name,\r\n place_geom AS geo,\r\n FROM\r\n `bigquery-public-data.geo_us_census_places.places_colorado`\r\n ),\r\n\r\n\r\n -- ステップ 2: WeatherNext Graph の予報データを使用して天気を予測します\r\n weather_forecast AS (\r\n SELECT\r\n ANY_VALUE(place_name) AS place_name,\r\n ANY_VALUE(geo) AS geo,\r\n AVG(SQRT(POW(t2.`10m_u_component_of_wind`, 2)\r\n + POW(t2.`10m_v_component_of_wind`, 2)） AS average_wind_speed,\r\n MAX(SQRT(POW(t2.`10m_u_component_of_wind`, 2)\r\n + POW(t2.`10m_v_component_of_wind`, 2)） AS maximum_wind_speed\r\n FROM\r\n `weathernext_graph_forecasts.59572747_4_0` AS t1,\r\n t1.forecast AS t2\r\n JOIN\r\n places\r\n ON\r\n ST_INTERSECTS(t1.geography_polygon, geo)\r\n WHERE\r\n t1.init_time = TIMESTAMP(\'2025-04-28 00:00:00 UTC\')\r\n AND t2.hours < 24\r\n GROUP BY\r\n place_id\r\n ),\r\n\r\n\r\n -- ステップ 3: 各コミュニティの山火事リスクと組み合わせます\r\n wildfire_risk AS (\r\n SELECT\r\n geo,\r\n place_name,\r\n ST_REGIONSTATS( -- 山火事の可能性\r\n geo, -- 場所ジオメトリ\r\n (SELECT id FROM wildfire_raster), -- ラスター ID\r\n \'RPS\', -- バンド名（潜在的な構造物へのリスク）\r\n OPTIONS => JSON \'{"scale": 1000}\' -- 計算解像度（メートル単位）\r\n ).mean AS wildfire_likelihood\r\n ST_REGIONSTATS( -- 山火事の影響\r\n geo, -- 場所ジオメトリ\r\n (SELECT id FROM wildfire_raster), -- ラスター ID\r\n \'CRPS\', -- バンド名（潜在的な構造物への条件付きリスク）\r\n OPTIONS => JSON \'{"scale": 1000}\' -- 計算解像度（メートル単位）\r\n ).mean AS wildfire_consequence,\r\n weather_forecast.* EXCEPT (geo, place_name)\r\n FROM\r\n weather_forecast\r\n )\r\n\r\n\r\n -- ステップ 4: 相対的な山火事リスクの複合インデックスを計算します\r\nSELECT\r\n *,\r\n PERCENT_RANK() OVER (ORDER BY wildfire_likelihood)\r\n * PERCENT_RANK() OVER (ORDER BY wildfire_consequence)\r\n * PERCENT_RANK() OVER (ORDER BY average_wind_speed)\r\n AS relative_risk\r\nFROM\r\n wildfire_risk'), ('language', 'lang-sql'), ('caption', <wagtail.rich_text.RichText object at 0x7f04618449a0>)])]>

これにより、各コミュニティ内の両方のバンドにおける山火事リスクの平均値と、1 日の間の予測風速が含まれたテーブルが作成されます。さらに、山火事のリスク、山火事の影響、最大風速の計算値を 1 つの複合インデックスにまとめ、コロラド州の選択した日付における山火事の相対的なリスクを表示することもできます。

各コミュニティの山火事のリスクと風速の平均値

この出力を Google スプレッドシートに保存することで、州内のコミュニティ間で山火事のリスクと影響がどのように関連しているかを可視化できます。

山火事のリスク（X 軸）と影響（Y 軸）を風速で色分けして可視化した Google スプレッドシート

または、単一の複合インデックスを使用して BigQuery GeoViz で相対的な山火事リスクを可視化し、コロラド州の選択した日付における相対的山火事リスクを表示することも可能です。

各コミュニティの山火事リスク、山火事の影響、最大風速の複合インデックスを示す GeoViz 地図

BigQuery の Earth Engine の今後

BigQuery の Earth Engine は地理空間分析において大きな進歩です。Google は、BigQuery でのラスター分析をさらに拡張し、サステナビリティに関する意思決定をこれまで以上に容易にしています。この新機能の詳細については、ラスターデータの操作に関する BigQuery のドキュメントをご覧ください。また、今後間もなくリリースされる BigQuery の Earth Engine の新機能にもご期待ください。

-シニアプロダクトマネージャー Sheba Rasson
-クラウドジオグラファー Jeremy Malczyk

Formula E の Mountain Recharge プロジェクトで電気自動車の限界に挑戦

Mon, 12 May 2025 03:00:00 +0000

※この投稿は米国時間 2025 年 5 月 4 日に、Google Cloud blog に投稿されたものの抄訳です。

ブレーキングで勝負するレースに興奮したのはいつのことでしょうか？

心をドキドキさせる強烈な加速と命知らずの走りは、多くのモータースポーツファンを釘付けにしています。特に、Formula E、そしてすべての電気自動車（EV）において、電気モーターによってほぼ瞬時に得られる爆発的な加速はその魅力の一端を担っています。

あまり注目はされていないものの、EV には、摩擦エネルギーを電気に変換できる回生ブレーキという重要な機能があります。Formula E のミッションの一つは、EV を世界クラスのレーサーだけでなく、一般消費者にも選ばれる魅力的な自動車にすることであり、この優れた特長を強調することが優先課題となっています。しかし、減速時の興奮を他の人にも同様に感じてもらうにはどうすればよいかという課題がありました。

その答えはモナコの山々から、そして Gemini 2.5 のプロンプトから得られました。

Monaco E-Prix の開催に先立ち、Formula E と Google は Mountain Recharge というプロジェクトを立ち上げました。その課題は、Formula E の GENBETA レースカーが、バッテリー残量がわずか 1% の状態から、フランスのアルプス沿岸を下りながらブレーキングでエネルギーを回生し、象徴的なモナコサーキットを 1 周完走できるようにするというものでした。

この実験は単なるショーではなく、EV だけでなくクラウドにおいても、テクノロジーの限界に挑戦するものでした。ライブ分析と AI を活用した綿密な計画がなければ、Mountain Recharge は実現しなかったかもしれません。実際、山を通るどのコースがこのプロジェクトに最適であるかを判断する際にも AI が役立ちました。（どのルートが選ばれたか、そしてこのプロジェクトが成功したかどうかは、後ほどお知らせします。）

Mountain Recharge は、コースでのスリルだけでなく、さまざまな業界における AI の可能性も示しています。AI は、タスクの実行を支援する役割に加えて、ブレインストーミング、テスト、矢継ぎ早に行うシミュレーションにおいてもその価値を発揮し、Mountain Recharge をゴールに導きました。

aside_block: <ListValue: [StructValue([('title', 'Google Cloud を無料で試す'), ('body', <wagtail.rich_text.RichText object at 0x7f0461dbe4f0>), ('btn_text', '無料で開始'), ('href', 'https://console.cloud.google.com/freetrial?redirectPath=/welcome'), ('image', None)])]>

実現可能性の検証

この実験的なプロジェクトが始まる前に、Formula E と Google Cloud のチームは、このような挑戦が可能かどうかを Gemini に相談しました。

実現可能性という根本的な疑問への回答を得るために、Google の AI Studio に「バッテリー残量がわずか 1% の GENBETA レースカーが、山道の下り坂を利用して充電を行い、モナコサーキットを 1 周することは可能か？」という簡単なプロンプトを入力しました。

Gemini 2.5 Pro の詳細な推論機能を備えた AI Studio バリデータを使用することで、Formula E が GENBETA の性能についてアップロードしたファーストパーティデータを分析し、その後、Google 検索でモデルをグラウンディングし、オンラインで利用可能な膨大な情報に接続することで、精度と信頼性をさらに向上させました。

AI Studio は、8 ステップからなる詳細なプロセスで思考を共有しました。そのステップには、必要となる重要な情報の特定、提供されたドキュメントの参照、シミュレーション検索による外部情報の収集、計算と分析の実行、そして最終的に、核心となる質問に基づいて回答をまとめることが含まれています。

最終的な出力結果は「理論的には可能」でした。つまり、このプロジェクトは非常にやりがいのあるチャレンジということです。

Mountain Recharge プロジェクト: モナコの急カーブを走り抜けて大量の電力を生成。

その後も AI Studio で作業を進め、Maps Explorer などのカスタムアプリを構築できる新機能を使用した結果、Col de Braus が最適なルートであることが判明しました。その後、このチャレンジのためのルートのマッピングにも AI Studio を使用しました。厳格かつデータに基づくこうした検証は、技術仕様や推定を組み込む AI Studio と Gemini の能力によって促進され、その結果、このプロジェクトは単なる推測の域を超えたものとなり、Formula E が自信を持って挑戦できるものへと変貌しました。

コースの外でも AI は重要な役割を果たしました。調整と計画を支援するために、Formula E と Google Cloud のチームは NotebookLM を使用して技術規則やバッテリー仕様を整理し、関連する情報を特定しました。これにより、課題が複雑で関係者が多い状況の中でも、こうした部門横断型のチームは最新の状態に保たれ、ソースデータに基づいて意思決定を行うことができました。

スマートカー、スマートドライバー、スマートフォン

山道を下る間は、車両の状態とエネルギー回生をリアルタイムでモニタリングすることが重要になります。このリアルタイムのテレメトリー可視化には Firebase と BigQuery が大きな役割を果たしました。複数のセンサーと Google マップからのデータを、車両に接続した高性能のスマートフォン（Google Pixel 9 がこのタスクに最適でした）から Google Cloud のデータウェアハウスである BigQuery にストリーミングしました。

しかし、マリティムアルプス山脈の過酷な地形によってモバイル信号が安定せず、データのストリーミングは、克服すべきもう一つの課題となりました。そのため、データが送信できない場合は、信号が再び利用可能になるまでスマートフォンのローカルのキャッシュに保存することにしました。

BigQuery のリアルタイムのデータ取り込み機能とプラットフォーム内 AI モデル作成機能は、重要な指標の迅速な分析と計算を可能にしました。Firebase を使用して、BigQuery に接続し、データと分析情報を表示するウェブベースのダッシュボードを開発し、AI Studio では、ダッシュボードのモックアップ画像を完全に機能するコードに変換することで、アプリケーション開発を大幅に効率化できました。

「Mountain Recharge というクレイジーなアイデアが実現可能かどうかを判断することから、走行中にリアルタイムで分析情報を得ることに至るまで、AI は私たちのガイドとして機能しました。野心的な『もしも』を、刻々と追跡できる現実へと変えたのです」と、Formula E のマーケティング担当 VP である Alex Aidan 氏は述べています。

山道を下り終えた後、車両には、土曜日に行われる E-Prix のレース前イベントの一環としてモナコサーキットを周回できるだけの十分なエネルギーを蓄積できました。

新しい形の押しがけスタート。

ゴール後も続くメリット

Mountain Recharge キャンペーンの成功と発展は、野心的なプロジェクトを追求する他の人々にも貴重な教訓をもたらしました。この事例は、AI を必ずしもプロジェクトの中心に据える必要はないことを示しています。今回のレースカーのように、私たちが長年行ってきたことを促進し、最適化するためにも同様に強力な役割を果たすことができるのです。Mountain Recharge で得られた成果は、以下のような、幅広い業界に対応できる AI の潜在的なメリットを強調するものです。

