Back to Archive

GCP News - 2026-09-11

2026-09-11
最終更新: 2026-09-12 07:58:28 JST

AI による概要

7 記事

この日は 7 件で、API とデータ基盤の機能拡張、経営陣による事業戦略の説明、そして Gartner による評価が並びました。リリースノートでは、API Gateway がリモートの Model Context Protocol (MCP) サーバーとして振る舞えるようになり (パブリックプレビュー)、OpenAPI 3.x 仕様を Google 独自の拡張でアノテーションするだけで、バックエンドを変更せずに既存の REST API を AI エージェント向けのツールとして公開できます。AlloyDB for PostgreSQL では、インスタンスとノードの監査ログパイプラインの状態・スループット・バックログを Cloud Monitoring で監視できるようになりました。Cluster Toolkit に影響する Slurm の複数の脆弱性も修正されています。Google Cloud ブログでは、Thomas Kurian が Goldman Sachs のテクノロジーカンファレンスで Google Cloud の事業戦略を語り、AI スタック全体を提供する唯一のプロバイダーとしての立ち位置、10 億ドル超の売上を持つ製品ラインが 17、AI サーバーの投資回収期間が 2 年で TPU は GPU より速く回収できること、1 億〜10 億ドル規模の契約が四半期・前年比ともに 2 倍以上に伸びていることなどが紹介されました。日本語ブログ (抄訳) では、Google が 2026 年 Gartner Magic Quadrant の戦略的クラウドプラットフォームサービス部門で 9 年連続のリーダーに選出され、「ビジョンの完全性」で最高評価を獲得したことが報告されています。開発者向けには、JVM と Android の両方をターゲットにした Kotlin マルチプラットフォームの Google Gen AI SDK for Kotlin が 1.0 に到達し、Gemini Developer API と Gemini Enterprise Agent Platform を統一したインターフェースで扱えるようになりました。BigQuery では、連続する 64 ビット整数を自動生成する ID 列が発表され、取り込み前にアプリケーション側で一意キーを計算する必要がなくなり、データパイプラインの複雑さを軽減します。前週に紹介された Data Agent Kit によるデータパイプラインのエージェント化についても、日本語訳記事として改めて掲載されました。

主要トピック

  • API: API Gateway がリモート MCP サーバーとして振る舞える機能をパブリックプレビュー提供、OpenAPI 拡張で REST API をエージェント向けツール化

  • データベース運用: AlloyDB for PostgreSQL の監査ログパイプラインを Cloud Monitoring で監視可能に

  • セキュリティ: Cluster Toolkit に影響する Slurm の複数の脆弱性を修正

  • 事業戦略: Thomas Kurian が Goldman Sachs カンファレンスで Google Cloud の全社戦略を説明 (17 製品ラインが売上 10 億ドル超)

  • 評価: Google が 2026 年 Gartner Magic Quadrant の戦略的クラウドプラットフォームサービス部門で 9 年連続リーダーに選出

  • 開発ツール: Google Gen AI SDK for Kotlin が 1.0 に到達、JVM / Android 向けに Gemini API を統一インターフェースで提供

  • データ基盤: BigQuery に ID 列を追加、連続する一意識別子の自動生成でパイプラインの複雑さを軽減

AI (Claude Opus 5) が生成 · 2026-09-12 23:00:58 JST

Google Cloud Release Notes

September 11, 2026

詳細を表示

API Gateway

Feature

Enable Model Context Protocol (MCP)

You can now configure API Gateway to act as a remote Model Context Protocol (MCP) server. This Public Preview feature allows you to expose your existing REST APIs to AI agents as tools, without requiring changes to your backend services. You can enable MCP by annotating your OpenAPI 3.x specification using custom Google extensions.

For more information, see Model Context Protocol overview and Configure Model Context Protocol.

AlloyDB for PostgreSQL

Feature

You can now monitor the status, throughput, and backlog of the audit logging pipeline for your AlloyDB for PostgreSQL instances and nodes using Cloud Monitoring.

For more information, see Monitor audit log pipeline status.

Cluster Toolkit

Security

Google addressed multiple security vulnerabilities in Slurm that affect Cluster Toolkit. For more information, see the security bulletin.

Google Cloud Contact Center as a Service

Fixed

This release addresses the following issues:

  • Fixed an issue where SmartAction statuses were incorrectly marked as "failed" when a call ended before a photo or video upload completed.

  • Fixed an issue where loading the outbound numbers list timed out or caused significant delays for organizations with large teams and custom roles.

  • Fixed an issue where estimated wait times of less than one minute were incorrectly rounded down to zero, preventing the system from accurately triggering over-capacity actions.

  • Fixed an issue where sudden spikes in call volume bypassed a team's capacity protections and reduced the team's agent availability to below configured minimums.

  • Fixed an issue where nested object values in custom data were incorrectly displayed as [object Object] in the agent desktop session data feed.

  • Fixed an agent desktop issue where the navigation bar in the Previous Interactions page of the call adapter was overlapped by summary text and didn't stay fixed while scrolling.

  • Fixed an issue where answered voice calls triggered a second, unrequested callback after the end-user hung up.

  • Fixed an issue where intermittent IMAP connection rejections caused email fetch workers to enter an extended backoff loop, resulting in several hours of mailbox downtime.

  • Fixed an issue where inbound voice call recordings weren't exported to external storage when a virtual agent escalation was deflected to voicemail due to over-capacity.

  • Fixed an issue where manual wrap-up sessions were incorrectly attributed to the most recent call in the Agent Activity Timeline and in raw data exports, even when the wrap-up was unrelated to that call.

  • Fixed an issue where the "agent leg" of a call connection stalled in a connecting state for the full timeout duration before failing silently and moving the agent to an available status.

  • Fixed an issue where custom form responses weren't exported to external storage for instances without an external CRM integration.

  • Fixed an issue where a queue name saved in the SLA thresholds for queues dialog didn't persist after saving.

  • Fixed an issue where virtual agent voice calls triggered a session error during wrap-up.

  • Fixed an issue during high-capacity redirections where voicemails weren't saved.

  • Fixed an issue where completed call transfers generated duplicate queue duration records, leading to inflated reporting for queue volume and SLA metrics.

  • Fixed an agent desktop issue where the sentiment banner in the call adapter didn't immediately appear at the start of a call.

  • Fixed an issue where saving the Upload audio recording for Language Selection option of the Languages dialog didn't persist and switched to Text-to-speech.

  • Fixed an issue where inefficient database queries caused high CPU utilization and performance degradation across all communication channels.

  • Fixed an issue where transient connection errors during Twilio ICE token fetching caused agent call setup to fail or take longer to connect.

  • Fixed an issue where temporary connection drops during chat webhook delivery caused unnecessary delays.

  • Fixed an issue where work time and wait time durations overlapped in reporting metrics.

  • Fixed an issue where the agent adapter call history incorrectly displayed English queue names for French-Canadian calls.

  • Fixed an issue where agents were assigned calls from secondary queues even when their primary queue fell below the minimum availability threshold.

  • Fixed an issue where canceled virtual-agent-to-human escalations incorrectly reported negative queue durations and inaccurate SLA metrics in chat session data and reports.

  • Fixed an issue where creating or updating queues failed and returned a timeout error.

  • Fixed an agent desktop issue where an outbound call canceled by an agent while connecting was recorded as an unknown failure instead of an agent cancellation.

  • Fixed an issue where clicking the rewind and forward buttons on the voicemail page of the call adapter restarted the voicemail from the beginning.

  • Fixed an agent desktop issue where the chat adapter displayed a loading progress indicator instead of the chat transcript when a chat session was assigned.

  • Fixed an issue where a disposition prompt didn't appear in the call adapter after a disconnected call, even when mandatory disposition was configured.

