Japan 公式ブログ
Google の企業向けソリューションに関する公式な情報やユーザーの事例などを、いち早く皆さんにお届けします。
AI Platform と AutoML で、AI の導入がより簡単に
2019年5月29日水曜日
この記事は Rajen Sheth による Cloud Blog の記事 "
Expanding Google Cloud AI to make it easier for developers to build and deploy AI
" を元に翻訳・加筆したものです。詳しくは元記事をご覧ください。
複雑なビジネス上の課題を AI で解決しようとする企業は、年々増加しています。AI の用途は、需要予測、機器の定期メンテナンス時期の予測、カスタマー エクスペリエンスの向上など、さまざまです。しかし、用途にかかわらず共通することがあります。それは、AI 導入の実現には、それを支える手段が必要ということです。
Google は、シンプルですぐに使え、かつ企業にとって導入しやすいシンプルな AI ソリューションの提供を目標としてきました。これは同時に、デベロッパーやデータ サイエンティスト、データ エンジニアが機械学習モデルを構築してデプロイする作業をシンプルにすることでもあります。
先月、サンフランシスコで開催された Cloud Next '19 では、その実現に向けたいくつかのサービスがリリースされました。AI サービス開発のための統合プラットフォーム「AI Platform」や、カスタム ML モデルの構築やデプロイがボタンひとつで可能になる「AutoML」の新機能です。以下では、そのいくつかを紹介します。
AI Platform(ベータ版)
AutoML Tables(ベータ版)
AutoML Video Intelligence(ベータ版)
AutoML Vision
AutoML Vision Edge(ベータ版)
物体検知(ベータ版)
AutoML Natural Language
カスタム エンティティ抽出(ベータ版)
カスタム感情分析(ベータ版)
AI Platform:AI サービス構築のための統合プラットフォーム
AI 開発プロジェクトに取り組む企業は、非構造化データの取り扱いや、チーム間の連携、複雑なデプロイなど、さまざまな問題に直面します。これらすべてを一か所に集約し、ML(機械学習)開発のための連携作業を簡単に実現できる環境が必要です。
これを解決するのが
AI Platform
です。AI Platform は ML 開発のための統合プラットフォームで、複数のチームが同じ環境を共有しながら ML 開発プロジェクトの準備、構築、実行、管理が可能です。デベロッパーもデータ サイエンティストもデータ エンジニアも、Cloud Console 内の同じダッシュボード上で連携しながら、モデルの共有、学習、ワークロードの分散化が可能です。
AI Platform では、ストリーミング データやバッチデータの取り込みをはじめ、
AI ビルディングブロック
を利用したデータ分類や画像物体検知、エンティティ抽出などの ML 適用、そして AutoML と Machine Learning Engine (AI Platform の一機能として統合)を利用したカスタム ML モデルの学習とデプロイまで、すべてを一か所で実現できます。さらには、人手による
ラベリング サービス
を使って学習データ(イメージ、動画、オーディオ、テキストなど)へのラベル付けも可能です。
また今回リリースされた AI リポジトリ、
AI Hub
を利用すれば、ML ソリューションを実装したパイプライン定義や、サンプルコードの
Notebook
、その他の教育コンテンツをクリックひとつで AI Platform 上に取り込み、実行できます。オープンソースの ML プラットフォーム Kubeflow を使って
ポータブル な ML パイプラインを構築
すれば、ローカル、オンプレミス、そしてクラウドと、コードをほとんど変更せずに学習と実行の環境を切り替えできます。
AI Platform の詳細は、
ウェブサイト
でご覧ください。
AutoML で AI をさらに身近に
今回は、
AutoML
にもいくつかの新機能が追加されました。
AutoML Tables で構造化データから ML モデルを簡単作成
これまでの AutoML は、画像認識や文書翻訳、文書分類といった非構造化データに対する ML モデル作成を簡単にするものでした。今回ベータ版がリリースされた
AutoML Tables
をでは、表形式の構造化データからコーディングなしで高精度の ML モデルを構築し、デプロイできます。数回のクリックだけで、BigQuery や CSV ファイルから AutoML Tables にデータを取り込み、ML モデルの学習とデプロイが可能です。これまで専門家による長時間の作業やチューニングを要していたものが、ML の知識のありなしにかかわらず、数時間から数日で済むようになります。データ サイエンティストをはじめ、ML エンジニア、または ML 経験の少ないデベロッパーなど、チームの誰でも簡単にモデルを構築でき、幅広い用途に応用できます。
AutoML Tables についてさらに詳しく知りたい方は、
こちらのブログ投稿
をご覧ください。
AutoML Vision がスマートフォンやエッジデバイスで利用可能に
