Google CloudではじめるAI/ML入門

まえがき

第I部　サービス紹介編

1章　データサイエンス概論
    1.1　はじめに
    1.2　データサイエンスの定義と目的
        1.2.1　データサイエンスの基本概念
        1.2.2　データサイエンスがビジネスや技術分野で果たす役割
        1.2.3　データサイエンスと人工知能
        1.2.4　データの収集、分析、可視化、モデリング、意思決定支援の流れ
    1.3　まとめ

2章　Google Cloudにおけるデータサイエンス
    2.1　はじめに
    2.2　クラウドコンピューティングとは
        2.2.1　無料クレジットの活用
    2.3　クラウドでよく聞く用語集
        2.3.1　IaaS、PaaS、SaaS 
        2.3.2　デプロイメント戦略
    2.4　Google Cloud の概要
        2.4.1　Google Cloud の主要なデータサイエンス関連サービス
    2.5　学習済みのAI を使う
        2.5.1　Agent Platformの生成AI 機能
        2.5.2　Model Garden 
        2.5.3　Translation API
        2.5.4　Speech-to-Text
        2.5.5　その他の事前学習済みAI サービス
    2.6　まとめ

3章　Google Cloudの準備
    3.1　はじめに
    3.2　Google Cloud の構成要素
        3.2.1　組織（Organization） 
        3.2.2　フォルダ（Folder） 
        3.2.3　プロジェクト（Project）
        3.2.4　リソース（Resource） 
    3.3　IAM（Identity and Access Management）
        3.3.1　IAMの概要
    3.4　サービスアカウント（Service Account）
        3.4.1　サービスアカウントとは
        3.4.2　サービスアカウントの利用場面
        3.4.3　キー管理の重要性
    3.5　課金の基本と予算アラート
    3.6　リソースの地理的な場所：リージョンとゾーン
    3.7　Google Cloud の初期設定
        3.7.1　Googleアカウントの作成
        3.7.2　Google Cloud Console へのログイン
        3.7.3　Google Cloud プロジェクトを作成する
        3.7.4　言語を日本語にする
    3.8　Cloud Shell とgcloud コマンドラインツール
        3.8.1　gcloud の初期設定（gcloud init）
        3.8.2　ユーザーアカウントでの再認証（gcloud auth login） 
        3.8.3　アプリケーションのデフォルト認証（gcloud auth application-default login）
        3.8.4　認証方法の使い分け
    3.9　ハンズオン：プロジェクトの安全対策と基本設定
        3.9.1　ハンズオンの準備：プロジェクトIDの確認
        3.9.2　ハンズオン：予算アラートの設定
        3.9.3　ハンズオン：サービスアカウントの作成
        3.9.4　ハンズオン: IAMによる権限付与
    3.10　ハンズオン：サービスアカウントの権限借用（Impersonation） 
        3.10.1　権限借用されるサービスアカウントの準備
        3.10.2　ユーザーへの借用権限の付与
        3.10.3　gcloud による権限借用と動作確認
    3.11　まとめ

