2024年版 Google Cloudで Vertex AI と Gemini API をゼロから構築する方法

2026年4月21日

Contents

1 1️⃣ 前提条件と準備
2 2️⃣ GCP プロジェクトの作成
- 2.1 手順概要
3 3️⃣ Vertex AI と Gemini API の有効化
4 4️⃣ 課金設定・無料枠の確認
- 4.1 予算とアラートの設定例
5 5️⃣ IAM ロールとサービスアカウントの最小権限構成
- 5.1 5‑1. サービスアカウント作成
- 5.2 5‑2. 必要ロールの付与（最小権限）
6 6️⃣ データセット作成・Cloud Storage へのアップロード
- 6.1 6‑1. ファイルフォーマット例
  - 6.1.1 CSV（ヘッダー必須）
  - 6.1.2 JSONL（1 行 1 オブジェクト）
- 6.2 6‑2. バケット作成とデータアップロード
7 7️⃣ Gemini API キーを Secret Manager に保存
8 8️⃣ モデルエンドポイントの作成とデプロイ
9 9️⃣ モニタリング・ロギング・コスト管理
10 🔟 CI/CD（Cloud Build + Terraform）
- 10.1 10‑1. Terraform でインフラ定義（抜粋）
- 10.2 10‑2. Cloud Build のパイプライン
  - 10.2.1 deploy_endpoint.py（簡易例）
11 1️⃣1️⃣ よくある課題と対処法
12 1️⃣2️⃣ まとめ
13 参考文献

スポンサードリンク

1️⃣ 前提条件と準備

必要なもの	内容
Google アカウント	GCP の無料トライアルに登録できる個人または企業アカウント
ブラウザ	Chrome / Edge 推奨（Google Cloud Console の UI が最適化）
ローカル環境	`gcloud` CLI、`python >=3.9`、`node >=18`、`terraform >=1.5` がインストール済み
権限	プロジェクト作成者（Owner）または Billing Administrator の権限が必要

※ UI は頻繁に更新されます。最新のナビゲーションは公式コンソールヘルプ[^1]をご確認ください。

2️⃣ GCP プロジェクトの作成

手順概要

ステップ	操作
①	https://console.cloud.google.com/ にアクセスし、Google アカウントでサインイン
②	左上メニュー（ハンバーガーアイコン） → 「プロジェクト」を選択
③	「新しいプロジェクト」ボタンをクリック
④	プロジェクト名、プロジェクト ID、リージョン（例: `us-central1`）を入力し作成
⑤	作成直後に課金アカウントを紐付ける画面が表示されます。自動的に $300 のトライアルクレジットが付与されます[^2]

ポイント
- UI が 2024/09 に刷新されたことを踏まえて、左サイドバーでは「リソース管理」→「プロジェクト」の順に辿りますが、将来的にメニュー項目名が変わる可能性があります。公式ドキュメントで最新構成を随時確認してください。

3️⃣ Vertex AI と Gemini API の有効化

# 必要なサービスを一括有効化
gcloud services enable \
  aiplatform.googleapis.com \
  cloudresourcemanager.googleapis.com \
  secretmanager.googleapis.com

# 必要なサービスを一括有効化

gcloud services enable \

aiplatform.googleapis.com \

cloudresourcemanager.googleapis.com \

secretmanager.googleapis.com

API	用途
`aiplatform.googleapis.com`	Vertex AI の全機能（データセット、トレーニング、エンドポイント）
`gemini.googleapis.com` (※ Gemini は `aiplatform.googleapis.com` に統合)	Generative AI モデル呼び出し

参考：Google が公開している「Vertex AI の無料枠とトライアル」ページに、Gemini 1.5‑pro の月間 30 M トークンまでが無償で利用可能と記載されています[^3]。

4️⃣ 課金設定・無料枠の確認

項目	内容	出典
トライアルクレジット	新規アカウントに $300（90 日間）を自動付与	[^2]
Vertex AI 無料枠	トレーニング・デプロイ 1000 時間まで無料	Google Cloud Billing Docs
Gemini API 無料トークン	月間 30 M トークン（約 300,000 リクエスト）まで無償	[^3]

