Contents
1. 全体像と主要サービス一覧
| サービス名 | 主な提供機能 | リリース時期 | 現行ステータス（2026‑04‑） |
|---|---|---|---|
| AI Platform Training | カスタム TensorFlow / PyTorch ジョブのバッチ実行 | 2017 年 | 非推奨 → Vertex AI の Custom Training に統合済み |
| AI Platform Prediction | バッチ・オンライン予測 API | 2018 年 | 同上（Prediction は Vertex AI Endpoint に置換） |
| Unified AI Platform | UI/CLI 統合、ML Engine API の後継 | 2022 年 | 名前自体は廃止、機能は Vertex AI が担う |
| Vertex AI | AutoML、Custom Training、Pipelines、MLOps、Endpoint 管理、生成 AI（PaLM／Gemini）を単一コンソールで提供 | ベータ 2021 年 → GA 2022 年 | GCP のコア ML プラットフォームとして推奨、継続的に機能追加中 |
ポイント
従来は「Training」‑「Prediction」の二つのサービスを別々に管理する必要があり、課金や IAM 設定も分散していました。Vertex AI は UI・API・SDK が統一され、プロジェクト単位でリソースを一元管理できる点が最大の差別化要因です。
2. 機能比較 ― AutoML ・ Custom Training ・ Pipelines
2‑1. AutoML のデータタイプ対応状況（2026 年）
| データタイプ | Vertex AI が提供する AutoML | 備考 |
|---|---|---|
| 表形式 (Tabular) | 完全対応＋自動特徴量エンジニアリング（AutoML Tables） | 2025 年にベータ解除、2026 年も GA 状態 |
| テキスト | AutoML Natural Language（分類・要約・NER） | 日本語・英語ともに高精度 |
| 画像 | AutoML Vision（画像分類・物体検出） | 追加で AutoML Video がベータ解除済み |
| 動画 | AutoML Video（アクション認識・シーン分割） | 2025 年リリース、2026 年に安定版化 |
出典：Google Cloud 公式ドキュメント「AutoML overview」。
2‑2. Custom Training と Pipelines
| 項目 | AI Platform 系列（旧） | Vertex AI |
|---|---|---|
| コンテナサポート | Docker コンテナで実行可（手動設定） | 完全サポート、gcloud vertex ai custom-jobs create で自動スケーリング |
| 分散学習 (GPU/TPU) | 手動で Node‑Pool を構成 | UI 上で簡易設定、Node‑Pool の最適化が自動化 |
| パイプライン作成 | Cloud Composer（Airflow）必須 | Vertex Pipelines（Kubeflow ベース）によりコードレス可視化・再利用可能 |
| MLOps 機能 | 手動でモデルバージョン管理・ログ取得 | Model Registry、Experiment Tracking、Autoscaling Endpoint が標準装備 |
出典：Vertex AI 公式ページ「Custom training and pipelines」。
2‑3. MLOps とデプロイメント
| 機能 | AI Platform 系列 | Vertex AI |
|---|---|---|
| モデルレジストリ | 手動で GCS に保存 | 自動メタデータ付与、検索可能な UI |
| トラフィック分割 (A/B テスト) | 限定的に実装 | Deployments with traffic‑splitting が標準 |
| 監視・ロギング | Stackdriver のみ統合 | Vertex AI Experiments + Cloud Monitoring ダッシュボードでリアルタイム可視化 |
| オートスケーリング | 手動設定が必要 | CPU/GPU/TPU すべて自動スケール、予測リクエストに応じたオンデマンド拡張 |
3. 料金モデル（2026 年最新）
3‑1. 基本方針
- 統合課金：Vertex AI は「トレーニング＋予測」を同一課金単位で管理。従来の AI Platform のように別々に請求されることはありません。
- 公式価格表は GCP Pricing ページ（Vertex AI pricing）を参照し、割引やサブスクリプション適用前のベースレートです。
3‑2. ユースケース別コスト比較（2026 年）
| ユースケース | 計算対象 | AI Platform Training (USD/時間) | Vertex AI Training (USD/時間) | コスト差 |
|---|---|---|---|---|
| バッチ学習 1000 時間（GPU n1‑standard-8） | GPU ノード使用料 | $0.22 | $0.19 | -13% |
| リアルタイム予測 1M リクエスト（Standard） | 予測リクエスト単価 | $0.12 / 1k req | $0.10 / 1k req | -17% |
