汎用AIエージェントは、文脈理解の欠如やセキュリティ上の懸念から、エンタープライズデータに苦労することがよくあります。GoogleのAgentic Data Cloudは、AIを運用システムと分析システム全体に統合することで、これを解決することを目指しています。この新しいプラットフォームは、エージェントが高精度かつ統一されたガバナンスでリアルタイムのエンタープライズデータにアクセスするためのフレームワークを提供します。開発と使いやすさを向上させるために、新しいツールとデータエージェントが導入されています。BigQuery、Lakehouse、AlloyDB、Spanner、Cloud SQL全体でConversational Analyticsが拡張され、自然言語でのデータインタラクションが可能になります。Looker Embedded Conversational Analyticsにより、エージェントをカスタムアプリケーションに直接統合できます。データエンジニア、データサイエンティスト、データベース管理者のためのタスク自動化とインテリジェンス提供を目的とした、新しいデータエージェントのスイートが利用可能です。これには、データエンジニアリング、データサイエンス、データベースオブザーバビリティ、データベースオンボーディングのエージェントが含まれます。Looker Dashboard AgentとGemini EnterpriseのConversational Analyticsは、ビジネスユーザーがデータインサイトに簡単にアクセスできるようにします。Data Agent KitやManaged MCP Serversのようなツールは、エージェントエコシステムとの開発者の統合をサポートするために提供されます。これらの進歩により、組織はエンタープライズデータでAIエージェントをより効果的かつ安全に活用できるようになります。

Google Cloudの新CISOであるChris Betz氏は、AI脅威防御の開発から得られた4つの重要な教訓を共有しました。AIは脆弱性の発見を大幅に加速させ、防御側は数分で数千の欠陥を発見できるようになります。敵対者は洗練された攻撃にAIを活用していますが、防御側も同様の能力をビジネスコンテキストと組み合わせて使用できます。従来の人的な防御策は、機械速度の脅威に対してはもはや十分ではありません。GoogleのAI脅威防御フレームワークは、準備、スキャン、修復、監視を含みます。準備には、攻撃対象領域の縮小と、エンジニアリングとの連携による堅牢な運用フレームワークの確立が含まれます。スキャンと優先順位付けには、専門家主導のAI支援によるソフトウェアサプライチェーンの分析が必要です。優先順位付けは、より広範な影響範囲を持つ基盤となるコードから取り組むことにシフトします。修復は、リスクベースの展開、包括的な追跡、およびシステムレジリエンスの構築に焦点を当てます。これには、セキュリティを強化するためのオープンソースソフトウェアの更新、削除、または書き換えが含まれます。監視は、継続的なフィードバックループを確立し、修復の健全性を追跡し、将来の脅威の進化のためにAIエージェントを利用します。AIエージェントは、応答プレイブックを自動化し、コーディングプラクティスを改善し、レッドチーミングはインフラストラクチャのストレステストを行います。このアプローチにより、常に進化し、安全な防御が保証されます。

エンタープライズは、リアクティブインテリジェンスからエージェンティックAIのためのプロアクティブなアクションシステムへと移行しています。Google CloudのAgentic Data Cloudは、このシフトを可能にし、YahooのSeller Agentデジタルメディアバイイングプラットフォームがその例です。YahooはGoogle Cloudと提携してSeller Agentを構築し、数週間かかる手作業プロセスを、数秒で実行される迅速で管理されたキャンペーンに変革しました。このプラットフォームは、自律システムがスピードと説明責任を達成できることを示しています。プレミアム広告キャンペーンのような従来のワークフローは非効率的で、広範な人間の介入と分析を必要としていました。リアルタイムデータと制約の決定論的な理解なしにLLMを統合するだけでは不十分です。信頼できるエージェンティックプラットフォームは、エラーを回避し、事実に基づいた根拠を確保するために、確実な真実の源を必要とします。規制当局は、実際の予算が関わるAIの決定に対して説明責任を要求しており、組み込みのガバナンスと監査可能性が必要となります。Google Cloud上で実行されるYahooのSeller Agentは、説明責任と監査可能性のために設計されたマルチエージェントシステムです。そのアーキテクチャは、ビジネスの現実に決定を根拠付けるためのナレッジグラフと、監査可能なメモリのためのコンテキストグラフを特徴としています。Spanner Graphを搭載したナレッジグラフは、ビジネスオペレーションとポリシーをモデル化し、エージェントが事実にに基づいて行動することを保証します。BigQuery Graphを利用したコンテキストグラフは、説明責任のために追跡可能なレコードとしてあらゆるアクションをキャプチャします。このデュアルグラフ基盤は、ナレッジグラフによる迅速な実行と、コンテキストグラフによる継続的な監査を可能にします。このアーキテクチャは、ビジネスの現実に決定を根拠付け、監査可能なメモリを構築することで、信頼できる自律システムを必要とする業界のブループリントとして機能します。

洗練された中国のネクサス脅威アクターであるUNC6508は、北米の学術、医療、軍事研究機関を標的としていました。このアクターは1年以上にわたり検知されず、Webアプリケーションを侵害し、カスタムマルウェアであるINFINITEREDを展開していました。UNC6508は、国家安全保障情報や先進研究を含む機密データの窃盗を目的としていました。主な手法は、脆弱なRECapサーバーを悪用してログイン認証情報をキャプチャすることでした。アクセスを取得した後、アクターは内部システムにピボットし、データ漏洩のために新しい技術を使用しました。Google Threat Intelligence Group（GTIG）は悪意のあるインフラストラクチャを妨害し、影響を受けた組織に通知しました。彼らは2段階認証の有効化とセキュリティベストプラクティスの使用を推奨しています。INFINITEREDは、ドロッパー、認証情報ハーベスター、バックドアを備えたモジュラーアプローチを使用しています。RECapアップグレードプロセスにコードを注入することで永続性を維持します。認証情報ハーベスターはログイン詳細をキャプチャし、データベースに暗号化して保存します。バックドアは、データ窃盗とシステム制御のためのコマンド実行を可能にします。脅威アクターは、隠密なデータ漏洩のためにドメインコンテンツコンプライアンスルールも操作しました。GTIGは、Mandiant Consultingおよびその他のGoogleチームと協力して、包括的な脅威インテリジェンスと修復支援を提供しました。

著者は、リソースを大量に消費するNode.jsツールを、パフォーマンスの高いGo CLIに置き換えることを目指しました。彼らは、ゼロ依存のコア、速度、ゼロトラストセキュリティモデルを含むアーキテクチャ目標を定義しました。Rust、Python、Zig、Swiftなどの代替案を検討した後、Goはその機能のバランスから選択されました。AIエージェントが既存コードの監査と、直接的なGoポートが存在しないことの確認を支援しました。プロジェクトは、コミュニティ標準のコーディングプラクティスを確保するために、人気のあるGoエージェントスキルをインストールすることから始まりました。その後、ギャップ分析が行われ、アーキテクチャ目標が洗練され、AIエージェントが移行を計画しました。移行には、TypeScriptの設定をGoに翻訳し、さまざまなエージェントディレクトリをマッピングすることが含まれました。ユーザーオンボーディングロジックは、別のファイルに分離されました。機能的な同等性を確保するために、テスト駆動開発（TDD）ループが実装されました。AIは、本番コードを作成する前にテストを生成し、フロントマターの解析から開始しました。エラー処理はGoのベストプラクティスに沿って調整され、明示的なエラーチェックとコンテキストに応じたラッピングが保証されました。単体テストは、多様なシナリオをカバーするために、エンドツーエンドの統合テストで補完されました。CLIコマンドの広範な領域を管理するために、並列サブエージェントが利用され、各エージェントは単一のコマンドに焦点を当てました。このアプローチは、不足しているオプションとテストを特定するのに役立ちました。永続的なコーディネーターエージェントと特定のタスクのための一時的なサブエージェントを使用する「象と金魚」アーキテクチャパターンが採用されました。Goパッケージ構造が最終決定され、ネイティブインストールがサポートされました。クロスプラットフォームの互換性を確保するために、マトリックスビルドを使用したCI/CDパイプラインが設定されました。Goへの移行にもかかわらず、パイプラインはGitHub ActionsヘルパーのためにNode.js依存関係を維持しました。最終的な考慮事項には、プリコンパイル済みバイナリを配布するためのコード署名が含まれていました。

ファウンデーションモデルが効果を発揮するには、特に行動主体型システムにおいて、適切なコンテキストが必要です。組織は、さまざまなシステムに分散した内部知識という断片化された状況に直面しています。この課題に対処するため、オープン・ナレッジ・フォーマット（OKF）がオープンな仕様として導入されました。 OKFは、LLM-wikiパターンを、移植性・相互運用性に優れ、ベンダーに依存しないフォーマットとして形式化します。相互運用性を確保するためのシンプルな規約を用い、知識をYAMLフロントマター付きのマークダウンファイルのディレクトリとして表現します。このフォーマットにより、異なるプロデューサーやエージェントが、変換を行うことなく知識を利用できるようになります。 OKFは、最小限の設計方針に留め、作成者と利用者の独立性を確保し、独自プラットフォームよりもフォーマットを優先するように設計されています。各概念はマークダウンファイルであり、ファイルパスで識別され、構造化されたフィールドにはYAMLフロントマターが、本文にはマークダウンが使用されます。概念はマークダウンを介して相互にリンクされ、関係性のグラフを形成します。 リファレンス実装には、エンリッチメントエージェントと静的HTMLビジュアライザーが含まれます。このフォーマットは、コミュニティからの貢献を通じて進化していくことを想定しています。Google CloudのKnowledge CatalogもOKFを取り込む予定です。最終的に、OKFはAIアプリケーションにおける知識交換の共通言語となることを目指しています。