  • Fixed an issue where Agent Assist real-time transcription didn't start on Vonage BYOC calls.

  • Fixed an issue where changes made outside of browser-originated HTTP requests (such as from API clients or background jobs) failed to generate audit log records.

  • Fixed an issue where over-capacity phone deflection didn't activate for direct agent calls, resulting in an error message or callers waiting indefinitely.

  • Fixed an issue where transient network connection failures during call and chat DAP lookups caused inbound calls to route to default queues or prevented chat sessions from starting.

  • Fixed a web SDK issue where static, non-interactive text within the chat widget incorrectly received keyboard focus, disrupting the navigation flow for keyboard and screen reader users.

  • Fixed an issue where temporary asset errors during deployments were cached by the CDN, leading to web SDK initialization failures.

  • Fixed an agent desktop issue where incomplete configuration settings prevented call control buttons from updating or rendering properly.

  • Fixed an issue where the audio for an over-capacity deflection played in the source queue's language instead of the destination queue's language following a cross-language transfer.

  • Fixed an issue where waiting chats weren't immediately offered to available agents who became eligible for a queue through a team membership update or direct queue assignment.

Google SecOps

Deprecated

Deprecation of write permissions from the chronicle.readonly OAuth scope

Effective January 25, 2027, write permissions will be removed from the chronicle.readonly OAuth scope, restricting it strictly to read operations. You can continue using chronicle.readonly for read operations. Make sure you update any workflows performing write operations to use the chronicle OAuth scope.

Google SecOps SIEM

Deprecated

Deprecation of write permissions from the chronicle.readonly OAuth scope

Effective January 25, 2027, write permissions will be removed from the chronicle.readonly OAuth scope, restricting it strictly to read operations. You can continue using chronicle.readonly for read operations. Make sure you update any workflows performing write operations to use the chronicle OAuth scope.

Google Cloud Blog

Introducing the Google Cloud Developer Plugin for AI Coding Agents

詳細を表示

Agent skills fit well alongside documentation and remote MCP servers as ways of enabling the success of your AI workflows. They reduce context window usage for certain use cases, and they're straightforward to install. However, you might have noticed that managing individual skills can be unwieldy, or that some skills are most useful when they act alongside other skills or MCP servers toward the same goal. That's where plugins come in to help.

Today, we're thrilled to announce a new Google Cloud plugin for AI coding agents! Designed as installable bundles, agent plugins equip the AI agent of your choice with skills and tools to be more effective on Google Cloud.

Solving the tool coupling problem

As you expand your usage of coding agents, you might find that they become significantly more capable when they use related skills in tandem or with complementary context and tooling. For example, an agent analyzing infrastructure is more effective when combining domain knowledge, workflow recommendations, and the ability to interact with a live environment together.

Plugins solve this coupling challenge by packaging related capabilities into cohesive, installable bundles. This allows you to take advantage of both broad foundational capabilities and deep, product-specific tools without managing complex dependencies. 

For this release, we've started with a foundational plugin that supports agent functionality for all Google Cloud users, focusing on making it easier for agents to retrieve Google Cloud-related skills, make use of official documentation, and handle programmatic interactions with Google Cloud.

Built on an open standard

We've also built our plugin in compliance with the Agent Plugins specification, an open, vendor-neutral standard for packaging Agent Skills and Model Context Protocol (MCP) servers into portable, interoperable units. Rather than requiring developers to maintain different configurations and wrappers for every AI assistant, the Agent Plugins standard provides a unified manifest and directory structure.

Our Google Cloud plugin adopts this standard to ensure that developers across a variety of AI coding environments get consistent, high-quality access to tools that help them succeed with Google Cloud. That includes not only the plugins we talk about today, but all other plugins published to the Google Agent Skills repository as well.

Let's take a look at the flagship plugin that we've just published in the Google Agent Skills repository: google-cloud-developer. This plugin exists to help agents successfully navigate the fundamentals of interacting with Google Cloud: things like authentication, authorization, managing projects, and guardrails for gcloud CLI operations. This plugin also bundles configuration for the Developer Knowledge MCP server, which gives agents up-to-date grounding in Google's official developer documentation.

Plugin in action: Project onboarding and identity authentication

To see how this plugin works, consider a situation where you're bootstrapping a new project as part of working on a script. With the google-cloud-developer plugin installed, you can prompt your agent:

I'm brand new to this platform, and I need to get an account and a first project with billing set up. Then, I need my local machine authenticated so a script that I'm writing can call the APIs as a service identity instead of as me.

  1. Environment awareness: The agent silently runs background checks against your live environment for prerequisites like CLI availability and potential existing projects or organizations.

  2. Review: The agent considers IAM best practices to avoid risks that might be assumed as part of the prompt, like accidental key leaks or git commits.

  3. Interaction with guardrails: The agent outlines a workflow roadmap and offers to act on those steps before modifying any resources.

<div class="article-module h-c-page">
  <div class="h-c-grid">


<figure class="article-image--large
  
  
    h-c-grid__col
    h-c-grid__col--6 h-c-grid__col--offset-3
    
    
  ">

  
  
    
    <img alt="screenshot_plugin_blog_post" src="https://storage.googleapis.com/gweb-cloudblog-publish/images/screenshot_plugin_blog_post.max-1000x1000.png" />
    
    </a>
  
</figure>


  </div>
</div>

Installing Google Cloud plugins

Because Google Cloud plugins are available from the open Google Agent Skills repository and adhere to the standard Agent Plugins layout, adding them to your environment is straightforward. For example, here's how you'd install the google-cloud-developer plugin:

Antigravity CLI

Install the plugin directly via the CLI using its path in the Google Agent Skills repository:

code_block
<ListValue: [StructValue([('code', 'agy plugin install https://github.com/google/skills/plugins/cloud/google-cloud-developer'), ('language', ''), ('caption', <wagtail.rich_text.RichText object at 0x7f7890c94670>)])]>

Claude Code

Add the Google plugins marketplace, then install the plugin:

code_block
<ListValue: [StructValue([('code', 'claude plugin marketplace add google/skills\r\nclaude plugin install google-cloud-developer@google-plugins'), ('language', ''), ('caption', <wagtail.rich_text.RichText object at 0x7f7890c94130>)])]>

Codex CLI

Add the Google plugins marketplace, then install the plugin:

code_block
<ListValue: [StructValue([('code', 'codex plugin marketplace add google/skills\r\ncodex plugin add google-cloud-developer@google-plugins'), ('language', ''), ('caption', <wagtail.rich_text.RichText object at 0x7f7890c946a0>)])]>

Next Steps

If you're already a Google Cloud user, try the above installation steps to set up your agent for success. We think you'll like what you see! For those who want a more guided approach, our new codelab will walk you through the installation and initial exploration of the plugin in Antigravity.

If you're new to Google Cloud, you can also get started with instructions in our documentation to set yourself up for local development.

The most curious readers can also take a deeper look at the plugins and agent skills available to use today in the Google Agent Skills repository.

3 Highlights from Thomas Kurian’s Keynote at the Goldman Sachs Communicopia & Technology Conference

詳細を表示

On Tuesday, September 8, Thomas Kurian participated in the Goldman Sachs Tech Conference, providing an update on Google Cloud’s business and strategy. Here are the highlights:

  1. Full Stack Approach: Google Cloud is the only provider to offer solutions across the entire AI stack, which expands our total addressable market, differentiates our products from the point of view of performance, cost and quality; and enables us to diversify our revenue streams as the market grows. We have 17 product lines with more than $1 billion in revenues and our customers on average exceeded their commitments by more than 50%. We have also seen more than 2x quarter-over-quarter and year-over-year growth in the number and value of $100 million to $1 billion deals. And we have more than 300 customers each with $100 million-plus contractual commitments.
  2. Benefits of Google Cloud’s AI Infrastructure: Our AI Infrastructure is built on highly differentiated products in a large expanding market which helps us lower cost and improve performance and margins for our AI models. We have a 2-year AI server payback period, and TPUs have a much faster expected payback period than GPUs. The majority of our AI infrastructure total contract value is from committed five-year contracts.
  3. Benefits of Google Cloud’s broad AI solutions: We have seen strong adoption of Gemini Enterprise, which provides customers with insight across their businesses in a highly cost efficient manner with enterprise control and governance. We have also seen that Google Cloud customers that use our AI products use 1.8 times as many products as those who do not.