4章　最新のデータ基盤とデータ処理
    4.1　はじめに
    4.2　最新のデータ基盤とガバナンス
        4.2.1　データ基盤の進化
    4.3　Cloud Storage：ビッグデータを支えるデータレイクとしての役割
        4.3.1　従来のデータ保管の課題とデータレイクの必要性
        4.3.2　Cloud Storage が提供する解決策
        4.3.3　ハンズオン: Cloud Storage をデータ置き場として使う
        4.3.4　より実践的なデータ管理
    4.4　BigQuery: Google Cloud が誇るビッグデータ分析基盤
        4.4.1　BigQuery のリソース階層
        4.4.2　BigQuery データセットの作成
        4.4.3　bq load コマンドでデータをロード
    4.5　Lakehouse：データのサイロを解消する統合ストレージエンジン
        4.5.1　従来の課題: データのサイロ化と移動コスト
        4.5.2　Lakehouseが提供する解決策
        4.5.3　Lakehouseの活用メリット
    4.6　Knowledge Catalog：インテリジェントデータファブリック
        4.6.1　Knowledge Catalog の役割とデータメッシュ
        4.6.2　Knowledge Catalog の主要機能
    4.7　データ処理とパイプラインの構築
        4.7.1　Google Cloud のETL/ELTサービス選択ガイド
    4.8　Cloud Data Fusion: GUIによるノーコードETL
        4.8.1　主な機能とメリット
        4.8.2　アーキテクチャ
    4.9　Managed Service for Apache Spark：Hadoopのモダナイゼーション
        4.9.1　オンプレミスからの移行とモダナイゼーション
        4.9.2　Managed Service for Apache Spark Serverless
        4.9.3　Agent Platform　との連携
        4.9.4　その他の機能
    4.10　Dataflow：サーバーレスで統合されたデータ処理
        4.10.1　Dataflowの核心：Apache Beamモデル
        4.10.2　Python SDKによるパイプライン記述例
        4.10.3　Dataflowの高度な機能
    4.11　Managed Service for Apache Airflow：ワークフローのオーケストレーション
        4.11.1　Apache Airflowのフルマネージドサービス
        4.11.2　Managed Service for Apache Airflow 3 の進化（2024-2025） 
        4.11.3　DAGの記述例
    4.12　Dataform：BigQuery のためのモダンなELT 
        4.12.1　Dataformの主な特徴
        4.12.2　Dataformを活用した高度なデータパイプライン構築
        4.12.3　Dataformハンズオン：データパイプライン構築
    4.13　まとめ

5章　データ分析、AI/ML開発環境を構築する
    5.1　はじめに
    5.2　本章の目的と前提条件
        5.2.1　ハンズオンで使用する共通設定
    5.3　クラウドネイティブな開発環境
        5.3.1　比較の観点
        5.3.2　Colab Enterprise 
        5.3.3　BigQuery Studio
        5.3.4　Workbench 
        5.3.5　Cloud Workstations 
        5.3.6　マネージドサービスのコストを正当化する（TCOの考え方） 
        5.3.7　ハンズオン時の費用確認
        5.3.8　サービス選択フロー
    5.4　各サービスの利用方法
        5.4.1　共通：サービス画面への移動とAPI有効化
        5.4.2　Colab Enterprise 
        5.4.3　BigQuery Studio
        5.4.4　Workbench 
        5.4.5　Cloud Workstations 
    5.5　ローカル開発環境とハイブリッドワークフロー
        5.5.1　Google Cloud SDK（gcloud CLI）の確認
        5.5.2　Python 開発環境の構築（uv）
        5.5.3　ローカルからの認証設定（ADC）
        5.5.4　ハンズオン：ローカルPython からBigQuery を操作する
    5.6　まとめ