昨年発表した AutoML Vision は、画像認識用のカスタム ML モデルを ML エキスパートでなくても簡単に作れるサービスです。しかし、センサーやカメラなどのエッジデバイスから取得した画像の認識をクラウド側で動作する AutoML Vision で実施すると、ネットワークによる遅延の発生や接続断への対応などの課題が生じます。一方で、ML の実行をエッジデバイス上で直接行うためのモデルの学習や最適化は、そう簡単ではありません。
今回リリースされた AutoML Vision Edge は、エッジデバイス上で動作する高精度かつ低遅延の画像認識モデルの学習とデプロイが簡単に行えるサービスです。
AutoML Vision Edge は、Android や iOS が動作するスマートフォンや Edge TPU に対応します。例えば LG CNS では、AutoML Vision Edge による製造業向けソリューションを構築し、LCD 画面や光学フィルム、自動車用繊維など、組み立てライン上での不良品検知に利用しています。
AutoML Video で動画分類のカスタマイズが可能に
大量の動画を分析して特定の瞬間を探したり、特別なカットを作成したり、内容に基づいて適切に分類したりするのは、時間のかかる作業です。今回リリースされた
AutoML Video
を使うと、デベロッパーが定義したラベルに基づいて動画コンテンツを自動分類するカスタムモデルを簡単に作成できます。例えば、さまざまな動画データを大量に蓄積している企業では、社内の分類ルールに基づいてコンテンツをすぐに探せるシステムを構築できます。またメディアやエンターテイメント関連企業なら、コマーシャルの自動削除やダイジェスト動画の作成などの作業の簡素化に利用できます。その他、交通パターンの監視や製造プロセスの監視など、ニーズに応じてカスタマイズされた動画分析が可能になります。
これら 3 つの新しい AutoML に加えて、
AutoML Vision
と
AutoML Natural Language
の機能追加も発表されました。AutoML Vision の物体検知(ベータ版)は、画像内の物体の領域を検知します。また AutoML Natural Language のカスタム エンティティ抽出(ベータ版)は、ドキュメントに含まれる特定用途のキーワードやフレーズ(例えば企業の製品名、医療用語、契約条項など)を検出できます。カスタム感情分析(ベータ版)では、用途に合わせて感情スコアを設定したモデルを作成し、文章に含まれる意見や感想から感情スコアを得られます。
Cloud TPU で機械学習をより高速に
ML 開発のためのインフラの強化も続いています。ML モデルの学習を高速化するために開発された AI プロセッサ
Cloud TPU
を使うと、より低いコストでの学習が可能です。今回、第 3 世代である Cloud TPU v3 が一般利用可能になりました。また、
Google Kubernetes Engine
(GKE)でも Cloud TPU が一般利用可能です。GKE を使うことで、ML ワークロードをコンテナ化し、オンプレミスとクラウドのどちらでも簡単に学習や推論を実行できます。また ML の推論向けプロセッサとして、新しい
NVIDIA Tesla T4
が 8 つのリージョンで一般利用可能になりました。
すべてがそろったユーザー中心の AI エコシステム
こうした Google の AI プラットフォームの成功には、確かなパートナー エコシステムが不可欠です。Google では、Accenture、Atos、Cisco、Gigster、Intel、NVIDIA、Pluto 7、SpringML、UiPath などのパートナーと連携し、Kubeflow パイプラインの構築や AI Hub の展開を進めています。企業や業界向けの AI ソリューションについてさらに詳しく知りたい方は、
こちらのブログ投稿
をお読みください。Google Cloud の AI について知りたい方は、
ウェブサイトをご覧ください
。
Reviewed by
Kaz Sato - Staff Developer Advocate, Google Cloud
AI の活用で、企業や開発者にさらなる可能性を
2018年7月25日水曜日
*この記事は米国時間 7 月 24 日に、Fei-Fei Li (Chief Scientist, Google AI) によって
投稿
されたものの抄訳です。
過去 20 年間で AI は劇的に進化しました。画像認識や機械翻訳のような技術が、現在では何百万人もの人々の日常生活の一部となっています。AI は世界中の産業に変化をもたらし、まったく新しい産業も作り出しました。その過程で、いままで想像もできなかったような生活と仕事の質の向上が見込まれています。しかし、私たちにできることはまだ数多く残っており、 AI の領域は今後の発展に向けた機会と課題をいまだ多く抱えている、発展初期の段階にあります。
AI は人々の可能性を広げる力を持っており、私たちは、ひとりひとりが、そして小売から農業、教育から医療に至るまでのあらゆるビジネスが、その力を活用できるようにしたいと考えています。 AI はもはやテクノロジー業界のニッチな存在ではなく、あらゆる業界のビジネスの差別化要因となっています。そして、私たちはビジネスに変革をもたらすことができるツールを提供することに注力しています。
本日、私たちは企業やデベロッパーにイノベーションをもたらすことができる多くの新製品や機能拡張について発表します。