For more information, please refer to the slide presentation and transcript from the event. This blog post includes statements that could be considered forward-looking. These statements involve a number of risks and uncertainties that could cause actual results to differ materially. Any forward-looking statements in the presentation are based on assumptions as of September 8, 2026, and Alphabet undertakes no obligation to update them.

Google Cloud Japan Blog

数週間から数分へ: データ パイプラインの新たなエージェント時代

詳細を表示

※この投稿は米国時間 2026 年 9 月 1 日に、Google Cloud blog に投稿されたものの抄訳です。

データ パイプラインは現代の企業のバックボーンですが、オーケストレーションには参入障壁があり、多くのデータ専門家がこの重要な機能を利用できない状況にあります。Google Cloud NEXT ’26 での発表で Orchestration Pipelines フレームワークを紹介したことで、この状況は根本的に変わろうとしています。

この強力なフレームワークを実務担当者に直接提供するため、Google は Data Agent Kit を提供しています。これは、データ エンジニアリングとデータ サイエンスのツールを統合した、自由に利用できるオープンソースのコレクションで、お好みの IDE や CLI（VS Code、Claude Code、Codex など）に直接統合できます。

Data Agent Kit は、Orchestration Pipelines フレームワークを 2 つの異なる方法でワークフローにシームレスに組み込みます。まず、包括的なパイプライン管理のための専用の [データ エンジニアリング] タブが用意されています。2 つ目は、自然言語を使用して本番環境グレードの Apache Airflow® DAG を作成、デプロイ、トラブルシューティングできるように設計された、専門的なエージェント スキルです。

これらの専門的なエージェント スキルを宣言型の YAML DSL と組み合わせることで、アナリストから ML エンジニアまで、あらゆるデータ担当者が複雑な Python Airflow ボイラープレートを回避できます。このフレームワークは、高レベルのオーケストレーション ロジックを基盤となるコンピューティング実行から切り離し、データ組織全体で強力な MLOps 機能へのアクセスを民主化します。

この投稿では、MLOps の模範的なユースケースを例に、これを簡単に実現する方法を説明します。

環境設定

最初のオーケストレーション パイプラインを作成する前に、ローカル開発環境を設定する必要があります。2 分もかからずに開始できます。

1. 拡張機能をインストールして構成する

VS Code、VS Code フォーク、Antigravity、Claude Code、Antigravity CLI、Codex など、お好みの IDE または CLI に拡張機能をインストールし、Google Cloud アカウントで認証するには、公式ドキュメントの Google Cloud Data Agent Kit インストール ガイドに記載されている手順に沿って設定します。

2. オーケストレーション パイプラインのスキルを確認する

インストールしたら、必要なエージェント スキルが有効になっていることを確認します。

  1. VS Code アクティビティ バーで [Google Cloud Data Agent Kit] パネルを開きます。

  2. [設定] > [スキル] の順に移動します。

  3. 「gcp-pipelines-orchestration」スキルが有効になっていることを確認します。

このスキルにより、エージェントは、パイプライン構文、変数置換、シークレット管理、Airflow 実行の自動インシデント診断に関する深い背景知識を得ることができます。

3. 最初のパイプラインを構築する

自然言語プロンプトを使用して、VS Code 互換の IDE 内で直接オーケストレーション パイプラインの作成、構築、検証を開始するには、公式の構築ガイド（パイプライン構築ガイド）をご覧ください。

ビジネス上の問題の例: プロアクティブなサプライ チェーン管理

ビジネス上の問題の例を見ていきましょう。物流および小売業界では、顧客満足度は正確な配達予定に左右されます。注文が予告なく遅延すると、顧客離れが急増し、サポート費用が膨らむ可能性があります。

これに対処するため、倉庫の場所、顧客の場所、注文の特性に基づいて正確な配送日数（日数単位）を予測するエンドツーエンドの MLOps アーキテクチャを構築しています。出荷前にこうした遅延を予測することで、運用チームはサービスレベル契約（SLA）に違反する前に、顧客に事前に通知したり、配送レベルを自動的にアップグレードしたりできます。

このアーキテクチャを完全に再現可能にするため、BigQuery の一般公開データセットである bigquery-public-data.thelook_ecommerce を使用します。デモの目的上、この静的データセットをトレーニング セットと推論セットに分割します。実際のシナリオでは、推論は新たに入ってくるデータに対して行われます。このデータセットは、実際の運用上の複雑さを提供します。

  • 地理データ: 顧客の住所（users）と配送センター（distribution_centers）の緯度と経度。

  • 時間データ: 注文ライフサイクルの詳細なタイムスタンプ（created_at、shipped_at、delivered_at）。

  • 注文属性: 商品カテゴリ、価格、フルフィルメント ステータス（orders、order_items）。

このデータセットを BigQuery、Managed Service for Apache Spark サーバーレス、Gemini Enterprise Agent Platform、dbt と組み合わせることで、トレーニング、毎日のバッチ推論、モデルドリフト評価を処理する、自動化された自己修復型の MLOps ループを構築する方法を実証します。

エージェント ワークフロー: プロンプトからパイプラインまで、わずか数分で

拡張機能を構成すると、DAG 作成用のボイラープレート Python を完全にバイパスできます。VS Code 内で Data Agent Kit チャットを開き、単一の自然言語プロンプトを入力するだけで、継続的な MLOps フィードバック ループを定義しました。

注: 詳細なプロンプトは、このブログ投稿のために、再現性を考慮して作成されました。実際のシナリオでは、パイプラインごとに、より会話調で同じ結果を達成できます。完全なプロンプトと生成されたすべてのファイルは、Orchestration-pipelines GitHub リポジトリで入手できます。

注: Orchestration Pipelines スキルを備えたフロンティア モデルは、多くの場合、1 ステップで完全なワークフローを骨組みを作成できますが、LLM のレスポンスは、モデルのバージョン、ワークスペースのコンテキスト、トークンの深さによって当然異なります。最初のパスで特定のパラメータ、データセット パス、依存関係が省略された場合は、短いフォローアップ プロンプトを入力します。

数分以内で、Data Agent Kit が、基盤となる PySpark スクリプト、dbt 構成、3 つの宣言型 YAML パイプラインを生成しました。

生成された YAML パイプラインと、その視覚的な図を以下に示します。このパイプラインは、Orchestration Pipelines の機能を説明するために簡略化した例です。実際には、本番環境の MLOps の推奨設定は、具体的なユースケースや運用上のニーズによって異なります。

<div class="article-module h-c-page">
  <div class="h-c-grid">


<figure class="article-image--large
  
  
    h-c-grid__col
    h-c-grid__col--6 h-c-grid__col--offset-3
    
    
  ">

  
  
    
    <img alt="1" src="https://storage.googleapis.com/gweb-cloudblog-publish/images/1_XMQ1O65.max-1000x1000.jpg" />
    