予算とアラートの設定例

# 月額 $20 の予算を作成し、超過時にメール通知
gcloud beta billing budgets create \
  --billing-account=YOUR_BILLING_ACCOUNT_ID \
  --display-name=&quot;GenAI Monthly Budget&quot; \
  --budget-amount=20 \
  --threshold-rule-percentage=0.5,1.0 \
  --all-updates-rule-email-recipients=user@example.com

# 月額 $20 の予算を作成し、超過時にメール通知

gcloud beta billing budgets create \

--billing-account=YOUR_BILLING_ACCOUNT_ID \

--display-name="GenAI Monthly Budget" \

--budget-amount=20 \

--threshold-rule-percentage=0.5,1.0 \

--all-updates-rule-email-recipients=user@example.com

5️⃣ IAM ロールとサービスアカウントの最小権限構成

5‑1. サービスアカウント作成

gcloud iam service-accounts create genai-sa \
  --display-name=&quot;Generative AI Service Account&quot;

gcloud iam service-accounts create genai-sa \

--display-name="Generative AI Service Account"

5‑2. 必要ロールの付与（最小権限）

ロール	権限概要
`roles/aiplatform.user`	Vertex AI のモデル作成・デプロイ・エンドポイント操作
`roles/secretmanager.secretAccessor`	Secret Manager からシークレット取得
`roles/storage.objectViewer` (オプション)	データセット格納バケットの読み取り

PROJECT_ID=$(gcloud config get-value project)

# aiplatform.user ロール付与
gcloud projects add-iam-policy-binding $PROJECT_ID \
  --member=&quot;serviceAccount:genai-sa@$PROJECT_ID.iam.gserviceaccount.com&quot; \
  --role=&quot;roles/aiplatform.user&quot;

# Secret Manager アクセス権追加
gcloud projects add-iam-policy-binding $PROJECT_ID \
  --member=&quot;serviceMember:serviceAccount:genai-sa@$PROJECT_ID.iam.gserviceaccount.com&quot; \
  --role=&quot;roles/secretmanager.secretAccessor&quot;

PROJECT_ID=$(gcloud config get-value project)

# aiplatform.user ロール付与

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

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

--role="roles/aiplatform.user"

# Secret Manager アクセス権追加

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

--member="serviceMember:serviceAccount:genai-sa@$PROJECT_ID.iam.gserviceaccount.com" \

--role="roles/secretmanager.secretAccessor"

ベストプラクティス：Google が推奨する「最小権限の原則」[^4] に従い、不要なロールは付与しない。

6️⃣ データセット作成・Cloud Storage へのアップロード

6‑1. ファイルフォーマット例

CSV（ヘッダー必須）

prompt,completion
&quot;東京の天気は？&quot;,&quot;晴れです。&quot;
&quot;Python のリストを逆順にする方法は？&quot;,&quot;list.reverse() を使用します。&quot;

prompt,completion

"東京の天気は？","晴れです。"

"Python のリストを逆順にする方法は？","list.reverse() を使用します。"

JSONL（1 行 1 オブジェクト）

{&quot;prompt&quot;:&quot;東京の天気は？&quot;,&quot;completion&quot;:&quot;晴れです。&quot;}
{&quot;prompt&quot;:&quot;Python のリストを逆順にする方法は？&quot;,&quot;completion&quot;:&quot;list.reverse() を使用します。&quot;}

{"prompt":"東京の天気は？","completion":"晴れです。"}

{"prompt":"Python のリストを逆順にする方法は？","completion":"list.reverse() を使用します。"}

6‑2. バケット作成とデータアップロード

# バケット作成（リージョンはプロジェクトと同じ us-central1 推奨）
gsutil mb -l us-central1 gs://my-genai-dataset/

# データファイルをアップロード
gsutil cp dataset.csv gs://my-genai-dataset/

# バケット作成（リージョンはプロジェクトと同じ us-central1 推奨）

gsutil mb -l us-central1 gs://my-genai-dataset/

# データファイルをアップロード

gsutil cp dataset.csv gs://my-genai-dataset/

ポイント：Vertex AI のデータセットインポートは、対象バケットの storage.objectViewer 権限が必要です。サービスアカウントに付与済みか確認してください。