6章　BigQueryを活用したデータ分析と機械学習
    6.1　はじめに
        6.1.1　前提条件
    6.2　BigQuery の基礎知識
        6.2.1　BigQuery のアーキテクチャ
        6.2.2　一般的なデータウェアハウスとの違い
        6.2.3　BigQuery の現在：Data to AI プラットフォームへの進化
        6.2.4　BigQuery のリソース構造とデータ管理
        6.2.5　BigQuery Studio：統合された分析、開発環境
        6.2.6　Gemini in BigQuery：AI による分析支援
        6.2.7　ハンズオン：クエリの実行
    6.3　SQLによるデータ分析の実践
        6.3.1　Google SQLの基本構文と主要な句
        6.3.2　BigQuery の主要な関数群
        6.3.3　直感的に記述できるPipe Syntax
        6.3.4　実践：GA4パブリックデータセットを用いた分析
    6.4　運用を支える便利な機能
        6.4.1　スケジューリングクエリ（Scheduled Queries） 
        6.4.2　継続的クエリ（Continuous Queries）
        6.4.3　BigQuery Omni on AWS/Azure：クロスクラウドデータ分析
        6.4.4　データの取り込みと出力（Importing & Exporting Data）
        6.4.5　Data Transfer Service （DTS）による自動化
        6.4.6　BigQuery Sharing：組織の枠を超えたデータ共有
        6.4.7　BigQuery の課金体系とコスト最適化
    6.5　BigQuery MLと生成AI アプリケーション開発
        6.5.1　BigQuery MLの基礎：SQLで機械学習
        6.5.2　モデル作成のステップ
        6.5.3　生成AI モデルの活用（Gen AI）
        6.5.4　Cloud AI APIによるマルチモーダル分析
        6.5.5　ベクトル検索とエンベディング（RAGの構築）
        6.5.6　Agent Platformとの連携（MLOps） 
        6.5.7　BigQuery DataFrames：Python による大規模データ処理とML
    6.6　高度な分析機能とエージェント
        6.6.1　BigQuery Data Science Agent
        6.6.2　BigQuery データキャンバス（Data Canvas）
        6.6.3　会話型分析とConversational Analytics API
    6.7　まとめ

7章　Gemini Enterprise Agent Platformによるモデル開発の実践
    7.1　はじめに
        7.1.1　前提条件
    7.2　ハンズオンの準備：データと環境のセットアップ
        7.2.1　BigQuery データセットの作成
        7.2.2　BigQuery SQLワークスペースでのクエリ実行
    7.3　ノーコードでの挑戦：AutoMLによる高速なモデル開発
        7.3.1　手順1：Agent Platformデータセットの作成（BigQuery から直接） 
        7.3.2　手順2：モデルのトレーニングを開始する
        7.3.3　手順3：トレーニングの詳細設定
        7.3.4　手順4：モデルの評価と解釈
        7.3.5　手順5：（オプション）バッチ予測の実行
    7.4　コードベースでの探求：インタラクティブな開発環境
        7.4.1　ハンズオン：Workbench / Colab Enterprise でのMLワークフロー
    7.5　トレーニングの本格化：Agent Platform Managed Training によるサーバーレス実行
        7.5.1　LightGBMモデルのカスタムトレーニング（CPU） 
        7.5.2　さらなるスケールアップ：複数ワーカー構成（分散学習の入口） 
        7.5.3　最適なモデルを自動で探索：ハイパーパラメーターチューニング
        7.5.4　発展：ディープラーニングモデルでの挑戦（GPU）
    7.6　実行の自動化：Cloud Scheduler による定期実行
        7.6.1　Cloud Scheduler によるCustom Training ジョブの定期実行
        7.6.2　スケジュールされた実行（旧称：ノートブックの定期実行） 
    7.7　ツールの使い分けと考え方
        7.7.1　Agent Platform開発ツールの使い分け
        7.7.2　Custom Training におけるCPUとGPUの使い分け
    7.8　発展ハンズオン：画像分類モデルの構築
        7.8.1　準備とAgent Platformへの登録
        7.8.2　AutoMLとCustom Training での学習
    7.9　リソース削除まとめ
    7.10　まとめ
        7.10.1　学習からデプロイまでの全体像
        7.10.2　MLOpsの世界へ
        7.10.3　次のステップ