    </a>
  
</figure>


  </div>
</div>

パイプライン 1: トレーニング エンジン

このパイプラインは、高負荷のコンピューティング エンジンとして機能します。エージェントは、まず BigQuery にクエリを実行して過去に完了した注文を抽出する YAML 定義を生成しました。その後、Managed Spark サーバーレス クラスタを動的にプロビジョニングして、地理的な距離を計算し、本番環境で使用するモデルをトレーニングします。最後に、トレーニング済みモデルを Gemini Enterprise Agent Platform Model Registry に push します。

code_block
<ListValue: [StructValue([('code', 'modelVersion: "1.0"\r\npipelineId: "training-pipeline"\r\nrunner: airflow\r\nowner: "mlops"\r\ntags:\r\n - "job:datacloud:antigravity"\r\ndefaults:\r\n projectId: "your-project-id"\r\n location: "us-central1"\r\n executionConfig:\r\n retries: 0\r\n\r\nactions:\r\n - sql:\r\n name: "extract_training_data"\r\n engine:\r\n bigquery:\r\n location: "US"\r\n destinationTable: "your-project-id.mlops.training_dataset"\r\n query:\r\n path: "blogpostdemo/training_query.sql"\r\n\r\n - pyspark:\r\n name: "train_model_dataproc"\r\n dependsOn:\r\n - "extract_training_data"\r\n engine:\r\n dataprocServerless:\r\n location: "us-central1"\r\n resourceProfile:\r\n inline:\r\n runtimeConfig:\r\n version: "2.3"\r\n properties:\r\n "spark.dataproc.driverEnv.PYTHONPATH": "./libs/lib/python3.11/site-packages"\r\n "spark.executorEnv.PYTHONPATH": "./libs/lib/python3.11/site-packages"\r\n mainFilePath: "blogpostdemo/train_model.py"\r\n environment:\r\n requirements:\r\n inline:\r\n list:\r\n - "tensorflow==2.14.1"\r\n - "numpy<2.0.0"\r\n - "protobuf<5.0.0dev"\r\n - "google-cloud-storage"\r\n\r\n - ai:\r\n name: "upload_model_vertex"\r\n dependsOn:\r\n - "train_model_dataproc"\r\n agentPlatform:\r\n projectId: "your-project-id"\r\n location: "us-central1"\r\n modelUpload:\r\n modelName: "transit_days_predictor"\r\n modelArtifactUri: "gs://your-bucket-name/models/tf_transit_days_model"\r\n servingContainerImageUri: "us-docker.pkg.dev/vertex-ai/prediction/tf2-cpu.2-14:latest"'), ('language', ''), ('caption', <wagtail.rich_text.RichText object at 0x7f0929205150>)])]>

パイプライン 2: 日次推論

日々の運用ワークフローでは、この軽量なパイプラインが、トレーニング済みのモデルを現在配送中のすべての注文に適用します。BigQuery ジョブを介してデータセットをクエリし、Gemini Enterprise Agent Platform を介して推論ジョブを実行し、結果を BigQuery テーブルに書き戻して、カスタマー サポート チームに SLA 違反の可能性を通知します。

code_block
<ListValue: [StructValue([('code', 'modelVersion: "1.0"\r\npipelineId: "inference-pipeline"\r\nrunner: airflow\r\nowner: "mlops"\r\ntags:\r\n - "job:datacloud:antigravity"\r\ndefaults:\r\n projectId: "your-project-id"\r\n location: "us-central1"\r\n executionConfig:\r\n retries: 0\r\n\r\nactions:\r\n - sql:\r\n name: "extract_inference_data"\r\n engine:\r\n bigquery:\r\n location: "US"\r\n destinationTable: "your-project-id.mlops.inference_dataset"\r\n query:\r\n path: "blogpostdemo/inference_query.sql"\r\n\r\n - ai:\r\n name: "run_vertex_batch_prediction"\r\n dependsOn:\r\n - "extract_inference_data"\r\n agentPlatform:\r\n projectId: "your-project-id"\r\n location: "us-central1"\r\n batchInference:\r\n jobDisplayName: "inference_job"\r\n modelName: "projects/your-project-id/locations/us-central1/models/your-model-id"\r\n bigquerySource: "bq://your-project-id.mlops.inference_dataset"\r\n bigqueryDestinationPrefix: "bq://your-project-id.mlops"'), ('language', ''), ('caption', <wagtail.rich_text.RichText object at 0x7f0938485e90>)])]>

パイプライン 3: 自動評価と分岐

日次評価パイプラインは、自動品質ゲートとして機能します。dbt モデルをトリガーして予測を実際の配送タイムスタンプと結合し、絶対誤差と SLA 違反を計算します。

パイプラインは、組み込みのロジックを使用して、これらの指標を自動的に評価します。モデルのエラー率が許容しきい値を超えた場合、条件に応じて「training-pipeline」がトリガーされ、新しいモデルが生成されます。

code_block
<ListValue: [StructValue([('code', 'modelVersion: "1.0"\r\npipelineId: "evaluation-pipeline"\r\nrunner: airflow\r\nowner: "mlops"\r\ntags:\r\n - "job:datacloud:antigravity"\r\ndefaults:\r\n projectId: "your-project-id"\r\n location: "us-central1"\r\n executionConfig:\r\n retries: 0\r\n\r\nactions:\r\n - pipeline:\r\n name: "run_dbt_models"\r\n framework:\r\n dbt:\r\n airflowWorker:\r\n projectDirectoryPath: "blogpostdemo/dbt_project"\r\n\r\n - python:\r\n name: "check_retraining_condition"\r\n dependsOn:\r\n - "run_dbt_models"\r\n mainFilePath: "blogpostdemo/evaluate_drift.py"\r\n pythonCallable: "check_drift"\r\n engine:\r\n local: {}\r\n\r\n - orchestrationPipeline:\r\n name: "trigger_retraining_pipeline"\r\n dependsOn:\r\n - "check_retraining_condition"\r\n pipelineId: "training-pipeline"\r\n bundleId: "my-first-bundle"\r\n waitForCompletion: false'), ('language', ''), ('caption', <wagtail.rich_text.RichText object at 0x7f0938487e10>)])]>

Managed Service for Apache Airflow への自動デプロイ

パイプライン ロジックの作成は、作業の半分にすぎません。本番環境に安全かつ確実にデプロイする段階で、データチームはこれまで貴重な時間を失ってきました。

Orchestration Pipelines を使用すると、標準的な CI / CD プラクティスを通じてデプロイが合理化されます。デプロイ スクリプトを手動で作成したり、複雑な環境境界を構成したりする必要はありません。Data Agent Kit が、ワークスペースに必要な継続的インテグレーション ワークフロー（GitHub Actions など）を自動的に生成します。

つまり、commit をクリックするだけで、フレームワークが Orchestration Pipelines Bundle をシームレスにパッケージ化し、Managed Airflow 環境に直接デプロイします。

これらの自動化されたワークフローを既存の CI / CD パイプラインに統合するための包括的なガイドについては、公式ガイド「Orchestration Pipelines のデプロイ」をご覧ください。

Day 2（2 日目からの）運用: モニタリングとエージェントによるトラブルシューティング

これらのパイプラインのメンテナンスは、構築と同じくらい直感的に行えます。Data Agent Kit は、オーケストレーション コントロール プレーンを IDE に直接組み込むことで、ブラウザタブを頻繁に切り替えることなく、Managed Airflow の実行をリアルタイムでモニタリングできるようにします。

<div class="article-module h-c-page">
  <div class="h-c-grid">


<figure class="article-image--large
  
  
    h-c-grid__col
    h-c-grid__col--6 h-c-grid__col--offset-3
    
    
  ">

  
  
    
    <img alt="2" src="https://storage.googleapis.com/gweb-cloudblog-publish/images/2_6wcKwIA.max-1000x1000.png" />
    
    </a>
  
    <figcaption class="article-image__caption "><p>Data Agent Kit を使用すると、IDE 内で直接、Managed Airflow の実行をリアルタイムでモニタリングできます。</p></figcaption>
  