Google Cloudは、Appleと提携し、同社の拡張されたPrivate Cloud Compute (PCC) システムを強化します。この協力関係は、Google Cloudの高度なセキュリティおよびプライバシー技術を活用します。このパートナーシップの中核となるのは、データライフサイクル全体を通じてデータを保護するGoogle CloudのConfidential Computingポートフォリオです。Titanチップを特徴とするTitaniumセキュリティアーキテクチャは、Googleのインフラストラクチャにハードウェアの信頼の基盤を提供します。Confidential Computingは、使用中のデータさえも暗号化するためにTrusted Execution Environments (TEEs) を利用します。AppleのPCCは、Intel TDXおよびNVIDIA Confidential Computingによって強化されたこれらのTEEsに依存しています。このハードウェアベースの分離は、機密性の高いAIワークロードに対して非常に安全でプライベートな環境を保証します。Google Titanチップは、PCCのハードウェアプラットフォームの整合性を確立するために不可欠です。この協力関係には、透明性を高め、セキュリティプロパティの独立した検証を強化するためのオープンソースホストスタックも含まれます。この共同作業は、PCCに対するAppleの厳格なプライバシーおよびセキュリティ要件を満たすように設計された、堅牢で検証可能なシステムを作成します。これらの進歩は、すべてのGoogle Cloud顧客、特に機密性の高いAIデータを扱う顧客に利益をもたらします。

従来のダッシュボードは有用ですが、インタラクティブ性に欠け、ユーザーが追加の質問をすることを妨げます。これは、ワークフローを中断させたり、データアナリストの支援を必要としたりすることがよくあります。この問題に対処するため、Looker はプレビュー版でダッシュボードエージェントを導入し、ダッシュボード内で直接会話形式のデータ探索を可能にします。ユーザーは自然言語を使用してビジネスインテリジェンスデータと対話できるようになりました。Gemini アイコンをクリックすることで、ユーザーは会話を開始し、文脈に沿ったインサイトを受け取ることができます。エージェントは、適用されたフィルター、クロスフィルター、キュレーションされたタイルを活用して、非常に的確な回答を提供します。より多くの情報が必要な場合、エージェントは基盤となる Explore にアクセスして、グラフと説明とともに提示されるより深いインサイトを得ることができます。データアナリストは、自然言語の指示を提供することでエージェントの応答を調整でき、特定のオーディエンスに対してビジネスロジックを正確に解釈することを保証します。このセルフサービス機能は、アナリストチームがその取り組みを拡大するのに役立ちます。ダッシュボードエージェントは、その推論、参照されたタイル、および適用されたフィルターを示すことで、信頼性と透明性も確保します。これは Looker の既存のガバナンスモデル内で動作し、ユーザーの権限を尊重します。管理者は、Gemini in Looker 設定を通じて、Looker バージョン 26.08.11 以降でこの機能を有効にすることができます。

MandiantとGoogle Threat Intelligence Groupは、UNC6240（ShinyHuntersとしても知られる）によるOracle PeopleSoftインフラストラクチャを標的とした活発な恐喝キャンペーンを報告しました。攻撃者は、2026年5月27日から6月9日の間に、Environment Managementコンポーネントにおけるクリティカルなゼロデイリモートコード実行の脆弱性であるCVE-2026-35273を悪用しました。Googleは、潜在的な侵害について100以上の組織に通知しましたが、その大半は高等教育機関でした。ステージングサーバー上の公開された攻撃者ディレクトリは、クラウドエンドポイントを装ったカスタマイズされたMeshCentralエージェントを明らかにしました。これらのエージェントは、カスタムのラテラルムーブメントおよびデフェースメントスクリプトである[victim_abbreviation]_fanout.shを展開するために使用されました。この活動は、2026年6月9日にShinyHunters Data Leak Siteで公開されたデータ漏洩と直接相関しています。ステージングインフラストラクチャは、Microsoft Azureサービスを偽装した事前設定済みのWindows MeshCentralエージェントをホストしていました。コマンド履歴の分析により、攻撃者がステージング環境を構成し、PeopleSoft構成をマッピングし、ラテラルムーブメント用のスクリプトを伝播していることが示されました。このスクリプトは、内部ホストに対してSSH認証情報をスプレーし、デフェースメントマーカーを展開しました。Oracle PeopleSoftを実行している組織は、/PSEMHUB/hubや/PSIGW/HttpListeningConnectorなどの機密エンドポイントへの外部ネットワークアクセスを直ちにブロックすることを推奨します。さらに、疑わしいPOSTリクエストのアクセスログの監査と、アウトバウンドSMBトラフィックの監視が推奨されるセキュリティ対策です。

経験豊富なビルダーは即興で作業せず、一貫性のある高品質な作業のために、洗練された、使い慣れたプロンプトに依存しています。これらのプロンプトは、人間の仮定のリスクを軽減し、コーディング前にアイデアをストレステストするためのツールとして機能します。Maja Bilić は、皮肉な建築家を体現するプロンプトを使用し、製品要件を洗練させ、過剰なエンジニアリングを防ぎます。Andrew Brogdon は、見過ごされがちなウィジェットテストに AI を活用し、罪悪感を軽減し、コードベースの信頼性を向上させます。Aja Hammerly は、コードレビューに提出する前に、忘れられた TODO を見つけ、コミットメッセージをクリーンアップするためにプロンプトを使用します。Rich Hyndman は、アプリの権限を確認し、未使用の権限を特定するためにプロンプトを採用しており、これは Play Store のコンプライアンスにとって重要です。Shir Meir Lador のプロンプトは、AI に厳しいコードレビューを強制し、丁寧な提案ではなく、重大な欠陥を特定します。James O'Reilly は、トレードオフを検討するためにプロンプトを使用し、AI を集中させ、開発者が意思決定を管理できるようにします。Emma Twersky は、AI 生成コードの脆弱性を特定するためにプロンプトでチェックリストを生成し、信頼の不一致を防ぎます。Fred Sauer は、一連のプロンプトを使用して、発見、概念実証、評価、洗練の各段階を反復処理します。Remigiusz Samborski は、GitHub Actions にプロンプトを埋め込み、プルリクエストのレビューを自動化し、人間のレビュアーをより高度なタスクに解放します。Karl Weinmeister は、DAG 分析を使用して、構造テストのために AI にプロンプトを与え、重要な境界に焦点を当て、改善を優先します。これらの不可欠なプロンプトは、AI を敵対的な思考者に変え、開発者がより大きな自信を持って出荷できるようにします。

Apache Sparkはグローバルなデータ処理のコアテクノロジーですが、データ量のスケーリングはパフォーマンスとコストのトレードオフにつながる可能性があります。多数の同時クエリが存在するエージェント時代は、これらのボトルネックを悪化させ、ユニットエコノミクスに影響を与えます。Managed Service for Apache Sparkは、既存のSparkワークロードと互換性のあるパフォーマンス強化機能であるLightning Engineを提供します。このエンジンは、サーバーレスおよびマネージドクラスターのデプロイメントモードの両方で利用可能であり、ジョブ実行を高速化するための統合ソリューションを提供します。Lightning Engineは、標準Sparkと比較して最大4.9倍高速という大幅なパフォーマンス向上を示しており、代替手段と比較して優れた価格パフォーマンスを提供します。そのコアイノベーションは、ベクトル化されたネイティブ実行にあり、Sparkプランを最適化されたC++命令にコンパイルすることで、JVMのオーバーヘッドを回避します。これは、ベクトル化されたソート、高速化されたウィンドウ関数、およびサポートされていない演算子に対するスマートフォールバックメカニズムを通じて実現されます。さらに、Lightning Engineは、より高速なデータ取得のためにクラウドストレージおよびBigQueryコネクタを最適化します。また、シングルハッシュテーブルキャッシングや集計プッシュダウンなどの高度なクエリ最適化機能も備えています。Lightning EngineをGoogle Cloudコンソールまたはgcloud CLI経由で有効にするオプションがあり、開始は簡単です。このリリースは、Sparkを利用するための新しく、インテリジェントで、より高速な方法を示しています。

Antigravityは、共通の基盤となるハーネスによって駆動される、自律エージェントのオーケストレーションのための4つの異なるインターフェースを提供します。Antigravity 2.0は、独立した複数のプロジェクトにわたる複数のタスクを同時に管理するのに理想的なデスクトップアプリであり、ユーザーはメインワークスペースを中断することなく作業を監視およびスケジュールできます。コマンドライン愛好家やヘッドレス実行シナリオ向けに、Antigravity CLIは高速なターミナルベースのエクスペリエンスを提供します。エージェントと直接連携し、コードの変更を一行ずつレビューしたい開発者は、統合されたデバッグとワンクリック修正を提供するAntigravity IDEを特に役立つと感じるでしょう。PythonライブラリであるAntigravity SDKは、ユーザーが独自のカスタムエージェントを構築およびデプロイできるようにします。このSDKは、Googleの公式Antigravityツールを駆動するのと同じツールとルールへのアクセスを許可し、ローカル開発とGoogle Cloudへのシームレスなデプロイを可能にします。すべてのインターフェースはプラグインとスキルをサポートしており、選択したサーフェスに関係なくコアロジックへの一貫したアクセスを保証します。ユーザーは、ワークフローとプロジェクトのニーズに最も適したツールを選択できます。さらなるガイダンスとドキュメントは、antigravity.googleウェブサイトで入手可能であり、ダウンロードは専用ページからアクセスできます。