8章　機械学習パイプラインによるMLOpsの実現
    8.1　はじめに
    8.2　MLOpsのモチベーションと必要な構成要素
    8.3　Agent Platform Pipelines におけるSDKの選択
    8.4　環境構築
        8.4.1　必要なライブラリのインストール
        8.4.2　Agent Platform API（旧称：Vertex AI API）の有効化
    8.5　Agent Platform Pipelines を活用した機械学習パイプラインの構築
        8.5.1　アーティファクトとは
        8.5.2　必要なライブラリのインポートとプロジェクト情報の設定
        8.5.3　パイプラインの定義
        8.5.4　各種コンポーネントの定義
        8.5.5　パイプラインのコンパイル
        8.5.6　パイプラインをAgent Platform Pipelines で実行する
        8.5.7　実行結果を確認する
    8.6　Agent Platform ML Metadata でアーティファクトと履歴を管理する
    8.7　コンテナ化されたPython コンポーネントを作成する
        8.7.1　ディレクトリ構成
        8.7.2　ヘルパーモジュールの作成
        8.7.3　コンポーネント本体の作成
        8.7.4　コンテナイメージのビルド
        8.7.5　パイプラインの定義
        8.7.6　パイプラインのコンパイルと実行
    8.8　Agent Platform Experiments を用いた実験管理
    8.9　スケジューラを用いて定期実行をしてみよう
    8.10　まとめ
        8.10.1　次のステップ

9章　Agent Platform Inferenceを用いた予測基盤の構築
    9.1　はじめに
    9.2　Agent Platform Inference の概要
        9.2.1　バッチ予測とオンライン予測
        9.2.2　どちらを選ぶべきか：ユースケース別ガイド
        9.2.3　Agent Platform Endpoints とは
        9.2.4　事前構築済み予測コンテナとは
        9.2.5　本章で実装する内容
    9.3　環境構築
        9.3.1　Python のバージョン確認
        9.3.2　必要なライブラリのインストール
        9.3.3　環境変数の設定
        9.3.4　8章で作成したリソースの確認
    9.4　バッチ予測の実装
        9.4.1　Batch Prediction Job の仕組み
        9.4.2　バッチ予測の実装
        9.4.3　バッチ予測の入力データ形式
        9.4.4　予測用データの準備
        9.4.5　バッチ予測ジョブの作成と実行
        9.4.6　バッチ予測結果の確認
    9.5　Endpoint の作成とモデルのデプロイ
        9.5.1　Endpoint 作成の概要
        9.5.2　2 つのデプロイ方法
        9.5.3　パイプラインコンポーネントを使用したデプロイ
        9.5.4　デプロイパラメーター
        9.5.5　デプロイ結果の確認
    9.6　オンライン予測の実装
        9.6.1　オンライン予測の入出力スキーマ
        9.6.2　オンライン予測の実装
        9.6.3　Endpoint の取得
        9.6.4　前処理関数の実装
        9.6.5　Python SDKを使用したオンライン予測
        9.6.6　予測結果の解釈
        9.6.7　オンライン予測スクリプトの実行
    9.7　コスト最適化とスケーリング
        9.7.1　バッチ予測とオンライン予測のコスト比較
        9.7.2　マシンタイプの選択
    9.8　リソースのクリーンアップ
    9.9　まとめ
        9.9.1　次のステップ

10章　Gemini Enterprise Agent Platformにおける生成AIサービス
    10.1　はじめに
    10.2　Agent Platformと生成AI：進化するプラットフォーム
        10.2.1　Agent Platform上で利用可能な主要生成AI モデル
    10.3　生成AI モデルの手軽な試行とカスタマイズ：Agent Studio 
        10.3.1　主な機能
        10.3.2　Geminiをテストする
        10.3.3　メディアコンテンツを生成する
        10.3.4　独自データでGeminiをチューニングする
    10.4　多様な生成AI モデルの発見と利用：Model Garden 
        10.4.1　Model Gardenを利用したモデルの発見から活用まで
    10.5　まとめ
        10.5.1　次のステップ

