2026年版 Vertex AI と Gemini Enterprise Agent Platform 完全ガイド

2026年4月28日

Contents

1 1. Vertex AI の概要と 2026 年の位置づけ
2 2. GCP 環境の構築手順
3 3. データソースとの統合（Cloud Storage・BigQuery・AlloyDB）
4 4. Vertex AI Pipelines と CI/CD の実装
- 4.1 4.1 Python SDK でパイプラインを定義（簡易例）
- 4.2 4.2 Cloud Build による CI/CD パイプライン
  - 4.2.1 CI/CD 実装時のポイント
5 5. デプロイ・運用：エンドポイント作成、モニタリング、セキュリティ
6 6. 参考文献（リンク先はすべて公式ドキュメント）
- 6.1 まとめ

スポンサードリンク

1. Vertex AI の概要と 2026 年の位置づけ

項目	内容
提供形態	完全マネージド型 ML ライフサイクル（データ管理・実験・パイプライン・デプロイ）
主な利点	- UI と REST/GRPC API が統一 - 同一 SDK でモデル作成 → デプロイをシームレスに実行 - 従来の AI Platform に比べ、サンプルコードの行数が約 80 % 短縮（公式ブログに記載）【1】
2026 年の注目点	- Vertex AI Pipelines が KFP (Kubeflow Pipelines) と完全互換化 - VPC Service Controls、CMEK 対応が標準装備 - 将来的に対話型エージェント向け機能（Gemini 系）を統合予定【2】

2. GCP 環境の構築手順

2.1 プロジェクトと請求アカウントの作成

# ① プロジェクト作成
gcloud projects create my-vertex-project --name=&quot;Vertex AI Project&quot;
gcloud config set project my-vertex-project

# ② 請求アカウント紐付け（コンソール &gt; 請求 → プロジェクトを選択）

# ① プロジェクト作成

gcloud projects create my-vertex-project --name="Vertex AI Project"

gcloud config set project my-vertex-project

# ② 請求アカウント紐付け（コンソール > 請求 → プロジェクトを選択）

2.2 必要な API の有効化

gcloud services enable \
  vertexai.googleapis.com \
  cloudbuild.googleapis.com \
  artifactregistry.googleapis.com \
  storage.googleapis.com \
  bigquery.googleapis.com \
  alloydb.googleapis.com

gcloud services enable \

vertexai.googleapis.com \

cloudbuild.googleapis.com \

artifactregistry.googleapis.com \

storage.googleapis.com \

bigquery.googleapis.com \

alloydb.googleapis.com

参考：Google Cloud の API 有効化手順【3】

2.3 IAM ロールの最小権限設定

役割	推奨ロール（現行）	主な権限
Vertex AI 管理者	`roles/aiplatform.admin` （旧称 Vertex AI Administrator）	モデル作成・パイプライン管理
Cloud Build ビルダー	`roles/cloudbuild.builds.builder`	ビルド実行、Artifact Registry へのプッシュ
ストレージ閲覧者	`roles/storage.objectViewer`	バケット内オブジェクトの読み取り
BigQuery データエディタ	`roles/bigquery.dataEditor`	テーブルの CRUD
AlloyDB クライアント	`roles/alloydb.client`	PostgreSQL 接続（IAM 認証）

サービスアカウント作成例

gcloud iam service-accounts create vertex-pipeline-sa \
    --display-name &quot;Vertex AI Pipeline SA&quot;

PROJECT_ID=$(gcloud config get-value project)

gcloud projects add-iam-policy-binding $PROJECT_ID \
  --member=&quot;serviceAccount:vertex-pipeline-sa@$PROJECT_ID.iam.gserviceaccount.com&quot; \
  --role=&quot;roles/aiplatform.admin&quot;

gcloud iam service-accounts create vertex-pipeline-sa \

--display-name "Vertex AI Pipeline SA"

PROJECT_ID=$(gcloud config get-value project)

gcloud projects add-iam-policy-binding $PROJECT_ID \

--member="serviceAccount:vertex-pipeline-sa@$PROJECT_ID.iam.gserviceaccount.com" \

--role="roles/aiplatform.admin"

