こんにちは！ クラウドエースのエモーショナル エバンジェリスト、ラリオスです。

みなさん！ ビッグニュースです！ 先日（2025 年 5 月 14 日）、Google Cloud の新しい認定資格「Generative AI Leader」が一般公開されました！ そして、何を隠そうこの私、ラリオスは Google Cloud の認定講師ということもあり、アーリー アダプターとして一足先にこの試験を受験し、無事に合格することができました！
ID 45 ！ 次回は 1 ケタを狙いたいですね（笑）。そこでこの「Generative AI Leader 資格集中講座！」シリーズでは、この新しい認定資格の合格を目指すみなさんを、私の経験も踏まえながら全力でサポートしていきます。

試験概要

この資格は、AI の専門家でなくても、生成 AI の力を活用して仕事やビジネスを効率化したいと考えるリーダーのための資格です。技術的なバック グラウンドは不問で、ビジネス視点で生成 AI の可能性を示し、リーダーシップを発揮したい人を対象としています。実務経験も問いません。

これは、生成 AI （Gen AI） がビジネスをどう変革できるかについて深い知見をもつ、先見性のあるプロフェッショナルであることを認定するものです。Google Cloud の生成 AI サービスに関するビジネス知識、および Google の AI ファースト戦略が組織の革新的かつ責任ある AI 導入をどのように推進するかを理解していることが求められます。技術チームと非技術チームとの効果的な連携、生成 AI を活用したプロジェクトの推進、Google Cloud の法人向けサービスを活用して新たなビジネス チャンスの発見ができる人材が対象です。

試験時間：90分
出題内容：生成 AI の基礎、Google Cloud の生成 AI サービス、生成 AI モデルの出力品質を向上させるテクニック、生成 AI ソリューションを成功に導くビジネス戦略など（詳細は試験ガイドをご確認ください）
受験料：99 米ドル（別途、該当する場合は税金がかかります）
言語：英語
出題形式：50 ～ 60 問の多肢選択式
模擬試験：こちらで受験することができます（無料）。
受験方法：オンライン（監督付き）またはテストセンターでの監督付き試験
有効期間：3 年間
受験資格：特になし
Generative AI Leader 認定資格の公式サイトはこちら

このシリーズでは、Google Cloud 公式のスタディガイドを使って解説していきます。スタディガイドを参照しながら読み進めていただくと、より効果的に学習できます。

なお、解説中の「★ここ重要！」は試験対策としてとくに押さえておくべきポイント、「★Tips」は知っておくと理解が深まる補足情報や関連情報として読み進めてください。ある程度知識があって、すぐに試験を受ける方は「★ここ重要！」を読んで、「実践演習クイズ」を解くだけでも高い効果があるはずです。

スタディガイドはこちらからダウンロードできます（英語）

※ 現在、公式サイトやスタディガイドは英語のみで提供されていますが、NotebookLM や Gemini を活用して翻訳しましょう！

今回は、試験の基礎固めとして非常に重要な「生成 AI の基礎」のなかから、とくに核となるコンセプトを、スタディガイドの p.3 を参照しながら一緒に見ていきましょう。

解説の後には、理解度をチェックできるミニクイズと、さらにステップアップするための実践演習クイズも用意していますので、ぜひ挑戦してみてください。

「生成 AI の基礎」最重要コンセプトを理解しよう

まずは、AI の世界で頻繁に登場する基本的な言葉と考え方を整理します。これらは、生成 AI を深く理解するための大切な土台。これらの概念をしっかりと押さえることが、認定試験合格への第一歩であり、ビジネスにおける AI 活用の基盤です。効率的に、かつ体系的にこれらの知識を習得したい場合は、専門のトレーニングを受講することも有効な手段の一つです。