Cloud AutoML Vision 、AutoML Natural Language 、AutoML Translation のベータ版の提供開始。
現在ベータ版の Dialogflow Enterprise Edition の新たな拡張機能を追加
新しいソリューション である Contact Center AI のアルファ版の提供開始。
Cloud AutoML : AI の民主化に向けた次なるステップ
データ サイエンティストなどの経験豊富な専門家が
TensorFlow
や
Cloud ML Engine
などのツールを使ってカスタム ソリューションを一から構築している一方で、
Cloud Vision API
のような事前学習済みの機械学習モデルが、最小限の投資と技術的能力ですぐに結果を出しています。このように、現在の機械学習(ML)で実現できることは二極化しており、両者の間には大きな格差があります。この両者間に位置する多くの人々は、学習済みモデルが提供する機能以上のニーズがあるにも関わらず、独自のカスタム ソリューションを構築するスキルやリソースを必ずしも所有しているとは限りません。
この中間領域に取り組むため、
私たちは今年、Cloud AutoML を発表しました
。AutoML は、機械学習やコーディングに関する専門知識を必要とせず、誰でも独自の領域内でカスタマイズされた強力な機械学習モデルを構築することができます。この Cloud AutoML の第一弾として登場した
AutoML Vision
は、Cloud Vision API を拡張し、まったく新しいカテゴリーの画像を認識することができます。アルファ版のユーザーから得た知見を元にユーザー体験を改善し、本日、AutoML Vision のベータ版を公開しました。
しかし、画像分類は機械学習の無数の応用分野のひとつに過ぎず、私たちは可能な限り多くの課題に取り組んでいます。本日、私たちは新たに 2 つの AutoML 製品をご紹介します。その内のひとつである
AutoML Natural Language
は、お客様が望む分野に特有のカスタム テキストカテゴリを自動的に予測します。また、もうひとつの
AutoML Translation
では、翻訳元および翻訳先言語を対でアップロードし、機械学習モデルに学習させることにより、独自のカスタム翻訳モデルを構築することができます。
すでに多くのお客様から、 AutoML を用いることによりどのように機械学習を活用できるか試してみたいという声をいただいています。
Hearst Newspapers の収益担当上級副社長 Esfand Pourmand 氏は、「米国で 25 誌、世界で300 誌近い雑誌を擁する世界最大の出版社のひとつとして、Hearst のスタッフは常により良いコンテンツ管理の方法を模索しています。AutoML Natural Language を使って、私たちのコンテンツに独自の分類法を適用するのを楽しみにしています。AutoML Natural Language を使用することで、私たちが検討した他のソリューションより高い精度で私たち独自のニーズを満たしたカスタムモデルを作成することができます」とコメントしています。
日本経済新聞社 常務取締役 デジタル事業担当 の 渡辺 洋之 氏は、「日経グループは、主要邦字紙の日本経済新聞に加え、英字紙の『Nikkei Asian Review』や『Financial Times』まで、世界中で信頼度の高い情報源を持つ大手メディア組織です。世界中で流通させ共有できるよう、コンテンツを翻訳することは不可欠です。現在、AutoML Translationを評価中ですが、私たちが必要とするカスタマイズに対応しており、その正確さに感銘を受けています」とコメントしています。
Keller Williams Realty のチーフプロダクトオフィサーの Neil Dholakia 氏は、次のように語っています。「Keller Williams Realty では AutoML Vision を使って、不動産業界で最も進んだ住宅サーチ体験を市場にもたらしています。カスタムモデルが備え付け家具や建築に関する一般的な要素を認識するように学習させることで、お客様は住宅リスティング写真から『花崗岩を使用したキッチンカウンター』といったような特定の特徴や、さらには『モダン』などのより一般的な特徴を自動検索することができます」。
AutoML の詳細については、
こちら
をご覧ください。
AI での可能なことを拡張する
昨年、私たちは AI をより強固なものにするだけでなく、より使いやすくするために多くの取り組みを行ってきました。たとえば、
昨年発表した
Cloud TPU
は、機械学習タスクを劇的に加速するために Google が独自に開発したカスタム プロセッサです。本日、第 3 世代の Cloud TPU のアルファ版のリリースを発表します。これにより、より多くのビジネスにむけて、大規模な機械学習コンピュテーションがサポートできるようになります。
私たちは、クラウド TPU を用いてお客様がこれまで達成してきたことに驚いてます。たとえば eBay は
視覚的検索モデルのトレーニング期間の長さを
、TPU によって月単位から日単位まで短縮できました。これは、従来と比較するとおよそ 100 分の 1 にあたります。