11章　Google ADKを用いたAIエージェント開発
    11.1　はじめに
    11.2　Google Cloud におけるAI エージェント開発
        11.2.1　Google ADK (Agent Development Kit) とは
        11.2.2　Agent Runtimeとは
        11.2.3　Gemini Enterprise アプリとは
        11.2.4　ADKエコシステムの全体像
        11.2.5　本章で構築するエージェント
    11.3　環境構築
        11.3.1　Python 環境のセットアップ
        11.3.2　ADKのインストール
        11.3.3　プロジェクトの作成
        11.3.4　Google Cloud プロジェクトの設定
    11.4　Google ADKでエージェント開発
        11.4.1　ADKの組み込みツール
        11.4.2　BigQueryToolset の設定
        11.4.3　エージェントの定義
        11.4.4　__init__.py の編集
        11.4.5　ローカルでのテスト
    11.5　Agent Runtimeへのデプロイ
        11.5.1　デプロイの準備
        11.5.2　デプロイの実行
        11.5.3　デプロイ後のテスト
        11.5.4　セッション管理
    11.6　Gemini Enterprise アプリとの連携
        11.6.1　Gemini Enterprise アプリの作成
        11.6.2　エージェントの追加
    11.7　まとめ
        11.7.1　ADKの概要とエージェントタイプ
        11.7.2　組み込みツールによるエージェントの機能拡張
        11.7.3　エージェントの定義と実装
        11.7.4　ローカル環境でのテストとデバッグ
        11.7.5　Agent Runtimeへのデプロイ
        11.7.6　Gemini Enterprise アプリとの連携
        11.7.7　次のステップ

第II部　実践編

12章　Agent Platform WorkbenchとAgent Platform AutoMLによる機械学習の実践
    12.1　はじめに
        12.1.1　前提条件
        12.1.2　仮定するシナリオ
        12.1.3　本章で構築するシステム
        12.1.4　本章の流れ
    12.2　データの確認
        12.2.1　Agent Platform Workbenchの準備
        12.2.2　データの確認
    12.3　モデルの学習、推論と精度評価
        12.3.1　データの読み込みと前処理
        12.3.2　特徴量と目的変数の作成
        12.3.3　交差検証の設定
        12.3.4　モデルの学習
        12.3.5　特徴量重要度の確認
    12.4　推論システムの開発
        12.4.1　推論システムの要件とサービス選定
        12.4.2　AutoMLでの学習の準備
        12.4.3　AutoMLの学習用データセットの作成
        12.4.4　AutoMLによるモデルの学習
        12.4.5　AutoMLによる推論
        12.4.6　推論ジョブの定期実行の設定
        12.4.7　このセクションのまとめ
    12.5　まとめ

13章　Agent Platform Vizierによるベイズ最適化
    13.1　はじめに
        13.1.1　前提条件
    13.2　最適化の試行錯誤を効率化するために
    13.3　ベイズ最適化のメカニズムとVizier の役割
        13.3.1　ベイズ最適化：少ない試行で最適解を特定する技術
        13.3.2　Vizier のアーキテクチャ：最適化サービスと実行リソース
        13.3.3　数理的背景：ブラックボックス最適化の核心
    13.4　ハンズオンの準備：ビル環境シミュレーターの構築
        13.4.1　手順1：開発環境の用意
        13.4.2　手順2：シミュレーターの実装
    13.5　最適化：Vizier による段階的アプローチ
        13.5.1　ステップ1：初級編- 1 項目入りのグリッドサーチ
        13.5.2　ステップ2：中級編- 2 項目のベイズ最適化
        13.5.3　ステップ3：上級編- 多変数および多目的最適化の同時攻略
        13.5.4　最適化戦略の比較：検索アルゴリズムの選択と特性
    13.6　サロゲートモデルによる解析：「ブラックボックス」を解明する
        13.6.1　Agent Platform Experiments による比較と分析
        13.6.2　サロゲートモデルによる詳細解析（scikit-learnの活用）
    13.7　まとめ
        13.7.1　発展的な課題：最適化フレームワークの選択
        13.7.2　「見えないコスト」：トータルコスト（TCO）の観点