</figure>


  </div>
</div>

<div class="article-module h-c-page">
  <div class="h-c-grid">


<figure class="article-image--large
  
  
    h-c-grid__col
    h-c-grid__col--6 h-c-grid__col--offset-3
    
    
  ">

  
  
    
    <img alt="3" src="https://storage.googleapis.com/gweb-cloudblog-publish/images/3_qAVdnpZ.max-1000x1000.png" />
    
    </a>
  
    <figcaption class="article-image__caption "><p>Data Agent Kit が、作成されたパイプラインを可視化します。</p></figcaption>
  
</figure>


  </div>
</div>

インフラストラクチャやデータの問題は避けられません。たとえば、季節的なデータの急増により Managed Spark クラスタでメモリ不足の例外が発生したり、BigQuery の割り当ての上限に達したりすることがあります。これらの問題を解決するために、何千行もの未加工の実行ログを調べる必要はもうありません。

パイプラインが失敗した場合、Data Agent Kit はすぐに使えるエージェント型トラブルシューティングを提供します。IDE で [トラブルシューティング] ボタンをクリックするだけで、データ エンジニアリング エージェントが失敗のコンテキストを分析します。インフラストラクチャの割り当て上限とコードレベルのバグを正確に区別し、根本原因の概要を即座に提供して、インライン修正（コンピューティング テンプレートのスケールアップなど）を提案します。

 

<div class="article-module h-c-page">
  <div class="h-c-grid">


<figure class="article-image--large
  
  
    h-c-grid__col
    h-c-grid__col--6 h-c-grid__col--offset-3
    
    
  ">

  
  
    
    <img alt="4" src="https://storage.googleapis.com/gweb-cloudblog-publish/images/4_tCCNsgc.max-1000x1000.png" />
    
    </a>
  
    <figcaption class="article-image__caption "><p>エージェント型トラブルシューティングにより、パイプラインの障害を即座に診断し、インフラストラクチャのボトルネックを特定して、インライン修正を提案します。</p></figcaption>
  
</figure>


  </div>
</div>

まとめ: 価値創出までの時間を短縮

レジリエントな MLOps アーキテクチャの構築（過去のデータの抽出、dbt 変換の実行、Managed Spark ML コンピューティングのプロビジョニング、モデル レジストリと推論のための Gemini Enterprise Agent Platform のインテグレーション、DAG 間の条件付きトリガーの構成）には、従来、プラットフォーム エンジニアリング チームが複雑な Python Operator ロジックを記述するのに数週間かかっていました。

Orchestration Pipelines と Data Agent Kit を使用することで、このライフサイクル全体を数分で作成、デプロイ、簡単にメンテナンスできました。ボイラープレート インフラストラクチャ コードを、宣言型の、エージェント対応の標準に置き換えることで、データ組織がパイプラインのオーケストレーションに費やす時間を減らし、具体的なビジネス価値の創出に多くの時間を割けるようにしています。

使ってみる:

- リード プロダクト マネージャー、Piotr Wieczorek

- ソフトウェア エンジニア、Alexandre Moueddene

Google、2026 年 Gartner® Magic Quadrant™ で戦略的クラウド プラットフォーム サービス部門のリーダーに選出

詳細を表示

※この投稿は米国時間 2026 年 9 月 3 日に、Google Cloud blog に投稿されたものの抄訳です。

Gartner® は、Gartner Magic Quadrant™ で戦略的クラウド プラットフォーム サービス部門のリーダーとして Google を選出しました。これで、Google は 9 年連続で選出されたことになります。また、Google は「ビジョンの完全性」において最高評価を獲得しました。

<div class="article-module h-c-page">
  <div class="h-c-grid">


<figure class="article-image--large
  
  
    h-c-grid__col
    h-c-grid__col--6 h-c-grid__col--offset-3
    
    
  ">

  
  
    
    <img alt="scps-26" src="https://storage.googleapis.com/gweb-cloudblog-publish/images/scps-26.max-1000x1000.jpg" />
    
    </a>
  
</figure>


  </div>
</div>

この評価は、お客様が Google Cloud 上で極めて要求の厳しいワークロードを確実かつセキュアに構築、スケールできるよう支援してきた、Google の長年にわたる取り組みが認められたものだと考えています。エージェントの時代を迎え、Google は動的なインフラストラクチャで企業の取り組みを加速させ、エンタープライズ アプリ、データ、エージェントを単一の柔軟なプラットフォーム上で接続して、予測可能な費用とパフォーマンスを実現しています。

この勢いを後押ししているものは何でしょうか。Google Cloud を際立たせている、3 つの大きな利点があります。

  1. 共同設計された統合技術スタック: カスタム シリコンとハードウェア システム、オープン ソフトウェアとオーケストレーション、フロンティア モデルとエージェント アプリケーションにわたる技術スタックです。

  2. 動的なインフラストラクチャ: あらゆる場所でユーザー、データ、アプリ、エージェントをセキュアに接続し、スケールできます。

  3. 真の選択肢があるデジタル主権: 組織はクラウドの重要な機能を犠牲にすることなく、データを完全に制御できます。

Google は、お客様が必要とする柔軟性、パフォーマンス、制御を提供しながら、大規模なイノベーションとデリバリーを実現できるよう支援しています。Google Cloud がインフラストラクチャを構築、強化し続けるうえで重視している 3 つの設計原則を詳しくご紹介します。

1. ロックインのない共同設計スタックで AI を加速

Google Cloud は、シリコンからエージェント アプリケーションまで、綿密に共同設計された完全なファースト パーティ AI スタックを提供する唯一のプロバイダです。Google のインフラストラクチャ チームは、Google DeepMind の研究者と協力して、技術スタックのあらゆるレイヤを共同設計し、最適化しています。Google TPU や Arm ベースの Google Axion プロセッサなどのカスタム シリコンから、Google Kubernetes Engine（GKE）や Gemini モデルまで、Google のシステムは優れたパフォーマンスと予測可能な費用を実現しています。

ハードウェアとソフトウェアを共同設計することで、運用効率が大幅に向上しますが、これは閉じたエコシステムを構築することを意味するものではありません。Google は、分散推論用の llm-d などのフレームワーク、GKE Prism によるオープンモデルのベンチマーク、TPU と GPU の間で PyTorch 互換を実現する TorchTPU によるハードウェア ロックインの排除など、スタックのあらゆるレイヤでオープンソースとオープン スタンダードに深く取り組んでいます。モデル、フレームワーク、シリコンを完全に自由に選択しながら、垂直方向に共同設計されたスタックの機能を最大限に活用できます。これらの緊密に統合されたすべてのコンポーネントを組み合わせることは、優れたスケール、パフォーマンス、効率性を可能にする AI Hypercomputer を構築することを意味します。これは、世界の AI ラボの上位 10 社中 9 社が選んだインフラストラクチャ基盤と同じものです。

2. 動的なインフラストラクチャで迅速かつ経済的にスケーリング

現在、AI リソースの需要は急増しています。Google 内では、データセンターで毎月 3,200 兆個のトークンが処理されており、これは昨年の約 7 倍に相当します1。この変化を乗り切ろうとする企業のリーダーにとって、AI システムのスケーリングは、設計が難しく、リソースを大量に消費し、バースト性があることで知られています。そのため、スケーリングのボトルネックや、十分に活用されていないコンピューティング プールの肥大化につながる可能性があります。

組織は、容量管理を自動化し、独自のペースでビジネス アプリケーションをモダナイズし、データ、アプリ、エージェントを安全に接続して、最適化されたグローバル エクスペリエンスを推進するための動的なインフラストラクチャを必要としています。