Claude Fable 5、Anthropic の最新のフロンティアモデルが、Google Cloud で一般提供開始されました。このローンチは、業界最新のモデルを Agent Platform に直接提供するという、当社の継続的なコミットメントの最新の証です。 Claude Fable 5 は、Anthropic モデルの優れた機能をすべての顧客に提供し、一般的な利用に安全なように設計された強力なセーフガードを備えています。複雑で多段階の推論のために設計された Claude Fable 5 は、高度なソフトウェア開発、長期間にわたるエージェント、および深いマルチモーダル文書分析のような要求の厳しいタスクに適しています。このリリースに関する詳細については、Anthropic のブログをご覧ください。 Agent Platform で、Claude Opus 4.8 や Claude Sonnet 4.6 を含む Anthropic の他のモデルとともに、Claude Fable 5 を使用して構築しましょう。

公共部門は、AIの実験段階からインパクトのあるアプリケーションへと移行しており、個々のモデルを超えた統合ソリューションが求められています。Google Cloudは、エージェンティック時代におけるこの変革を達成するための統一AIスタックを提供します。このスタックは、スケールに最適化され、TPUのような先進的なインフラストラクチャによって強化されたAI Hypercomputer上に構築されています。Gemini 3.5を含むGoogleの最先端モデルや、サードパーティのオプションを通じてインテリジェンスを提供します。エージェンティックデータクラウドは、信頼できる組織データにAIを根付かせ、Cross-cloud Lakehouseのようなブレークスルーを備えた「アクションシステム」を可能にします。エージェンティックディフェンスは、AI Threat Defenseによって強化された、AIライフサイクル全体に対するゼロトラスト保護を提供します。Gemini Enterprise Agent Platformは、エージェントの構築、スケーリング、ガバナンスを容易にし、Workspace Intelligenceのようなすぐに使用できる専門エージェントも用意されています。セキュリティは最優先事項であり、AI Control Dashboard、Agent Registry、Model Armorが包括的な保護を提供します。Gemini for Governmentは、FedRAMP High認証とデータプライバシー保証を備え、AI生成コードを保護するための新しいツールを提供します。エージェントのスケーリングは、Agent Designerのようなツールを通じて実現され、非技術ユーザーがノーコードインターフェースでエージェントを構築できるようになります。この取り組みは、タスクの自動化、生産性の向上、そして人員が重要な業務に集中できるようにすることを目指しています。公共部門のチームは、すでに生成AIから大幅な生産性向上を実感しており、多くのチームが従業員の生産性が少なくとも2倍になったと報告しています。Gemini for Governmentは、パイロットプロジェクトを超えて、ミッションを前進させるスケーラブルなアプリケーションへと移行するためのブループリントを提供します。このテクノロジーは、人間の能力を増幅し、意思決定を加速させます。

AIワークロードは、ストレージをパッシブなリポジトリからアクティブなデータプラットフォームへと変革しています。数十億もの非構造化データオブジェクトとそれに関連するアクションは、データアクセス、移動、変更に関する高度な理解を必要とします。Google Cloud Storage Insightsデータセットは、現在アクティビティの洞察を提供し、Cloud Storageアセットの運用詳細の可視性を提供します。これらの新しいビューは、データに基づいたコスト最適化と、管理者による迅速なトラブルシューティングを可能にします。例えば、ユーザーはオブジェクトが正しいストレージクラスにあるか、またはバケットリージョンが最適に配置されているかを判断できます。ストレージ全体にわたる運用エラーの特定と、その根本原因の理解がより管理しやすくなります。Storage Insightsデータセットは、通常4時間以内に、日次のメタデータと頻繁なアクティビティの洞察を提供します。これらの洞察は、手動のデータ収集に代わる、クエリ準備済みのBigQueryインデックスとして提供されます。データセットは、オブジェクトレベルのアクティビティ、バケットレベルの集計アクティビティ、リージョントラフィック、およびプロジェクトレベルの集計アクティビティを提供します。これにより、静的なスナップショットを超えて、データライフサイクルの動的な分析が可能になります。アクティビティの洞察は、利用されていないデータを特定することで、ストレージのサイズ調整に使用できます。また、リージョントラフィックパターンを分析することで、グローバルパフォーマンスのためのアーキテクチャ設計にも役立ちます。さらに、これらの洞察は、エラーコードの急増などの運用上のホットスポットを解明し、解決するのに役立ちます。

生成AIのビジネス価値を証明するためには、テクノロジーおよび金融リーダーは、継続的な資金調達に対して明確な投資収益率を示す必要があります。成功は、AI導入に必要な組織システムと文化の確立にかかっています。DORA: ROI of AI-assisted software development レポートは、初期導入の課題を乗り越えようとしているチームに実践的なアプローチを提供します。主な調査結果は、AIの価値実現に関する現実的な期待の重要性を強調しており、これはしばしばJカーブに従います。このJカーブは、学習曲線、検証税、パイプライン適応による一時的な生産性の低下を伴います。この初期学習フェーズの予算編成は、持続的な進歩のために不可欠です。レポートはまた、AIの収益における市場の二極化を明らかにしており、組織的なサポートが成功に大きく影響します。ソフトウェア開発ライフサイクル全体にわたるコスト削減、生産性向上、セキュリティ改善などの分野に焦点を当て、AIのROIを計算することが不可欠です。インタラクティブなROI計算ツールを使用して、AI導入の費用と現実を予測できます。リーダーは、完全なレポートをダウンロードし、計算ツールを試すことで、AI投資のための説得力のあるビジネスケースを構築できます。

生成AIのプロダクション環境ではインフラストラクチャの効率性が求められ、GKE Inference GatewayはAIワークロードをインテリジェントにルーティングすることでソリューションを提供します。これは基本的なロードバランシングを超え、プレフィックスキャッシングやモデルアウェアルーティングなどの高度な機能を活用します。これにより、リクエストはすでに準備ができているアクセラレータに送信され、ハードウェアの利用率と応答時間が最適化されます。独立したベンチマークでは、GKE Inference Gatewayはスループット、初回トークンまでの時間、トークン間レイテンシにおいて競合他社を大幅に上回ることが示されています。Snap Inc.も成功を収めており、高いプレフィックスキャッシュヒット率と既存のインフラストラクチャとのシームレスな統合を実現しています。プレフィックスキャッシングは、繰り返し発生するプロンプトプレフィックスのアクティベーション状態を保存することで、冗長な再処理を排除します。これは、検索拡張生成を使用したドキュメントやコードベースのQ&Aに特に役立ちます。同様に、マルチターンのチャットシナリオでは、システムペルソナやビジネスルールをキャッシュすることで、継続的な応答性を実現します。この技術は、LLMがクエリごとに静的なコンテキストを再評価する必要性を回避します。GKEの優れたパフォーマンスは、標準的なマネージドKubernetesサービスと比較したベンチマークレポートで検証されました。結果は、GKEの処理速度とレイテンシにおける大幅な改善を強調しました。レイテンシを最小限に抑え、効率を最大化することで、GKE Inference Gatewayは生成AIアプリケーションをプロダクション対応でコスト効率の高いものにします。

組織は、AIによって加速された敵対者からの脅威が増大しており、より迅速な対応時間が必要となっています。Google AI Threat Defenseは、これらのAI搭載の脅威と戦うために設計された自動化システムです。これは、準備、スキャンと優先順位付け、修復、監視という4段階のフレームワークで動作します。Google Security Operationsは、AI Threat Defenseと連携して、特にパッチ適用不可能なコードが関わる脅威を監視、検出、対応します。脆弱性の悪用は現在、最も一般的な初期感染ベクトルとなっており、パッチが利用可能になる前に悪用が発生することがよくあります。Google Security Operationsは、環境全体にわたるアクティブな攻撃を自律的に封じ込めるための運用フレームワークを提供します。これは、継続的な分析、自律的な調査と対応、および遡及的なハンティングを通じて、環境横断的な可視性を提供します。Detection Engineeringエージェントは、新しい悪用パターンをカスタム検出に変換し、さまざまな入力ソースを分析して悪意のあるアクティビティを特定します。Triage and Investigationエージェントは、アラートを自律的に調査し、分析時間を数分から数秒に短縮します。Agentic automationは、AIエージェントとプレイブックを組み合わせて攻撃を封じ込め、アナリストがワークフローを自動化しながら制御を維持できるようにします。Threat Huntingエージェントは、従来の防御を回避するステルスな敵対者の行動や異常を積極的にハンティングできるようにします。これらのエージェントを統合することで、組織は検出を自律的に生成し、封じ込めをオーケストレーションし、機械速度で脅威をハンティングすることができ、侵害のリスクとコストを大幅に削減できます。

