GCP PMLE 試験対策｜Vertex AI + Gemini 生成 AI 実装パターン完全ガイド

PMLE 2026-06 新版で大幅強化された Gen AI 領域を、Vertex AI ベースの実装パターン視点で深掘りします。Gemini モデル選定、RAG (Retrieval-Augmented Generation)、Vertex AI Agent Builder、Fine-tuning、Responsible AI を網羅します。

Gemini モデルファミリー

モデル	コンテキスト	主用途	コスト感
Gemini Flash	1M トークン	低レイテンシチャット、要約	★ 最安
Gemini Pro	2M トークン	RAG、コード生成、マルチモーダル	★★ 中
Gemini Ultra	2M トークン	高度推論、複雑タスク	★★★ 高
Gemma (オープン)	8k〜	オンプレ / Edge デプロイ	無料 OSS

RAG (Retrieval-Augmented Generation) パターン

標準アーキテクチャ

ドキュメント → Document AI / 自前 Parser でテキスト抽出
Chunking (512〜1024 トークン)
Embedding (Vertex AI textembedding-gecko / text-multilingual-embedding)
Vertex AI Vector Search または BigQuery VECTOR_SEARCH に保存
クエリ → Embedding → 類似度検索 → Top-K 取得
Gemini Pro に Context + Query を投入して生成

主要選択肢

用途	選択肢	特徴
ベクトル DB	Vertex AI Vector Search	マネージド、ANN (Tree-AH)
ベクトル DB	BigQuery VECTOR_SEARCH	SQL 内で完結、データ既存活用
ベクトル DB	AlloyDB pgvector	OLTP + ベクトル統合
オーケストレーション	LangChain / LlamaIndex	PoC 速い、コミュニティ大
マネージド統合	Vertex AI Agent Builder	ノーコード、Search 内蔵

Vertex AI Agent Builder

Conversational Agent: Dialogflow CX 後継、Gemini ベース
Search: 構造化 + 非構造化データの統合検索
Tool Use: 関数呼び出し、API 連携、Google Search
Grounding: 自社データ / Google Search で回答根拠強化
Playbook: 自然言語でフロー定義

Fine-tuning オプション

方法	対象	用途
Supervised Tuning	Gemini Flash / Pro	応答スタイル統一、フォーマット固定
RLHF	Custom Model	人手評価でアラインメント
Adapter / LoRA	OSS モデル	軽量、コスト抑え
RAG (代替)	すべて	知識追加・更新が容易

Responsible AI 実装

Safety filters: Block none / few / some / most の 4 段階を Harassment / Hate Speech / Sexually Explicit / Dangerous Content ごとに設定
Model Card: モデルの想定用途・制限・バイアスを文書化
Explainable AI: Feature attribution、Counterfactual
Data Provenance: トレーニングデータの来歴記録
Watermarking: SynthID で AI 生成コンテンツ識別

コスト最適化テクニック

長文プロンプトは RAG で圧縮 (Token 単価削減)
Gemini Flash を 1st choice、複雑タスクのみ Pro / Ultra
Context Caching で繰り返し参照コンテンツを節約
Batch Prediction で非リアルタイム処理コスト削減
Provisioned Throughput でピーク時の予測可能コスト確保

頻出ひっかけ問題

Fine-tuning vs RAG: 知識更新性 → RAG、応答スタイル固定 → Fine-tuning
Vector Search vs BigQuery: リアルタイム ANN → Vector Search、データ既存 → BigQuery
Safety filter デフォルト: Block some。本番 PII 取扱は Block most 推奨
Grounding source: 自社データのみ → Custom Search、最新情報必要 → Google Search

PMLE 試験で Gen AI の出題比率は？

2026-06 新版では推定 25〜35%。Gemini ファミリー選定、RAG パターン、Vertex AI Agent Builder、Responsible AI などが頻出です。

Gemini Pro / Flash / Ultra の使い分けは？

Flash は低レイテンシ・低コスト (チャット・要約)、Pro はバランス型 (RAG・コード生成)、Ultra (一部 Enterprise) は高度推論。試験ではコスト・レイテンシ・タスク複雑度で選びます。

RAG 実装の標準パターンは？

Documents → Embedding (Vertex AI textembedding-gecko) → Vertex AI Vector Search → Gemini Pro 生成。LangChain や LlamaIndex 統合も標準的です。

Vertex AI Agent Builder で何ができる？

ノーコードで Conversational Agent や Tool 使用エージェントを構築。Dialogflow CX 後継 + Search/RAG 統合 + 関数呼び出しが特徴。

Fine-tuning と RAG どちらを選ぶ？

知識追加 → RAG、応答スタイル/フォーマット固定化 → Fine-tuning。コスト・速度・更新性で RAG が優位なケースが多いです。

Responsible AI のチェック項目は？

Safety filters (Harassment / Hate Speech / Sexually Explicit / Dangerous Content) を設定、Model Card 確認、Explainable AI で根拠提示、Data Provenance を記録。

Token / Pricing の計算は？

入力トークン × 単価 + 出力トークン × 単価。Gemini Flash は最安、Pro は中、Ultra は高。長文プロンプトを RAG で圧縮するとコスト削減効果大。

PMLE と PDE 両方取る価値は？

あります。PDE で BigQuery + Embeddings + Vector Search の基盤、PMLE で Vertex AI + Gemini で生成 AI 案件を一気通貫。Gen AI 案件はこの組み合わせが鍵。

この記事で学んだ内容を問題で確認しましょう

16,000問以上の問題で実力チェック

GCP 試験対策ページを見る

この記事の著者

NicheeLab編集部

データエンジニアリング・クラウド資格の専門家。Databricks・Snowflake等の認定資格を保有し、実務経験に基づいた問題作成・解説を行っています。NicheeLab運営。

GCP PMLE 試験対策｜Vertex AI + Gemini 生成 AI 実装パターン