ベストプラクティス：ロールはリソース単位で付与し、不要な権限は削除する【4】

3. データソースとの統合（Cloud Storage・BigQuery・AlloyDB）

3.1 Cloud Storage からのデータ取得

from google.cloud import storage

def download_blob(bucket_name: str, src: str, dst_path: str):
    client = storage.Client()
    bucket = client.bucket(bucket_name)
    blob = bucket.blob(src)
    blob.download_to_filename(dst_path)
    print(f&quot;&#x2705; {src} → {dst_path}&quot;)

from google.cloud import storage

def download_blob(bucket_name: str, src: str, dst_path: str):

client = storage.Client()

bucket = client.bucket(bucket_name)

blob = bucket.blob(src)

blob.download_to_filename(dst_path)

print(f"✅ {src} → {dst_path}")

3.2 BigQuery テーブルの直接読み込み

from google.cloud import bigquery

def query_bq(sql: str):
    client = bigquery.Client()
    df = client.query(sql).to_dataframe()
    return df

# 使用例
df = query_bq(&quot;SELECT * FROM `my_dataset.training_data` LIMIT 1000&quot;)

from google.cloud import bigquery

def query_bq(sql: str):

client = bigquery.Client()

df = client.query(sql).to_dataframe()

return df

# 使用例

df = query_bq("SELECT * FROM `my_dataset.training_data` LIMIT 1000")

3.3 AlloyDB (PostgreSQL) への接続

import psycopg2, os

def alloydb_conn():
    # サービス アカウントキーは環境変数で指定
    os.environ[&quot;GOOGLE_APPLICATION_CREDENTIALS&quot;] = &quot;/path/to/sa-key.json&quot;

    return psycopg2.connect(
        host=&quot;my-alloydb-instance.region.googleapis.com&quot;,
        port=5432,
        dbname=&quot;mydb&quot;,
        user=&quot;postgres&quot;,          # IAM 認証有効時は同名ユーザー
        sslmode=&quot;require&quot;
    )

import psycopg2, os

def alloydb_conn():

# サービスアカウントキーは環境変数で指定

os.environ["GOOGLE_APPLICATION_CREDENTIALS"] = "/path/to/sa-key.json"

return psycopg2.connect(

host="my-alloydb-instance.region.googleapis.com",

port=5432,

dbname="mydb",

user="postgres", # IAM 認証有効時は同名ユーザー

sslmode="require"

)

3.4 チェックリスト

[ ] Cloud Storage バケットに Object Viewer 権限を付与
[ ] BigQuery データセットへパイプライン SA に bigquery.dataEditor を付与
[ ] AlloyDB インスタンスで IAM 認証と roles/alloydb.client ロールを有効化【5】
[ ] 使用 SDK のバージョンは最新（例: google-cloud-storage>=2.15, google-cloud-bigquery>=3.12, psycopg2-binary>=2.9）

4. Vertex AI Pipelines と CI/CD の実装

4.1 Python SDK でパイプラインを定義（簡易例）

# pipeline.py
from kfp import dsl, components
import google.cloud.aiplatform as aiplatform

@components.create_component_from_func
def preprocess_op(input_path: str, output_path: str):
    # 実装は省略
    ...

@components.create_component_from_func
def train_model_op(train_data: str, model_dir: str):
    # 実装は省略
    ...

@dsl.pipeline(name=&quot;vertex-ml-pipeline&quot;)
def ml_pipeline(bucket: str):
    pre = preprocess_op(
        input_path=f&quot;gs://{bucket}/raw/&quot;,
        output_path=f&quot;gs://{bucket}/processed/&quot;
    )
    train = train_model_op(
        train_data=pre.output,
        model_dir=f&quot;gs://{bucket}/model/&quot;
    )

if __name__ == &quot;__main__&quot;:
    aiplatform.init(project=&quot;my-vertex-project&quot;, location=&quot;us-central1&quot;)
    from kfp import compiler
    compiler.Compiler().compile(pipeline_func=ml_pipeline, package_path=&quot;pipeline.yaml&quot;)

# pipeline.py

from kfp import dsl, components

import google.cloud.aiplatform as aiplatform

@components.create_component_from_func

def preprocess_op(input_path: str, output_path: str):

# 実装は省略

...

@components.create_component_from_func

def train_model_op(train_data: str, model_dir: str):

# 実装は省略

...