スマートヘルスソリューションプロバイダーであるAlcidionは、臨床医の認知的負荷を軽減し、適切なタイミングで重要な情報を提供することを目指しています。同社の主力プラットフォームであるMiya Precisionは、患者フローの管理と有害事象の防止に役立ちます。以前、Alcidionは、特に複雑なJSONデータ処理と安定性に関する懸念から、Microsoft SQL Server環境でパフォーマンスのボトルネックと運用オーバーヘッドに直面していました。これらの問題に対処するため、AlcidionはプラットフォームをGoogle CloudのAlloyDB for PostgreSQLに移行しました。 Google CloudのDatabase Migration Serviceを利用した移行は効率的に完了し、コアの移行には1週間強を要しました。Alcidionは、カスタム同期ツールを作成し、マネージドGoogle Cloudサービスを活用することで、わずか15分間のカットオーバーを実現しました。この移行により、データベース管理に関連するコントロールプレーンタスクと管理オーバーヘッドが排除されました。 その結果は著しく、データ処理時間は30分から1分未満に短縮されました。安定性は劇的に向上し、チームはインフラストラクチャの問題の絶え間ない「火消し」から解放されました。この移行は、SREチームの管理負担も軽減し、製品イノベーションに集中できるようになりました。Alcidionは、このモダナイゼーションを、AlloyDBのコラムナーエンジンを探索したり、生成AIを統合したりすることを含む、将来の成長のための基盤となるステップと見なしています。この戦略的な移行により、Alcidionは、よりスマートで安全なヘルスケアソリューションを世界中に提供し続けることができます。

プロフェッショナル、法律、金融サービス分野の組織が、脅威クラスターUNC3573による金銭目的のデータ窃盗および恐喝キャンペーンの標的となった。UNC3573は、ボイスフィッシングとソーシャルエンジニアリングを利用してリモートアクセスを獲得しており、しばしばITサポートになりすます。彼らは被害者を説得して画面共有を行わせ、機密データを特定して窃取するためにリモート監視ツールをダウンロードさせる。一部のケースでは、脅威アクターはIT技術者を装ってオフィスに物理的に侵入し、USBドライブ経由でデータを盗み取った。キャンペーンのライフサイクルは迅速であり、多くの場合、データ窃盗と恐喝は1営業日以内に発生する。初期アクセスは通常、セキュリティ上の懸念を引き起こすように設計された無害な請求書をテーマにしたメールによって達成され、その後、直接的なvishingコールが行われる。脅威アクターは、Zoom、Teams、RMMエージェントなどの正規のツールを悪用し、自己破壊型のメモを使用してコマンドとリンクを配信する。また、BYOD環境を悪用して企業ネットワークに侵入し、特定の機密ファイルのためにドキュメント管理システムを標的とする。データ窃取の方法には、クラウドストレージへのアップロード、FTPユーティリティ、および盗まれたファイルを被害者にメールで送信させる指示が含まれる。恐喝コミュニケーションは攻撃的であり、3日以内の身代金を要求し、データを公に漏洩すること、および従業員やクライアントに連絡することを脅迫する。

Google Cloud の Dataproc、現 Managed Service for Apache Spark は、アドホックジョブ向けのサーバーレスと、カスタマイズされたニーズ向けのマネージドクラスターという 2 つのデプロイメントモードを提供します。マネージドクラスターは、スピード、使いやすさ、インテリジェンスに重点を置いて再設計されました。重要な強化機能として、Spark DataFrame および SQL クエリを劇的に高速化するネイティブ C++ 実行エンジンである Lightning Engine が挙げられます。このエンジンは、コードを変更することなく、最大 4.9 倍高速なパフォーマンスと価格パフォーマンスの向上を提供します。柔軟な VM は、ランク付けされたマシンタイプの優先順位付けを可能にすることで、クラスターの回復力を向上させるために導入されました。ゼロスケールクラスターやスケジュールされた停止などの FinOps 機能は、開発環境のコスト管理を改善します。MCP サーバーは生成 AI を統合し、AI アシスタントが自然言語を使用して Spark クラスターと対話し、操作を実行できるようにします。Data Agent Kit は、データサイエンティストが Gemini などのツールと統合し、好みの開発環境内でデータワークロードのライフサイクル全体を管理できるようにします。次世代 Lakehouse は、Spark と BigQuery 間のシームレスな相互運用性を提供し、クラウドストレージやリモート AWS データセットから直接データを処理します。Spark 4.1 および Java 21 を搭載した Cluster Image 3.0 は、継続的で低遅延の処理のためのリアルタイムストリーミング機能を導入します。これらのアップデートは、Google Cloud コンソールおよび gcloud CLI を介してアクセス可能なマネージド Spark クラスターで現在利用可能です。

このチュートリアルでは、Google Kubernetes Engine (GKE) Autopilot に Google Agent Development Kit (ADK) エージェントをデプロイする手順を説明します。まず、ADK エージェントを Artifact Registry に保存された Docker イメージとしてパッケージ化し、GKE Autopilot 上で実行するというアーキテクチャについて説明します。エージェントは、安全な権限管理のために Workload Identity を使用して Vertex AI と通信します。前提条件として、Python、gcloud SDK、kubectl、および特定の API の有効化が必要です。 最初のステップでは、認証を行いプロジェクトを設定する Google Cloud 環境を構成します。次に、エージェントのビルド中にバックグラウンドで実行される GKE Autopilot クラスターをプロビジョニングします。ADK エージェントは CLI を使用して作成され、Vertex AI 上の Gemini を使用するように構成されます。デプロイ前に、エージェントは Web UI を介してローカルでテストされ、機能が確認されます。 デプロイのために、Dockerfile を作成してイメージをビルドし、Artifact Registry にプッシュすることで ADK エージェントをコンテナ化します。次に、IAM サービスアカウントを作成し、必要な Vertex AI ロールを付与することで Workload Identity を実装します。その後、Workload Identity 用に注釈が付けられた Service Account、エージェント用の Deployment、および内部で公開するための Service を含む Kubernetes リソースを作成します。 エージェントは kubectl を使用して GKE にデプロイされ、そのステータスが確認されます。デプロイされたエージェントとのやり取りは、API への `curl` コマンドを介して実証されます。オプションで、安全な HTTPS アクセスを実現するために Google マネージド TLS 証明書を使用した GKE Gateway API を使用して、エージェントを外部に公開することもできます。これには、静的 IP の予約、SSL 証明書の作成、および Gateway および HTTPRoute リソースの定義が含まれます。

Apache Sparkを大規模に実行するには、相当なリソースと専門的な管理が必要です。Google CloudのサーバーレスマネージドサービスであるApache Spark、特にその3.0ランタイムバージョンは、速度、シンプルさ、信頼性を優先することで、これを簡素化することを目指しています。データサイエンスにおけるこのサービスの顧客利用は前年比でほぼ倍増しており、その採用の増加を示しています。このサービスは、ゼロセットアップオンボーディング、権限、ネットワーキング、API管理の自動化により、ワークロードの実行開始までの時間を大幅に短縮します。機密性の高いワークロードの起動時間は75%短縮され、サーバーレスSparkはより幅広いアプリケーションに適しています。GPUの入手可能性の向上は、GPUが利用できない場合にリクエストをキューイングするDynamic Workload Scheduler Flex Start Modeを通じて実現されます。3.0ランタイムは、Spark Connectによる疎結合接続を含む、Apache Spark 4.xのイノベーションをファーストクラスでサポートします。強化されたマルチゾーンサポートはデフォルト機能となり、リージョン内のゾーンに実行ノードを分散させることで、クロスゾーントラフィックに追加料金なしで可用性を向上させます。Google Cloudは、オートチューニングやオートスケーリングなどの分野で使いやすさをさらに向上させるために、継続的にイノベーションを行っています。ユーザーは、ワークロードでruntime_version: 3.0を指定することで、これらの機能の活用を開始できます。

Google Cloud Storage (GCS) は、エージェントシステムにおける非構造化データに不可欠です。現在、このデータをエージェントが実行可能なコンテキストに変換することに焦点が当てられています。GCS におけるスマートストレージは、パッシブなオブジェクトをリッチ化することで、データをエージェントが利用できる状態にします。AI の成功は、意思決定のためにエージェントがこのインテリジェンスにシームレスにアクセスできるかにかかっています。 このブログでは、GCS によって強化されたエージェントの 3 つの顧客事例を紹介し、Model Context Protocol (MCP) を使用してエージェントを安全に接続する方法を説明します。GCS MCP サーバーは、スマートストレージ機能と組み合わされることで、エージェントのデプロイメントを簡素化します。Palo Alto Networks の Strata Co-Pilot は、GCS を履歴メモリとして使用しています。Airwallex の AI Assistant は、ドキュメントストレージとメタデータに GCS を活用しています。Snap の Job Optimization Agent は、GCS 内のジョブデータを分析して効率を見つけます。 MCP は普遍的なエージェントデータ標準であり、GCS はリモートおよびローカルの MCP サーバーオプションを提供します。完全にマネージドされたリモート MCP サーバーはインフラストラクチャを必要とせず、GCS データへの即時アクセスを提供します。主要なエージェントフレームワークと統合され、IAM および監査ログを通じて堅牢なセキュリティを確保します。オプションで、Google Cloud Model Armor を統合して高度な脅威保護を行うことができます。 セルフマネージドのローカル MCP サーバーは、カスタムツールや、特殊なデータ変換などの特定のビジネスロジックの構築に最適です。これは、より高度なカスタマイズのためのオープンソースオプションです。GCS ローカル MCP は、MCP Toolbox for Databases の一部となり、開発を簡素化し、セキュリティを強化します。ユーザーは、リモート MCP サーバーまたはローカル MCP GitHub リポジトリを探索して開始できます。

