はてなブックマーク

Send feedback Work with pipe query syntax Stay organized with collections Save and categorize content based on your preferences. Pipe query syntax is an extension to GoogleSQL that supports a linear query structure designed to make your queries easier to read, write, and maintain. You can use pipe syntax anywhere you write GoogleSQL. Pipe syntax supports the same operations as existing GoogleSQL q

フィードバックを送信 コレクションでコンテンツを整理 必要に応じて、コンテンツの保存と分類を行います。 継続的クエリの概要 このドキュメントでは、BigQuery の継続的クエリについて説明します。 BigQuery の継続的クエリは、継続的に実行される SQL ステートメントです。継続的クエリを使用すると、BigQuery で受信データをリアルタイムで分析できます。継続的クエリによって生成された出力行を BigQuery テーブルに挿入することも、Pub/Sub、Bigtable、または Spanner にエクスポートすることもできます。継続的クエリは、次のいずれかの方法で標準の BigQuery テーブルに書き込まれたデータを処理できます。 BigQuery Storage Write API tabledata.insertAll メソッド バッチ読み込み INSERT DML ステ

フィードバックを送信 Partner Interconnect の概要 コレクションでコンテンツを整理 必要に応じて、コンテンツの保存と分類を行います。 Partner Interconnect は、サポート対象のサービス プロバイダを介して、お客様のオンプレミス ネットワークと Virtual Private Cloud（VPC）ネットワークの間の接続を提供します。Partner Interconnect による接続は、Dedicated Interconnect コロケーション施設に接続できない場所にデータセンターを設置しているお客様や、常時 10 Gbps の専用回線を必要としないお客様に便利にお使いいただけます。 Partner Interconnect を使用する前に 次の要件を満たしていることを確認してください。 Cloud Interconnect の用語を理解している。 サ

フィードバックを送信 セキュリティ設計の概要 コレクションでコンテンツを整理 必要に応じて、コンテンツの保存と分類を行います。 Cloud Run でセキュリティに関するベスト プラクティスを実装してデータを保護する方法と、これらの機能を使用してセキュリティ要件を満たす方法について説明します。 アーキテクチャ Cloud Run は、Google が週に何十億ものコンテナをデプロイし、Gmail や YouTube などの世界最大のサイトをホストしている環境と同じ環境の Borg 上で動作します。Cloud Run のコンポーネントは同じインフラストラクチャを共有しているため、他の Google サービスと同じセキュリティ標準で構築されています。 セキュリティに対する Google のアプローチについて詳しくは、Google のセキュリティの概要のホワイトペーパーをご覧ください。 Clou

フィードバックを送信 gcloud CLI の認証が完了しました。 コレクションでコンテンツを整理 必要に応じて、コンテンツの保存と分類を行います。 認証フローが正常に完了しました。このウィンドウを閉じるか、以下のリソースをご確認ください。 コマンドライン ツールとクライアント ライブラリに関する情報 Google Cloud CLI コマンドの詳細については、gcloud CLI ガイドをご覧ください。 App Engine、Compute Engine、Cloud Storage、BigQuery、Cloud SQL、Cloud DNS のコマンドライン ツール（すべて gcloud CLI にバンドルされています）の詳細については、gcloud CLI でサービスにアクセスするをご覧ください。 クライアント アプリケーションを開発している場合に、プログラミング言語やフレームワークを使

generateContent または streamGenerateContent を使用して、Gemini でコンテンツを生成します。 Gemini モデル ファミリーには、マルチモーダル プロンプト リクエストに対応するモデルが含まれています。マルチモーダルとは、プロンプトで複数のモダリティ（入力タイプ）を使用できることを示します。マルチモーダルではないモデルは、テキストのみのプロンプトを受け入れます。モダリティには、テキスト、音声、動画などがあります。 Google Cloud アカウントを作成して開始する Vertex AI で Gemini API の使用を開始するには、 Google Cloud アカウントを作成します。 アカウントを作成したら、このドキュメントを使用して、Gemini モデルのリクエスト本文、モデル パラメータ、レスポンスの本文、リクエストのサンプルを確認して