@dsl.pipeline(name="vertex-ml-pipeline")

def ml_pipeline(bucket: str):

pre = preprocess_op(

input_path=f"gs://{bucket}/raw/",

output_path=f"gs://{bucket}/processed/"

)

train = train_model_op(

train_data=pre.output,

model_dir=f"gs://{bucket}/model/"

)

if __name__ == "__main__":

aiplatform.init(project="my-vertex-project", location="us-central1")

from kfp import compiler

compiler.Compiler().compile(pipeline_func=ml_pipeline, package_path="pipeline.yaml")

pipeline.yaml が Vertex AI Pipelines 用の KFP 互換テンプレートになります【6】

4.2 Cloud Build による CI/CD パイプライン

cloudbuild.yaml（抜粋）

steps:
  - name: 'gcr.io/cloud-builders/docker'
    args: ['build', '-t',
           'us-central1-docker.pkg.dev/$PROJECT_ID/vertex-pipeline/pipeline-image', '.']
    dir: 'pipeline'          # Dockerfile が格納されているディレクトリ

  - name: 'gcr.io/google.com/cloudsdktool/cloud-sdk'
    entrypoint: 'bash'
    args:
      - '-c'
      - |
        docker push us-central1-docker.pkg.dev/$PROJECT_ID/vertex-pipeline/pipeline-image
        gcloud ai pipelines run \
          --project=$PROJECT_ID \
          --region=us-central1 \
          --display-name=&quot;CI/CD Run $(date +%s)&quot; \
          --pipeline-file=pipeline.yaml \
          --parameter-values=bucket=my-data-bucket

images:
  - 'us-central1-docker.pkg.dev/$PROJECT_ID/vertex-pipeline/pipeline-image'

steps:

- name: 'gcr.io/cloud-builders/docker'

args: ['build', '-t',

'us-central1-docker.pkg.dev/$PROJECT_ID/vertex-pipeline/pipeline-image', '.']

dir: 'pipeline' # Dockerfile が格納されているディレクトリ

- name: 'gcr.io/google.com/cloudsdktool/cloud-sdk'

entrypoint: 'bash'

args:

- '-c'

- |

docker push us-central1-docker.pkg.dev/$PROJECT_ID/vertex-pipeline/pipeline-image

gcloud ai pipelines run \

--project=$PROJECT_ID \

--region=us-central1 \

--display-name="CI/CD Run $(date +%s)" \

--pipeline-file=pipeline.yaml \

--parameter-values=bucket=my-data-bucket

images:

- 'us-central1-docker.pkg.dev/$PROJECT_ID/vertex-pipeline/pipeline-image'

CI/CD 実装時のポイント

項目	推奨設定
Artifact Registry アクセス権	`roles/artifactregistry.writer` をビルド SA に付与
パイプライン実行権限	`roles/aiplatform.admin` または `roles/aiplatform.user`
ビルド環境変数	`$PROJECT_ID`, `$REGION` は Cloud Build の置換変数を使用
通知	Cloud Build の通知機能で Slack / Email に結果を送信（任意）

5. デプロイ・運用：エンドポイント作成、モニタリング、セキュリティ

5.1 エンドポイントの作成とモデルデプロイ

from google.cloud import aiplatform

def deploy(model_resource: str, endpoint_name: str):
    aiplatform.init(project=&quot;my-vertex-project&quot;, location=&quot;us-central1&quot;)
    model = aiplatform.Model(model_name=model_resource)

    endpoint = model.deploy(
        machine_type=&quot;n1-standard-4&quot;,
        min_replica_count=0,          # アイドル時は自動スケールダウン
        max_replica_count=5,
        traffic_split={&quot;0&quot;: 100},
        deployed_model_display_name=endpoint_name,
    )
    print(f&quot;&#x2705; Endpoint: {endpoint.resource_name}&quot;)
    return endpoint

# 実行例
endpoint = deploy(
    model_resource=&quot;projects/my-vertex-project/locations/us-central1/models/1234567890123456789&quot;,
    endpoint_name=&quot;customer-churn-predictor&quot;
)

from google.cloud import aiplatform

def deploy(model_resource: str, endpoint_name: str):

aiplatform.init(project="my-vertex-project", location="us-central1")

model = aiplatform.Model(model_name=model_resource)

endpoint = model.deploy(

machine_type="n1-standard-4",

min_replica_count=0, # アイドル時は自動スケールダウン

max_replica_count=5,

traffic_split={"0": 100},

deployed_model_display_name=endpoint_name,

)

print(f"✅ Endpoint: {endpoint.resource_name}")

return endpoint

# 実行例

endpoint = deploy(

model_resource="projects/my-vertex-project/locations/us-central1/models/1234567890123456789",

endpoint_name="customer-churn-predictor"

)