Google Cloud は Spanner Graph アルゴリズムを導入し、ユーザーがデータベース内で直接高度なグラフ分析を実行できるようにしました。この機能は、Google Research の最先端のグラフマイニング機能を Google Cloud の顧客に提供します。企業はこれらの新しい機能を利用して、複雑な接続データをより迅速かつ効率的に分析し、インサイトを抽出できます。グラフ技術は、不正検出、ソーシャルネットワーク分析、ヘルスケア研究などのアプリケーションでますます使用されています。これまで、グラフアルゴリズムを大規模に実行することは困難であり、複雑なデータパイプラインが必要であったり、トランザクションパフォーマンスに影響を与えたりしていました。Spanner Graph アルゴリズムは、運用データベースのパフォーマンスを損なうことなく、要求の厳しいワークロードを処理できるように設計されています。GQL との緊密な統合により、標準クエリと並行してアルゴリズムを直接呼び出すことができ、データ移動を最小限に抑えます。アルゴリズムの実行は専用のコンピューティングリソースで行われるため、ライブ本番トラフィックへの影響はほぼゼロになります。この新しいエンジンは、密なデータエンコーディングによるパフォーマンスの最適化を通じて、数分で数十億のエッジを持つ巨大なグラフを処理できます。Spanner Graph は、リレーショナルモデルとグラフモデルを統合し、開発者が ISO GQL を使用して接続データをクエリできるようにします。新しいアルゴリズムは、不正検出や製品レコメンデーションなど、接続データ内の隠れたパターンやインサイトを発見するのに役立ちます。主要なアルゴリズムには、Centrality、Community Detection、Similarity and Path Finding が含まれます。ユーザーは GQL を使用してこれらのアルゴリズムを直接呼び出し、結果を Spanner Graph または Cloud Storage に書き戻すことができます。例では、コミュニティ検出と PageRank を組み合わせて不正グループのリーダーを特定する方法を示しています。DaVita、Yahoo!、SoundCloud などの業界リーダーは、すでに Spanner Graph アルゴリズムを複雑なデータ課題に活用しています。

gcs-analytics-core は、Google Cloud Storage を扱う際にデータエンジニアが直面する、複数の分析エンジン間での互換性とパフォーマンスに関する課題を解決することを目的とした、新しいオープンソース Java ライブラリです。このライブラリは、分析エンジンの選択における柔軟性を提供しつつ、GCS 上での高いパフォーマンスを保証します。Iceberg Spark のような既存の GCS 分析エンジンの最適化を提供し、他のエンジンへの拡張も計画しています。このライブラリは、GCS 上の分析ワークロードを統合し、パフォーマンスを向上させ、バージョン 1.11.0 から Apache Iceberg とネイティブに統合されます。分析エンジンと GCS Java SDK の間の集中化された最適化レイヤーとして機能することで、Parquet のような列指向フォーマットの読み取り操作を改善します。主な技術的最適化には、並列データ範囲取得のためのスレッド化されたベクター I/O と、メタデータのためのスマート Parquet 事前フェッチが含まれます。最初の主要な統合は Apache Iceberg とであり、その GCSFileIO を使用するエンジンは自動的にこれらの機能強化の恩恵を受けます。このライブラリは、すべての Iceberg カタログと互換性があり、インフラストラクチャの変更なしに一貫した読み取りパフォーマンスの向上を提供します。Spark と Iceberg を使用した TPC-DS ベンチマークでは、さまざまなデータセットサイズでスキャン時間と実行時間の顕著な改善が実証されました。開始するには、ユーザーは Apache Iceberg Spark ランタイム 1.11.0 以降、設定済みの GCSFileIO、および特定の最適化フラグが有効になっている必要があります。このライブラリはオープンソースであり、GitHub でホストされており、コミュニティからの貢献とフィードバックを奨励しています。

このブログでは、Google Kubernetes Engine 上で高可用性を持つ AI 推論ワークロードをセットアップする方法を探ります。目標は、Dynamic Resource Allocation (DRA) や Inference Gateway のような機能を使用して、1 つのリージョンが障害を起こした場合でもサービスへのアクセスを確保することです。この実験では、Google Kubernetes Engine (GKE) マネージド DRANET を使用して、異なるリージョンの TPU をサポートする Pod 間でリソースを共有します。マルチクラスター GKE Inference Gateway は、複数のクラスター間で AI/ML ワークロードをバランスさせ、フェイルオーバーシナリオに不可欠です。Cloud Storage FUSE は、モデルとログの一元化された場所を提供し、デプロイメントを高速化します。Virtual Private Cloud (VPC) は安全な通信を保証し、GKE Fleets はクラスター管理を統合します。このセットアップでは、高性能 AI 計算のために TPU v6e アクセラレータを利用します。設計には、別々のリージョンにある 2 つの GKE クラスターに大規模言語モデルをデプロイすることが含まれ、どちらも 4 つの TPU v6e チップを使用します。モデルは Cloud Storage に保存され、トラフィックはフェイルオーバー機能を備えてグローバルにルーティングされます。不可欠な構成要素には、VPC およびサブネット構成、ファイアウォールルール、およびゲートウェイ用の静的 IP 予約が含まれます。クラスターは、Gateway API および Cloud Storage FUSE CSI ドライバーが有効化され、専用の TPU v6e ノードプールとともに作成されます。マネージド DRANET は、ネットワークアクセラレーションのためにこれらのノードプールで有効化されます。クラスターは、統一管理のために GKE Fleet に登録され、マルチクラスターサービス検出とイングレスを可能にします。AI ワークロードには、モデルウェイトを Cloud Storage にダウンロードし、TPU アクセスに DRANET を利用する推論サーバーをデプロイすることが含まれます。マルチクラスター Inference Gateway は、カスタムリソース定義、オートスケーリングメトリクス、および統一デプロイメントのための InferencePool で構成されます。最後に、ゲートウェイは最も利用可能なリージョンにトラフィックをルーティングするように構成され、テストにより、シミュレートされた障害中にセカンダリクラスターへのシームレスなフェイルオーバーが確認されます。

レストランチェーンの成長は、従来の表計算ソフトでは効果的に対応できない独自の課題を提示します。これらの課題には、サプライチェーンにおけるブルウィップ効果、SOPドリフトによるブランドの一貫性の低下、食品安全問題の広範囲にわたる影響、そして不正支出による財務損失が含まれます。これらの複雑さを管理するためには、デジタルツインとして知られるビジネスのデジタルレプリカが不可欠です。リレーショナルデータベースが標準となってきましたが、大規模な運用においては依存関係の追跡におけるその限界が明らかになります。BigQuery Graphは、既存のデータプラットフォーム内にサプライチェーンのデジタルツインを構築することを可能にすることでソリューションを提供します。これは、アイテムや場所などの物理的なエンティティをノードとエッジのネットワークとしてモデル化することによって達成されます。システムは、既存のテーブル上にグラフビューを作成することでセマンティックレイヤーを定義し、それらの関係を示します。このアプローチは、運用を反応的な問題解決からプロアクティブな精度へと移行させ、外科的なリコールや詳細なリスク分析を可能にします。グラフクエリは複雑なデータ分析を簡素化し、関係を追跡し、洞察を迅速に収集することを容易にします。最適な結果を得るためには、グラフによる関係の構造化に焦点を当て、クリーンなキーによるデータの整合性を確保し、グラフのエッジにメタデータをキャプチャすることに注力してください。最終的に、BigQuery Graphは、企業がデータを単純なリストとして管理することを超えて、数秒で重要なドメイン間の関係を可視化することを可能にします。

AIエージェントが確実に機能するためには、運用データベースによく見られる、高品質でアクセス可能なコンテキストが必要です。この課題に対処するため、Google CloudはAlloyDB向けのRemote Model Context Protocol (MCP) Serverをリリースし、一般提供を開始しました。MCPは、LLMが外部データソースに安全に接続できるようにするオープンソース標準です。この統合により、AIエージェントはAlloyDBからリアルタイムのエンタープライズデータにアクセスできるようになり、古い情報による不正確さを防ぎます。AlloyDBは、その優れたベクトルパフォーマンス、高度な検索機能、および組み込みAI Functionsによるリアルタイムインテリジェンスにより、エージェントアプリケーションの堅牢な基盤を提供します。AlloyDB、BigQuery、およびIcebergテーブルからのデータをシームレスに結合できるようにすることで、統一されたデータアクセスを提供します。AlloyDB向けのRemote MCP Serverは、マネージドGoogle Cloudインフラストラクチャ上で実行され、本番ワークロードの接続を簡素化します。中央集権的な検出、完全にマネージドされたHTTPエンドポイント、および強化されたセキュリティのためのGoogle Cloud IAMを使用したきめ細かな認可を備えています。AlloyDBツールセットは、運用インスタンス管理とデータ漏洩に対するModel Armor保護により、エージェントに力を与えます。監査ログは、すべてのアージェントアクションの完全な追跡を提供します。開始するには、APIの準備、データベースのプロビジョニング、およびリモートエンドポイントとIAM認証情報を使用したエージェントの構成が必要です。これにより、エージェントはデータベーススキーマを理解し、複雑なクエリを実行することで、信頼性が高く、根拠のある回答を提供できるようになり、エンタープライズエージェントアプリケーションを強化します。