Use generateContent or streamGenerateContent to generate content with Gemini. The Gemini model family includes models that work with multimodal prompt requests. The term multimodal indicates that you can use more than one modality, or type of input, in a prompt. Models that aren't multimodal accept prompts only with text. Modalities can include text, audio, video, and more. Create a Google Cloud a

フィードバックを送信 オブジェクトのライフサイクル管理 コレクションでコンテンツを整理 必要に応じて、コンテンツの保存と分類を行います。 オブジェクトのライフサイクル管理を設定 構成サンプル Cloud Storage では、オブジェクトの有効期間（TTL）の設定、非現行バージョンの保持、コスト管理のためのストレージ クラスの「ダウングレード」など、一般的なユースケースをサポートするため、オブジェクトのライフサイクル管理機能を提供しています。 このページでは、この機能と使用可能なオプションについて説明します。ライフサイクル構成ファイルの一般的な形式については、JSON のバケット リソース表現と XML のライフサイクル構成形式をご覧ください。 はじめに オブジェクトのライフサイクル管理を使用するには、ライフサイクル構成を定義します。また、その構成は、バケットに置かれる必要があります。この

フィードバックを送信 Cloud Run とは コレクションでコンテンツを整理 必要に応じて、コンテンツの保存と分類を行います。 Cloud Run は、スケーラビリティに優れた Google のインフラストラクチャ上でコード、関数、コンテナを実行できるフルマネージド アプリケーション プラットフォームです。 コンテナ イメージをビルドできるものであれば、任意のプログラミング言語で記述されたコードを Cloud Run にデプロイできます。コンテナ イメージのビルドは任意です。Go、Node.js、Python、Java、.NET、Ruby、またはサポートされるフレームワークを使用している場合は、使用している言語のベスト プラクティスに従って、コンテナをビルドするソースベースのデプロイ オプションを使用できます。 Google では、 Google Cloud上の他のサービスと連携できるよ

フィードバックを送信 ロールバック、段階的なロールアウト、トラフィックの移行 コレクションでコンテンツを整理 必要に応じて、コンテンツの保存と分類を行います。 Cloud Run では、トラフィックを受信するリビジョンと、リビジョンが受信するトラフィックの割合を指定できます。この機能を使用すると、以前のリビジョンへのロールバック、リビジョンの段階的なデプロイ、複数のリビジョン間でのトラフィックの分割ができます。このページでは、この機能を使用して Cloud Run リビジョンへのトラフィックを管理する方法について説明します。 トラフィック ルーティングの調整はすぐに行われません。リビジョンのトラフィックを変更しても、処理中のすべてのリクエストは続行されます。処理中のリクエストは破棄されないため、移行期間中は新しいリビジョンまたは以前のリビジョンのどちらかに送信されます。 トラフィック分割と

フィードバックを送信 VPC ネットワークによるダイレクト VPC 下り（外向き） コレクションでコンテンツを整理 必要に応じて、コンテンツの保存と分類を行います。 ダイレクト VPC 下り（外向き）を使用することで、Cloud Run のサービス、ジョブ、またはワーカープールがサーバーレス VPC アクセス コネクタなしでトラフィックを VPC ネットワークに送信できるようにします。 始める前に プロジェクトに VPC ネットワークがない場合は作成します。 Cloud Run のサービスまたはジョブで共有 VPC を使用する場合は、共有 VPC ネットワークへの接続をご覧ください。 次の IP アドレス構成セクションを確認します。 IP アドレスの割り振り: サブネットから IP アドレスを割り振る際のガイダンス。 代替の IP アドレス範囲を使用するIP アドレスの枯渇戦略。 制限事項