また私たちは、最新の AI 研究をいかにして使いやすい製品にして行けるか、日々継続して考えています。本日私たちは、中心的な機械学習 API にのいくつかの重要な更新を行いました。
Cloud Vision API
は現在、手書き文字を認識するようになり、追加のファイルタイプ(PDF と TIFF)および製品検索をサポートし、画像内のオブジェクトの位置を特定できるようになりました。また、DeepMind の WaveNet テクノロジによって生成された音声が多言語に対応、音声を再生するスピーカの種類を最適化する機能など、
Cloud Speech-to-Text
の改良もしています。また、現在
Cloud Speech-to-Text
で特定可能なものは、言語の種類および会話内での話者、単語レベルでの信頼スコアに加え、複数参加者の会話の録音においても各参加者を別々に録音可能なマルチチャネル認識などです。
働き方の改善に向けた AI の活用
人と機械が共存しながら働くための手法を進化させていく中で、私たちはいまだ初期の段階にいます。反復による負荷を軽減し、人が得意とする創造性や問題解決を支援する知的なツールを通じて、私たちは AI がもたらす最大の可能性は、人間のスキルを補完し強化することであって、AI は人間に取って代わるものではないということを示しています。
このような私たちの取り組みを示す一例として、コンタクトセンターの実務経験の改善があります。コンタクトセンターが日々直面する実際の課題を研究したところ、お客様からの簡単な取引や情報提供依頼が頻繁に寄せられていました。これはコンタクトセンターの従業員にとって反復作業であり、電話サポートできる顧客数の減少、そしてより複雑な問題の解決に時間をかけられない状況に追い込まれます。お客様自身にとっては、苛立ちを覚えるような対応内容、長い待ち時間が発生し全体的にお客様体験の質が下がります。このような事例を受け、私たちは、AI を活用して、お客様とお客様を支援するコンタクトセンターの双方の体験を劇的に向上させる方法を考えました。
私たちの構想は Dialogflow Enterprise Edition が利用可能になったことから始まりました。対話エージェントの構築に向けた包括的な開発パッケージソフトである Dialogflow Enterprise Edition は、
昨年 11 月にリリースされました
。様々な業界で、すでに 60 万人以上のデベロッパーが導入しています。Dialogflow の機能の多くは、企業のコンタクトセンター全体の効率を大幅に向上させる可能性があると考えましたが、それはまだ包括的なソリューションではありませんでした。本日、私たちはその構想を完成させるような、新しい機能を発表します。
Dialogflow はすでに、
Cloud Speech-to-Text
で正確な音声認識を提供しています。さらに私たちは電話との融合を果たすため、
DeepMind の WaveNet
や
Dialogflow Phone Gateway
を使用した Text to Speech のような新機能を上記の音声認識機能に追加しました。
しかし、私たちの真の目標は、コンタクトセンターで対応を行う人と、彼らを頼りにするお客様の双方を支援することです。これを実現するため、私たちはパートナーの企業らと協力し、Dialogflow Enterprise Edition やコンタクトセンターで、特に役立つ追加機能などを含めたソリューションを構築しました。これらはすべて、私たちが AI の使用に対して責任を持つだけでなく、人を中心としたアプローチを取ることを示すものです。私たちはこれを
Contact Center AI
と呼んでおり、カスタマーサービスをあらゆる面で一貫して向上させる可能性があると考えています。これがどのように働くかお話ししましょう。
通話が発信されると、自動的に疑問に答えたりタスクを実行したりする
Virtual Agent
が即座に発信者に呼びかけます。Google には、ユーザーが電話で操作したりコミュニケーションをするためのいくつかのテクノロジーがあり、Contect Center AI と、先日発表した Duplex には共通のコンポーネントがあります。しかしこれらはそれぞれ全体として異なったテクノロジースタックと目的を持っています。
発信者のニーズが Virtual Agent の機能を超えると、通話は人間のエージェントへと移送されます。この時点でシステムはサポート役に回り、 Contact Center AI の
Agent Assist
システムが会話をサポートしながら、エージェントに関連情報を提供します。Dialogflow の
Knowledge Connectors
を活用した支援技術は、企業のナレッジベースから最も関連性の高いナレッジ項目を抽出し、ほとんどリアルタイムでコンタクトセンターの担当者に先を見越して最善のソリューションを提示します。
これにより、柔軟なソリューションが得られるほか、個々の通話ニーズに適応し、人間のエージェントと仮想エージェントの間でシームレスな体験を提供します。状況に応じて Virtual Agent の果たす役割の大きさは変わります。データのプライバシーおよびガバナンスポリシーに準拠しており、インフラストラクチャがなくとも必要なだけの規模にスケーリングされたプラットフォームで実行できます。