人工知能（AI）

人工知能（AI）とは、機械がまるで人間のように「学習」したり、「問題を解決」したり、「意思決定」したりする技術全般を指します。 たとえば、みなさんが日常で使うスマートフォンの音声アシスタントや、自動で掃除をしてくれるロボットも AI 技術の一例です。AI は非常に広い概念で、その中には次に説明する機械学習など、さまざま技術が含まれています。

機械学習（ML）

機械学習（ML）は、AI を実現するための主要なアプローチの一つで、機械が大量の「データ」から自動的に「学習」し、特定のタスク（たとえば、画像認識や将来の予測など）を実行できるようになる技術分野です。

生成 AI（Gen AI）

生成 AI（Gen AI）は、機械学習の応用分野の一つで、新しいオリジナルの「コンテンツ」（文章、画像、音楽、プログラム コードなど）を AI 自らが「創り出す」ことに特化した技術です。 スタディガイドにも記載がある通り、この生成 AI は「Create（創造する）」「Summarize（要約する）」「Discover（発見する）」「Automate（自動化する）」といった能力を通じて、ビジネスに新たな価値をもたらします。

人工知能（AI）、機械学習（ML）、生成AI（Gen AI）の包含関係を覚えておきましょう！

ディープラーニング（Deep learning）

ディープラーニングは機械学習の一手法で、人間の脳の神経回路（ニューロン）の構造から着想を得た「ニューラル ネットワーク」という複雑な計算モデルを多層的に重ねて使用します。 これにより、データから非常に複雑なパターンを自動的に抽出できます。画像認識、音声認識の精度向上や、近年の生成 AI の目覚ましい発展に大きく貢献しています。

基盤モデル（Foundation models）

基盤モデルとは、非常に大規模で多様なラベルなしデータ（正解が与えられていないデータ）で事前訓練された、汎用性の高い強力な機械学習モデルです。 特定のタスクに特化せず、幅広い知識や能力をもち、さまざま応用が可能です。スタディガイドでは「多様なデータで訓練され、幅広いユースケースに柔軟に対応でき、的を絞った追加の訓練によって専門分野に適応可能」と説明されています。これらが生成 AI 技術のまさに「基盤」となっています。

大規模言語モデル（LLMs）

大規模言語モデル（LLMs）は基盤モデルの一種で、特に人間の「言葉（自然言語）」を理解したり、生成したりすることに特化して訓練されています。 みなさんがチャットボットと自然な会話をしたり、長文のレポートを瞬時に要約してもらったりする際に、裏側で活躍しているのがこの LLM です。

生成 AI とのコミュニケーションは、プロンプトが鍵

生成 AI の能力を最大限に引き出すためには、「プロンプト」という概念の理解が不可欠です。

プロンプト（Prompting）

プロンプトとは、基盤モデルと対話し、その行動をガイドするための方法、つまり AI にしてほしいことを伝える「指示」や「入力」のことです。

プロンプト エンジニアリング（Prompt engineering）

プロンプト エンジニアリングとは、生成 AI モデルから望ましい価値ある出力を得るために、効果的な「プロンプト」を設計し、最適化する技術やプロセスのことです。どのように指示を与えるかによって、AI から得られる結果の質が大きく変わるため、非常に重要なスキルとされています。

AI の学習データ：ラベルの有無を知ろう

機械学習モデル、特に生成 AI は、大量のデータを学習データとして利用します。この学習データは、情報の性質によって区別されることがあります。

ラベル付きデータ（Labeled data）

ラベル付きデータとは、各データに対して「名前」「種類」「数値」といった関連するタグ（意味情報）、つまり「正解」が付与されているデータのことです。 たとえば、犬の写真に「犬」というラベルが付いているような状態です。これは主に、後述する「教師あり学習」で利用されます。

ラベルなしデータ（Unlabeled data）

ラベルなしデータとは、明確なタグが付与されておらず、それ自体では具体的な意味をもたない、生の未処理の情報を指します。 整理されていない大量の写真や音声データなどがこれに該当します。基盤モデルの多くは、このラベルなしデータを大量に学習することで、幅広い知識や文脈理解能力を獲得します。これは主に、後述する「教師なし学習」で利用されます。