7️⃣ Gemini API キーを Secret Manager に保存

7‑1. API キー取得手順（コンソール）

コンソール左メニュー → 「API とサービス」 → 「認証情報」
「認証情報を作成」→ 「API キー」 を選択し、表示されたキーをコピー

注意：生成したキーは一度だけ表示されます。必ず安全な場所に保存してください。

7‑2. Secret Manager にシークレットとして格納

printf &quot;YOUR_GEMINI_API_KEY&quot; | \
gcloud secrets create gemini-api-key \
  --replication-policy=&quot;automatic&quot;

# サービスアカウントへアクセス権付与
gcloud secrets add-iam-policy-binding gemini-api-key \
  --member=&quot;serviceAccount:genai-sa@$PROJECT_ID.iam.gserviceaccount.com&quot; \
  --role=&quot;roles/secretmanager.secretAccessor&quot;

printf "YOUR_GEMINI_API_KEY" | \

gcloud secrets create gemini-api-key \

--replication-policy="automatic"

# サービスアカウントへアクセス権付与

gcloud secrets add-iam-policy-binding gemini-api-key \

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

--role="roles/secretmanager.secretAccessor"

7‑3. Python で取得するユーティリティ

from google.cloud import secretmanager

def get_gemini_key(project_id: str) -&gt; str:
    client = secretmanager.SecretManagerServiceClient()
    name = f&quot;projects/{project_id}/secrets/gemini-api-key/versions/latest&quot;
    response = client.access_secret_version(request={&quot;name&quot;: name})
    return response.payload.data.decode(&quot;UTF-8&quot;)

from google.cloud import secretmanager

def get_gemini_key(project_id: str) -> str:

client = secretmanager.SecretManagerServiceClient()

name = f"projects/{project_id}/secrets/gemini-api-key/versions/latest"

response = client.access_secret_version(request={"name": name})

return response.payload.data.decode("UTF-8")

8️⃣ モデルエンドポイントの作成とデプロイ

8‑1. Python クライアントで Gemini にプロンプト送信

import os
from google.cloud import aiplatform

PROJECT_ID = os.getenv(&quot;GOOGLE_CLOUD_PROJECT&quot;)
LOCATION   = &quot;us-central1&quot;

def init_aiplatform():
    client_options = {&quot;api_endpoint&quot;: f&quot;{LOCATION}-aiplatform.googleapis.com&quot;}
    aiplatform.init(project=PROJECT_ID, location=LOCATION,
                    client_options=client_options)

def generate_text(prompt: str) -&gt; str:
    model_name = &quot;gemini-1.5-pro&quot;
    model = aiplatform.Model(model_name=model_name)
    response = model.predict(instances=[{&quot;prompt&quot;: prompt}])
    return response.predictions[0][&quot;completion&quot;]

if __name__ == &quot;__main__&quot;:
    os.environ[&quot;GEMINI_API_KEY&quot;] = get_gemini_key(PROJECT_ID)   # Secret Manager から取得
    init_aiplatform()
    print(generate_text(&quot;東京のおすすめ観光スポットは？&quot;))

import os

from google.cloud import aiplatform

PROJECT_ID = os.getenv("GOOGLE_CLOUD_PROJECT")

LOCATION = "us-central1"

def init_aiplatform():

client_options = {"api_endpoint": f"{LOCATION}-aiplatform.googleapis.com"}

aiplatform.init(project=PROJECT_ID, location=LOCATION,

client_options=client_options)

def generate_text(prompt: str) -> str:

model_name = "gemini-1.5-pro"

model = aiplatform.Model(model_name=model_name)

response = model.predict(instances=[{"prompt": prompt}])

return response.predictions[0]["completion"]

if __name__ == "__main__":

os.environ["GEMINI_API_KEY"] = get_gemini_key(PROJECT_ID) # Secret Manager から取得

init_aiplatform()

print(generate_text("東京のおすすめ観光スポットは？"))