5.2 オンライン予測の呼び出し

def predict(endpoint, instances):
    resp = endpoint.predict(instances=instances)
    return resp.predictions

result = predict(
    endpoint,
    [{&quot;age&quot;: 35, &quot;income&quot;: 72000, &quot;usage_months&quot;: 12}]
)
print(&quot;&#x1f50e; Prediction:&quot;, result)

def predict(endpoint, instances):

resp = endpoint.predict(instances=instances)

return resp.predictions

result = predict(

endpoint,

[{"age": 35, "income": 72000, "usage_months": 12}]

)

print("🔎 Prediction:", result)

5.3 モニタリング・アラート設定

メトリクス	推奨閾値（例）
`aiplatform.googleapis.com/prediction/latency` (秒)	> 0.5 秒 → アラート
`aiplatform.googleapis.com/prediction/request_count`	前日比 +30 % 以上の急増
`cpu/utilization`（エンドポイント VM）	> 80 % が 5 分以上続く

Alert Policy (YAML)

displayName: &quot;Vertex AI High Latency&quot;
combinationRule:
  conditionThreshold:
    filter: 'metric.type=&quot;aiplatform.googleapis.com/prediction/latency&quot; AND resource.type=&quot;vertex_ai_endpoint&quot;'
    comparison: COMPARISON_GT
    thresholdValue: 0.5          # 秒単位（500 ms）
    duration: 300s               # 5 分間継続

displayName: "Vertex AI High Latency"

combinationRule:

conditionThreshold:

filter: 'metric.type="aiplatform.googleapis.com/prediction/latency" AND resource.type="vertex_ai_endpoint"'

comparison: COMPARISON_GT

thresholdValue: 0.5 # 秒単位（500 ms）

duration: 300s # 5 分間継続

詳細は Cloud Monitoring の公式ガイドをご参照ください【7】

5.4 セキュリティ・コスト最適化チェックリスト

IAM：エンドポイントへのアクセスは roles/aiplatform.endpointUser のみ付与し、必要に応じて VPC Service Controls でネットワーク制限
暗号化：Cloud Storage / BigQuery は顧客管理キー（CMEK）を有効化【8】
プライベート接続：Private Service Connect により VPC 内からのみエンドポイントにアクセス
スケーリング：min_replica_count=0 でアイドル時は自動停止 → コスト削減
ログ保持：Cloud Logging の保存期間を 30 日に設定し、不要な長期保管を回避
予算アラート：Billing の予算機能で月間上限の 80 % に達したらメール/Slack 通知

6. 参考文献（リンク先はすべて公式ドキュメント）

番号	タイトル / 内容	URL
[1]	「Vertex AI が UI と API を統一、コード量が約 80 % 短縮」ブログ記事（Google Cloud Official Blog）	https://cloud.google.com/blog/products/ai-platform/vertex-ai-unifies-ui-and-api
[2]	2026 年の Google I/O 発表スライド（Gemini 系機能は「検討中」)	https://events.google.com/io/
[3]	API 有効化手順（gcloud コマンド）	https://cloud.google.com/endpoints/docs/openapi/enable-api
[4]	IAM の最小権限ベストプラクティス	https://cloud.google.com/iam/docs/best-practices
[5]	AlloyDB for PostgreSQL – IAM 認証とロール設定	https://cloud.google.com/alloydb/docs/authentication
[6]	Vertex AI Pipelines の KFP 互換性ガイド	https://cloud.google.com/vertex-ai/docs/pipelines/kfp-compatibility
[7]	Cloud Monitoring – カスタムアラートポリシー作成方法	https://cloud.google.com/monitoring/alerts/concepts-indepth
[8]	Customer‑Managed Encryption Keys (CMEK) の設定手順	https://cloud.google.com/kms/docs/cmek

まとめ

Vertex AI は 2026 年においても、データ取得からモデルデプロイまでを単一プラットフォームで完結できる唯一のマネージドサービスです。
最小権限 IAM と API 有効化 を正しく行うことで、セキュアかつスケーラブルな開発基盤がすぐに構築できます。
データソース（Storage・BigQuery・AlloyDB） は公式 SDK が直接利用でき、パイプライン内で統一的に扱える点が大きな利点です。
CI/CD には Cloud Build + Artifact Registry の組み合わせを採用し、pipeline.yaml を自動生成してコード変更から本番デプロイまでを完全自動化します。
運用フェーズ ではエンドポイントのモニタリングと IAM/ネットワーク制御を徹底し、コストはスケーリング設定で最適化できます。

この手順に沿って環境を整備すれば、2026 年でも最新のベストプラクティスに則った 安全・高速・コスト効率的 な機械学習システムを構築できるでしょう。