最後になりますが私たちは、Appian 、Chatbase 、Cisco 、Five9 、Genesys 、Mitel 、Quantiphi 、RingCentral 、Twilio 、UiPath 、Upwire 、Vonage など、コンタクトセンターのパートナー各社と、Cloud AI の責任ある使用について連携しています 。これには、お客様がボットと話している時間の開示や、無意識な偏見、仕事の未来についての疑問へのアプローチといったベストプラクティスが含まれます。私たちは、従業員とユーザーが公正で、役に立ち、信頼できると感じるような方法で、技術を活用することにを徹底したいと考えています。
Contact Center AI は、私たちが働き方を向上させるために開発している多くのソリューションにおける初の取り組みです。たとえば、当社の Talent Solution は、深層学習のマッチング技術に基づいて構築され、企業の人材獲得を促進します。特定のポジションに対して、これまでの応募者の中で一番適した候補を見つけたり、候補者が自分のスキルや興味に合った適切な仕事を見つけられるよう支援することにより、リクルーターの作業を劇的に軽減します。今後数週間にわたり、Contact Center AI 、Talent Solution 、その他の AI ソリューションについてさらに説明していきます。それまでは、Dialogflow Enterprise Edition の新機能の詳細と、新しく発表した Contact Center AI については、
こちら
をお読みください。
AI をすべての人に提供し続ける
Cloud TPU のようなハードウェアから、AutoML のようなソフトウェアや Contact Center AI のような業種別ソリューションまで、私たちは最新の技術を推進し、参入障壁を低くして、幅広いニーズと専門知識を持つお客様にサービスを提供していきます。そして私たちは、人々の経験を向上させるという目的を一心に見据えてこれらを行なっています。
Google Cloud での機械学習の詳細については、
私たちのこちら Web サイト
をご覧ください。
- Post by Fei-Fei Li, Chief Scientist, Google AI
Labels
#GoogleCloudSummit
#GoogleNext18
#GoogleNext19
77 min Lunch
add on
admin
Advanced Solutions Lab
AI
AI Hub
AI Platform
Android
Anthos
API
App Engine
App Maker
apps
Apps script
ASL
atmosphere
Atmosphere Tokyo
AutoML
AutoML Natural Language
AutoML Translation
bigquery
Box
Calendar
Case Study
Chorme OS
Chrome
Chrome Enterprise
Chrome Enterprise 導入事例
Chrome for Work
Chrome ウェブストア
chromebook
chromebooks
Chromebooks for Education
Chromebooks for meeting
Chromebooks for Work
Chromebox
Chromebox for digital signage
Chromebox for meetings
Chronicle
Cisco
Cloud
Cloud Armor
Cloud AutoML
Cloud AutoML Natural Language
Cloud AutoML Translation
Cloud AutoML Vision
cloud connect
Cloud Dataflow
Cloud Identity
Cloud IoT Core
Cloud Load Balancing
Cloud Memorystore for Redis
Cloud monitoring
Cloud OnAir
Cloud Pub/Sub
Cloud Ranking
Cloud Services Platform
Cloud Storage
Cloud TPU
compliance
compute engine
Contact Center AI
Container Engine
Coursera
Deloitte
developers
Dialogflow Enterprise Edition
Drive for Work
Dropbox
earth api
Education
enterprise
Enterprise Japan
event
Evernote
Expo
Firebase
FISC
Forrester
G Suite
G Suite Business
G Suite for Education
G Suite 事例
G Suite 導入事例
G+
gadget
GAE
GCE
GCP
GCP 導入事例
GCP 認定資格チャレンジ
GDPR
GEO
GEP
GfWtips
GKE
gmail
Gmail、新機能
Gone Google
GoneGoogle
Google App Engine
Google Apps
Google Apps Blog
Google Apps for Education
Google Apps for Work
Google Apps Script
Google Apps ユーザー事例
Google Apps 導入事例
Google atmosphere