エージェント規模で成功するには、単一のシステムとして運用できるインフラストラクチャが必要です。Google Cloud のメリットは以下のとおりです。

  • Gemini を活用したツールを使用して、コアアプリのマッピングとモダナイゼーションをインテリジェントに行い、静的なレガシー システムを AI とエージェントの動的な基盤に変換することで、AI 変革を推進 できます。

  • ワークロードに最適化された幅広いコンピューティングの種類と構成から選択できます。事前定義されたカスタムの CPU シェイプ、NVIDIA GPU、Google カスタム シリコン（TPU と Axion CPU）を組み合わせることができます。これらは、AI ワークロードとエンタープライズ ワークロードで優れた費用対効果をもたらすように設計されています。

  • Google Kubernetes Engine を使用して、単一の柔軟なコントロール プレーンでエンタープライズと AI インフラストラクチャを接続できます。これには、計画されたイベントの容量を事前にスケジュールする Dynamic Workload Scheduler や、リソースの消費方法を指示する高度なルールを定義する動的リソース割り当てなどの容量管理機能が含まれ、使用率の最大化と費用の削減に役立ちます。

  • Gemini Cloud Assist を使用して、新しいエージェント ベースのワークフローの運用上の問題をプロアクティブに特定、トラブルシューティング、解決することで、Day 2（2 日目からの）運用を簡素化できます。

  • 最後に、Cross-Cloud Interconnect を使用して、ハイブリッド環境とマルチクラウド環境でワークロードを実行できます。Google の 1,000 万キロメートルを超えるプライベート ファイバー バックボーンを活用することで、パブリック インターネット ルーティングよりも最大 40% 高いパフォーマンスがもたらされます。また、自動化されたデリバリーが数分で行われます2。

動的なインフラストラクチャ、適応型アプリケーション、応答性の高いシステムの統合された基盤を採用することで、組織は、この新しいテクノロジーの最前線をリードするために必要な、復元力に優れた高パフォーマンスのインフラストラクチャを確立できます。

3. 選択肢の拡大とセキュリティの強化でデジタル主権を確立

モダナイゼーション、最先端の AI 機能、規制管理のいずれも妥協すべきではありません。Google の Sovereign Cloud では、3 つの柔軟なデプロイ オプションにより、ソブリン プラットフォーム間で Gemini とオープン ウェイト モデルにアクセスできます。

  • データ主権と制御: Google Cloud Data Boundary を使用して、データの場所と暗号化権限を完全に制御できます。Key Access Justifications（KAJ）とともに外部鍵管理（EKM）を使用して、Google インフラストラクチャの外部で暗号鍵を管理しながら、Google Cloud と Google Workspace の両方で地理的な処理とストレージの境界を正確に適用します。

  • 地域のコンプライアンスとリージョン オペレーション: 欧州のお客様向けに Google Cloud Dedicated で構築され、地域のパートナーが独占的に運用する物理的および論理的に分離されたリージョン クラウドでアプリケーションを実行します。フランスでは、S3NS が PREMI3NS を提供しています。これは、フランス情報システムセキュリティ庁（ANSSI）から SecNumCloud 3.2 認証を取得したスタンドアロン ソブリン クラウドです。Thales が運用する専用のソブリン クラウド オペレーションも、ドイツで近日中に提供される予定です。

  • オンプレミスとエアギャップの柔軟性: Google Distributed Cloud（GDC）を介して、Google Cloud の機能をオンプレミス環境に直接導入できます。GDC には、2 つの異なるデプロイモードがあります。エアギャップ モードは、公共部門、防衛、規制対象企業のワークロード向けに、公共のインターネットに接続せずに運用される、フルマネージドの自己完結型環境です。接続モードでは、Google Cloud の一元化されたコントロール プレーンを活用して統合管理を行いながら、独自のハードウェア上でワークロードをローカルに実行できます。

クラウドへの移行を加速する

コア エンタープライズ システムのモダナイズから、複雑なコンプライアンス要件の管理、自律型 AI エージェントのデプロイまで、Google Cloud は、成功に必要なパフォーマンス、スケール、選択の自由を提供します。

詳しくは、2026 年 Gartner Magic Quadrant 戦略的クラウド プラットフォーム サービス部門 の全文をご覧いただくか、AI Hypercomputer のページをご確認ください。

1. Sundar Pichai、I/O 2026: Welcome to the agentic Gemini era（I/O 2026: エージェント型 Gemini の時代へようこそ）The Keyword、Google、2026 年 5 月 19 日2. テストでは、ターゲットへのトラフィックがクロスクラウド ネットワークを経由した場合、パブリック インターネットを経由した場合と比較して、同じターゲットへのトラフィックのネットワーク レイテンシが 40% 以上短縮されました。

- Google Cloud Platform、バイス プレジデント兼ゼネラル マネージャー、Brad Calder

- AI およびコンピューティング インフラストラクチャ担当バイス プレジデント兼ゼネラル マネージャー、Mark Lohmeyer

Google Gen AI SDK for Kotlin 1.0 の発表: Gemini への慣用的なマルチプラットフォーム アクセス

詳細を表示

※この投稿は米国時間 2026 年 9 月 4 日に、Google Cloud blog に投稿されたものの抄訳です。

Kotlin アプリケーションに最新の生成 AI 機能を統合するのに、低レベルな HTTP クライアントを操作したり、異なる Java ライブラリを連携させたりする必要はありません。このたび、Google Gen AI SDK for Kotlin（google-genai-kotlin）のリリース 1.0 が公開されました。GitHub の googleapis/kotlin-genai で、コードを詳しく調べ、実行可能なサンプルを試し、プロジェクトにスターを付けることができるようになっています。

Kotlin マルチプラットフォーム（KMP）ライブラリとしてゼロから構築されたこの SDK は、JVM（バックエンド サービス、サーバーレス関数、デスクトップ）と Android の両方をターゲットとするデベロッパーに、慣用的な Kotlin パラダイム（ファースト クラスのコルーチン、非同期 Flow ストリーミング、名前付きパラメータとデフォルト パラメータを持つ不変データクラスなど）を提供します。

この SDK では、Gemini Developer API（Google AI Studio）と Gemini Enterprise Agent Platform（Google Cloud）の両方を操作するための統合サーフェスが提供され、構成の調整は最小限で済みます。

1. はじめに: 依存関係を追加する

SDK は、Maven Central の com.google.genai:google-genai-kotlin で公開されています。

Kotlin マルチプラットフォーム（KMP）

マルチプラットフォーム アプリケーションの場合は、commonMain ソースセットに依存関係を追加します。

code_block
<ListValue: [StructValue([('code', '// build.gradle.kts\r\nkotlin {\r\n sourceSets {\r\n commonMain.dependencies {\r\n implementation("com.google.genai:google-genai-kotlin:1.0.0")\r\n }\r\n }\r\n}'), ('language', ''), ('caption', <wagtail.rich_text.RichText object at 0x7ff3d14170a0>)])]>

標準の JVM プロジェクト

単一プラットフォームの Kotlin プロジェクトの場合、Gradle は Gradle Module Metadata を介して最適なバリアントを自動的に選択します。

code_block
<ListValue: [StructValue([('code', '// build.gradle.kts\r\ndependencies {\r\n implementation("com.google.genai:google-genai-kotlin:1.0.0")\r\n}'), ('language', ''), ('caption', <wagtail.rich_text.RichText object at 0x7ff3d1417d00>)])]>

2. 単項およびストリーミングのテキスト生成とチャット

プライマリ エントリ ポイントは Client クラスです。環境変数（Google AI Studio の場合は GEMINI_API_KEY または GOOGLE_API_KEY、標準の Google Cloud アプリケーションのデフォルト認証情報の場合は GOOGLE_GENAI_USE_ENTERPRISE=true）に基づいて、HTTP 接続と認証を自動的に管理します。