8‑2. エンドポイント作成（CLI）

# 1. エンドポイント作成
gcloud ai endpoints create \
  --region=us-central1 \
  --display-name=&quot;gemini-endpoint&quot;

# 2. モデルのアップロード（公式コンテナイメージ使用）
MODEL_ID=$(gcloud ai models upload \
  --region=us-central1 \
  --container-image-uri=gcr.io/cloud-aiplatform/prediction/gemini:latest \
  --display-name=&quot;gemini-model&quot; \
  --format=&quot;value(name)&quot;)

# 3. デプロイ（Auto‑Scaling 設定）
gcloud ai endpoints deploy-model $(gcloud ai endpoints list --region=us-central1 --format=&quot;value(name)&quot; --filter=&quot;display_name=gemini-endpoint&quot;) \
  --model=$MODEL_ID \
  --display-name=&quot;gemini-deployment&quot; \
  --machine-type=n1-standard-4 \
  --min-replica-count=1 \
  --max-replica-count=5 \
  --traffic-split=0=100

# 1. エンドポイント作成

gcloud ai endpoints create \

--region=us-central1 \

--display-name="gemini-endpoint"

# 2. モデルのアップロード（公式コンテナイメージ使用）

MODEL_ID=$(gcloud ai models upload \

--region=us-central1 \

--container-image-uri=gcr.io/cloud-aiplatform/prediction/gemini:latest \

--display-name="gemini-model" \

--format="value(name)")

# 3. デプロイ（Auto‑Scaling 設定）

gcloud ai endpoints deploy-model $(gcloud ai endpoints list --region=us-central1 --format="value(name)" --filter="display_name=gemini-endpoint") \

--model=$MODEL_ID \

--display-name="gemini-deployment" \

--machine-type=n1-standard-4 \

--min-replica-count=1 \

--max-replica-count=5 \

--traffic-split=0=100

8‑3. Node.js バージョン（参考実装）

const {EndpointServiceClient} = require('@google-cloud/aiplatform').v1;
const {SecretManagerServiceClient} = require('@google-cloud/secret-manager');

async function getGeminiKey() {
  const client = new SecretManagerServiceClient();
  const [version] = await client.accessSecretVersion({
    name: `projects/${process.env.GCLOUD_PROJECT}/secrets/gemini-api-key/versions/latest`,
  });
  return version.payload.data.toString('utf8');
}

async function generateText(prompt) {
  const endpointClient = new EndpointServiceClient();
  const endpoint = `projects/${process.env.GCLOUD_PROJECT}/locations/us-central1/endpoints/&lt;ENDPOINT_ID&gt;`;
  const request = {
    endpoint,
    instances: [{prompt}],
    parameters: {},
  };
  const [response] = await endpointClient.predict(request);
  console.log(response.predictions[0].completion);
}

(async () =&gt; {
  process.env.GEMINI_API_KEY = await getGeminiKey();
  await generateText('Python のリスト内包表記の例は？');
})();

const {EndpointServiceClient} = require('@google-cloud/aiplatform').v1;

const {SecretManagerServiceClient} = require('@google-cloud/secret-manager');

async function getGeminiKey() {

const client = new SecretManagerServiceClient();

const [version] = await client.accessSecretVersion({

name: `projects/${process.env.GCLOUD_PROJECT}/secrets/gemini-api-key/versions/latest`,

});

return version.payload.data.toString('utf8');

}

async function generateText(prompt) {

const endpointClient = new EndpointServiceClient();

const endpoint = `projects/${process.env.GCLOUD_PROJECT}/locations/us-central1/endpoints/<ENDPOINT_ID>`;

const request = {

endpoint,

instances: [{prompt}],

parameters: {},

};

const [response] = await endpointClient.predict(request);

console.log(response.predictions[0].completion);

}

(async () => {

process.env.GEMINI_API_KEY = await getGeminiKey();

await generateText('Python のリスト内包表記の例は？');

})();

Tip：<ENDPOINT_ID> は gcloud ai endpoints list コマンドで取得できます。

9️⃣ モニタリング・ロギング・コスト管理

9‑1. ログの確認

Logging ビューア：コンソール → 「ログビューア」 → フィルタ resource.type="aiplatform_endpoint"
主なフィールド: prediction.input, prediction.output, response.status