計画と探索の強化: Formula E の型破りなアイデアの探求と最適なルートの特定を Gemini が支援したように、企業は、革新的な問題解決、市場分析、戦略的計画などに大規模言語モデルを活用し、予想外の視点を見出し、「もしも」を「できる」へと変える取り組みを加速できます。
プロジェクト管理の効率化: 膨大な情報を一元化して整理できる NotebookLM の機能は、ロジスティクス、リソース配分、研究、コンプライアンスなど、複雑なプロジェクトの効率を AI が大幅に向上させられることを示しています。これにより、エラーのリスクが軽減され、チーム間の連携がスムーズになります。
データドリブンな意思決定: Mountain Recharge で示されたリアルタイムのデータ分析機能は、BigQuery のようなクラウドベースのデータプラットフォームの力を浮き彫りにしています。これらのツールを活用してデータから即座に分析情報を得ることで、アジャイルな調整やパフォーマンスの最適化をその場で実現できます。これは、迅速な対応が不可欠な動的環境において非常に有用です。
複雑なシステムの理解を深める: AI を適用して複雑なデータストリームを分析することで、パフォーマンスに影響を与える要因をより深く理解できます。

このような機能は、元 Formula E チームプリンシパルで、現在は Formula E のテストドライバーと放送局のキャスターを務めている James Rossiter 氏を大いに感心させました。「アドバイスや考慮すべき点の精密さには本当に驚きました。私たちは常にチームとしてこのようなことを話し合っていますが、これはレースとは大きく異なるため、ドライビングの考え方を根本から見直す必要がありました。」

Formula E Mountain Recharge キャンペーンは、単なるエキサイティングなコンテンツではありません。インテリジェントなテクノロジーによって増幅された人間の創意工夫の力を証明するものです。これはまた、Formula E と Google Cloud の最新のコラボレーションであり、AI を使用して、このスポーツと世界の可能性の限界を押し広げるという、両社の共通の取り組みでもあります。

私たちはすでに、EV レースの公平性を確保するために、AI を活用したデジタルドライビングコーチを開発しています。Mountain Recharge では、サーキットの枠を飛び越えて、一般的なドライバーにも EV の性能を印象付けることができました。

大きな視野で考えることが何よりも重要です。それが画面に表示されるシンプルなプロンプトから始まるとしてもです。適切な質問をするだけでよいのです。まず、「これは可能か？どうすれば可能になるか？」という最も重要な質問から始めましょう。

-UKI（英国およびアイルランド）グループプロダクトマーケティングマネージャー Olly Grundy

-UKI（英国およびアイルランド）カスタマーエンジニアリングマネージャー Olivier Van Goethem

Google Cloud、ライフサイクル評価（LCA）を通じて気候への影響を測定

Tue, 18 Mar 2025 03:10:00 +0000

※この投稿は米国時間 2025 年 3 月 12 日に、Google Cloud blog に投稿されたものの抄訳です。

Google は、AI がビジネス成長と社会的利益の新たな機会を創出しつつあるこの世の中において、ソフトウェアの最適化、ハードウェアの効率の改善、カーボンフリーエネルギーによる業務のサポートなどの取り組みを通じて、二酸化炭素排出原単位の削減を進めています。

Googleでは、環境への影響を全体的に把握し、最も適切で大胆かつ包括的なソリューションを適用できるよう努めています。この投稿では、二酸化炭素排出量の全体像を把握するための評価手法であるライフサイクル評価（LCA）について説明します。

LCA で環境への影響を測定

LCA は、プロダクトシステムやサービスのライフサイクル全体にわたって環境への影響を評価するためのプロセス分析手法です。これには、原材料の抽出や加工、製造、輸送、使用、使用後の処理（リサイクル、廃棄など）といった、すべての工程が含まれます。LCA により、ハードウェア製造のあらゆる段階で排出量を測定し、排出源を特定し、排出量を削減する方法を見出し、世界全体での排出量実質ゼロに向けた取り組みの進捗状況を追跡できます。

Google Cloud のカーボンフットプリントチームは、最高水準の LCA アプローチを開発し、AI/ML アクセラレータ、コンピューティングマシン、ストレージプラットフォーム、ネットワーキング機器など、Google のデータセンターハードウェア1のサプライチェーンに関連する二酸化炭素の総排出量を評価しています。

図 1. LCA のステージとシステム境界

このアプローチは、グローバルな LCA 基準である ISO 14040/14044 に準拠しており、Google Cloud のデータセンターテクノロジーポートフォリオと、その基盤となる製造プロセスに合わせて特別に調整されています。また、Google Cloud の LCA 手法は Fraunhofer IZM によって厳密に審査されており、完全性、正確性、業界標準への準拠が保証されています。そのため、さまざまな種類のデータセンターハードウェアの製造に伴う排出量について、フリートを構成する最小のコンポーネントに至るまで正確に把握することができます。

aside_block: <ListValue: [StructValue([('title', 'Google Cloud を無料で試す'), ('body', <wagtail.rich_text.RichText object at 0x7f045e3eb4c0>), ('btn_text', '無料で開始'), ('href', 'https://console.cloud.google.com/freetrial?redirectPath=/welcome'), ('image', None)])]>

業界を牽引

Google は、サプライチェーンパートナー、学術界のリーダー、同業他社と緊密に協力することで、高度に構成可能なライフサイクルインベントリ（LCI）モデルの開発を先導しています。この革新的なアプローチにより、一般的な評価を超えた取り組みが可能になり、半導体、ハードディスクドライブ、PCBA、熱管理ソリューションなどの重要なコンポーネントについて、詳細でカスタマイズされた環境に関する分析の可能性を広げることができます。

比類のない精度を実現するために、Google Cloud はサプライヤーと直接提携して一次データを収集することで、LCA のデータ収集を変革しています。これは、製造工程全体で発生する直接的な流れ（資源やエネルギーの取り込みや消費といった自然環境とのやりとりなど）を把握することを意味します。これらのカスタム LCI は、環境への影響を正確に測定し、ネットゼロへの取り組みを加速させるための強力なツールとなっています。

図 2. プロセスレベルでの環境とのやりとり

Google は、精度の向上に加え、一貫性のある LCA ガイドラインの策定に向けた共同作業に参加することで、ハードウェア業界での標準化を推進しています。この取り組みは、一次データの収集を容易にし、製品評価における比較可能性を高める製品カテゴリ規則（PCR）の策定を目的としています。このコラボレーションは、確立された ISO 基準を基盤とし、GHG プロトコルと製品の環境フットプリント（PEF）に準拠することで、環境会計の取り組みの正確性と透明性を高めることを目指しています。

最近の LCA 調査では、Google の Tensor Processing Unit（TPU）について、ライフサイクル全体にわたる環境への影響を評価しました。その結果、新しい指標であるコンピューティング二酸化炭素排出原単位（CCI）を導入したことで、2 世代にわたって、効率的な TPU ハードウェア設計が AI ワークロードの炭素効率を 3 倍向上させたことが明らかになりました。エコシステム全体におけるハードウェアの温室効果ガス排出量を把握し、削減するためには、このような LCA 調査が不可欠です。

LCA の進歩

Google は、情報に基づく行動が不可欠であると考えています。そのためには正確な測定をできる基盤が必要です。LCA の進歩と、グローバルコミュニティ内でのコラボレーションの促進を通じて、より復元力のある未来に向けた有意義で測定可能な進歩を推進していきます。

詳しくは、こちらのリソースをご覧ください。

1. 上流のサプライチェーン活動も、Cradle to Gate（原材料調達から⽣産まで）またはスコープ 3 として定義されます。

-クラウド環境および社会的責任担当プログラムマネージャー Malcolm Hegeman
-カーボンフットプリントチーム責任者 Stephan Benecke

Earth Engine とクラウドの接続性が深化した 1 年を振り返って

Thu, 26 Dec 2024 01:00:00 +0000

※この投稿は米国時間 2024 年 12 月 11 日に、Google Cloud blog に投稿されたものの抄訳です。

2024 年は Google Earth Engine にとって、プラットフォームの管理、クラウドインテグレーション、コア機能における大きな進歩を遂げた記念すべき年となりました。Google Cloud のツールやサービスと Earth Engine 間での相互運用性が向上したことで、ユーザーの皆様に新しい強力なワークフローとユースケースを利用いただけるようになりました。ここでは、今年の主要な Earth Engine リリースのまとめをご紹介します。多くは Geo for Good 2024 サミットで取り上げられたものです。

管理: ワークフローの合理化

今年に入って、Google は、Cloud コンソールで新しい Earth Engine [概要] ページを立ち上げました。これは Earth Engine リソースの中央ハブとして機能し、他のクラウドサービスの管理およびモニタリングに使用するのと同じコンソールから Earth Engine を管理できます。

このコンソールには、新しく [タスク] ページも導入しており、使用量の管理や請求とともに、Earth Engine のエクスポート / インポートタスクの表示とモニタリングが可能です。この [タスク] ページには、各タスクについて、状態、実行時間、優先度など有用なフィールドが表示されます。この新しいインターフェースでは、単一または一括でのタスクのキャンセルがこれまで以上に簡単になりました。

Google Cloud 全体で Earth Engine の相互運用性を高めるのに伴い、Cloud コンソールにより多くの情報と制御を追加しており、Earth Engine の管理を他のサービスと合わせてさらに一元化できるようになります。

インテグレーション: クラウド相互運用性の高度化

Earth Engine ユーザーは数多くのクラウドサービスやクラウドツールとのインテグレーションが可能で、カスタムの ML やロバストなデータ分析を必要とする高度なソリューションを実現できます。今年、既存の相互運用性を改善する機能をリリースし、そのようなソリューションの実現とデプロイを容易にできるようにしました。

Vertex AI インテグレーション

Earth Engine と Vertex AI を合わせて使用することにより、作物の分類などディープラーニングを必要とするユースケースを実現できます。Vertex AI でモデルをホストし、Earth Engine のコードエディタ内で予測を行うことが可能となります。今年、プレビュー版の Vertex コネクタの大幅なパフォーマンス改善を発表しており、これにより現行の Vertex コネクタよりも高い信頼性とスループットを実現できるようになります。

Earth Engine のアクセス

Earth Engine のすべてのユーザーがこれらの新しいインテグレーションの改善内容と管理機能を利用できるよう、全 Earth Engine ユーザーを Cloud プロジェクトに移行しました。この変更によって、Google Cloud のインフラストラクチャ、セキュリティ、そして成長を続けるツールのエコシステムがもたらすパワーと柔軟性を、Earth Engine のすべてのユーザーが利用できるようになり、よりよい世界を作るための科学、研究、運用上の意思決定を推進できます。

セキュリティ: 制御性の強化

今年、Earth Engine の VPC Service Controls のサポートをリリースしました。これは、組織の Google Cloud リソースを取り囲むセキュリティ境界の定義に役立つ重要なセキュリティ機能です。プロフェッショナルプランとプレミアムプランでご利用いただけるこの新しいインテグレーションによって、データの制御性が強化され、不正なアクセスやデータの引き出しの防止に役立ちます。VPC-SC の使用により、お客様はきめ細かいアクセスポリシーの設定、承認済みのネットワークやユーザーへのデータアクセスの制限、データフローのモニタリングと監査が可能になり、内部のセキュリティポリシーや外部の規制を遵守できます。

プラットフォーム: パフォーマンスの改善

ゾーンの統計情報

画像内のリージョンの統計情報を計算することは、Earth Engine のコア機能の 1 つです。Earth Engine でのバッチ処理によるゾーンの統計情報のエキスポートついて、大幅なパフォーマンス改善を最近リリースしました。大規模なコレクション内の全リージョンの統計情報を生成するエキスポートなど、ゾーンの統計情報のエキスポートの並列処理方法を最適化しました。これは、ReduceRegions() を使用したときに、バッチタスクあたりの同時実行コンピューティング能力が大幅に拡大することを意味します。

このリリースにより、大規模なゾーンの統計情報のエキスポートが昨年の同時期と比較して数倍も速くなり、結果をより速く取得できるだけでなく、Earth Engine で従来以上に大規模な分析が可能になりました。たとえば、米国大陸部のすべての国勢統計区における樹木エリアの割合の平均値を、1 メートルスケールで 7 時間で演算できます。大規模なゾーンの統計情報の演算を高速化した方法について詳しくは、技術的内容のブログ投稿をご覧ください。