Google Kubernetes Engine は、アプリケーションのパフォーマンスとコストのトレードオフに対処するために、スタンバイバッファと呼ばれる新機能を紹介しました。以前は、過剰なプロビジョニングは迅速な起動を保証しましたが、コストがかかり、コストを最小限に抑えるとコールドスタートが遅くなるという問題がありました。GKE スタンバイバッファは、クラスター向けの低コストで一時停止された容量バッファを提供します。この機能は、トラフィックの急増をほぼゼロの起動レイテンシで処理するためにすぐに利用できる容量を提供する GKE アクティブバッファを基盤としています。スタンバイバッファは、通常、数パーセントの低コストで一時停止された容量を維持します。 スタンバイバッファを使用しないクラスターと比較して、それを使用するクラスターは、同じトラフィック負荷で大幅に低いレイテンシを経験しました。スタンバイバッファを備えたクラスターは、P50 レイテンシで一桁秒を維持し、P95 および P99 メトリックは 1 分間に一時的にピークに達しました。従来の Kubernetes オートスケーリングは遅く、HPA のしきい値を下げる、またはバルーンポッドを管理するといった回避策が必要です。これらの回避策は、多くの場合、コストが高く、運用が複雑です。 GKE アクティブバッファとスタンバイバッファは、容量管理のための宣言的なアプローチを提供し、手動構成の必要性を排除します。スタンバイバッファは、コンピューティング容量を一時停止し、永続ディスクと IP アドレスのコストのみを発生させることで、インフラストラクチャ コストを削減します。アクティブバッファと組み合わせることで、過剰なプロビジョニングと同等のパフォーマンスでほぼ瞬時のポッド スケジューリングを可能にしますが、はるかに低価格です。システムは、スタンバイバッファからアクティブバッファを補充することを優先し、スタンバイバッファは拡張された負荷を処理し、ノードのコールドスタートの遅延を防ぎます。スタンバイバッファは、新しいノードを作成するよりも 2〜3 倍速く再開し、コールドスタートと常時稼働の容量のギャップを効果的に埋めます。この機能により、企業はさまざまなワークロードのパフォーマンスとコストを動的にバランスさせることができます。

Trustpilotは毎日数百万件のユーザーレビューを処理しており、これは厳格なレイテンシとコストの制約を伴う複雑なタスクです。同社はコアAI戦略を生成AIへと移行しており、Googleと提携してファインチューニングされたGemmaモデルを使用した高ボリュームのストリーミングパイプラインを構築しています。この取り組みにより、Trustpilotはレビューから深い洞察を得て、固有表現抽出、カテゴリ分類、センチメントスコアリング、意図特定などのタスクを実行できるようになります。Gemmaのようなオープンウェイトモデルのファインチューニングを選択することで、Trustpilotはモデルの完全な独立性、予測可能な経済性、およびMLOps機能の拡張を実現しました。同社は、軽量なgoogle/gemma-2-9bをベースにした専門モデルのスイートを構築しました。高品質なトレーニングデータセットは、Geminiティーチャーモデルと、層化されたレビューサンプルに対するコンセンサスアノテーションを使用して生成されました。これらのデータセットにより、従来のソリューションを上回り、ティーチャーモデルの精度に迫るカスタムモデルのファインチューニングが可能になりました。システムアーキテクチャはDataflowとGemini Enterprise Agent Platform Endpointsを利用しており、スケーラビリティのためにビジネスロジックを生のLLM推論から分離しています。パフォーマンスチューニングは、A100 GPUを搭載したA2 VM上でのvLLMの最適化と、高ストリーミングボリュームに対応するためのvLLMバックエンドの設定に焦点を当てました。課題としては、プライベートネットワーキングの制限、デプロイメントのオブザーバビリティ、およびEU地域でのGPU不足が挙げられました。最終的に、TrustpilotはGeminiと同等のパフォーマンスをわずかなコストで達成し、数百万件のレビューを即座に実行可能なインサイトへと変革しました。

このCloud CISO Perspectivesは、政府および重要インフラストラクチャ向けのAI対応セキュリティプログラムの構築に焦点を当てています。Usman Chaudharyによるこの記事は、CISOs向けのロードマップを提供し、実行可能なステップを強調しています。アプローチの核心は、カスタムワークフローの構築、商用AIの統合、および既存のセキュリティへの組み込みです。推奨される計画には、90日間の焦点、6ヶ月以内の戦術的目標、および6〜12ヶ月以内の戦略的目標が含まれます。これらのイニシアチブは、効率的なリソース配分と即時の成果のために、5つのCISOワークロードドメインにわたって整理されています。即時のアクションには、ビジネス正当化のためのエグゼクティブアラインメント、コンテキスト収集の自動化、およびベンダー最適化が含まれます。脅威インテリジェンス、SOP統合、および人材育成は、6ヶ月以内の鍵となります。6〜12ヶ月以内の戦略的目標には、姿勢の向上、高度なガバナンス、およびインシデント対応の実装が含まれます。焦点はプロアクティブな防御にあり、AIは脆弱性優先順位付け、脅威ハンティング、およびGemini for Governmentの使用を含む自動化されたインシデント対応に使用されます。

このテキストは、チャットアプリケーション内でリッチでインタラクティブなユーザーインターフェースを作成するためのオープンプロトコルであるA2UIを紹介しています。主にテキストを使用するチャットボットの限界に対処しており、非効率的なマルチターン会話につながります。A2UIは、エージェントがJSONペイロードで記述されたUIコンポーネントを返すことを可能にし、ユーザーエクスペリエンスを向上させます。このプロトコルは宣言的で、ストリーミングフレンドリーであり、フレームワークに依存しません。4層のスタックを利用して機能し、A2UIはパイプライン全体で転送されるデータ形式または「カーゴ」を定義します。Gemini Enterprise (GE) との統合は、GEに組み込みのA2UIレンダラーがあるため簡素化されています。開発者は、ツールと共にA2UIコンポーネントを埋め込んだA2Aエージェントを構築します。これらのA2Aエージェントは、エンドポイントとしてGEに登録されます。ユーザーがA2UIウィジェットと対話すると、GEはその対話をエージェントへの入力として送信します。参照実装では、ADKバックエンドを使用してGEとのシームレスな統合を実現しています。エージェントは、GoogleMapなどのコンポーネントにGoogle Maps Embed iframeを使用します。開発プロセスには、参照リポジトリをクローンし、GEを構成することが含まれます。A2UIを使用すると、チャットボットは日付ピッカーなどのインタラクティブな要素を利用して、よりスムーズなユーザーエクスペリエンスを提供できます。

組織は、主要なデータソースとしてBigQueryに依存することが多いですが、アドホック分析はGoogleスプレッドシートで行われることが頻繁にあります。これらのプラットフォーム間のデータ転送は、通常、CSVエクスポートのような非効率的な方法を伴い、データサイロやセキュリティ上の懸念につながります。Connected Sheetsは、BigQueryとGoogleスプレッドシート間の直接的かつライブな接続を提供することで、この問題に対処します。これにより、ユーザーはSQLの知識を必要とせずに、使い慣れたスプレッドシートインターフェース内で大規模なデータセットを分析できます。データ管理者はアクセスを制御し、セキュリティを維持できますが、ユーザーはピボットテーブルやチャートのような機能により、俊敏性と使いやすさを得られます。Connected Sheetsは、セルフサービス分析、運用レポート、ハイブリッドデータモデリングを促進し、さまざまなビジネス機能のユーザーに力を与えます。ビジネスアナリストは、BigQueryからのライブデータを利用して、カスタマイズされたレポートやダッシュボードを構築できます。セットアップは簡単で、Google Workspaceアカウントと請求が有効になっているGoogle Cloudプロジェクトのみが必要で、GoogleスプレッドシートまたはBigQueryコンソールからアクセスできます。Connected Sheetsの目標は、ユーザーがクラウドのスケーラビリティとスプレッドシートの柔軟性を活用できるようにすることです。これにより、大規模なデータセットへのアクセスと作業がより簡単かつ効率的になり、最終的にデータが必要な人々の手に直接渡されます。

AlloyDB for PostgreSQL は、要求の厳しいエンタープライズニーズ向けに設計された、PostgreSQL と互換性のあるフルマネージドデータベースサービスです。Google のインフラストラクチャとシームレスに統合され、卓越したパフォーマンス、スケーラビリティ、可用性を提供します。コアとなる高可用性 (HA) アーキテクチャは、異なるゾーン内のアクティブノードとスタンバイノードで構成されます。従来、スタンバイノードはアイドル状態であり、データベースの再起動やキャッシュのウォームアップによるフェイルオーバー中の遅延の可能性がありました。AlloyDB はホットスタンバイを導入し、スタンバイノードの役割を変更して、継続的にライトアヘッドログを処理します。これにより、スタンバイがすでに実行されているため、フェイルオーバー時間が劇的に短縮されます。ホットスタンバイは、フェイルオーバー後のパフォーマンスの一貫性も確保し、最適な速度のためにメモリキャッシュをウォーム状態に保ちます。この可用性と回復性の向上は、AlloyDB ユーザーに追加費用なしで提供されます。デモンストレーションでは、ホットスタンバイによる高速なフェイルオーバーと即時のパフォーマンス再開が強調されています。このアップグレードは、当初 PostgreSQL 18 で利用可能になり、まもなく以前のバージョンにも展開される予定です。AlloyDB の 99.99% SLA は、高可用性におけるこれらの進歩によりさらに強化されます。ホットスタンバイは、優れた PostgreSQL 体験を提供する上で重要な一歩となります。

GoogleのSREチームは、AIの進歩によるシステム複雑性の増大を背景に、AIを取り込むように進化しています。この「SRE AI」イニシアチブは、ソフトウェア開発ライフサイクルを強化するためにAIを活用することを目的としています。AI統合の機会は、信頼性設計やインシデント管理を含む様々なフェーズに及びます。AIを活用した異常検知とアラートは、応答時間を改善し、アラート疲労を軽減するために実装されています。AIエージェントは、インシデント調査、コミュニケーション、ポストモーテムプロセスを合理化するために開発されています。SREチームは、過去のインシデントを分析し、リスク管理を改善するためにAIインサイトを構築しています。主要な設計原則は、AIエージェント運用の透明性、セキュリティ、信頼性を優先しています。Google SRE AIは、GeminiやAgent Development Kitを含むGoogleの既存インフラストラクチャを活用しています。自律レベル追跡は、システムの真の自律性を評価するのに役立ちます。最終的な目標は、サービス信頼性を向上させ、運用コストを削減し、エンジニアを支援することです。ホワイトペーパーは、GoogleのSRE AIへのアプローチに関する詳細情報を提供しています。