14章　BigQueryで呼び出したGeminiによる会話情報のカテゴライズ
    14.1　はじめに
        14.1.1　前提条件
    14.2　サンプルデータの作成
        14.2.1　Agent Studio へのアクセス方法
        14.2.2　サンプルデータ作成プロンプト
        14.2.3　Geminiの出力結果
        14.2.4　サンプルデータのアップロード
    14.3　Geminiを用いたカテゴライズ
        14.3.1　AI.GENERATE関数によるGemini呼び出し
        14.3.2　会話データとの照合
    14.4　定期実行を設定する
        14.4.1　サンプルデータの追加
        14.4.2　スケジュールされたクエリ設定
    14.5　まとめ

15章　BigQuery MLとGeminiによる画像データの分析
    15.1　はじめに
        15.1.1　前提条件
        15.1.2　この章のスコープ
        15.1.3　The Metデータセット
        15.1.4　分析の流れ
    15.2　データの確認と分析内容の検討
        15.2.1　BigQuery からのデータ確認
        15.2.2　Cloud Storage からの画像確認
        15.2.3　分析対象のフィルタリング
        15.2.4　分析内容の検討とラベルの定義
    15.3　Geminiを用いた画像ラベリング
        15.3.1　Agent Studio でのプロンプト検証
        15.3.2　BigQuery MLによるバッチ推論
        15.3.3　ラベリング結果の確認
    15.4　画像データの分析
        15.4.1　スプレッドシートへの接続
        15.4.2　国地域、年代別の作品数分布
        15.4.3　国地域別の被写体傾向
        15.4.4　年代別の感情変化
    15.5　まとめ

16章　BigQuery GIS（地理情報分析）とPlace Insightsの融合
    16.1　はじめに
    16.2　BigQuery GIS 
        16.2.1　GEOGRAPHY型
        16.2.2　主要なGIS関数
    16.3　空間インデックス
    16.4　Place Insights 
        16.4.1　主なユースケース
        16.4.2　Place Insights のスキーマ
        16.4.3　ハイブリッドアーキテクチャ：BigQuery とPlaces APIの融合
        16.4.4　Data Clean Roomsによる安全な統合
        16.4.5　なぜPlace Insights なのか？ 
    16.5　Place Insights データの基本操作とクエリ
        16.5.1　集計ベースの分析：PLACES_COUNT_PER_H3関数の活用
        16.5.2　H3セルインデックスによる高速集計
        16.5.3　適合性スコア（Suitability Score）の算出
        16.5.4　時系列分析と再現性：snapshot_date の活用
        16.5.5　実践的なサンプルクエリの解説
    16.6　実践：多様なビジネスへの地理情報活用
        16.6.1　地理空間ビッグデータが変える多角的なビジネス活用
        16.6.2　実践的に深掘りする主要ユースケース
        16.6.3　分析からアクションへのフロー
    16.7　高度な空間分析とインサイトの抽出
        16.7.1　空間クラスタリング（エリアの特性把握） 
        16.7.2　インサイトの可視化
    16.8　まとめ

17章　Agent Platform Feature Storeによる特徴量管理
    17.1　はじめに
        17.1.1　前提条件
    17.2　Feature Store が向き合う課題と役割
        17.2.1　Feature Store による解決
    17.3　Agent Platform Feature Store のアーキテクチャ
        17.3.1　リソース階層
        17.3.2　BigQuery との関係
    17.4　環境構築
        17.4.1　Colab Enterprise の準備
        17.4.2　プロジェクト設定
        17.4.3　ノートブックの構成
    17.5　特徴量の設計
        17.5.1　サンプルデータセット：NYC TLC Taxi Trips
        17.5.2　Entity の決定
        17.5.3　feature_timestamp による特徴量のバージョン管理
        17.5.4　集計クエリの定義
        17.5.5　BigQuery テーブルの作成
    17.6　FeatureOnlineStore の作成
    17.7　FeatureView の作成
        17.7.1　Feature Registry を経由して作成
    17.8　データ同期
    17.9　定期的なデータ同期の設定
        17.9.1　スケジュール同期と継続的同期の作成
    17.10　同期方式の選択と運用
        17.10.1　同期方式の比較
    17.11　学習時の特徴量取得
        17.11.1　学習時と推論時で同じデータソースを参照する仕組み
    17.12　推論時のオンラインサービング
        17.12.1　Online Serving APIによる特徴量取得
        17.12.2　特徴量の取得元の整理
    17.13　Feature Monitoring によるドリフト検出
        17.13.1　Feature Monitoring の概要
        17.13.2　FeatureMonitor の作成
        17.13.3　Feature Monitoring Job の実行（ベースライン取得） 
        17.13.4　ドリフトのシミュレーションと結果の可視化
    17.14　クリーンアップ
    17.15　まとめ
        17.15.1　本章で学んだこと
        17.15.2　次のステップ