機械学習の「学び方のスタイル」：3 つの主要アプローチ

機械学習モデルがデータから知識やパターンを獲得する「学び方」には、主に以下の3つのアプローチがあります。

教師あり学習（Supervised learning）

教師あり学習は、「ラベル付きデータ」（つまり「問題」と「正解」のペア）を使ってモデルを訓練し、新しい未知のデータに対して適切な出力を予測する手法です。 あらかじめ正解を教えながら学習を進めるため、先生（教師）が生徒に教えるようなイメージです。迷惑メールの自動判別などがこの例に挙げられます。

教師なし学習（Unsupervised learning）

教師なし学習は、「ラベルなしデータ」を用いて、データ自身の中に潜む構造やパターン（たとえば、似たもの同士のグループ分けなど）をモデルに自動的に見つけ出させる手法です。明確な正解がない状態で学習するため、データからの発見的な洞察を得るのに役立ちます。EC サイトにおける顧客セグメンテーション（顧客のグループ分け）などが代表例です。

強化学習（Reinforcement learning）

強化学習は、学習する主体（一般に「エージェント」と呼ばれます）が特定の「環境」の中で「試行錯誤」を繰り返しながら、よりよい「報酬（結果）」を得られるように自律的に「行動」を学習していく手法です。ゲーム AI が徐々に上達したり、ロボットが複雑な動作を習得したりするのに利用されます。

ラリオス的！ 特に注目したいポイント

スタディガイド p.3 には、生成 AI の世界への第一歩となる重要な概念が凝縮されています。学習を進めるうえで、とくに以下の点を意識すると理解が深まります。

• AI、ML、生成 AI、ディープラーニング、基盤モデル、LLM という言葉の定義と、それらの相互関係を、提供されている図も参考にしながらしっかりと把握することが重要です。それぞれの技術がどのような位置づけにあり、何を目指しているのかを自分の言葉で説明できるようにしましょう。とくに「基盤モデル」がもつ汎用性や、ファイン チューニングによって特定のタスクに特化できるという性質は、この試験のキーポイントの一つです。
• 生成 AI がもつ主な能力（Create、Summarize、Discover、Automate）は、具体的なビジネス シーンでの活用例を考える際の出発点となります。どのような場面でこれらの能力が活かせるか、想像力を膨らませてみましょう。
• プロンプト エンジニアリングの概念とその重要性は、生成 AI を実際に使いこなすうえで欠かせません。「AI への的確な指示が、望む結果を引き出す」という基本をつねに念頭に置き、スタディガイドの後半で出てくる具体的なテクニックとの関連も意識しましょう。
• 教師あり学習、教師なし学習、強化学習という 3 つの学習アプローチの基本的な違いを理解することは、機械学習の多様な応用を把握するうえで必須です。それぞれの学習方法がどのようなデータ（ラベル付きデータか、ラベルなしデータか）に向いており、どのような目的（分類・回帰、クラスタリング・異常検知、試行錯誤による行動最適化など）で利用されるのかを区別できるように整理しておきましょう。

学習のヒント：効率的な学習とクラウドエースのトレーニング

• これらの専門用語は、初めて触れる方にとっては少し難しく感じるかもしれません。しかし、私たちの身の回りにある具体的な AI の活用例（たとえば、迷惑メールフィルターは教師あり学習、EC サイトの商品レコメンドは教師なし学習や基盤モデルの応用など）と結びつけて考えることで、ぐっと理解しやすくなります。
• Google Cloud が提供する公式ドキュメントや解説記事だけでなく、AI や機械学習に関する分かりやすい入門書やオンラインの解説動画なども積極的に活用し、自分自身が「なるほど、こういうことか！」と腑に落ちる説明を見つけることが大切です。
• スタディガイド p.3 にも記載されている「Ask Gemini」のように、実際に生成 AI ツールに触れて、質問を投げかけてみることも、理解を助ける効果的な方法です。たとえば、今回学んだ用語の定義や、それぞれの技術の違いについて、Gemini に質問してみるのもよい練習になります。