Python v1

昨年は、Earth Engine Python の使いやすさ、信頼性、透明性に重点を置いてきました。クライアントライブラリが Google にあるオープンソースリポジトリ内に移動したことで、変更を GitHub に即座に同期し、リリース間の変更点を常に最新状態に保つことができるようになりました。また、プレリリース版も共有していますので、Python ライブラリのリリース候補を正式リリース前に確認し、操作できます。静的ローディングのクライアントライブラリを用意していますので、Python ライブラリのビルドが容易になり、テストやエラーメッセージを改善できます。geemap や xee などのインテグレーションの改善についても、引き続き取り組んでいます。

このようなさまざまな変更を経て、Earth Engine Python の成熟を表す「v1」として、Python クライアントライブラリを発表できることを喜ばしく思います。ぜひこちらのブログ投稿で詳しい改善内容を読んでいただき、Python をフルに活用して Google のクラウドツールと統合する方法をご確認ください。

COG ベースのアセット改善

Google Cloud Storage（GCS）に Cloud-Optimized GeoTIFF（COG）形式でデータを保存している場合、Cloud Geotiff ベースの Earth Engine アセットによって簡単に Earth Engine で使用できます。全バンドの投影と型が同一である単一ファイルの GeoTIFF が必要であった従来のエクスペリエンスから改善されました。

複数の GeoTiff ファイルをベースとする Earth Engine アセットを作成できるようになりました。投影、解像度、バンド型が異なっていても、Earth Engine が面倒な部分に対応するので問題ありません。前述の機能も、大幅にパフォーマンスを改善しています。Cloud GeoTiff ベースのアセットでも、ネイティブな Earth Engine アセット同等のパフォーマンスが得られます。さらに、GCS COG をオープンソース・パイプラインやその他のツールなど別の場所で使用する場合も、データは 1 回保存するだけで、プロダクト間でシームレスに使用できます。

2025 年に向けて

サステナビリティと気候変動レジリエンスの改善を目的とし、より高度なツール、強化されたセキュリティ、シームレスなインテグレーションを Earth Engine のユーザーに活用していただくことを楽しみにしています。来年は、クラウドの相互運用性をさらに改善し、地理空間データを通じて行動につながるインサイトをより得やすくすることで、サステナビリティに関する意思決定への活用を促進していきます。

-シニアプロダクトマネージャー Sheba Rasson

-シニアプロダクトマネージャー Emily Schechter

日本におけるクリーンエネルギーの進展

Fri, 24 May 2024 02:00:00 +0000

Google は本日、2030 年までに Google が運営するすべての送電網を 24 時間 365 日カーボンフリーエネルギーで稼働させるという目標達成を推進するため、新たに 2 件の太陽光発電の電力購入契約（以下、PPA）を締結したことを発表しました。伊藤忠商事株式会社（以下、伊藤忠商事）のパートナーである株式会社クリーンエナジーコネクト（以下、クリーンエナジーコネクト）と自然電力株式会社（以下、自然電力）との PPA は、Google にとって日本で初となる契約であり、合計 60 MW の太陽光発電容量を日本の送電網に新たに追加します。これは、国内のデータセンターをサポートするだけでなく、日本が推進するクリーンエネルギーの取り組みとも一致するものです。

アジア太平洋地域におけるクリーンエネルギーポートフォリオの拡大

伊藤忠商事のパートナーであるクリーンエナジーコネクトとの PPA では、国内の複数の送電網地域に約 800 の低圧分散型太陽光発電所を構築しています。この斬新な分散型アプローチにより、国内の限られた土地資源の有効活用という大規模太陽光発電プロジェクトにおける課題に対処します。これにより、40 MW のクリーンエネルギーが発電され、日本での Google の事業を支えます。

日本の再生可能エネルギー大手である自然電力との PPA は、千葉県印西市に近年開設したデータセンターと同じ電力網に位置する 20 MW の大規模太陽光発電プロジェクトの開発に焦点を当てています。

本契約により、日本全国のこれらの太陽光発電所で発電された再生可能エネルギーを、関連するエネルギー属性証書（EAC）と共に調達します。これにより、国内での二酸化炭素排出量を大幅に削減します。

サステナブルな未来に向けた共同の取り組み

これらのプロジェクトは、4 年以内に稼働する予定で、日本の持続可能なインフラに約 6 億 9,000 万ドル（約 1,000 億円）を投資するという Google のコミットメントの一環です。

これらの PPA への署名は、日本における脱炭素化の旅の始まりに過ぎません。Google は、日本のクリーンエネルギーへの移行を加速するために、現地のパートナーと協力し、さらに革新的なソリューションを模索することで、国内での取り組みを継続することを目指しています。Google データセンターの詳細については、google.com/datacenters をご覧ください。Google のサステナビリティに関する取り組みについては、sustainability.google をご覧ください。

Prewave が Google Cloud の AI を使用して世界中の多層サプライチェーンの安全性を確保している方法

Wed, 15 May 2024 01:10:00 +0000

※この投稿は米国時間 2024 年 4 月 26 日に、Google Cloud blog に投稿されたものの抄訳です。

多くの企業は、環境や社会への影響に責任を持つことが長期的な成功の鍵であることを知っています。しかし、ほとんどの企業が直接サプライヤーしか認識していない状況で、どのようにすれば十分な情報に基づいた意思決定を行うことができるのでしょうか。Prewave は、企業によるサプライチェーン全体の復元力、透明性、サステナビリティの向上を支援するという使命を掲げています。

当社のエンドツーエンドプラットフォームはサプライチェーンの幅広いリスクのモニタリングと予測を行いますが、その成功の原動力となっているのは AI です。お客様に大規模なサポートを提供しているため、AI がなければ、膨大な量のデータを処理し、公開されている情報から有益な分析情報を抽出することはほぼ不可能です。そのため、この需要に継続的に対処するには、信頼性、安全性、スケーラビリティに優れた強固なテクノロジー基盤が必要です。2019 年の創業以来、Prewave がサプライチェーンリスクインテリジェンスプラットフォームを Google Cloud 上で構築してきたのはそのためです。

当時の Prewave は、まだ規模が小さく、ハードウェアやインフラストラクチャを保持する余裕がありませんでしたが、信頼性、可用性、セキュリティの面で傑出している Google Cloud のマネージドサービスによって、製品開発と当社の使命に集中することができました。また、サステナビリティに対する共通の懸念も、導入の決断に影響しました。当社は、これほどの低カーボンフットプリントを達成しているデータセンターと連携していることに誇りを感じています。

数千社のサプライヤーを追跡

Prewave のエンドツーエンドプラットフォームは、お客様の 2 つの重要課題を解決します。1 つ目は、説明リスクを特定し、適切な軽減策を講じることで、サプライチェーンの復元力を高めることです。2 つ目は、強制労働や環境問題などの ESG リスクを検出し、解決することで、サプライチェーンのサステナビリティを高めることです。

そのための基盤となるのが、当社のリスクモニタリング機能です。この機能では、共同創業者の Lisa が 2012 年に博士論文研究の中で開発した AI が使用されています。この機能を使用して 120 以上の言語で公開されている情報をスキャンし、お客様にとってのリスクイベントの初期兆候でありうる分析情報を検出しています。これらのリスクイベントには、労働不安、事故、火災や、サプライチェーンの混乱を招く可能性があるその他 140 種類のリスクが含まれています。ここで得られた分析情報に基づき、お客様はインシデントレビューの提出からオンサイト監査の手配まで、さまざまなリスク軽減アクションを当社のプラットフォーム上で行うことができます。

また、Prewave はこの情報を利用して、直接サプライヤーと下層サプライヤーから原材料の供給業者に至るまで、お客様のサプライチェーンをマッピングします。現在、このレベルの粒度と透明性を確保することが、欧州コーポレートサステナビリティデューデリジェンス指令（CSDDD）などの新しい規制の要件となっていますが、お客様がこの要件を支援なしで満たすことは困難な場合があります。多くのお客様が数百、数千のサプライヤーを抱えるなか、当社のプラットフォームは各サプライヤーの把握に役立つだけでなく、必要に応じて特にリスクの高いサプライヤーを注視することもできます。

Prewave のプラットフォームは、サプライヤー側の労力を可能な限り軽減します。サプライヤーは、Tier-N モニタリング機能で潜在的リスクが示された場合にのみ対処する必要があり、その場合も当社が問題の解決と業務水準の向上を支援します。また、このレベルの可視性を達成することで、サプライヤーは業務パートナーとして認定してもらうために多数の質問に手動で回答しなくて済むようになります。

これらすべてを可能にするため、当社のエンジニアリングチームは、SaaS をサポートする Google Kubernetes Engine（GKE）などのスケーラブルなテクノロジーに大きく依存しています。最近 Standard から Autopilot に切り替えたことで時間効率が大幅に向上しました。また、ノードプールが適切に配置されていることや、利用可能なすべての CPU パワーが適切に使用されていることを確認する必要がなくなったため、リソースを最大 30% 節約できるようになりました。実行したデプロイに対してのみ料金を支払えば済むため、費用も削減できました。

当社は、最高のツールを導入することが、お客様だけでなく社内チームにも最高のエクスペリエンスを提供する鍵になると信じているため、Cloud Build と Artifact Registry を使用してアーティファクトをテスト、構築、デプロイし、GKE にも使用する Docker コンテナを管理しています。一方、Cloud Armor は、サービス拒否攻撃やウェブ攻撃から当社を守るファイアウォールとして機能しています。

スケーラビリティは当社の目的達成に重要な要素であるため、アプリケーション開発チームとデータサイエンスチームは Cloud SQL をデータベースとして使用しています。これはフルマネージドサービスであり、要求に応じたサーバーの管理に気を取られることがないため、製品開発に集中できます。また、データサイエンスチームは独自モデルの開発と保守に AI を導入するために Compute Engine を使用しており、これらのシステムは Prewave の日常業務の中核を担っています。

多層サプライチェーンの改善を進めるより多くの企業を支援

2020 年に 3 社だった Prewave のお客様は現在では 170 社を超え、社員は 10 人から 160 人に増加しました。収益は 100 倍まで増加し、重要なマイルストーンを達成しました。また、プラットフォームで多くの新機能をリリースしてきたため、会社の拡大とともに製品の拡張も必要になりましたが、Google Cloud ではこれが問題になりませんでした。新たな実装で必要とされたリソースを拡張しただけで、適切なタイミングで可視性を高め、新規顧客を獲得できるようになりました。当社の基盤は安定性とスケーラビリティに優れているため、事業の拡大は円滑に進みました。

Prewave は、米国などの新しい市場に進出する前に、2023 年に始まった欧州への拡大計画を進めています。この計画は順調に進んでおり、Google Cloud との連携は、その信頼性とセキュリティを確実に信用している初期段階のお客様の信頼獲得に役立っています。当社は、世界中のより多くの企業が多層サプライチェーン全体で透明性、復元力、サステナビリティ、法令遵守を達成できるよう支援するなかで、Google Cloud との連携が今後も大きな利益をもたらしてくれると信じています。

-Prewave、ネットワーク責任者 Daniel Höfer 氏
-Prewave、VP アドバイザリー Jonas Artmeier 氏

Google が導入したクリーンエネルギーのよりスマートな購入方法、1.5 ギガワットを達成し新しいスタンダードに

Tue, 02 Apr 2024 02:30:00 +0000

※この投稿は米国時間 2024 年 3 月 28 日に、Google Cloud blog に投稿されたものの抄訳です。

気候変動のタイムリミットは刻々と迫ってきており、カーボンフリーエネルギーへの移行を地球規模で迅速に進める必要があります。電力網の脱炭素化を世界中で加速させるため、Google は昨年、業界でビジネスを行う効率的でスマートな方法を導入しました。Google はクリーンエネルギーの購入と販売をより効率的に行うことを目標に LevelTen と共同開発を行いました。