Google calendar
Google calender
Google classroom
Google Cloud
Google Cloud Certification
Google Cloud Next '18 in Tokyo
Google Cloud Next '19 in Tokyo
google cloud platform
Google Cloud Search
Google Cloud Summit '18
Google Cloud 認定資格チャレンジ
Google Commerce Search
Google Derive
Google Docs
Google Docs API
google drive
Google Drive for Work
Google Earth
google enterprise
Google Enterprise Day
Google for Education
Google for Work
Google form
Google hang-out
Google hung-out
google map
Google maps
google maps api
google maps api premier
Google Maps APIs
Google Maps for Work
Google Maps Platform
Google Message Continuity
google search appliance
Google Shopping
Google Sites
Google Springboard
Google Storage for Developers
Google Video
Google Wave
Google スライド
Google ドキュメント
Google ドライブ
Google フォーム
Google マップ
Google+
GoogleApps
GoogleApps、新機能、spreadsheets
groups
gsa
Hangouts Meet
healthcare
Hybrid Cloud Platform for Google Cloud
Inbox
INSIDE
iOS
iphone
ISAE 3402 Type II
ISO 27018
IT
Jamboard
japan
Kubeflow Pipelines
Looker
Lotus Notes
Machine learning
map
maps api
Maps 導入事例
Maps-sensei
Mapsコーナー
media
microsoft office
migration
mobile
new features
Next
Next Tokyo
OAuth
Office 365
Office of the CTO
Osaka
partner
Partner Interconnect
partner program
Partner Summit
postini
pricing
Qwiklabs
region
research
RSA
SAP
SAS70
search
Security
Security Key
seminar
Shizuoka
Signage
Sites
SMB
SSAE 16 Type II
startup
Status Dashboard
TensorFlow
Trial
Upload any files
vault
Veolia
Viacom
Virtual Conference
VMware
あっぷす先生
あっぷす先生 誤解をとく!
あっぷす先生会社訪問
イベント
インフラストラクチャ
おしえて!あっぷす先生
おしえて!くらうど先生
オフライン
クラウド
くらうど先生
サイネージ
サポート
セキュリティ
チームドライブ
チェンジマネジメント
デジタル トランスフォーメーション
テレワーク
パートナー
ハングアウト
プライバシー
まっぷす先生
ランキング
リージョン
ワークインサイト
円周率
海底ケーブル
企業検索
機械学習
互換性
事例
小売
新機能
働き方
認定資格
Archive
2019
8月
7月
6月
5月
4月
3月
2月
1月
2018
12月
11月
10月
9月
8月
7月
6月
5月
4月
3月
2月
1月
2017
12月
11月
10月
9月
8月
7月
6月
5月
4月
3月
2月
1月
2016
12月
11月
10月
9月
8月
7月
6月
5月
4月
3月
2月
1月
2015
12月
11月
10月
9月
8月
7月
6月
5月
4月
3月
2月
1月
2014
12月
11月
10月
9月
8月
7月
6月
5月
4月
3月
2月
1月
2013
12月
11月
10月
9月
7月
6月
5月
4月
3月
1月
2012
12月
11月
10月
9月
8月
7月
6月
5月
4月
2月
2011
12月
10月
9月
8月
7月
5月
4月
2月
2010
12月
11月
10月
9月
7月
6月
5月
3月
2月
1月
2009
12月
11月
10月
9月
8月
7月
6月
5月
4月
3月
2月
1月
2008
12月
11月
10月
9月
8月
7月
6月
5月
4月
3月
2月
2007
12月
Feed
Follow @googlecloud_jp
Useful Links
G Suite
Google Cloud Platform
Google 検索アプライアンス
Google Maps
G Suite 公式アップデート情報