もちろん、これらの自主学習は非常に重要ですが、「Generative AI Leader」認定の取得や、さらに進んでビジネスでの実践的な活用を目指すとなると、より体系的かつ効率的な学習方法が求められることもあります。特に、プロンプト エンジニアリングの高度なテクニックや、Vertex AI のような Google Cloud の具体的なサービスを使った開発手法は、専門的な指導のもとで学ぶことで、理解度が格段に深まります。

そのようなニーズをおもちの方には、クラウドエースが提供する Google Cloud 認定トレーニングが最適です。たとえば、

• AI と機械学習の全体像を掴む「Introduction to AI and Machine Learning on Google Cloud」
• LLM（大規模言語モデル）を活用したアプリケーション開発を学ぶ「Application Development with LLMs on Google Cloud」
• 開発者の生産性向上を目的とした Gemini の活用法を学ぶ「Introduction to Developer Efficiency with Gemini on Google Cloud」 など、みなさんの目的やスキル レベルに合わせた多様なコースをご用意しています。

これらのトレーニングでは、Google Cloud のエキスパートである認定トレーナーから直接指導を受けられ、ハンズオン形式で実践的なスキルを習得できます。

ご興味のある方は、ぜひクラウドエースのトレーニング ページをご確認ください。

理解度チェック！ミニクイズ

それでは、ここまでの内容がどれくらい頭に入ったか、簡単なクイズで確認してみましょう！
【クイズ1】
機械学習の一分野で、新しいオリジナルのコンテンツ（たとえば、文章、画像）を AI 自らが創り出すことに特化した技術を何と呼びますか？

（ア）人工知能（AI）
（イ）教師なし学習
（ウ）生成 AI（Generative AI）
（エ）強化学習
 

【クイズ2】
生成 AI モデルに対して、望ましい出力を得るために人間が与える指示や入力のことを指す用語は何ですか？

（ア）アルゴリズム
（イ）プロンプト
（ウ）パラメータ
（エ）メタデータ
 

【クイズ3】
「問題」と「正解」のペアで構成されるラベル付きデータを用いてモデルを訓練し、未知のデータに対する正解を予測させる機械学習のアプローチを何と呼びますか？

（ア）教師あり学習
（イ）教師なし学習
（ウ）強化学習
（エ）ディープラーニング
 

クイズの答え
【クイズ1】（ウ）生成 AI（Generative AI）
【クイズ2】（イ）プロンプト
【クイズ3】（ア）教師あり学習

ラリオスからの挑戦状！ 実践演習クイズ

ここからは、少し視点を変えて、より実践的な内容を問うクイズに挑戦してみましょう。スタディガイド全体の知識が問われることもありますよ。

【実践演習クイズ1】
ある小売企業が、顧客からの問い合わせメールの内容を分析し、製品に関するフィードバック、サポートへの要望、その他のお問い合わせ、という3つのカテゴリに自動で分類したいと考えています。このタスクに最も適していると考えられる機械学習のアプローチと、その際に AI モデルに与えるデータの種類（ラベルの有無）の組み合わせとして、最も適切なものはどれですか。

（ア）教師あり学習、ラベル付きデータ（各メールに事前にカテゴリが付与されている）
（イ）教師なし学習、ラベルなしデータ（メールの内容のみで、カテゴリは付与されていない）
（ウ）強化学習、ラベル付きデータ（各メールに対する適切な返信例が報酬として与えられる）
（エ）教師あり学習、ラベルなしデータ（メールの内容のみで、AI が自動でカテゴリを学習する）
 