9‑2. メトリクスとアラート

メトリクス	推奨閾値例
`aiplatform.googleapis.com/endpoint/prediction_latency`	平均 > 2 秒 → Slack 通知
`aiplatform.googleapis.com/endpoint/prediction_error_count`	1 時間あたり > 5 件 → メール警告

アラート作成（CLI）

gcloud monitoring policies create \
  --notification-channels=YOUR_SLACK_CHANNEL_ID \
  --condition-display-name=&quot;High Prediction Latency&quot; \
  --condition-filter='metric.type=&quot;aiplatform.googleapis.com/endpoint/prediction_latency&quot;' \
  --condition-comparison=COMPARISON_GT \
  --condition-threshold-value=2 \
  --condition-duration=300s

gcloud monitoring policies create \

--notification-channels=YOUR_SLACK_CHANNEL_ID \

--condition-display-name="High Prediction Latency" \

--condition-filter='metric.type="aiplatform.googleapis.com/endpoint/prediction_latency"' \

--condition-comparison=COMPARISON_GT \

--condition-threshold-value=2 \

--condition-duration=300s

9‑3. コスト監視

予算アラートは上記 §4 の通り設定し、$20 を超えると Slack / Email に通知
BigQuery Export（オプション）で課金レポートを分析し、トークン使用量と実際の請求額を突き合わせる

🔟 CI/CD（Cloud Build + Terraform）

10‑1. Terraform でインフラ定義（抜粋）

terraform {
  required_version = &quot;&gt;= 1.5&quot;
  required_providers {
    google = { source = &quot;hashicorp/google&quot;, version = &quot;~&gt; 4.0&quot; }
  }
}

provider &quot;google&quot; {
  project = var.project_id
  region  = &quot;us-central1&quot;
}

resource &quot;google_project_service&quot; &quot;aiplatform&quot; {
  service = &quot;aiplatform.googleapis.com&quot;
}

resource &quot;google_ai_endpoint&quot; &quot;gemini_endpoint&quot; {
  display_name = &quot;gemini-endpoint&quot;
  location     = &quot;us-central1&quot;
}

terraform {

required_version = ">= 1.5"

required_providers {

google = { source = "hashicorp/google", version = "~> 4.0" }

}

provider "google" {

project = var.project_id

region = "us-central1"

}

resource "google_project_service" "aiplatform" {

service = "aiplatform.googleapis.com"

}

resource "google_ai_endpoint" "gemini_endpoint" {

display_name = "gemini-endpoint"

location = "us-central1"

}

10‑2. Cloud Build のパイプライン

cloudbuild.yaml

steps:
# Terraform 初期化・適用
- name: 'hashicorp/terraform:1.5.7'
  entrypoint: '/bin/sh'
  args:
    - '-c'
    - |
      terraform init -input=false
      terraform apply -auto-approve -input=false

# デプロイスクリプト（Python）実行
- name: 'gcr.io/google.com/cloudsdktool/cloud-sdk'
  entrypoint: 'bash'
  args:
    - '-c'
    - |
      pip install --quiet google-cloud-aiplatform
      python deploy_endpoint.py   # エンドポイント作成・モデルデプロイ

# バジェット/アラート設定（任意）
- name: 'gcr.io/google.com/cloudsdktool/cloud-sdk'
  entrypoint: 'bash'
  args:
    - '-c'
    - |
      gcloud beta billing budgets create --billing-account=$BILLING_ACCOUNT_ID \
        --display-name=&quot;GenAI Budget&quot; --budget-amount=20 \
        --threshold-rule-percentage=0.5,1.0
timeout: &quot;1200s&quot;

steps:

# Terraform 初期化・適用

- name: 'hashicorp/terraform:1.5.7'

entrypoint: '/bin/sh'

args:

- '-c'

- |

terraform init -input=false

terraform apply -auto-approve -input=false

# デプロイスクリプト（Python）実行

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

entrypoint: 'bash'

args:

- '-c'

- |

pip install --quiet google-cloud-aiplatform

python deploy_endpoint.py # エンドポイント作成・モデルデプロイ

# バジェット/アラート設定（任意）

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

entrypoint: 'bash'

args:

- '-c'