現在、その目標はすでに現実となりつつあります。新しいアプローチを市場に導入してから 1 年以内に、Google は北米およびヨーロッパで 1.5 ギガワット（GW）を超えるクリーンエネルギー容量の電力購入契約（PPA）を締結し、Google が運営するすべての送電網において 24/7 カーボンフリー電力（CFE）で継続的に稼働するという 2030 年の目標に近づきました。

ここでは、1.5 GW のマイルストーンに貢献した最近の PPA 2 件についてと、新しいアプローチにより、現在の市場において簡単かつ透明性、信頼性、効率性の高い契約がどのように可能になったかを見ていきます。

米国中西部のデジタル需要に対応するクリーンエネルギー

最初の取引は、Cubico Sustainable Investments による 100 メガワット（MW）の太陽光エネルギーの PPA であり、アイオワ州カウンシルブラフスにあるデータセンターにおける CFE 目標の達成に貢献しました。LevelTen と市場によるフィードバックを参考に開発された、リスクバランスの取れた PPA テンプレートに基づき、Google は契約の一般条項について Cubico とすぐに合意に達しました。LevelTen のクリックスルー UI は、プロジェクト固有の条件を最終決定するのに役立ち、数か月ではなく数週間以内に最終合意に達することができました。

アイオワ州における事業では、2020 年、2021 年、2022 年の時間ベースの測定によると、少なくとも 90% の CFE を達成しました。Google の既存の風力ポートフォリオを補完する発電プロファイルを備えた Cubico 太陽光発電プロジェクトのように、より多くのカーボンフリーエネルギーを電力網にすばやく送り込めるため、最終的には、プロダクトやサービスの需要に応えるために規模を拡大した場合でも、アイオワ州において CFE を高いレベルに維持することにつながります。

オランダにおける（ほぼ）光の速さでの調達

Google は、オランダで開発中の 4 つの太陽光発電所で生産されるクリーンエネルギーの一部を取引するため、Kronos Solar EDPR と長期的な PPA を締結し、年間 49 GWh を超えるクリーンエネルギー生産における提携を開始しました。この太陽光エネルギーは、オランダにおける Google のニアショアおよびオフショア風力発電への投資、さらには米国の EDP Renewables North America（EDPR NA）との既存のパートナーシップを補完するものとなります。

これらの PPA に関係していたのは以前からのパートナーや地理的市場ではあったものの、従来型の調達慣行では依然として解決に時間のかかる問題が発生していたため、迅速な契約アプローチにより、その問題を回避することができました。Google は、提案依頼書（RFP）の締め切りから数日以内にすばやくプロジェクトの選択に移り、Kronos Solar EDPR と協力してわずか 2 週間後には署名準備の整った PPA を用意できました。

RFP の提示から契約締結までにかかった日数はわずか 82 日でした。クリーンエネルギー調達の世界では、これはワープファクター 10 並みのかなりのスピードです。

効率的なエンドツーエンドの取引プロセスは、Google が 24/7 CFE という独自の目標に近づくための後押しとなっただけでなく、Kronos Solar EDPR が太陽光発電所の開発に資金を投入するために必要な保証を得て、早期に費用を確定するうえでも役立ちました。また、PPA 自体の交渉に費やす時間が短縮されたため、両社のリソースが解放され、より困難な問題（相互接続キューの不確実性に対処するソリューションを見い出すなど）に集中できるようになりました。

新たな標準に向けた飛躍

スピードアップしたアプローチによる 1.5 GW の達成は重要なマイルストーンですが、これは始まりにすぎません。ビジネスのこの新しい形は、Google の風力発電および太陽光発電 PPA の標準となりました。現在 Google は、他の種類のカーボンフリーエネルギーの生産および貯蔵を契約する方法を模索しています。

LevelTen の LevelTen Energy’s Accelerated Process™（LEAP）と呼ばれるこのアプローチは、北米およびヨーロッパのあらゆる規模のクリーンエネルギー購入者が利用できるようになりました。他の組織も加わることを期待しています。よりスマートに、より緊急性を持って協力し合えば、カーボンフリーの未来は手の届くところに近づくでしょう。

このアプローチの仕組みについて詳しくは、動画をご覧ください。

-データセンターエネルギー部門グローバル責任者 Amanda Peterson Corio

Earth Engine の地理空間分析に加わった 8 つの機能強化点

Thu, 15 Feb 2024 01:30:00 +0000

※この投稿は米国時間 2024 年 2 月 9 日に、Google Cloud blog に投稿されたものの抄訳です。

Google は 10 年以上前に、現代の深刻なサステナビリティの課題に対処するため、クラウドベースの地理空間処理サービスである Earth Engine をリリースしました。それ以来、環境問題の緊急性が増し続けるなか、同サービスは進化し続けており、現在では分析可能な地理空間データの量が 90 ペタバイト以上に達しています。衛星データを分析するオプションが増えたため、Google は最近、Earth Engine とその他の重要なツール、データセット、システムの効果的な連係に向けて集中的に取り組んでいます。

ここ数か月にリリースされた、Earth Engine をさらに使いやすくする 8 つの改善点および統合について以下に紹介します。

1. BigQuery

BigQuery は Google のペタバイト規模の分析データベースです。Earth Engine は画像（ラスター）の処理に重点を置いているのに対し、BigQuery は大規模な表形式データセットの処理に最適化されています。BigQuery と Earth Engine を組み合わせて使用することで、両方の特長を活かすことが可能となります。Earth Engine から BigQuery へのエクスポートコネクタについて詳しくは、Google Earth Engine と BigQuery コネクタによるサステナビリティの向上をご覧ください。

2. Python

Earth Engine ユーザーの多くは、ML やデータ分析に最もよく使われる言語である Python によってデータ分析を行うことを望んでいます。Python コミュニティでは、ML や分析に便利なツールの数々が開発されており、最近では、地理空間ワークロードにも対応するようになっています。たとえば、Cloud Optimized GeoTiff はリモートセンシングのデータ向けに最適化されたファイル形式で、GeoPandas は Pandas DataFrame を拡張して一般的な地理空間関数およびプロット機能を追加したものです。

地球観測学は、本質的に視覚的な体験です。パンやズームはもちろん、画像の一点をクリックしてバンド値を調べたり、地図上にポリゴンを描写してゾーンの統計情報を視覚化したりすることなどは、すべて科学ワークフローにおける重要な操作です。Earth Engine におけるこれらの操作は最近まで JavaScript ベースのコードエディタでのみサポートされていましたが、このたび、Colab または Jupyter のノートブック環境でコードエディタの多数の機能を提供する Python ライブラリ geemap が公式にサポートされることになりましたのでお知らせいたします。このライブラリは 2020 年 4 月、Google Developer Expert である Qiusheng Wu 博士によって開発されました。詳しくは、Python Powers Up: The Rise of the Python API for Earth Engine（Python がパワーアップ: Earth Engine 向け Python API の登場）をご覧ください。

3. データの抽出

TensorFlow モデルをトレーニングするときや、水文学のシミュレーションを Earth Engine 以外で実行したい場合など、Earth Engine のデータを別のシステムに取り出したいことがあります。これまでどおり、Earth Engine のエクスポート API を使って、負荷の高いデータ抽出処理を Earth Engine 側で行うこともできますが、スケーリングの問題が発生した場合や、Apache Beam、Spark、Dask などのフレームワークを使い慣れている場合は、新しいデータ抽出方法をお試しください。Python クライアントライブラリのバンドルとして、クライアントサイドで Earth Engine オブジェクトと NumPy、Pandas、GeoPandas タイプの変換を行うロジックが提供されるようになりました。詳しくは、Pixels to the people!（人々にピクセルを！）をご覧ください。

4. Xarray

Xarray は、多次元配列の処理によく使用されるオープンソースの Python パッケージです。Xarray は Earth Engine のピクセルを処理するのに非常に便利で、Earth Engine ImageCollection を Xarray データセットとして処理することが可能です。Google Cloud は最近、Xee と呼ばれる Earth Engine と Xarray の統合を発表しました。Xee は、複数のプロセッサに処理を分散できるように、Dask と密接に統合されています。Xarray はいわゆる「遅延評価」方式であり、計算に必要なデータのみを抽出し、他の多数のシステムに接続できるのが特徴です。たとえば、Xee を使うと、天気や気候データで利用が進んでいる比較的新しいデータ形式 Zarr ファイルに Earth Engine データをエクスポートできます。

5. Vertex AI

Earth Engine からエクスポートしたデータを使って、ディープラーニングモデルをトレーニングして予測を行いたいことがあります。このたび Earth Engine が Vertex AI と統合されました（現在は公開プレビュー版）。この統合は、これまでの Google Cloud AI Platform との統合を置き換えるものであり、Vertex AI でモデルをホストし、Earth Engine のコードエディタ内で予測を行うことが可能となります。Vertex AI は、AI Platform よりもずっと大きな画像から予測を行えるほか、拡張性にも優れています。詳しくは、Earth Engine brings Vertex AI to the geospatial party（Earth Engine、Vertex AI を地理空間の分野に導入）をご覧ください。

6. Earth Engine 向け Erdas LiveLink

ERDAS IMAGINE は、リモートセンシングの分野で高い人気を誇るソフトウェアパッケージです。Google Cloud は Hexagon と提携し、今年中に Earth Engine 向け LiveLink をリリースすることになりました。LiveLink を使うことで、Earth Engine のカタログデータをローカルコンピュータ上の限定公開データと組み合わせることができます。これにより、Earth Engine の広範なデータカタログおよびバックエンドの処理機能を活用しながら、使い慣れたインタラクティブ環境で開発を行うことが可能となります。

7. 分析を効率化する新たなデータセット

Earth Engine のデータカタログには、多様かつ有益な最新データセットが定期的に追加されており、これらを Earth Engine の他のデータやユーザーの持つ限定公開データと組み合わせて利用することが可能です。昨年新しく追加されたデータセットの数は 100 以上に上り、たとえば、JRC の森林被覆グローバルマップ（2020 年版）や、地球の地表面反射率のシームレスな記録を作成する NASA の Landsat および Sentinel-2 の調和データセットなどがあります。

8. Cloud Score+

Sentinel-2 のデータや、リモートセンシングのデータ全般を扱ったことがある人なら、雲が大きな問題であるということをご存じでしょう。世界は常に Google Earth の美しい画像のように見えているわけではなく、雲に覆われているため、分析が困難です。この問題に対処するため、Google Cloud はディープラーニングに基づく最新技術を使って、Sentinel-2 向けの初の総合的な QA スコア Cloud Score+ を構築しました。Cloud Score+ は現在、Sentinel-2 の全コレクションに対応しています。詳しくは、All Clear with Cloud Score+（Cloud Score+ でクリアな画像を）をご覧ください。

サステナビリティに向けた取り組みは、リモートセンシングのデータを Google Cloud エコシステムの他の部分と組み合わせたときに、最も効果を発揮します。Earth Engine の最新の機能強化については Google Cloud 営業担当者にお問い合わせください。2024 年の新たな展開についてもどうぞご注目ください。

-Earth Engine デベロッパーリレーションズリード Steve Greenberg

-ソフトウェアエンジニア Nate Schmitz

Google Earth Engine は農業生産工程のサステナビリティ向上にどのように貢献できるか

Thu, 18 Jan 2024 01:05:00 +0000

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

食料や水の安全は現在、世界的に喫緊の課題となっています。国際連合食糧農業機関（FAO）は、世界全体の食料需要が 2050 年までに 60% 増加すると予想しています。また、世界保健機関の報告によると、複数の危機的状況の影響で、飢餓に苦しむ人が 2019 年以降、1 億 2,200 万人増えています。COP 28 の 8 日目は、食料、農業、水のシステムのレジリエンスを築くにはどうすればいいのかについて重点的に取り上げられました。