18章　Dataformを用いたMLパイプラインの構築
    18.1　はじめに
    18.2　Dataformとは
        18.2.1　Dataformのコンポーネント
        18.2.2　サービスアカウントの設定
        18.2.3　リポジトリ、開発ワークスペースの作成
    18.3　開発ワークスペースの初期化
        18.3.1　初期状態のディレクトリとファイル
    18.4　BigQuery MLパイプライン構築
        18.4.1　サンプルデータ
        18.4.2　workflow_settings.yaml の変更
        18.4.3　データソースの宣言
        18.4.4　データセットの前処理
        18.4.5　モデルの学習
        18.4.6　モデルの評価
        18.4.7　クエリのプレビュー
    18.5　ワークフローの実行とスケジューリング
        18.5.1　オンデマンド実行
        18.5.2　ファイルのコミットとプッシュ
        18.5.3　リリース構成の作成
    18.6　まとめ

19章　Gen AI Evaluation ServiceによるLLMとAIエージェントの品質評価
    19.1　はじめに
    19.2　LLM-as-a-Judge の概要と必要性
        19.2.1　LLM-as-a-Judge のメリット
        19.2.2　評価基準の設計
        19.2.3　導入時の注意点と評価データセットの構築
    19.3　Gen AI Evaluation Service とは
        19.3.1　評価の2 つのアプローチ
        19.3.2　評価方式：ポイントワイズとペアワイズ
    19.4　組み込み評価指標の紹介
        19.4.1　適応型ルーブリック（Adaptive Rubrics）
        19.4.2　静的ルーブリック（Static Rubrics） 
        19.4.3　計算ベースのメトリクス
    19.5　独自の評価指標の導入
        19.5.1　カスタムプロンプト
        19.5.2　カスタム関数
    19.6　環境構築
        19.6.1　環境の準備
        19.6.2　ライブラリのインストールと認証
    19.7　評価対象データセットの準備
        19.7.1　データセットの構造とカラム
        19.7.2　データセットの作成
        19.7.3　データセット設計のベストプラクティス
    19.8　単一出力に対しての評価
        19.8.1　推論の実行
        19.8.2　単一メトリクスでの評価
        19.8.3　複数メトリクスでの評価
        19.8.4　モデルの比較評価
        19.8.5　バッチ評価
    19.9　エージェントの評価
        19.9.1　エージェント評価の特徴
        19.9.2　評価対象エージェントの準備
        19.9.3　Agent Engine へのデプロイ
        19.9.4　評価データセットの作成
        19.9.5　推論と評価の実行
        19.9.6　評価結果の確認
        19.9.7　クリーンアップ
    19.10　まとめ
        19.10.1　単一生成の評価
        19.10.2　エージェントの評価

付録A　環境セットアップ
    A.1　はじめに
    A.2　開発環境のセットアップ
        A.2.1　gcloud CLIのインストール
        A.2.2　Python パッケージマネージャーuv の導入
    A.3　gcloud CLIクイックリファレンス
        A.3.1　認証、プロジェクト設定
        A.3.2　APIの有効化
        A.3.3　IAMとサービスアカウント
        A.3.4　Cloud Storage（GCS） 
    A.4　まとめ

あとがき
索引