組織は、次世代のエクスペリエンスのために、AIをクリエイティブワークフローに統合しています。新しいエンタープライズグレードのAIモデル、Nano Banana 2とNano Banana Proが、Gemini Enterprise Agent Platformを通じて一般提供開始されました。これらのモデルは、堅牢なインフラストラクチャとセキュリティに支えられ、アプリケーションやワークフロー内での高品質な画像生成と編集を可能にします。新しいプレビュー機能により、Nano Banana 2はビデオファイルを入力プロンプトとして処理できるようになり、マルチモーダル機能が拡張されます。顧客はこれらのモデルを活用して、さまざまな業界でイノベーションを起こしています。マーケティングおよびクリエイティブ分野では、AdobeやWPPのような企業が、カスタマイズされたキャンペーンをスケールアップし、ブランドエンゲージメントを強化しています。ShopifyやURBNのような小売業者は、没入型のショッピング体験や加速された製品開発のためにこれらの機能を利用しています。メディアおよびエンターテイメント企業は、ディレクターのコントロールを確保しながら、次世代の制作ワークフローを構築しています。Google Cloudは、エンタープライズ規模のマルチモーダルエクスペリエンスを構築するためのモデルとツールを提供します。開発者はGemini APIを介してこれらのモデルにアクセスでき、Enterprise Agent PlatformではエンタープライズSLAが利用可能です。

GoogleのデータプラットフォームであるFlumeは、AI時代の膨大なデータ処理ニーズに対応するため、MapReduceから進化しました。現在Google CloudのDataflowで利用可能なFlumeのイノベーションは、スケーラビリティ、効率性、開発者エクスペリエンスに焦点を当てています。膨大な規模に対応するため、Dataflowは動的なワークユニット再分散のためのリキッドシャーディングと、Googleのインフラストラクチャ全体にわたるスケジューリングのためのグローバルコンピューティングを備えています。自動パイプライン最適化は、オペレーションを統合することでオーバーヘッドを削減し、外部API呼び出しのレート制限はシステム過負荷を防ぎます。タンデムプールは、サーバーレスリモート推論を可能にし、スケーラビリティの限界を克服します。 効率性のため、DataflowはTPUのような適切なアクセラレータにワークロードを適合させるための異種ワーカープールを提供します。TPU対応の自動スケーリングとデューティサイクルポリシーの実施は、TPUの利用率を最適化し、コストを削減します。TPUの代替性は、ジョブが最も適切なTPUバージョンと場所にスケジュールされることを保証します。開発者エクスペリエンスは、複数のプログラミング言語とSQLをサポートする汎用SDKによる言語の柔軟性によって強化されます。 JAXのようなMLフレームワークとの統合と、LLM最適化のネイティブサポートが提供されます。統一されたバッチ処理とストリーミング処理により、ユーザーは履歴データとライブデータの両方に同じコードを使用できます。監視UIによるオブザーバビリティは、本番パイプラインのための包括的な制御と診断データを提供します。サンプリング、ドライラン、パイプラインの一時停止/再開などの高度なワークフローは、開発と運用を迅速化します。Dataflowは、これらのGoogle内部のイノベーションをGoogle Cloudの顧客に提供し、要求の厳しいMLアプリケーションに取り組むことを可能にします。

成長するクラウド環境における計画メンテナンスの管理は、複雑で断片化される可能性があります。現在、アップデートの追跡には、インフラストラクチャリソースとそれらがサポートするビジネスサービスを手動でリンクする必要があります。Google Cloudは、このプロセスを簡素化するために、Unified Maintenance内でApp-centric maintenance visibilityをローンチします。この新機能は、個々のリソースからメンテナンスのビジネス指向のビューへと焦点をシフトします。App Hubと統合されており、ユーザーはアプリケーションのコンテキストでメンテナンスイベントを確認できます。「アプリケーション」がメンテナンス管理の主要な単位となります。App Hubに登録されたGKEクラスタやGCE VMなどのリソースは、メンテナンススケジュールが単一のダッシュボードに集約されます。これにより、プラットフォームエンジニアはアラートをオーナーにマッピングする必要がなくなり、手作業が削減されます。また、パフォーマンスの問題とインフラストラクチャのアップデートを相関させることで、より迅速な問題トリアージが可能になります。目標は、すべてのサービスにわたるメンテナンスの影響をビジネス中心に理解し、予測可能な運用を提供することです。Google Cloudに既存のアプリケーションを持つユーザーは、Cloud Consoleでこれらの機能にアクセスし、セットアップガイドを参照できます。

セントラル・オクラホマ大学（UCO）のフォレンジック科学研究所（FSI）は、Googleと提携し、刑事事件分析を加速することを目的としたAIソリューションを開発しました。この協力は、GoogleのNotebookLMを活用し、複雑な文書の分析とタイムラインの構築に必要な時間を大幅に短縮します。このプロジェクトは、UCOのCIOであるSonya Watkins氏が主導したAIハッカソンから生まれ、インパクトのあるAIソリューションの特定に焦点を当てました。ハッカソンでは、アイデア生成とインパクト評価のためにGeminiを使用したケースタイムライン分析ツールが優先されました。初期の試験では、数ヶ月に及ぶケース分析の負担が大幅に軽減されることが示されています。FSIのインストラクターを含むUCOチームは、AIによって生成されたタイムラインがフォレンジック基準を満たすことを細心の注意を払って確認しています。彼らは、AIの結論が元のソース文書に直接リンクされることを保証する、再現可能なフレームワークを開発しています。このフレームワークは、フォレンジック研究所や法執行機関の証拠処理を標準化し、全国的な採用を目指しています。このプロジェクトの目標は、全国的な正義の実現を支援する、スケーラブルなソリューションを作成することです。Googleは、同様のAI駆動型研究能力を持つ機関に力を与えるために、Gemini for Educationを提供しています。

Googleは、世界の情報を整理し、特にMENA-T地域におけるAI主導のスタートアップを支援することを目指しています。Google for Startups Acceleratorプログラムは、この分野におけるイノベーションを促進します。15社からなる新しいコホートが6月1日にプログラムを開始します。これらのスタートアップは、メンターシップ、技術サポート、および地域の複雑さを乗り越えるためのリソースから恩恵を受けるでしょう。 2025年11月に終了した前回のコホートは、Googleの専門家による指導のもと、重要なマイルストーンを達成しました。これらの成果には、ビジネス戦略の洗練とAI/MLイニシアチブの加速が含まれます。2026年のプログラムは、困難な地政学的状況にさらに焦点を当てています。 選ばれた企業は、ヘルスケア、eコマース、教育などの分野でAIを活用する多様な分野を代表しています。3ヶ月間のカリキュラムは、セキュリティやジェネレーティブデザインのトレーニングを含む技術的専門知識を提供します。プログラムは、スタートアップがイノベーションを拡大できるように、戦略的なビジネスモデリングを統合しています。COGNNAは、プログラム改善後に大幅な資金調達ラウンドを完了し、著しい成長を遂げました。Smart Bricksも資金を確保し、不動産投資の自動化にGoogleのAIツールを使用しました。Googleは、地域の創業者を支援し、継続的なデジタル成長とイノベーションのためのインフラストラクチャを提供することにコミットしています。

このテキストは、Cloud Run における AI モデルの長いコールドスタート時間という問題を探求しており、開発者を苛立たせ、一部の開発者がサーバーレス GPU を避ける原因となっています。AI コールドスタートの 4 つのフェーズ、すなわちインフラストラクチャのプロビジョニング、コンテナイメージのストリーミング、エンジンの初期化、モデルのロードについて詳述しています。著者は、これらのコールドスタートを改善するためのベストプラクティスを、Google Cloud のドキュメントから引用して提供しています。主要な最適化戦略には、モデルのフォーマットとサイズの最適化、効率的なストレージオプションの選択、起動 CPU ブーストの使用、Direct VPC Egress の設定が含まれます。著者は、GPU の利用率を最大化し、不要なスケールアウトを防ぐための同時実行チューニングを強調しています。追加の戦略として、グローバルデプロイメントのために単一リージョンの「常時稼働」サービスを提供する、または「ウェイクアップコール」を使用してコールドスタートをマスクすることが提案されています。また、起動プローブの調整の重要性を強調し、Elastic のアプローチから複数のサービスバリアントを管理する例を挙げています。これらの戦略は、インフラストラクチャを問題からスケーラブルで信頼性の高い AI ソリューションへと転換させることを目的としています。結論として、コールドスタートの最適化は、AI を趣味のプロジェクトから本番環境に対応できるデプロイメントへと移行させるために不可欠です。

AIの台頭によりサイバー脅威は急速に進化しており、組織は防御策を適応させる必要があります。Googleは、これらの進化する脅威と戦うためにAI Threat Defenseを立ち上げています。Googleのセキュリティ専門知識に基づいて構築されたこのシステムは、AIを活用して脅威の検出と対応を自動化します。このプラットフォームは、MandiantとWizをGeminiの機能と統合し、包括的なセキュリティを実現します。AI Threat Defenseは、脆弱性の準備、スキャンと優先順位付け、修復、監視に焦点を当てています。主な機能には、自動化された脆弱性の特定、修復、継続的な監視が含まれます。このシステムは、AIエージェントを使用して攻撃経路を積極的に予測し、脅威の優先順位付けを行い、より迅速なパッチ適用を実現します。CodeMenderを統合することで、このプラットフォームは自動化されたパッチ生成とテストを提供し、修復を迅速化します。その目的は、修復時間を大幅に短縮し、全体的なセキュリティ体制を改善することです。