気候条件の変動が続くなか、食料と水の安全を確保するという課題は極めて重大ですが、問題の大きさや深さを考えるとその解決方法は複雑です。これまで主に問題点となっていたのは、気候が農業に及ぼす影響と、逆に農業が気候に及ぼす影響を理解するためのデータ、そしてインサイトへのアクセスでした。

Google 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ことで、意思決定者が、ますます拡大し、複雑化するデータセットを照会できるようにすることをミッションとしてきました。Google Cloud は、農業に携わるさまざまな組織と連携し、データとインサイトへのアクセスに関する問題の解決に取り組んできました。この取り組みの中心にあるのが、地球規模のリモートセンシングプラットフォーム Google Earth Engine です。この先駆的な分析プラットフォームには、世界中の衛星データが 50 年分蓄積され、分析に利用できるようになっています。また、極めて高い処理能力により、地球表面全体に対して ML モデルを実行できるため、データとインサイトにアクセスしやすくなります。

Earth Engine は、すでに世界中で、農業を含む多くの業種の大規模組織によって活用されています。たとえば、リモートセンシングのスタートアップであるオーストラリアの Regrow は、顧客の環境再生型農業への移行を支援しています。Earth Engine と高度な ML モデルを使用して、世界中で 12 億エーカーの農地をモニタリングすることが可能になっています。Regrow は、農業生産工程をトラッキング、モデリング、モニタリングすることで、顧客が土壌内の炭素隔離を促進し、浅耕または不耕起によって温室効果ガス排出量を削減し、生物多様性を高め、水の使用量を最適化できるよう助けています。また、Earth Engine は、Unilever のサステナブルなソーシングというミッションにおいても中心的な役割を果たしており、パーム油のサプライチェーンで森林伐採をなくすという目標の一端を担っています。Unilever は、Earth Engine と、Earth Engine 上に構築された Google パートナーのソリューションである TraceMark を利用して、パーム油の購入ルートをプランテーションまでたどり、森林伐採が行われている土地からパーム油を調達していないことを確認しています。

Google は、企業だけでなく各国政府とも連携し、このテクノロジーの導入と利用を促進しています。インドでは、Google Research と Google Partner Innovation が、AnthroKrishi というプロジェクトに取り組んできました。これは、精密農業のための農地を特定し、衛星画像を通じてモニタリングすることで、広範囲にわたりデータドリブンな気候介入を可能にするものです。北アメリカやヨーロッパと比べると農場の平均的規模は大幅に小さいインドですが、そのインドだけでも、モニタリングが必要な区画数が 7 億 5,000 万あると見込まれます。これまで区画レベルのデータをデベロッパーやエコシステムが利用することはできませんでした。AnthroKrishi のビジョンは、農業データを含む基本ベースレイヤーを提供することです。企業や技術チームはこの上にソリューションを構築し、自社のデータセットと組み合わせることで、独自の有用なインサイトを生み出すことができます。さまざまなステークホルダーがそれぞれ独自の農業向けソリューションを構築できます。例として、農家の資金調達手段としてのローンの審査、地域ごとの気候や土壌の質に応じた保険のカスタマイズ、食料のサプライチェーンの効果的かつ効率的な調整、投入財に応じた適切な助成金の判断、農家ごとの精密農業に関する助言や市場へのアクセス改善などが考えられます。

AnthroKrishi API は、インド向けには来年初めに、その他の地域には来年後半にリリースの予定です。早期アクセスにご興味がある場合や、Google Research と連携してこのようなインサイトをご自身の国でも利用されたい場合は、ウェブサイトからお問い合わせください。Google Cloud の高度な ML 機能を Earth Engine とともに使用して、実際に気候に影響を及ぼしたい場合は、Google のアカウント担当者にご連絡いただくか、こちらからお問い合わせください。

^{この投稿にあたり、貴重な貢献をいただいた Google Research India のリサーチ} ^{ディレクターである Manish Gupta とそのチームに深く感謝します。}

-Google Cloud（アジア太平洋）、バイス プレジデント Karan Bajwa

-Google Cloud（アジア太平洋）、サステナビリティ リーダー Leah Kaplan

責任ある水の使用: データセンターコミュニティの流域の健全性を評価

Mon, 15 Jan 2024 00:00:00 +0000

※この投稿は米国時間 2023 年 12 月 15 日に、Google Cloud blog に投稿されたものの抄訳です。

人々や企業が日々利用するデジタルプロダクトやデジタルサービスに対する需要はかつてないほど高まっています。拡大するデジタル需要に対応するには、データセンターの容量を増やす必要があるため、Google では、その容量を提供する持続可能な方法を見つけることに取り組んでいます。

この投稿では、地域コミュニティの流域の健全性をより正確に評価するための新しいフレームワークを紹介します。これは、データセンターにおける責任ある水の使用を推進するためのデータドリブンなアプローチを確立するものです。このフレームワークは、データセンターの冷却に対する気候変動に配慮したアプローチに基づいて構築されており、Google の、事業を展開する地域コミュニティにおけるウォータースチュワードシップに向けた取り組みの重要な要素です。

Google がデータセンターを建設する際には、お客様やユーザーとの距離の近さ、Google との連携に前向きなコミュニティの存在、サステナビリティと気候の目標に沿った天然資源の利用可能性など、さまざまな要素を考慮します。一般的に、水冷は空冷よりもエネルギー効率に優れていますが、どのキャンパスにおいても、「データセンターの冷却に水を使用することは環境に配慮しているのか？」という重要な問題を考慮する必要があります。

これまでは、その答えを見つけるために、公的に利用可能なツールを使用して大まかなインサイトを得たり、大規模な帯水層や河川流域が直面する水問題（太平洋岸北西部のコロンビア川や北ヨーロッパのライン川など）の「Earth View」を提供したりしていました。しかし、地域の「ストリートビュー」に近い目線で特定の水源の状態（オレゴン州のドッグ川やオランダのフローニンゲンのエームス運河など）をより深く掘り下げたいと考えた場合、その地域の水問題を十分に把握でき、気候に配慮した方法でデータセンターを冷却する方法を得られるツールを見つけるのは困難でした。

Google は、世界的な水問題への対処には地域密着型のソリューションが必要であると認識しており、そのために、業界をリードする環境科学者、水文学者、水のサステナビリティのエキスパートからなるチームと協力して、データドリブンな水リスクフレームワークを開発しました。

水リスクフレームワークの舞台裏

このフレームワークは、局地的なレベルで流域の健全性を理解するために必要となる具体的な情報を備え、新しいデータセンターのための実行可能で反復可能な意思決定プロセスを提供するほか、既存の立地での変化する水リスクの評価にも役立ちます。評価結果によって、流域のリスクレベルが高い場合に、再生水や空冷技術などの代替ソリューション（水の使用量は少ないがエネルギー消費量が多い）を検討する必要があるかどうかを知ることができます。

このフレームワークでは、データセンターの立地の水リスクレベルを評価するために、主に以下の 2 つのステップを踏みます。

責任ある使用の評価: 地域の公共事業や水道局の管理計画のデータを使用して、コミュニティとデータセンター候補地の両方における、現在と将来の水の需要と利用可能な供給量を比較します。この評価では、流水や地下水のモニタリングデータを使用して、健全な流域に求められるレベルと比較した最近の水位の履歴や、地元の水道局が水の使用を制限しているかどうかも考慮します。これらの指標に基づいて、流域の健全性を評価するエキスパートが、水源が不足したり枯渇したりするリスクが高いかどうかを判断します。リスクが高い場合は、そのデータセンターキャンパスで使用する代わりの水源や冷却ソリューションを探します。
複合リスクの測定:既存のインフラストラクチャを使用する、公共事業パートナーと協力して廃水再生や工業用水ソリューションなどの新しいソリューションを構築するなどの、データセンターにおける水の供給と排水処理の手段の実現可能性を検討します。さらに、コミュニティでの水の利用しやすさ、規制リスク、地域住民の感情、降水量の減少や干ばつの増加など、将来の水供給に影響を与える可能性のある気象傾向も評価します。

このフレームワークは、データセンターの各候補地における水関連のリスクを包括的に検討するために設計されました。その結果、地域ごとの流域に関連する課題や、インフラストラクチャの改善および拡張プロジェクトや水資源保護プロジェクトにどのように投資すれば流域の健全性を維持できるかが明らかになります。水資源の動的な性質を考慮して、Google のポートフォリオ全体でこれらの評価を 3～5 年ごとに繰り返し、既存の施設での新たなリスクや進行中のリスクを特定し、緩和することも検討します。

責任ある使用の実践

Google では、すべてのデータセンターの新設計画と開発プロセスに水リスクフレームワークを組み込んでいます。

特に、最近発表した、アリゾナ州メサのデータセンターの計画段階で実施した責任ある使用の評価では、当地の水源が枯渇または不足するリスクが高いことが判明しました。そのため、このデータセンターの冷却ソリューションに空冷を採用し、地元の流域への影響を最小限に抑えることにしました。また、この地域の水の安全をさらに支援するため、流域の回復と山火事のリスクに焦点を当てた Salt River Project（SRP）の取り組みにも寄付を行いました。この SRP とのコラボレーションは、Google が 2021 年に行った南西部の水資源保全の改善を目的としたコロラド川インディアン部族のシステム保全と運河敷設プロジェクトへの投資に続くものです。

今後について

世界の流域の繁栄と健全性を維持するには、共同作業と透明性が必要です。Google は人々や企業が日々使用するプロダクトやサービスを提供するために取り組むなか、気候変動に配慮した冷却の取り組みを通じて学んだことを共有し、他の工業用水利用者が自らの事業において責任ある水の使用を決定する際の模範を示したいと考えています。

Google の水リスクフレームワークは、責任ある水の使用を実践する多くの要素の一つにすぎません。このフレームワークを導入することは、Google のウォータースチュワードシップの取り組みの新たな一歩であり、野心的な 24/7 カーボンフリー電力の目標を補完するものになります。流域の健全性は複雑かつ動的であるため、組織やコミュニティで責任ある水の使用の実践を目指す他の人々と教訓を共有しながら、このフレームワークの改良を続けていきます。詳しくは、水リスクフレームワークのホワイトペーパーをご覧ください。

-データセンター サステナビリティ部門グローバル責任者 Ben Townsend

生成 AI による食料システムの改革: すべての人々のためのおいしく健康に良い食品

Wed, 20 Dec 2023 01:40:00 +0000

※この投稿は米国時間 2023 年 12 月 11 日に、Google Cloud blog に投稿されたものの抄訳です。

寒い冬に食べるためにニューヨークの食料雑貨店で買ったメキシコ産マンゴーの温室効果ガス排出量が気になりませんか？あるいは、パリのチーズ店で販売されているノルマンディ産のカマンベールチーズの温室効果ガス排出量については？

そのような場合は、ぜひこの投稿をお読みください。

農業が世界の温室効果ガス排出量に占める割合は 30% です。また、世界の淡水資源において農業が消費している割合は 70% に及び、農業は生物多様性損失の最大の要因となっています¹。Google Cloud は COP28 のテーマについて真剣に検討を重ねており、これには、テクノロジーとイノベーション、インクルージョン、影響を真っ先に受けるコミュニティと融資、食料システムの変革への寄与などがあります。なかでも現在、食品小売業にとって重要な機会として捉えているのが、生成 AI を使用して消費者の購買と食事の環境にプラスの影響を与え、ネットゼロ、ネイチャーポジティブの食料システムを促進することです。

生成 AI は次の 3 つの方法で役立てることができます。

1.サプライ チェーンの透明性を強化する: 生成 AI により消費者は複雑な地理空間データを理解して、環境への影響に関するより多くの情報に基づいて購入を決断できるようになります（パリでフランス産のチーズを買うことは、多くの場合、良い選択です）。