Gemini Flash を使用した単一プロンプト リクエスト

Kotlin の use 拡張機能を使用すると、クライアントの基盤となるネットワーク エンジンと HTTP 接続が確実に解放されます。

code_block
<ListValue: [StructValue([('code', 'import com.google.genai.kotlin.Client\r\nimport kotlinx.coroutines.runBlocking\r\n\r\nfun main() = runBlocking {\r\n Client().use { client ->\r\n val response = client.models.generateContent(\r\n model = "gemini-flash-latest",\r\n text = "Explain quantum entanglement in two sentences."\r\n )\r\n\r\n println(response.text)\r\n }\r\n}'), ('language', ''), ('caption', <wagtail.rich_text.RichText object at 0x7ff3d1417ca0>)])]>

コルーチン Flow による低レイテンシ ストリーミング

インタラクティブな UI やレスポンシブな CLI ツールの場合、generateContentStream はコールド Kotlin コルーチン Flow<GenerateContentResponse> を返し、トークン チャンクをリアルタイムで提供します。

code_block
<ListValue: [StructValue([('code', 'import com.google.genai.kotlin.Client\r\nimport kotlinx.coroutines.runBlocking\r\n\r\nfun main() = runBlocking {\r\n Client().use { client ->\r\n val responseFlow = client.models.generateContentStream(\r\n model = "gemini-flash-latest",\r\n text = "Outline the key architectural patterns for microservices on Google Cloud."\r\n )\r\n\r\n responseFlow.collect { chunk ->\r\n chunk.text?.let { print(it) }\r\n }\r\n println()\r\n }\r\n}'), ('language', ''), ('caption', <wagtail.rich_text.RichText object at 0x7ff3d1417f10>)])]>

マルチターンの会話（チャット）

リクエスト ターンをまたいで会話履歴を手動で管理するのは煩雑な作業になることがあります。SDK には、コンテキストの維持、ターンの追加、会話履歴のフォーマット、関数呼び出しの処理を自動的に行う専用の chats サービスが含まれています。

code_block
<ListValue: [StructValue([('code', 'import com.google.genai.kotlin.Client\r\nimport com.google.genai.kotlin.types.Content\r\nimport com.google.genai.kotlin.types.GenerateContentConfig\r\nimport kotlinx.coroutines.runBlocking\r\n\r\nfun main() = runBlocking {\r\n Client().use { client ->\r\n val config = GenerateContentConfig(\r\n systemInstruction = Content.fromText("You are an expert Google Cloud Solutions Architect.")\r\n )\r\n\r\n // Create a multi-turn chat session\r\n val chat = client.chats.create(\r\n model = "gemini-flash-latest",\r\n config = config\r\n )\r\n\r\n // Turn 1\r\n val firstResponse = chat.sendMessage("We are designing an event-driven ingestion pipeline on Google Cloud.")\r\n println("Gemini: ${firstResponse.text}\\n")\r\n\r\n // Turn 2: context from the first turn is included automatically\r\n val secondResponse = chat.sendMessage("Which managed messaging service should we choose: Pub/Sub or Kafka?")\r\n println("Gemini: ${secondResponse.text}\\n")\r\n }\r\n}'), ('language', ''), ('caption', <wagtail.rich_text.RichText object at 0x7ff3d1417ac0>)])]>

chat.sendMessageStream(...) を使用して、マルチターン チャット レスポンスをストリーミングすることもできます。

3. Google 検索でグラウンディングされたマルチモーダル分析

Gemini のマルチモーダル推論は、外部検証と組み合わせると特に効果的です。たとえば、技術、医療、科学に関する図を分析する場合、Google 検索のグラウンディングをアタッチして、事実に基づく主張をライブのウェブソースと照合できます。

code_block
<ListValue: [StructValue([('code', 'import com.google.genai.kotlin.Client\r\nimport com.google.genai.kotlin.types.*\r\nimport java.io.File\r\nimport kotlinx.coroutines.runBlocking\r\n\r\nfun main() = runBlocking {\r\n Client().use { client ->\r\n val imageBytes = File("src/main/resources/medical_diagram.png").readBytes()\r\n\r\n val content = Content(\r\n parts = listOf(\r\n Part(inlineData = Blob(mimeType = "image/png", data = imageBytes)),\r\n Part(text = "Is this anatomical diagram accurate? Verify labels against authoritative medical sources.")\r\n )\r\n )\r\n\r\n // Enable Google Search as a grounding tool\r\n val config = GenerateContentConfig(\r\n tools = listOf(Tool(googleSearch = GoogleSearch()))\r\n )\r\n\r\n val response = client.models.generateContent(\r\n model = "gemini-flash-latest",\r\n content = content,\r\n config = config\r\n )\r\n\r\n println("=== Analysis ===")\r\n println(response.text)\r\n\r\n // Inspect citations and search queries\r\n val grounding = response.groundingMetadata\r\n println("\\n=== Search Queries Executed ===")\r\n grounding?.webSearchQueries?.forEach { println("- $it") }\r\n\r\n println("\\n=== Grounding Sources ===")\r\n grounding?.groundingChunks?.mapNotNull { it.web }?.forEach { source ->\r\n println("- ${source.title}: ${source.uri}")\r\n }\r\n }\r\n}'), ('language', ''), ('caption', <wagtail.rich_text.RichText object at 0x7ff3d1417bb0>)])]>

4. ビジュアル生成と会話型編集: Gemini 3 画像ファミリー

この SDK は、Google の最新の画像生成モデル（リーダーボードでは Nano Banana シリーズのモデルとして広く知られています）を完全にサポートしています。

画像の生成と保存

生成された画像バイトは、レスポンスの一部で Blob として直接提供されます。

code_block
<ListValue: [StructValue([('code', 'import com.google.genai.kotlin.Client\r\nimport java.io.File\r\nimport kotlinx.coroutines.runBlocking\r\n\r\nfun main() = runBlocking {\r\n Client().use { client ->\r\n val response = client.models.generateContent(\r\n model = "gemini-3.1-flash-image", // Nano Banana 2\r\n text = "A photorealistic blueprint of an eco-friendly modern datacenter, isometric view, 4k"\r\n )\r\n\r\n val imagePart = response.parts?.firstOrNull { it.inlineData != null }\r\n imagePart?.inlineData?.data?.let { bytes ->\r\n File("datacenter_blueprint.png").writeBytes(bytes)\r\n println("Image generated and saved successfully.")\r\n }\r\n }\r\n}'), ('language', ''), ('caption', <wagtail.rich_text.RichText object at 0x7ff3d1417340>)])]>

画像から画像への会話型編集

同じリクエストで、既存の画像と会話型の編集指示を渡すことができます。

code_block
<ListValue: [StructValue([('code', 'val originalImage = File("input.png").readBytes()\r\n\r\nval editPrompt = Content(\r\n parts = listOf(\r\n Part(inlineData = Blob(mimeType = "image/png", data = originalImage)),\r\n Part(text = "Change the daylight illumination to a dramatic twilight skyline with illuminated windows.")\r\n )\r\n)\r\n\r\nval editResponse = client.models.generateContent(\r\n model = "gemini-3-pro-image", // Nano Banana Pro\r\n content = editPrompt\r\n)'), ('language', ''), ('caption', <wagtail.rich_text.RichText object at 0x7ff3d1417130>)])]>