Googleのネットワークは、各技術時代と共に進化を遂げ、現在ではAIの要求に対応しています。AI時代は、個々のデータセンターの能力を超える、膨大なコンピューティング能力と特殊なネットワーキングを必要とします。Googleは、持続可能なエネルギーを持つデータセンターを戦略的に配置し、そのネットワークを活用してハイパーコンピューティングリソースを創出しています。これは、AI Hypercomputerに支えられた、チップからアプリケーションまでの垂直統合型AIスタックを必要とします。ネットワークのコア要素には、内部ファブリック、サイト間接続、グローバルネットワークが含まれます。AI Hypercomputer内では、Virgo NetworkがAIワークロードに対して、巨大な帯域幅、低遅延、そして回復力を提供します。自律的な信頼性機能と高解像度テレメトリは、ネットワーク運用を強化し、ファブリック内のダウンタイムを最小限に抑えます。キャンパス全体でのAIワークロードのスケーリングには、マルチシャードネットワークやAIネイティブなCloud Interconnectを含むWAN最適化が必要です。グローバルネットワークは、広範なインフラストラクチャを通じて、低遅延と高可用性を提供し、AI推論をサポートします。これらのネットワークイノベーションは、Google Cloud環境に直接組み込まれ、ユーザーのAIワークロードをサポートしています。

生成AIは職場における一般的なツールとなり、ITリーダーにとって新たなセキュリティ上の課題を提示しています。ブラウザは現在、主要なワークスペースとなっており、セキュリティ対策の強化が不可欠です。最近のOmdiaのレポートでは、IT専門家を対象とした調査が行われ、ほとんどの組織にとってブラウザセキュリティが最優先事項であることが明らかになりました。GenAIの利用は広く普及しており、ほとんどの組織が従業員による公開アプリケーションの使用を許可しています。これは、データ漏洩の新たなリスクを生み出し、AIのセキュリティ保護の重要性を強調しています。AIを活用したフィッシングやデータ漏洩を含む、ブラウザベースの脅威は、IT専門家にとって大きな懸念事項です。GenAIアプリケーションのセキュリティ保護は、新しいセキュリティソリューションを評価する際の重要なユースケースです。従来のネットワークベースのセキュリティツールは、この進化する状況においてはしばしば不十分です。Chrome Enterpriseは、AIセキュリティをブラウザに直接統合することでソリューションを提供します。これにより、組織はAIの使用状況を検出し管理し、データ保護制御を適用し、コンテキストを認識したアクセスポリシーを設定できます。AI主導の現代の職場において、組織を保護するためには、ブラウザのセキュリティ保護が不可欠となっています。

2025年後半、Mandiantは、認証なしのRCEという重大な脆弱性により、KnowledgeDeliver LMSの侵害を調査しました。この脆弱性は、すべてのデプロイメントでASP.NETマシンキーが同一の事前共有キーであったことに起因していました。攻撃者はこれを悪用して悪意のあるコードを注入し、ウェブサイトを介してユーザーを感染させることを目的としました。キーが同じであったため、1つのインスタンスを侵害できれば、すべてを侵害できる可能性がありました。攻撃者は、アクセスを維持するために、BLUEBEAMと呼ばれる.NETベースのインメモリWebシェルを展開しました。彼らは、偽のセキュリティアラートを表示し、リモートスクリプトをロードするために、JavaScriptを含むファイルを変更しました。これにより、ユーザーワークステーションにCobalt Strike BEACONが感染しました。このような攻撃を検出するために、組織はアプリケーションイベントログ（イベントID 1316）、w3wp.exeからの疑わしいプロセスアクティビティ、およびファイルの整合性を監視する必要があります。異常なユーザーエージェント文字列の監視も重要です。修正には、マシンキーのローテーションとLMSへのアクセス制限が含まれます。このインシデントは、デプロイメントテンプレートにおける共有シークレットのリスクを浮き彫りにしました。

中国語のフィッシング・アズ・ア・サービス（PhaaS）は急速に成長しており、成熟したサービスと広範な犯罪エコシステムとの複雑なつながりを提供しています。これらのプラットフォームはサイバー犯罪者の参入障壁を下げ、ソーシャルエンジニアリングと認証情報窃盗を可能にします。このエコシステムは、パスワードの収集から、MFAを回避するためのOTPのリアルタイム傍受へと移行しています。攻撃者はデジタルウォレットを悪用し、盗まれたデータをトークン化された資産に変えて不正な金融管理を行います。ロシアの競合他社とは異なり、中国語のPhaaSは一般大衆を標的とすることが多く、公然と運営されています。これらのサービスは、PII販売、ホスティング、マネーロンダリングを含む広範な付随サービスを提供しています。攻撃は、暗号化された配信のためにRCSとiMessageを活用し、管理パネルを介したリアルタイム傍受を行います。AIはフィッシングページの生成を自動化するために使用されており、検出を困難にしています。これらのプラットフォームは、多様な国際市場向けのローカライズされたコンテンツを生成する、ローカライゼーション・アズ・ア・サービスをサポートしています。ケーススタディであるYY Lai Yuは、洗練されたターゲティングとアンチボット対策を備えて日本に焦点を当てました。これらのプラットフォームの継続的な進化は、FIDO2/WebAuthnのようなユーザー教育を超えた技術的なセキュリティ管理の必要性を強調しています。

Movixは、熟練した技術者の需要増加と不足に対応するため、歯科用アプライアンスメーカー向けのAI駆動型ソリューションを開発しています。同社は、品質管理を改善し、プロセスを合理化するためのエージェント型ワークフローの作成に注力しており、アライナー製造におけるコストのかかるエラーを削減しています。同社のソリューションは、3Dスキャンの欠陥検出などのタスクのために、Google Cloudインフラストラクチャ上に構築されたカスタムAIモデルを利用しています。Cloud RunとCompute Engineは、大量のデータを処理するために必要なスケーラビリティと計算能力を提供します。これにより、MovixはAPIを介して既存の歯科システムと統合することができ、伝統的に保守的な市場に対応しています。同社のエージェント型アプローチは、手作業を自動化し、歯科用アプライアンスの効率を向上させ、ターンアラウンドタイムを短縮します。同社の技術を使用しているOrtheroは、すでに迅速で一貫した品質管理を体験しています。Movixのアーキテクチャは、セキュリティとヘルスケア規制への準拠を確保するように構築されています。同社は、2029年までに歯科用アプライアンスのワークフロー全体をカバーする複数のAIエージェントを開発することを目指しています。Movixは、古いシステムを組み込んだハイブリッドソリューションを提供し、市場リーチを拡大しています。

Google I/O 2026 では、Google AI Studio と Google Cloud の間の統合に関するアップデートが発表されました。新規ユーザーは、請求アカウントを必要とせずに、最大 2 つのフルスタックアプリケーションを Google Cloud Starter Tier にデプロイできます。この統合により、非リレーショナルデータには Firestore、リレーショナルオプションには Cloud SQL を提供し、データベースの選択肢が拡張されます。Sheets のような Google Workspace ツールとの緊密な統合は、Firebase Auth によるユーザーログインを通じて実現されます。AI エージェントは適切なデータベースを推論し、開発プロセスを合理化します。ユーザーは、Firebase Auth を認証に、Firestore または Cloud SQL をデータストレージに使用して、Cloud Run にアプリケーションを迅速にデプロイできます。この統合には、開発者がアプリケーションに集中できる自動化されたデータ基盤が含まれています。AI Studio の Cloud SQL 統合は、PostgreSQL データベースのインスタントプロビジョニングを提供し、自動的にゼロにスケールする開発者エディションを備えています。アプリを構築する際、エージェントはデータストレージのニーズを検出し、Firestore と Firebase Authentication のセットアップを提案します。Firebase Auth を通じて、アプリは Google Workspace に接続し、ユーザーデータに安全にアクセスできます。

新しい機能のリリース前、特にAI主導のコード生成が加速する中で、しばしば恐怖が生じます。フィーチャーフラグは、コードのデプロイと機能のリリースを分離することで、これを解決し、より安全なロールアウトを可能にします。Googleは、この原則を活用した公開プレビューサービスとして、AppLifecycle Manager Feature Flags (ALM FF) を開始します。ALM FFは、機能リリースとコードデプロイを切り離すことで開発速度を向上させ、フィーチャーレベルの制御による継続的なコードデプロイを可能にします。このサービスは、パーセンテージベースのロールアウトによる段階的な有効化と、Common Expression Language (CEL) を使用した正確なユーザーターゲティングを促進します。コード変更やインフラストラクチャの変更なしに、システムプロンプトのような動的な構成更新を可能にします。ALM FFはOpenFeature標準に基づいて構築されており、Google固有の依存関係なしに移植性と業界のベストプラクティスを保証します。チームは現在、パーセンテージロールアウトと正確なユーザーターゲティングを使用してリリースを制御できます。このサービスは、問題のある機能を即座に無効化することを可能にし、迅速なキルスイッチとして機能します。AppLifecycle Manager Feature Flagsは、ソフトウェア開発に価値のあるツールを提供します。