たとえば、Google Cloud はパートナーの NGIS と連携して、Tracemark ソリューションを構築しました。これにより企業は、森林伐採の排除、認定資格の増強、社会的リスクの低減を通して、自社のサプライチェーンとソーシング活動による環境への影響を軽減できるようになります。Unilever は原材料のトレーサビリティに Tracemark を活用して、すでに効果を挙げています。

出典: Tracemark

2.食品廃棄物の削減などサステナブルな実践を実店舗に導入する: 毎年、製造される食品の 30～40% がごみ処理場に廃棄されています。食品廃棄物に関連する二酸化炭素排出量は世界の排出量の 8～10% を占めており、食料不安と過剰生産という現状があります²。Coop は、Google Cloud の AI プラットフォームを活用することで、顧客の食品需要予測モデルの精度を 43% 向上させることができました。同様に、Carrefour は Google Cloud を利用して、在庫管理プログラムの効率性を改善できています。ほかにも、Cargill によって Google Cloud 上に構築されているオンラインマーケットプレイスである Reskued は、倉庫や配送センターで廃棄対象となるリスクのある食品を特定し、それを地域の事業者に回して利用してもらっています。

食品ロスと食品廃棄による経済的損失は、世界で年間 9,400 億ドルに上ります³（わかりやすいように言うと、Walmart の 2002 年の収益は 5,730 億ドルでした）。食品廃棄を解決することは、環境に役立つだけでなく、経済性の向上にもつながります。食品に関しては、サステナブルなビジネス手法こそが、効率的なビジネス手法と言えます。

3.お客様にとってよりインクルーシブな小売体験を構築する: 自分のニーズに合わせて食料品の購入体験がカスタマイズされる環境を想像してみてください。旬の商品の供給に合わせてショッピングリストに役に立つおすすめ（たとえば、冬にはマンゴーではなく梨やりんご）が追加されたり、家庭の食品廃棄を最小限に抑えるのに便利なレシピが届いたりして、それらを利用したら販売店のポイントプログラムからポイントがもらえるような環境です。

誰もが健康に良い農産物を適正な価格で購入でき、やり取りはすべて生成 AI が活用された音声生成の会話で行われる環境を想像してみてください。現在、Google Cloud はヨーロッパの大手小売業者とともにこういったソリューション構築の取り組みを進めています。

食料システムの変革

Google Cloud は、小売業者と消費者による食料システム変革のサポートに取り組んでいます。生成 AI は、サプライチェーンの透明性の強化、食品廃棄物の軽減、消費者にとってよりインクルーシブな小売体験の構築を行うための新しいソリューションを速やかに実現します。重要なのは、食品小売業を営むうえでかつては複雑で費用がかかる技術的な一連の問題であったことを、生成 AI がアクセスしやすく、カスタマイズされ、効率性の高い方法に転換していることです。

COP28 の期間中、今後もブログを投稿していきますので、こちらをチェックしていただければ幸いです。

参照

ーストラテジック インダストリー、小売 / 食品担当ディレクター（EMEA）Prue Mackenzie

ー Google Cloud、産業部門バイス プレジデント Carrie Tharp

Google Cloud が企業のクラウドフットプリントの脱炭素化を支援している方法

Tue, 19 Dec 2023 01:10:00 +0000

※この投稿は米国時間 2023 年 12 月 13 日に、Google Cloud blog に投稿されたものの抄訳です。

テクノロジーやイノベーションを推進するためにクラウドコンピューティングに移行する企業が増えるにつれ、データセンターで発生する二酸化炭素排出量も増加しています。そのため Google は、独自のデータセンターを設計、構築、運用しているだけでなく、Google Cloud を利用するお客様が温室効果ガス排出量をさらに削減できるよう支援することを使命に掲げています。

Google Cloud をご利用のお客様は、Google のインフラストラクチャとサービスを使用することで、サステナビリティに対する Google の野心的な取り組みに自動的に参加することになります。Google が所有および運用するデータセンターは、平均して一般的な企業データセンターの 1.5 倍以上のエネルギー効率を誇り、5 年前と比較して、現在では同じ電力量で約 3 倍のコンピューティング能力を実現しています。

しかし、これで終わりではありません。Google Cloud は、組織やデベロッパーが温室効果ガス排出量を把握し、Google Cloud 上の技術的なアーキテクチャをさらに脱炭素化するための一連のツールを提供しています。

Google Cloud Carbon Footprint でクラウド排出量を測定、把握
このツールは、温室効果ガスプロトコルに準拠した詳細なボトムアップ手法を使用して、各お客様のクラウド排出量を用途別（プロジェクト、サービス、GCP リージョン）に細かく分類し、排出源を把握するために役立ちます。多くのお客様は、この詳細な炭素データを BigQuery にエクスポートし、カスタムダッシュボードと分析情報を構築して、排出量をより適切に可視化および追跡しています。

ワークロードをどこにデプロイするかが重要
よりクリーンなエネルギー源を利用するクラウドリージョンを選択してワークロードを実行することは、二酸化炭素排出量を削減する最も効果的な方法の一つであり、Google は最適なリージョンの選択に役立つ一連のツールを提供しています。

Google は各クラウドリージョンの炭素データを公開して、カーボンフリーエネルギー（CFE）の割合、地域の電力網の二酸化炭素排出原単位、「低炭素リージョン」に指定されているリージョンなどがわかるようにしています。
デベロッパーがサステナブルなリージョンを簡単に選択できるように、多くの Google Cloud コンソールインターフェースのロケーション選択ツールに「低 CO2」インジケーターを組み込みました。

Google は、リージョンの選択において大切なことは二酸化炭素排出量だけではないと考えています。そこで、Google Cloud Region Picker も構築しました。これは、温室効果ガス排出量、料金、レイテンシに基づくお客様の要件を満たす最適なクラウドリージョンを特定するために役立つツールです。
AI を活用して二酸化炭素削減の機会を特定 - Google は Active Assist の放置されたプロジェクトの Recommender とのインテグレーションにより、二酸化炭素削減のために AI の力を活用し始めました。Google の ML アルゴリズムが、プロジェクトでの使用状況を分析し、放置されたプロジェクトを再生または削除する方法に関する推奨事項を提供し、費用と二酸化炭素排出量の両方を節約します。たとえば、Uber は放置されたプロジェクトの Recommender を積極的に活用することで、アイドル状態のプロジェクトを特定し、エンジニアリングチーム全体で迅速に行動を起こしています。これにより、不要な二酸化炭素排出量を削減すると同時に、費用削減とセキュリティ向上も実現しています。

Google は、誰もが気候変動に影響を与えることができると信じており、情報を整理して、Google Cloud ユーザー全員が行動を起こせるようにしたいと考えています。前述のツールをチェックして、それらのツールがどのように役立つかをソフトウェアエンジニアリングチームに知ってもらい、組織に最適な行動を起こしましょう。

COP28 の期間中もブログを投稿していきますので、こちらをチェックしていただければ幸いです。

-Google Cloud アプリ エコシステム、プロダクト管理担当バイス プレジデント Gabe Monroy

-Cloud Carbon Sense スイート、プロダクト マネージャー Cynthia Wu

健康に焦点を当てた環境データを通じて気候変動への対応を強化する

Fri, 15 Dec 2023 01:00:00 +0000

※この投稿は米国時間 2023 年 12 月 4 日に、Google Cloud blog に投稿されたものの抄訳です。

気候変動は深刻な脅威であり、すでに人々の健康にさまざまな形で影響を与えています。実際、大気汚染の一因となる砂塵嵐や山火事などの気象と気候に関わる現象が頻繁かつ激化しているため、約 33 億～36 億もの人々が気候変動による健康への影響を非常に受けやすくなっています。

驚くべきことに、毎年 700 万人が大気汚染への曝露によって早すぎる死を迎えており、大気汚染は健康に対する最大の環境リスクの一つとなっています。大気汚染は、特に呼吸器系や循環器系の問題に関して深刻な影響を及ぼしているにもかかわらず、喫緊の課題であると認識されていないことがよくあります。

大気汚染物質には国境がなく、国を越えて移動し、発生源を超えて大気の質や生態系に影響を与えます。この問題は世界的なものですが、世界保健機関（WHO）が強調しているように、主に発展途上国において、保健インフラが脆弱な地域が特に大きな被害を受けています。

史上初の COP28 健康デーでは、差し迫った気候と健康の危機に焦点が当てられ、個人と集団の両方の行動による適応策の必要性が強調されています。Google Cloud では、Google Maps Platform の環境 API などのテクノロジーが重要な役割を果たすことができると考えています。公衆衛生の意思決定者、政府、地方自治体、企業は、大気汚染に関連する健康問題への意識を高めるためにこうしたテクノロジーを利用して、ガイダンス、ツール、アドバイスを提供することができます。最近の事例をいくつかご覧ください。

環境データを活用して意識を高める

特に輸送、廃棄物、汚染に関する深刻な課題に直面している都市部において、気候変動に対する復元力とサステナビリティを推進する政策を採用するよう政府に働きかけるには、国民の参加が不可欠です。都市が成長するにつれて、これらの問題への対処はより複雑になるため、地方自治体の意思決定者は、認知度と持続可能な行動の促進を通じて変化を推進するという重要な役割を担うことになります。

一般の人々に参加してもらうには、肉眼では見えないこともある大気汚染の深刻な脅威への意識を高めていく必要があります。ロンドンの道路脇で、大気汚染が死を招くことを喚起するために設置されたテディベアの「トキシックトビー」は、大気汚染の有害な影響についての意識を高める公衆衛生キャンペーンで大気質データがどのように利用されたかを示す好例です。ロンドンの路上に置かれたこのテディベアのロボットは、リアルタイムの位置ベースの大気質データを収集しました。大気汚染が危険なレベルまで上昇するたびに、トビーは咳き込んで地元の政策立案者のソーシャルメディアアカウントに警告を流し、立法措置や教育的取り組みを促しました。

同様に、パリ市当局は大気汚染を重要な公衆衛生問題とみなして、歩行者や自転車利用者のための汚染のないオープンスペースと移動ルートを新たに確立しようと努めました。このキャンペーンでは、都市計画の取り組みに情報を提供し、交通移動を最適化するために、道路交通、信号機、バスや地下鉄の駅が汚染の流動性に及ぼす影響を 1 日を通して測定しました。また、大気質データの統合と AI を活用した分析を使用して、健康に焦点を当てた実用的な推奨事項をパリ市民にリアルタイムで提供するとともに、個人の健康リスクスコアを含む汚染曝露情報へのアクセスを提供しました。

環境データと分析情報にアクセスできれば、政府が地域社会に影響している健康被害についてより深く理解できます。その後、この情報を活用して政策を立て、その有効性をモニタリングすることも可能です。このデータは、人々の健康と福祉を守ることを目的とした教育キャンペーンにも活用できます。

国民がより健康に良い意思決定を行えるよう支援する

環境に関する重要な分析情報の信頼できる提供元となることで、政府、地方自治体、保健機関は、国民がより健康に良い意思決定を日々行えるよう支援して、国民の生活を向上させることができます。大気質データがあれば、ヒートマップを提供し、汚染物質の詳細情報を共有して、大気汚染への曝露を最小限に抑えるための推奨事項を作成できます。どの公園に行くべきか、屋外で運動をするべきか、窓を開けるべきか、空気清浄機を作動させて屋内にとどまるべきかといった局地的な行動についてもこういった推奨を行うことができます。

たとえば、Google.org が資金提供している AirQo は、アフリカ諸国の人々が大気汚染への曝露を抑え、大気汚染を軽減できる効果的な行動を取れるよう支援することを目的としています。これを実現するために、AirQo は都市インフラ全体に低コストの大気質モニターを設置し、Google Cloud ベースの AI ソフトウェアを使用して大気質を分析しています。これにより、今後数日間の地域汚染を予測し、アフリカの大気汚染の課題に対する地域主導のソリューションを提供しています。