【実践演習クイズ2】
あなたは、社内のドキュメント管理システムに保存されている膨大な量の報告書や議事録から、特定のプロジェクトに関連する情報を効率的に探し出し、その要点をまとめる AI アシスタントの開発を任されました。この AI アシスタントは、ユーザーが自然言語で質問すると、関連情報を提示し、要約を生成する必要があります。この AI アシスタントの中核となる可能性が高い技術の組み合わせとして、最も適切なものはどれですか。

（ア）拡散モデルと教師なし学習
（イ）大規模言語モデル（LLM）とプロンプト エンジニアリング
（ウ）強化学習とルールベースのシステム
（エ）コンピュータ ビジョンと教師あり学習
 

実践演習クイズの答え
【実践演習クイズ1】（ア）教師あり学習、ラベル付きデータ（各メールに事前にカテゴリが付与されている）
メールの内容を特定のカテゴリに「分類」するタスクは、教師あり学習の典型的な応用例です。事前に「このメールはこのカテゴリ」という正解（ラベル）を与えて学習させることで、新しいメールも同様に分類できるようになります。
 

【実践演習クイズ2】（イ）大規模言語モデル（LLM）とプロンプト エンジニアリング
ドキュメントの内容を理解し、自然言語での質問応答や要約を行うには、高度な言語処理能力をもつ大規模言語モデル（LLM）が中核となります。 そして、ユーザーの意図を正確に汲み取り、LLM から最適な回答を引き出すためには、効果的なプロンプト エンジニアリングが不可欠です。

まとめ：生成 AI の基礎を固め、未来を拓く一歩を（クラウドエースのトレーニング紹介）

今回のコラムでは、Google Cloud の Generative AI Leader 認定資格の学習を始めるにあたり、土台となる「生成 AI の基礎」について解説しました。スタディガイド p.3 の内容は、AI、機械学習、そして生成 AI といった各技術の関係性や、基盤モデル、LLM、プロンプト  エンジニアリングの重要性を理解するうえで、非常に大切なポイントが詰まっています。

これらの概念は、単に技術的な知識としてだけでなく、ビジネスの現場で生成 AI をどのように活用できるかを考える上での共通言語です。経営層やビジネス サイドのみなさんにとっては、これらの技術がどのような価値を生み出し、自社の課題解決や新たなビジネス チャンスの創出にどう貢献できるのかを具体的にイメージする助けとなるでしょう。また、エンジニアのみなさんにとっては、これらの基礎知識を固めることが、より高度な技術の習得や実践的な応用へのスムーズなステップアップにつながります。

生成 AI の世界は日進月歩で進化していますが、その根幹にある基本的な考え方をしっかりと押さえておくことが、変化に柔軟に対応し、その可能性を最大限に引き出すための鍵です。

このコラムがみなさんの学習の一助となれば幸いですが、もし「もっと深く、実践的に生成 AI を学びたい」「Generative AI Leader 認定資格の取得を確実にしたい」とお考えでしたら、ぜひクラウドエースの Google Cloud 認定トレーニングの受講をご検討ください。

私たちは、日本初の Google Cloud プレミア パートナーとして、長年にわたり培ってきた豊富な知見と経験を活かし、みなさんのスキルアップを強力にサポートします。Generative AI 関連のコースも多数ご用意しており、基礎から応用まで、みなさんのニーズに合わせた学習が可能です。

専門のトレーナーによる丁寧な解説と実践的なハンズオンを通じて、生成 AI の理論と実践をバランスよく習得し、ビジネスでの活用力を高めることができます。
次回は、スタディガイド p.4 に進み、「データ」のより詳細な分類、「機械学習ライフサイクル」の各ステップ、「生成 AI の全体像（ランドスケープ）」、そして「Google の主要な基盤モデル」について学んでいきます。引き続き一緒に頑張りましょう！

クラウドエースの Google Cloud 認定トレーニングに関するお問い合わせはこちらから。
https://cloud-ace.jp/gcp-training/