フィードバックを送信 コレクションでコンテンツを整理 必要に応じて、コンテンツの保存と分類を行います。 ホット タブレット Bigtable には、パフォーマンスの問題をトラブルシューティングするため、クラスタ内のホット タブレットを特定してモニタリングする機能があります。このページでは、ホット タブレットの概要、ホット タブレットのリストを取得する方法、ホット タブレットの識別が有益な状況について説明します。このページを読む前に、Bigtable の概要を理解しておく必要があります。 ホット タブレットのリストを取得するメソッドの名前は、使用する言語によって異なります。わかりやすくするため、このドキュメントでは RPC Cloud Bigtable Admin API 名（ListHotTablets）を使用します。ホット タブレットのリストは、以下のものを使用して取得できます。 Goo

Send feedback Google models Stay organized with collections Save and categorize content based on your preferences. 3 Pro preview Designed for comprehensive multimodal understanding and complex problem solving Features a 1 million token context window Excels in agentic workflows and autonomous coding tasks Designed for complex multimodal tasks and advanced reasoning 3 Flash preview Our most powerfu

フィードバックを送信 コレクションでコンテンツを整理 必要に応じて、コンテンツの保存と分類を行います。 マテリアライズド ビューを作成する このドキュメントでは、BigQuery でマテリアライズド ビューを作成する方法について説明します。このドキュメントを読む前に、マテリアライズド ビューの概要を理解してください。 始める前に このドキュメントの各タスクを実行するために必要な権限をユーザーに与える Identity and Access Management（IAM）のロールを付与します。 必要な権限 マテリアライズド ビューを作成するには、bigquery.tables.create IAM 権限が必要です。 次の IAM 事前定義ロールには、マテリアライズド ビューの作成に必要な権限が含まれています。 bigquery.dataEditor bigquery.dataOwner bi

フィードバックを送信 コレクションでコンテンツを整理 必要に応じて、コンテンツの保存と分類を行います。 JOBS ビュー INFORMATION_SCHEMA.JOBS ビューには、現在のプロジェクト内の BigQuery ジョブすべてに関するニア リアルタイムのメタデータが含まれます。 必要なロール INFORMATION_SCHEMA.JOBS ビューをクエリするために必要な権限を取得するには、プロジェクトに対する BigQuery リソース閲覧者（roles/bigquery.resourceViewer）IAM ロールを付与するように管理者へ依頼してください。ロールの付与については、プロジェクト、フォルダ、組織へのアクセス権の管理をご覧ください。 この事前定義ロールには、INFORMATION_SCHEMA.JOBS ビューに対するクエリの実行に必要な bigquery.jobs.

フィードバックを送信 コレクションでコンテンツを整理 必要に応じて、コンテンツの保存と分類を行います。 クエリキューを使用する BigQuery では、同時実行が可能なクエリの数（動的同時実行）が自動的に決定されます。追加のクエリは、処理リソースが使用可能になるまでキューに入れられます。このドキュメントでは、最大同時実行目標数を管理し、インタラクティブ クエリとバッチクエリのキュー タイムアウトを設定する方法について説明します。 概要 BigQuery では、同時に実行できるクエリの数が、使用可能なコンピューティング リソースに基づいて動的に決定されます。同時に実行できるクエリの数は、オンデマンド プロジェクトまたは予約ごとに計算されます。それ以上のクエリは、実行の開始に十分な容量が確保されるまで、キューに配置されます。プロジェクトがオンデマンドか予約を使用するかに関係なく、キューの長さは

フィードバックを送信 コレクションでコンテンツを整理 必要に応じて、コンテンツの保存と分類を行います。 テーブルのサンプリング テーブルのサンプリングを使用すると、大規模な BigQuery テーブルからランダムなサブセットのデータに対してクエリを実行できます。サンプリングは、テーブル全体のスキャンと処理に関連する費用を回避しながら、さまざまなレコードを返します。 テーブルのサンプリングの使用 クエリでテーブル サンプリングを使用するには、TABLESAMPLE 句を含めます。たとえば、次のクエリはテーブルデータの約 10% を選択します。 SELECT * FROM dataset.my_table TABLESAMPLE SYSTEM (10 PERCENT) LIMIT 句とは異なり、TABLESAMPLE はテーブルからランダムなサブセットのデータを返します。また、BigQuery