気候変動に対する復元力を高めるイノベーションをサポート

Google は、人類と地球のための積極的行動を推進する決定を下そうとする個人に、優れた情報を提供することに重点を置いています。気候変動による健康危機に対処するための適応策をサポートするテクノロジーとイノベーションを推進するために、Google Maps Platform の Air Quality API や Pollen API などの環境プロダクトを活用しているあらゆる人を支援できるよう、今後も尽力してまいります。

気候危機に対して公衆衛生を改善するための Google の取り組みについて詳しくは、Google のサステナビリティへの取り組みをご覧ください。COP28 の期間中、今後もブログを投稿していきますので、こちらをチェックしていただければ幸いです。

-Google Cloud、バイス プレジデント兼営業担当グローバル スペシャリスト Phil Davis

-Geo Sustainability、グローバル営業責任者 Daniel Elkabetz

AI で実現を促進: Google Cloud が AI を活用して気候変動対策を加速している方法

Fri, 15 Dec 2023 00:00:00 +0000

※この投稿は米国時間 2023 年 12 月 3 日に、Google Cloud blog に投稿されたものの抄訳です。

国連気候変動枠組条約第 28 回締約国会議（COP28）が開幕しましたが、より野心的な目標を掲げて対策を講じるうえでタスクが山積みであることは明らかです。国連の最新の分析により、現在の排出量削減の公約では今世紀中に摂氏 3 度近く気温が上昇する可能性があることが判明しました。これは洪水、火災、農地の消失などの災害が世界中で急速に拡大することを意味します。また、上記の公約が果たされない場合は温暖化が著しく進行するおそれがあります。

では、私たちはどうすればよいのでしょうか。国連は、特に高所得で排出量の多い国々による低炭素変革の加速が急務であるとしており、これは Google が貢献できるまたとない機会となります。

Google では、気候変動は現在世界が直面している最も緊急かつ重大な共通課題の一つであると考えており、そのための支援をさまざまな方法で提供しています。Google はパリ協定への取り組みに加え、サステナブルな道筋をつけるという急務において、揺るぎない姿勢を貫いています。さもないと、気候変動による最悪の結果を招くことになるからです。

そのため、Google は 2030 年までに事業所とバリューチェーン全体で排出量実質ゼロを達成するべく取り組んでいます。これは、すべての送電網でカーボンフリーエネルギーを常時使用するという野心的なクリーンエネルギー目標に支えられています。これは、検索、Gmail の利用、写真の保存や、ビジネスのために Google プロダクト使用している何十億もの消費者やユーザーにとっては朗報でしょう。

Google の取り組みはお客様やパートナーにも及びます。Google Cloud は、クラウドと AI が企業の効率化と持続可能な成長をもたらしながら、炭素排出量の削減に重要な役割を果たす可能性について認識しています。Google が BCG に委託して発表した最近のレポートでは、AI によって 2030 年までに世界の温室効果ガス排出量の 5～10% を軽減できる可能性があることが示唆されています。5% は米国全体の排出量の 3 分の 1 に相当します。

移行の促進という COP28 議長国の目標を支援するため、Google は 3 つのポイントに重点を置いています。そのポイントとは、気候変動に関するデータへのアクセスの改善、気候テックエコシステムの構築、気候変動レジリエンスに対する地理空間分析の可能性の実現を指します。

1. 気候変動データへのアクセスを改善する

現在、企業の温室効果ガス（GHG）排出量や排出削減目標に関する主要データを含む気候変動データは、一貫した方法で報告されておらず、そのアクセスには障壁があることが少なくありません。さらに、企業が排出量を削減して費用対効果を改善できる範囲について、実用的な分析情報を得るのも容易ではありません。

こうした状況を踏まえ、マイケルブルームバーグ氏が COP28 で立ち上げようとしている Net-Zero Data Public Utility の開設に Google も参入することになりました。

Net-Zero Data Public Utility（NZDPU）の狙いは、一元化されたグローバルでオープンなリポジトリとして、すべての関係者が民間企業の気候変動に関連するデータを自由に利用できるようになることです。参加者は、気候変動に関連する企業レベルの一連のコアデータへ簡単にアクセスして、解釈することができます。つまり、ネットゼロへの移行を実現するうえで重要なステップを達成できます。NZDPU の RFP プロセスを通して、COP28 で開始される NZDPU 概念実証の設計と構築を担当する企業として Google、Insomniac Design Inc.、CyBourn Inc. が選ばれました。

2. 気候テックエコシステムを構築する

Google は、クラウドと AI を活用して成果を上げようとしている気候テックの起業家やスタートアップに支援に尽力しています。

その軸となるのが、あらゆるお客様がサステナビリティへの移行を促進できるよう支援する Google Cloud Ready - Sustainability（GCR-S）検証イニシアチブです。すでに GCR-S の指定を受けた 40 社の気候テックパートナーは、炭素排出量の削減、バリューチェーンにおけるサステナビリティの改善、組織の気候データ管理の支援、気候リスクの特定によるレジリエンスの改善を目的としたソリューションを Google Cloud 上に構築しています。Google は、クラウドテクノロジー、財務サポート、Google Cloud エコシステム全体のパートナーとのつながりを組み合わせて、革新的な気候テックベンダーが成長を加速できるよう支援してまいります。

3. 気候変動レジリエンスを高めるために地理空間分析の可能性を引き出す

最後にお伝えしたいのは、Google は気候の物理的影響を重視しているということです。地理空間分析は、特にレジリエンスの改善において、気候リスクへの適応をサポートする大きな可能性を秘めています。

地理空間分析は、ビジネスインフラストラクチャやサプライチェーンに対する気候変動の影響について組織が理解を深めるうえで役立ちます。Google Cloud とそのパートナーは Google Earth Engine、BigQuery、Vertex AI を活用して、短期的な急性リスクと長期的な慢性の気候リスクの両方を可視化しています。

たとえば、Google Cloud Ready - Sustainability パートナーの Climate Engine は、Google Cloud 上で SpatiaFi をリリースしました。Google Cloud と Climate Engine は Deloitte と提携し、英国の NatWest 銀行が Climate Engine の SpatiaFi ソフトウェアプラットフォームと衛星データアーカイブを組み合わせて利用できるようにしました。これにより、NatWest は農業に従事するお客様向けに主要な気候関連データポイントを取得する際、地理空間データがどのように役立つのかを把握できました。

同様に、2023 年中 Google は、国連の Race to Resilience が地理空間データと分析を活用して気候変動へのレジリエンスと適応を改善できるように支援しました。また、2023 年 9 月のニューヨーク気候週間中には、Google.org と協力してデザインスプリントを実施しました。困窮しているコミュニティが気候変動から受ける影響を地理空間テクノロジーによって把握し、その影響を軽減するソリューションを導入できる可能性を探るためです。Race to Resilience チームと Google は現在、このプロジェクトを 2024 年にパートナーとともに実施するという次の段階を検討しています。

COP28 の目標は気候変動対策を加速することです。Google は、組織が AI と Google Cloud テクノロジーの力を活用して、低炭素経済に向けてビジネスを測定、最適化、再構築できるようにすることに取り組んでいます。こうした新たなデータプラットフォームの中心となり、AI の可能性を引き出して、Google は今後も気候テックイノベーターをサポートしてまいります。

-Google Cloud Go to Market 担当プレジデント Adaire Fox-Martin

-グローバル サステナビリティ担当マネージング ディレクター Justin Keeble

AI を活用して自動車業界の環境保護を加速する 5 つの方法

Wed, 13 Dec 2023 02:30:00 +0000

※この投稿は米国時間 2023 年 12 月 6 日に、Google Cloud blog に投稿されたものの抄訳です。

自動車業界は、技術と気候のイノベーションを活用してサステナビリティに対する責任を果たすべきという潮流に促され、大きな変革を成し遂げようとしています。気候に関する懸念、規制による圧力、消費者と投資家両方からの要望が増大するなか、自動車メーカーとサプライヤーはよりサステナブルな業界の実現に積極的に取り組み、説明責任を受け入れています。

サステナビリティに対する責任に関する考察

サステナビリティに関する議論は、周辺的な懸念事項から、ビジネスの成長と復元性を実現するための中心的な戦略へと移行しました。サステナビリティに関する公約は世の中にあふれていますが、積極的に関連プログラムを実施し、目標に照らして成果を測定している企業はほんの一部です。この隔たりから、ある大きな課題が浮き彫りになります。それは、結果と進捗状況を測定できる精密で検証可能なサステナビリティ指標とツールの必要性です。この点で、技術のイノベーション、特に AI がサステナブルな変革の実現において果たす役割の重要性は計り知れません。

AI 対応のサステナブルなサプライ チェーン

復元力のあるサプライチェーンは、サステナブルなサプライチェーンと同義です。変化する環境への適応力に優れ、障害の影響を最小限に抑えることができます。パンデミックや気候に起因する事象など、前例のない混乱の時代に直面している自動車業界は、サプライチェーンのエコシステム全体をつなぎ、モニタリングするためのソリューションの構築に AI を活用しています。Prewave のソーシャルメディアとニュースメディアをリアルタイムでモニタリングするツールや、サステナブルな調達をリアルタイムでモニタリングする NGIS の TraceMark プラットフォームなどの技術は、環境、社会、ガバナンスの標準に準拠したサプライチェーンを実現するうえで有用です。たとえば、Unilever などでこれらの技術が活用されています。

製造の進歩

Renault Group の事例は、AI 分析によって製造プロセスのエネルギー効率を向上させる方法を示しています。同社はエネルギー消費量のモニタリングと最適化に AI を採用することでエネルギー消費量を 25% 削減することに成功し、2025 年までにさらに 25% の削減を目指しています。これは業界初の取り組みです。この例は、オペレーションに省エネを組み込み、サステナビリティの目標を達成するために AI が果たす役割をよく表しています。

自動車設計における AI 主導の進化

Volkswagen と Google Cloud のコラボレーションの事例は、AI が自動車設計にもたらす変革を象徴しています。Volkswagen は ML アルゴリズムを利用して、風洞実験などの大量のリソースを必要とする従来の空力試験手法と比べて大幅に自動車設計プロセスを効率化しました。これによって明らかになったのは AI の費用対効果の高さだけではありません。環境面で最適化された自動車のサステナブルな開発を促進できるという可能性も見出されました。

グリーン エネルギーへの転換を可能にするインテリジェントな充電機能

電気自動車（EV）の双方向充電機能の登場は、より環境に優しい自動車の未来に向けた大きな節目となりました。この機能は、停電時に住宅への電力供給を可能にするだけでなく、電力網の安定化も実現します。AI によるインテリジェントな充電機能がバッテリーのライフサイクルの予測と管理を強化し、効率的なエネルギー使用を促進します。AI を活用したイノベーションのもう一つの例は、Renault のピアツーピア充電サービスです。これは、充電インフラストラクチャへのアクセスを改善し、エネルギー管理に対するコミュニティベースのアプローチを強化することで EV 導入のハードルを下げるものです。このようなスマートな技術統合は、自動車業界におけるグリーンエネルギーへの移行の促進に欠かせません。

AI 時代におけるモビリティの未来

進化する自律走行車の領域でも、AI が不可欠であることが明らかになっています。Cruise は Google Cloud の AI を導入して自律走行車のソフトウェア開発を強化し、安全性と運転効率を最適化しています。さらに Google マップの AI 機能を通じて環境に優しいルート選択を提案し、EV 充電インフラストラクチャを見つけやすくすることで、モビリティを刷新しています。