- |

gcloud beta billing budgets create --billing-account=$BILLING_ACCOUNT_ID \

--display-name="GenAI Budget" --budget-amount=20 \

--threshold-rule-percentage=0.5,1.0

timeout: "1200s"

`deploy_endpoint.py`（簡易例）

import os
from google.cloud import aiplatform

PROJECT = os.getenv(&quot;GOOGLE_CLOUD_PROJECT&quot;)
REGION  = &quot;us-central1&quot;

def main():
    aiplatform.init(project=PROJECT, location=REGION)
    endpoint = aiplatform.Endpoint.create(display_name=&quot;gemini-endpoint&quot;)
    model = aiplatform.Model.upload(
        display_name=&quot;gemini-model&quot;,
        container_image_uri=&quot;gcr.io/cloud-aiplatform/prediction/gemini:latest&quot;
    )
    model.deploy(endpoint=endpoint, machine_type=&quot;n1-standard-4&quot;,
                 min_replica_count=1, max_replica_count=5)
    print(f&quot;Endpoint {endpoint.resource_name} deployed successfully.&quot;)

if __name__ == &quot;__main__&quot;:
    main()

import os

from google.cloud import aiplatform

PROJECT = os.getenv("GOOGLE_CLOUD_PROJECT")

REGION = "us-central1"

def main():

aiplatform.init(project=PROJECT, location=REGION)

endpoint = aiplatform.Endpoint.create(display_name="gemini-endpoint")

model = aiplatform.Model.upload(

display_name="gemini-model",

container_image_uri="gcr.io/cloud-aiplatform/prediction/gemini:latest"

)

model.deploy(endpoint=endpoint, machine_type="n1-standard-4",

min_replica_count=1, max_replica_count=5)

print(f"Endpoint {endpoint.resource_name} deployed successfully.")

if __name__ == "__main__":

main()

メリット：コードの変更だけでインフラとデプロイが自動的に再構成され、手作業ミスを防げます。

1️⃣1️⃣ よくある課題と対処法

症状	原因例	解決策
「予期せぬ課金が発生」	Auto‑Scaling の `max-replica-count` が過大、もしくは無料トークン上限を超えている	`max-replica-count` を 2–3 に抑えるか、`budget alerts` で即時停止（`billing account disable`）
「モデルがデプロイできない」	コンテナイメージのバージョン不一致（最新は `gemini:latest` が非推奨）	Google の公式コンテナリストから現在サポートされているタグを確認[^5]
「Secret Manager からキーが取得できない」	サービスアカウントに `secretAccessor` ロール未付与、またはシークレットのレプリケーション設定が不適切	IAM バインディングを再度確認し、`automatic` レプリケーションで全リージョンからアクセス可能に
「データセット取り込み時にバリデーションエラー」	CSV のヘッダー名が `prompt,completion` 以外、または空行が混在	ファイルをローカルで `csvlint` / `jq` にて検証し、必ずヘッダーと UTF‑8 エンコーディングに統一

1️⃣2️⃣ まとめ

プロジェクト作成 → サービス有効化 → 最小権限のサービスアカウント の順でセットアップすれば、数分で開発環境が整います。
無料枠 + $300 トライアルクレジット をフル活用すれば、実験段階のコストはほぼゼロです（ただしトークン上限と自動スケーリングには注意）。
Secret Manager と IAM の最小権限 によって API キー漏洩リスクを低減し、予算アラート + Cloud Monitoring が運用の安全弁となります。
CI/CD（Terraform + Cloud Build） を導入すれば、インフラ変更・モデル再デプロイがコードレビューと同様に管理でき、チーム開発に必須です。

これらを踏まえて、まずは無料クレジットで「my‑genai‑demo」プロジェクトを作成し、サンプルコード (generate_text) を実行してみてください。その後、独自データセットとカスタムモデルに置き換えるだけで、本格的な生成 AI アプリが完成します。