| AutoML Tabular 100 万行データ（トレーニング＋チューニング） | AutoML 時間 + 管理料 | $0.30 / 時間 | $0.24 / 時間 | -20% |
※上記は「オンデマンド」利用を前提としたシンプルな見積もりです。長期契約（Committed Use）や Sustained‑Use 割引を適用すれば、さらに 10〜15% の追加削減が可能です。
3‑3. コストシミュレーション例
| ケース | 月間利用量 | AI Platform 合計 (USD) | Vertex AI 合計 (USD) | 削減率 |
|---|---|---|---|---|
| A：月次バッチ学習（2000 時間） | GPU n1‑standard-8 × 2000h | $440 | $380 | 13% |
| B：E コマース向けリアルタイムレコメンド（2M リクエスト/日） | 60M req / 月 | $7,200 | $6,000 | 17% |
| C：AutoML Tabular 大規模データ処理（500 時間） | 500h × AutoML | $150 | $120 | 20% |
ポイント
Vertex AI は「トレーニング＋予測」の課金が一本化されているため、請求書の項目数が減り管理コストも低減します。
4. GCP エコシステムとの連携
4‑1. BigQuery・Cloud Storage・Dataflow との統合フロー
| フロー | 操作例 |
|---|---|
| データ取得 | Vertex AI の Dataset 作成時に bq query で抽出したテーブルを直接ソースとして指定（SQL ベース）。 |
| パイプライン構築 | Vertex Pipelines のステップで DataflowTemplate を呼び出し、Apache Beam ジョブを組み込める。 |
| 学習結果保存 | 学習済みモデルは自動的に Cloud Storage バケットへエクスポートされ、同バケットを外部テーブルとして BigQuery に登録可能。 |
参考：Google Cloud 公式ドキュメント「Vertex AI integration with BigQuery」。
4‑2. ハイブリッド／マルチクラウド接続
| 接続先 | 実装手段 |
|---|---|
| オンプレミス | Transfer Appliance または Storage Transfer Service → Cloud Storage → Vertex AI。VPC Service Controls によりネットワーク境界を確保。 |
| SaaS アプリ | IAM Service Account + OAuth 2.0 スコープで API 呼び出し。必要に応じて Private Service Connect で内部トラフィック化。 |
| エッジ推論 | Edge TPU と Vertex AI Endpoint のトラフィックミラーリングにより、低レイテンシーのハイブリッド推論を実現。 |
5. 生成 AI（PaLM／Gemini）活用事例と主要クラウドベンダとの比較
5‑1. 2026 年時点での機能・価格比較（公式情報）
| 項目 | Vertex AI (PaLM / Gemini) | AWS Bedrock | Azure OpenAI Service |
|---|---|---|---|
| 主なモデル | PaLM‑2, Gemini‑1（テキスト・画像） | Claude、Titan、Jurassic | GPT‑4、GPT‑3.5、DALL·E |
| 価格（1M トークン） 入力 / 出力 |
$0.30 / $0.60 | $0.40 / $0.80 | $0.36 / $0.72 |
| 日本国内リージョン数 | 6 (東京・大阪・福岡等) | 4 (東京中心) | 5 (東日本・西日本) |
| カスタムファインチューニング | UI と API の両方で簡易実装可能（数クリック） | 限定的にのみ提供 | Azure Machine Learning 経由で実装可 |
| SLA | 99.9%（リージョン別） | 99.9% | 99.9% |
出典：各ベンダ公式プライシングページ（2026‑04‑時点）。
5‑2. 実際の導入事例
- 大手小売チェーン
- 目的：新商品説明文自動生成。
-
結果：月間 5,000 件の説明を 30 秒で生成、ライティング工数を 70% 削減。
-
金融機関（大手銀行）
- 目的：日次レポート要約サービス。
- 構成：Vertex AI Text‑Summarization API + BigQuery。
-
結果：作業時間 4 時間 → 12 分に短縮、担当者の分析作業へリソースシフト。
-
製造業（自動車部品メーカー）
- 目的：設計レビュー支援ツールで画像生成とテキスト指示を組み合わせ。
- 結果：プロトタイプ開発期間 2 カ月 → 2 週間に圧縮、社内承認サイクルが高速化。
各事例は Google Cloud パートナー公開資料（2026 年版）から抜粋しています。
6. AI Platform 系列から Vertex AI への移行ベストプラクティス
6‑1. 移行フロー（3 ステップ）
| ステップ | 主な作業内容 | コマンド例 |
|---|---|---|
| ① プロジェクト・IAM 設定 | Vertex AI 用サービスアカウント作成、roles/aiplatform.admin 付与 |