今後の展望: サステナブルな成長を促進する AI

AI の能力を深く掘り下げていくほど、AI が自動車業界のサステナビリティを促進する可能性を秘めていることが明らかになります。AI 機能を単に補助的に使用するのではなく、サステナブルなイノベーションの中心的な促進要因として活用できるかどうかは、業界のリーダーと意思決定者にかかっています。業界の複雑なエコシステムと AI を融合することで、オペレーショナルエクセレンスと環境スチュワードシップを同時に見直すまたとない機会を手にできます。

Google Cloud は、戦略的ロードマップに AI を組み込むことに取り組んでいる先駆者の皆様とのパートナーシップを歓迎します。互いの力を合わせることで、サプライチェーン強化のために AI を採用して大きな変化を起こし、製造ワークフローを刷新し、最初からサステナビリティが組み込まれた次世代の自動車を開発できます。今こそ、自動車業界のサステナビリティに向けた取り組みにおいて切磋琢磨し、先陣を切って道を切り開くために、迷いなくこの変革に乗り出す絶好のタイミングにほかなりません。

COP28 の期間中もブログを投稿していきますので、こちらをチェックしていただければ幸いです。

-Google Cloud、ストラテジック パシュート担当 VP Umesh Vemuri

-Google Cloud、自動車業界担当グローバル アカウント エグゼクティブ Jennifer Werthwein

金融サービスにおける AI を活用した気候変動対策の推進

Wed, 13 Dec 2023 02:00:00 +0000

※この投稿は米国時間 2023 年 12 月 5 日に、Google Cloud blog に投稿されたものの抄訳です。

COP28 では、全セクターにわたる資金の投入と拡大を加速させることが、これまで同様、気候変動対策を促進するための優先課題として位置づけられています。COP28 の議長、スルタンアーメドアルジャベール博士がすべての関係者に示したビジョンでも、「気候変動対策の決め手は資金調達」であることが明記されています。金融サービスセクターが積極的にその役割を担い、業界の脱炭素化を加速させ、気候危機、水ストレスや食料ストレス、自然損失などの問題に対して革新的な金融ソリューションを見出している点は、朗報と言えます。

特に、HSBC や ING などの企業は、ここ数年、サステナブルな資金調達および投資へのアクセスを提供するための大々的な取り組みを進めています。たとえば、HSBC は 2030 年までに 7.5 億から 1 兆ドルを、さらに直近では、ING と欧州投資銀行が 6 億ドルを拠出して、気候変動に対する移行イニシアチブを財政面で後押ししています。

欧州、中東、アフリカのお客様との連携を通じ、Google は、この重大な課題を深く認識し、どうすれば気候変動の課題解決を Google Cloud で技術的にサポートできるのかを強く意識してきました。具体的には、気候変動対策の取り組みを遂行するために必要な力を、AI とデータで企業がいかに引き出せるかということに注力してまいりました。

近年は、生成 AI と大規模言語モデル（LLM）の発展を受け、Google の AI 機能も飛躍的な進歩を遂げました。それにより、データの集約と分析のための高度な機能を、お客様が自らご利用いただけるようになりました。データに関する質問を自然言語で行うことはニューノーマルとなりつつあります。これは、将来的にも、新しいイノベーションをもたらす鍵となるはずです。欧州の銀行業界での 2 件のお客様事例が、このことをよく表しています。

最初の事例は HSBC です。CEO の Noel Quinn 氏が HSBC の「ネットゼロへの移行に向けたコミットメント」を強調するように、同社は顧客のために Google Cloud テクノロジーを利用したイノベーションに長年取り組んでいます。一例として、Google Cloud 上に構築された HSBC リスクアドバイザリーソリューションが挙げられます。このプロジェクトは、債券トレーダーが What-If シミュレーションを改善し、気候変動の影響の観点からも、顧客サービスを向上させるのに役立っています。この技術には、「サステナビリティと気候危機は企業内の隔離された一部門にとどまらず、全スタッフの仕事の一部である」という HSBC の基本姿勢が反映されています。

同様に、ING は、顧客の行動に関する早期警告シグナルをホールセールバンキングポートフォリオマネージャーに準リアルタイムで発するソリューションを構築しています。これは、世界中のニュース、気候危機、ESG への影響、人権侵害、破産、不正行為などの外部データに基づいています。このソリューションで瞠目すべきは、AI を使用して膨大な量のデータを毎日、ポートフォリオマネージャー向けに処理できる点です。気候変動の影響は、企業運営のあらゆる局面に浸透しており、ING の商業銀行部門はこのソリューションにより、適切な分析情報をいち早く確認し、対応することができます。

企業は、気候変動の課題への緊急な対応を迫られています。脱炭素化はもちろん、ビジネスに対する気候リスクにも対処しなければなりません。AI とクラウドのテクノロジーは、ビジネス分析情報を対象となるアクションに反映させ、価値の新しい源泉を掘り当てるために不可欠な技術です。

金融セクターやその他の業界でデータと AI を使用してサステナビリティの課題を解決する企業の取り組みを、Google がどのように支援しているのかについて詳しくは、こちらのサイトをご覧ください。また、LinkedIn を通じて Google の取り組みに関する詳細をご確認いただくこともできます。

COP28 の期間中、今後もブログを投稿していきますので、こちらをチェックしていただければ幸いです。

-Google Cloud ヨーロッパ、中東、アフリカ担当プレジデント Tara Brady

-Google Cloud ヨーロッパ、中東、アフリカ、サステナビリティ＆イノベーション担当ディレクター Jackie Pynadath

Google Cloud パートナーが AI を使用して持続可能な経済を構築した方法

Tue, 12 Dec 2023 03:00:00 +0000

※この投稿は米国時間 2023 年 12 月 5 日に、Google Cloud blog に投稿されたものの抄訳です。

気候変動の影響を次々と目の当たりにする中、気候変動対策の必要性がこれまで以上に喫緊の課題となっています。変革を支持しているのは世界中の一般市民だけではありません。気候関連の災害により、年間 5,000 億ドルを超える損害が世界経済にもたらされていることから、ビジネスリーダーも気候変動対策を重視しています。最高経営責任者が持続可能性を最優先事項として挙げる割合は、2022 年には 37% 増加（前年比）しています。

Google は、2030 年までに事業所とバリューチェーン全体で排出量実質ゼロを達成するという大きな目標を掲げています。お客様やパートナーの皆様と協力して新しい持続可能なソリューションを開発するとともに、気候変動対策への取り組みを支援する AI などのテクノロジーの応用にも力を注いでいます。

たとえば、私たちは昨年、Google Cloud Ready Sustanability プログラムを立ち上げ、Google のパートナーエコシステムが開発した持続可能なソリューションを顧客が識別してデプロイできるようにしました。このプログラムが焦点を当てているのは、Google Cloud 上に構築されたパートナーソリューションで、Google Cloud の AI や地球観測の機能に加え、特定の気候や ESG 関連分野の専門知識を活用するものです。これらのソリューションは、デジタルサステナビリティ、ESG（環境、社会、企業統治）パフォーマンス管理、持続可能な調達、フリートの電気化、エネルギーの最適化、グリーンファイナンスなど、重要な領域にわたって顧客をサポートします。

AI を使用して脱炭素化経済の資金調達を支援

Google Cloud Ready Sustainability パートナーである ESG Book は、金融市場が企業のサステナビリティに関する取り組みを理解するための情報にアクセスできるようにし、投資家が十分な情報に基づいて投資判断を下せるようにしています。

ESG Book は Google Cloud AI を活用して、顧客がその膨大な量のデータを理解できるよう支援しています。たとえば、Google Cloud Document AI は、関連する ESG 情報が含まれたドキュメントを検索し、それらのドキュメントを解析して適切なデータを探し出し、そのデータを抽出して構造化データセットに入力するという一連のワークフローを自動化します。こうしたデータを投資家に販売し、投資判断に役立ててもらうことができます。同社は AI を使用してワークフローをこのように自動化することで、手動によるデータ収集作業を約 50% 効率化させることができるため、チームは経済の脱炭素化に役立つ製品をより多く開発できるようになると考えています。

このような製品の 1 つが、ニュース感情分析ツールです。このツールは、AI を使用して数百万のニュース記事の感情を照合、要約、分析し、自社のレポートではカバーしきれない企業の持続可能性や環境への取り組みについての分析情報を得ることができます。このように感情をスコアに変換することで、ESG Book の AI ワークフローは、各企業の拡張された評価を作成し、アウトサイドインの視点を提供して、金融市場が最も持続可能な企業に投資できるようにしています。

詳細なレポートで企業の温室効果ガス排出量の削減を支援

もう 1 社の Google Cloud Ready パートナーである Watershed は、企業が排出量を削減し、大気中から数百万トンの炭素を除去するのを支援しているエンタープライズ気候プラットフォームです。Google Cloud を使用することで、Watershed は監査可能なきめ細かいサステナビリティレポートを企業の日常的な意思決定に取り入れ、Everlane のスニーカーのような温室効果ガス排出量を抑えた商品を製造するためのサプライチェーンの脱炭素化など、排出量削減プログラムを実現するために大規模な作業を行うことができます。

サプライチェーンの排出量に関するこのようなレベルの詳細を提供するために、Watershed のモデルはプロセスのあらゆる部分に最新のデータを利用しています。たとえば、あるセーターを作るのに必要なエネルギーについて古い数値を入力すると、サプライチェーン全体のモデル化された数値が歪んでしまう可能性があります。そのため、Watershed は AI を使用してより頻繁にデータを測定、収集、更新し、データを合成して傾向やパターンを探してモデルに反映させ、できるだけ排出量レポートの正確性を確保できるよう試行を重ねています。

生成 AI による排出量レポートの再定義

Watershed と ESG Book の両社は、プロセスの合理化を図るだけでなく、顧客が二酸化炭素排出量データと接する方法を一変するような新しい製品やサービスを提供する生成 AI の可能性に特に期待を寄せています。Watershed の生成 AI に関するビジョンは、企業がサプライチェーンにある膨大な量の非構造化テキストベースのデータをモデリングに使用できる形式に変換し、社内プロセスの効率を向上させることです。また、関連するサステナビリティのデータセットでトレーニングさせた大規模言語モデル（LLM）を使用して ESG レポートを作成する機能を顧客に提供すれば、企業は時間を大幅に節約できるため、その時間をサステナビリティ目標に向けた取り組みに費やせます。

ESG Book はすでに、AI で企業の GHG 排出量を予測していますが、資産運用会社や投資銀行などの投資家が膨大なデータセットをまったく新しい方法で照会できるようにするために、生成 AI をどのように使用できるかを模索しています。現在、ESG Book が提供しているスクリーニングや可視化のツールは高度に構造化されています。しかし、同社は生成 AI を使用して、顧客が非構造化の自然言語の質問を使ってデータを無限にマイニングし、傾向分析、ヒートマップ、相関関係、あるいは現状ではスケーリングが難しい極めて具体的なリクエストなどの分析情報を取得できるようにする計画です。ESG Book は、顧客がそのデータを使って企業のサステナビリティに関する取り組みについて、かつてないほどの分析情報を取得できるようにすることで、脱炭素化の未来に備える企業に向けてさらに的を絞り込んだ投資フローを実現したいと考えています。

差し迫った課題に対応するパートナーとプラットフォーム

AI を使用したより持続可能なビジネスの運営支援はまだ初期段階にありますが、Watershed や ESG Book の事例が示すように、パートナー主導型の AI ソリューションは、環境のサステナビリティに関する企業の考え方や行動を変革する大きな可能性を秘めています。環境面と経済面のそれぞれから重圧がかかる中、AI はカーボンフリーの未来を実現していく上で重要な役割を担っています。私たちが直面している課題の規模を考えれば、AI を活用した気候変動対策にますます期待が高まります。

COP28 開催期間中のブログについては、こちらをご覧ください。

-グローバル パートナー エコシステムおよびチャネル担当コーポレート バイス プレジデント Kevin Ichhpurani

-Google Cloud Ready Sustainability 担当グローバル ISV リード Denise Pearl