5. Gemini Live とのリアルタイムの双方向インタラクション

低レイテンシの音声、オーディオ、ライブのマルチモーダル インタラクションの場合、SDK は client.live.connect(...) を使用した永続的な WebSocket 接続を介して Gemini Live API をサポートします。

code_block
<ListValue: [StructValue([('code', 'import com.google.genai.kotlin.Client\r\nimport com.google.genai.kotlin.types.AudioTranscriptionConfig\r\nimport com.google.genai.kotlin.types.LiveConnectConfig\r\nimport kotlinx.coroutines.launch\r\nimport kotlinx.coroutines.runBlocking\r\n\r\nfun main() = runBlocking {\r\n Client().use { client ->\r\n val model = if (client.enterprise) "gemini-live-2.5-flash-native-audio"\r\n else "gemini-3.1-flash-live-preview"\r\n\r\n val config = LiveConnectConfig(\r\n outputAudioTranscription = AudioTranscriptionConfig()\r\n )\r\n\r\n // Establish real-time bidirectional WebSocket session\r\n client.live.connect(model, config).use { session ->\r\n println("Connected to Gemini Live session!")\r\n\r\n // Launch collector for server messages (audio and text transcriptions)\r\n val receiveJob = launch {\r\n session.receive().collect { serverMessage ->\r\n serverMessage.serverContent?.outputTranscription?.text?.let { text ->\r\n print(text)\r\n }\r\n }\r\n }\r\n\r\n // Stream real-time text (or raw PCM audio blobs via session.sendRealtimeInput(audio = ...))\r\n session.sendRealtimeInput(text = "Hello Gemini! Give me a 5-second motivational quote.")\r\n\r\n // When finished, clean up\r\n receiveJob.cancel()\r\n session.closeSession()\r\n }\r\n }\r\n}'), ('language', ''), ('caption', <wagtail.rich_text.RichText object at 0x7ff3d1417970>)])]>

6. 構造化されたツールと関数呼び出し

エージェント ワークフローを構築する場合や、LLM をバックエンド マイクロサービスと連携させる場合、デベロッパーは FunctionDeclaration を介して構造化 JSON スキーマを渡すことができます。モデルは、ツールを呼び出すタイミングをインテリジェントに選択します。

code_block
<ListValue: [StructValue([('code', 'val telemetryTool = FunctionDeclaration(\r\n name = "getDatacenterMetrics",\r\n description = "Fetch real-time CPU and thermal telemetry for a Google Cloud region",\r\n parameters = Schema(\r\n type = Type.OBJECT,\r\n properties = mapOf("region" to Schema(type = Type.STRING)),\r\n required = listOf("region")\r\n )\r\n)\r\n\r\nval response = client.models.generateContent(\r\n model = "gemini-flash-latest",\r\n text = "Check telemetry for europe-west1",\r\n config = GenerateContentConfig(\r\n tools = listOf(Tool(functionDeclarations = listOf(telemetryTool)))\r\n )\r\n)\r\n\r\nresponse.functionCalls?.firstOrNull()?.let { call ->\r\n println("Model triggered tool: ${call.name} with arguments: ${call.args}")\r\n}'), ('language', ''), ('caption', <wagtail.rich_text.RichText object at 0x7ff3d14172b0>)])]>

さらに、チャット サービスを使用する場合は、自動関数呼び出し（AFC）を利用できます。つまり、次の例に示すように、チャットの会話で宣言された関数を、SDK がユーザーに代わって自動的かつ透過的に呼び出すことができます。

code_block
<ListValue: [StructValue([('code', 'fun main() = runBlocking {\r\n // A mocked function\r\n val getWeather = callableFunction("get_weather", paramName = "city") { city: String ->\r\n "18 degrees and sunny in $city"\r\n }\r\n\r\n Client().use { client ->\r\n val chat = client.chats.create(\r\n model = "gemini-flash-latest",\r\n automaticFunctionCalling = AutomaticFunctionCalling(getWeather),\r\n )\r\n\r\n // SDK calls get_weather if needed in this conversation\r\n println(chat.sendMessage("What is the weather in Zurich?").text)\r\n }\r\n}'), ('language', ''), ('caption', <wagtail.rich_text.RichText object at 0x7ff3d1417910>)])]>

次のステップ

Google Gen AI SDK for Kotlin のリリース 1.0 により、バックエンド サーバー エコシステム（Ktor、Spring Boot、Quarkus、Micronaut）とモバイル アプリケーションの Kotlin デベロッパーは、生成 AI アプリケーションを構築するためのクリーンなマルチプラットフォーム基盤を手に入れました。

詳細と利用方法については、以下のリソースをご覧ください。

Kotlin と Gemini を使用して、皆様がどのようなものを構築されるか楽しみにしております。

- デベロッパー アドボケイト、Guillaume Laforge

BigQuery の新しい ID 列でパイプラインを簡素化

詳細を表示

※この投稿は米国時間 2026 年 9 月 3 日に、Google Cloud blog に投稿されたものの抄訳です。

お客様のデータ ジャーニーをさらに支援するため、このたび、BigQuery の ID 列のリリースを発表いたしました。この新機能により、ユーザーは連続する 64 ビット整数値を自動的に生成する列を定義できるため、テーブル内の一意の識別子の管理方法を簡素化できます。

データ エンジニアは、データの取り込みをよりスムーズかつ信頼性の高いものにする方法を常に模索しています。BigQuery の ID 列は、テーブルに一意の数値を自動的に生成する強力な組み込みメカニズムを提供します。ID 生成の責任を BigQuery に移すことで、データ パイプラインの複雑さを大幅に軽減し、分析情報の提供に集中できるようになります。

データ パイプラインにとっての主なメリット

ID 列を実装すると、データ アーキテクチャの開発とメンテナンスの効率化に役立つ、いくつかの利点が得られます。

  • 取り込みの合理化: アプリケーション ロジックや ETL ツールで一意のキーを事前に計算する必要なく、データを取り込めるようになります。

  • ボイラープレートの削減: 自動生成されたシーケンスを使用することで、データベースでキー管理がネイティブに処理されるため、SQL コードがよりクリーンになり、メンテナンスしやすくなります。

  • 自動化の統合: ID 列は標準の DML オペレーションとスムーズに連動し、新しい行ごとに一意の識別子が自動的に割り当てられます。

  • 柔軟な統合: INSERT ステートメントと MERGE ステートメントのどちらを使用している場合でも、ID 列は既存のワークフローに適応します。

ID 列を実装する方法

ID 列の設定は簡単で、CREATE TABLE ステートメント内で直接行うことができます。これらの値の処理方法を定義するには、主に 2 つの方法があります。

定義のオプション

句

説明

GENERATED ALWAYS AS IDENTITY

BigQuery が値の一意性を自動的に管理、保証します。

GENERATED BY DEFAULT AS IDENTITY

自動生成された値が提供されますが、必要に応じて手動でオーバーライドすることもできます。

使用例次の SQL ステートメントは、ID を自動的にインクリメントするテーブルを作成する方法を示しています。ID は 1 から始まり、新しいエントリごとに 1 ずつ大きい値になります。

code_block
<ListValue: [StructValue([('code', "CREATE TABLE my_project.my_dataset.orders (\r\n order_id INT64 GENERATED ALWAYS AS IDENTITY (START WITH 1 INCREMENT BY 1),\r\n customer_name STRING,\r\n order_date DATE\r\n);\r\n\r\n-- Ingesting data is now simpler:\r\nINSERT INTO my_project.my_dataset.orders (customer_name, order_date)\r\nVALUES ('Joe Doe', CURRENT_DATE());"), ('language', ''), ('caption', <wagtail.rich_text.RichText object at 0x7f093861d650>)])]>

使ってみる

ID 列は、柔軟性とパフォーマンスが高く、標準に準拠したデータ プラットフォームを提供するという Google の継続的な取り組みを象徴するものです。サロゲートキーの生成を自動化することで、スケーラブルでメンテナンスしやすいデータ アーキテクチャを簡単に構築できるようにしています。

プロジェクトにこの機能を実装する方法の詳細については、BigQuery の ID 列に関するドキュメントをご覧ください。

- プロダクト マネージャー Wawrzek Hyska

- ソフトウェア エンジニア Aayush Bhatnagar

前日
Archive
翌日