gcloud iam service-accounts create vertex-sa --display-name "Vertex AI SA"gcloud projects add-iam-policy-binding $PROJECT_ID --member="serviceAccount:vertex-sa@$PROJECT_ID.iam.gserviceaccount.com" --role="roles/aiplatform.admin" |
| ② データセット変換 | 旧 gs://bucket/dataset/ を Vertex AI Dataset にインポート |
gcloud vertex ai datasets import tabular --region=us-central1 --display-name=my_dataset --metadata-schema-uri=... --input-config=gcs_source=gs://bucket/dataset/ |
| ③ ジョブ・パイプライン再構築 |
|
旧:gcloud ai-platform jobs submit training $JOB_NAME --module-name trainer.task ...新: gcloud vertex ai custom-jobs create --region=us-central1 --display-name=$JOB_NAME --machine-type=n1-standard-8 --accelerator-count=1 --accelerator-type=NVIDIA_TESLA_K80 --worker-pool-spec=container-image-uri=gcr.io/$PROJECT_ID/trainer:latest,replica-count=1 |
6‑2. バックワード互換性の注意点
| 項目 | 旧サービスでの挙動 | Vertex AI への影響 |
|---|---|---|
| ML Engine API | 2025 年末まで受付継続（内部は Vertex AI に転送） | 新機能（MLOps ダッシュボード等）は利用不可。移行推奨。 |
| モデルフォーマット | TensorFlow SavedModel はそのまま使用可。PyTorch は torchscript 必要。 |
同様に対応。ただしカスタムコンテナの場合は Dockerfile のベースイメージを Vertex AI がサポートするバージョンへ更新。 |
6‑3. セキュリティ・コンプライアンス
| 認証/認可 | 内容 |
|---|---|
| SOC 2 Type II | Google Cloud 全体で取得、Vertex AI 含む |
| ISO/IEC 27001・27017・27018 | データ保護・クラウドサービス管理基準に完全適合 |
| GDPR / CCPA | リージョン指定によるデータ所在地選択と削除リクエスト API が提供 |
| VPC Service Controls | プロジェクト境界でデータ漏洩防止、Vertex AI エンドポイントにも適用可能 |
詳細は Google Cloud 公式ページ「Security and compliance」をご参照ください。
6‑4. サポート体制
- SLA：Vertex AI のトレーニング・予測はリージョン別に 99.9%（障害時の自動フェイルオーバー含む）。
- Enterprise Support：24/7 テクニカルサポート、専任アカウントマネージャーが移行計画策定・最適化を支援。Google Cloud 認定パートナー経由で追加サービス（マイグレーション支援、コスト最適化）も利用可能。
7. 要点まとめ
- 統合プラットフォーム
-
Vertex AI は AI Platform 系列の機能をすべて吸収し、UI・API・課金が一元化された唯一の GCP コア ML プラットフォームです。
-
機能面での優位性
-
AutoML が表・テキスト・画像・動画全タイプに対応し、Custom Training と Pipelines がコードレスかつ自動スケーリングを実現します。
– MLOps 機能（Model Registry、Experiment Tracking、Traffic Splitting）で運用コストとリスクが大幅低減。 -
コスト削減
-
2026 年最新価格では、同等ユースケースで 13〜20% のコスト削減が可能。統合課金により請求管理も簡素化されます。
-
エコシステム連携
-
BigQuery・Dataflow・Cloud Storage とネイティブに統合でき、ハイブリッド環境でも VPC Service Controls による安全なデータ流通が実現します。
-
生成 AI の競争力
-
PaLM／Gemini は価格・機能ともに AWS Bedrock、Azure OpenAI と同等か上回り、特に日本国内リージョンの多さとファインチューニング容易性が差別化ポイントです。
-
移行は段階的に実施可能
-
IAM 設定 → データセット変換 → ジョブ・パイプライン再構築 の 3 ステップで、旧 API は一定期間互換性を維持しつつスムーズに置き換えられます。
-
セキュリティは GCP 標準に準拠
- SOC2、ISO 系認証、GDPR/CCPA への対応が公式に保証されており、金融・医療など高いコンプライアンス要件を持つ業界でも安心して利用できます。
次のステップ：自社プロジェクトで具体的にどの機能が必要かを洗い出し、Vertex AI の PoC（概念実証）環境を作成したうえでコストシミュレーションと移行計画を策定してください。質問や支援依頼は Google Cloud パートナーまたは公式サポート窓口までお気軽にどうぞ。