参考文献

[^1]: Google Cloud Console ヘルプ – 「ナビゲーションメニューの使用方法」 https://cloud.google.com/docs/overview/navigation
[^2]: 無料トライアルと $300 クレジットの詳細 – Google Cloud Free Tier https://cloud.google.com/free
[^3]: Gemini API の無料トークン情報 – 「Generative AI on Vertex AI」 https://cloud.google.com/vertex-ai/generative-ai/docs/model-reference/gemini#pricing
[^4]: 最小権限の原則（Least Privilege） – Google Cloud Security Best Practices https://cloud.google.com/security/best-practices/least-privilege
[^5]: Vertex AI 用公式コンテナイメージ一覧 – https://cloud.google.com/vertex-ai/docs/predictions/pre-built-containers

スポンサードリンク

-GCP

comment コメントをキャンセル

: GCP

GCPで構築する最新データレイク入門：Dataplex・BigLake活用ガイド

本稿では GCP の主要サービスを用いたデータレイクの基本概念から構築手順、Dataplex ゾーン作成、BigLake 外部テーブル活用まで実践的に解説します。

: GCP

BigQuery と Looker Studio の徹底比較と活用ベストプラクティス

データ量増大とリアルタイム分析需要に応え、BigQuery と Looker Studio の組み合わせが注目されています。本記事では両者の特徴・メリット・デメリットを比較し、実務シナリオ別に最適な活用方法を提示します。

: GCP

BigQuery データガバナンス完全ガイド：Dataplex・IAM・ポリシータグ・DLPの活用

本記事では、BigQuery のデータガバナンスに必要な Dataplex、IAM、ポリシータグ、DLP の4つの主要機能を体系的に解説し、カタログ作成から IAM ベストプラクティス、列レベルセキュリティ、監査ログ設定までの具体的手順と運用チェックポイントを提供します。

: GCP

BigQueryで実装する最新地理空間分析事例とベストプラクティス

本記事では、BigQueryのST_GEOGPOINT・ST_BUFFERなど主要関数を活用した不動産市場分析、ハリケーン進路可視化、Earth Engine連携事例と、大規模データ向け最適化・セキュリティ対策を具体的なSQLで解説します。

: GCP

Gemini AI と Vertex AI の最新アップデートと業界活用事例（2024‑2025）

Gemini AI はテキスト・画像・音声を統合したマルチモーダル LLMで、2024‑2025 年のアップデートにより推論遅延が低減し、実運用ハードルが大幅に下がっています。Vertex AI とのシームレスな連携方法や業界別活用事例を紹介します。

MCP（Model Context Protocol）概要とPython・Kotlin実装ガイド

Audible 30日間無料体験の申し込み方法と解約手順【初心者向け】

2024年版 Google Cloudで Vertex AI と Gemini API をゼロから構築する方法

1️⃣ 前提条件と準備

2️⃣ GCP プロジェクトの作成

手順概要

3️⃣ Vertex AI と Gemini API の有効化

4️⃣ 課金設定・無料枠の確認

予算とアラートの設定例

5️⃣ IAM ロールとサービスアカウントの最小権限構成

5‑1. サービスアカウント作成

5‑2. 必要ロールの付与（最小権限）

6️⃣ データセット作成・Cloud Storage へのアップロード

6‑1. ファイルフォーマット例

CSV（ヘッダー必須）

JSONL（1 行 1 オブジェクト）

6‑2. バケット作成とデータアップロード

7️⃣ Gemini API キーを Secret Manager に保存

7‑1. API キー取得手順（コンソール）

7‑2. Secret Manager にシークレットとして格納

7‑3. Python で取得するユーティリティ

8️⃣ モデルエンドポイントの作成とデプロイ

8‑1. Python クライアントで Gemini にプロンプト送信

8‑2. エンドポイント作成（CLI）

8‑3. Node.js バージョン（参考実装）

9️⃣ モニタリング・ロギング・コスト管理

9‑1. ログの確認

9‑2. メトリクスとアラート

アラート作成（CLI）

9‑3. コスト監視

🔟 CI/CD（Cloud Build + Terraform）

10‑1. Terraform でインフラ定義（抜粋）

10‑2. Cloud Build のパイプライン

deploy_endpoint.py（簡易例）

1️⃣1️⃣ よくある課題と対処法

1️⃣2️⃣ まとめ

参考文献

3️⃣ Vertex AI と Gemini API の有効化

`deploy_endpoint.py`（簡易例）