フィードバックを送信 Cloud Run へのコンテナ イメージのデプロイ コレクションでコンテンツを整理 必要に応じて、コンテンツの保存と分類を行います。 このページでは、コンテナ イメージを新しい Cloud Run サービスにデプロイする方法、または既存の Cloud Run サービスの新しいリビジョンにデプロイする方法について説明します。 コンテナ イメージは、デプロイ時に Cloud Run によってインポートされます。Cloud Run は、サービス提供リビジョンによって使用されている限り、コンテナ イメージのコピーを保持します。新しい Cloud Run インスタンスが起動されたときに、コンテナ イメージがコンテナ リポジトリから pull されることはありません。 新しいサービスをデプロイするチュートリアルの例については、クイックスタート: サンプル コンテナをデプロイする

Send feedback About data lineage Stay organized with collections Save and categorize content based on your preferences. Data lineage is a visual map that tracks the entire lifecycle of your data. It shows you where your data comes from (the origin), where it travels (the destinations), and all the changes or transformations that happen along the way. You can view this complete map of your data's j

フィードバックを送信 コレクションでコンテンツを整理 必要に応じて、コンテンツの保存と分類を行います。 クエリ計算を最適化する このドキュメントでは、クエリのパフォーマンスを最適化するためのベスト プラクティスについて説明します。 クエリを実行すると、 Google Cloud コンソールでクエリプランを表示できます。INFORMATION_SCHEMA.JOBS* ビューや jobs.get REST API メソッドを使用して、実行の詳細をリクエストすることもできます。 クエリプランには、クエリのステージとステップの詳細が含まれます。これらの詳細は、クエリのパフォーマンスを改善する方法を特定する際に役立ちます。たとえば、あるステージの書き込み出力が他のステージよりもはるかに多い場合は、クエリの早い段階でフィルタリングする必要がある可能性があります。 クエリプランの詳細と、クエリプランの

GKE Gateway と Cloud Service Mesh を使用してグローバルに分散されたアプリケーションを構築する

フィードバックを送信 サービスにリクエスト タイムアウトを構成する コレクションでコンテンツを整理 必要に応じて、コンテンツの保存と分類を行います。 サービスの実行時間が長すぎる場合、システムは関数を終了またはスロットルする措置を講じます。 Cloud Run サービスの場合、リクエスト タイムアウトの設定には、Cloud Run にデプロイされたサービスがレスポンスを返すまでの制限時間を指定します。指定した時間内にレスポンスが返されない場合、サービスへのネットワーク接続がクローズされ、エラー 504 が返されます。リクエストを処理したコンテナ インスタンスは終了しません。コンテナまたはコードは、終了したリクエストの処理を続行し、その実行時間により他のリクエストの処理が妨げられている可能性があります。これを回避するには、次の方法でサービスのタイムアウトを防ぎます。 予想されるサービスの実行

Send feedback BigQuery subscriptions Stay organized with collections Save and categorize content based on your preferences. This document provides an overview of a BigQuery subscription, its workflow, and associated properties. A BigQuery subscription is a type of export subscription that writes messages to an existing BigQuery table as they are received. You don't need to configure a separate sub

フィードバックを送信 Google Cloud リソースを Terraform 形式にエクスポートする コレクションでコンテンツを整理 必要に応じて、コンテンツの保存と分類を行います。 Google Cloudにリソースをデプロイしたら、Terraform を使用して Infrastructure as Code（IaC）を管理する必要があります。Google では、プロジェクト、フォルダ、組織内のリソースの Terraform コードを生成するためのツールを提供しています。 ロール アセットを Terraform にエクスポートするために必要な権限を取得するには、組織、フォルダ、またはプロジェクトに対する次の IAM ロールを付与するよう管理者に依頼してください。 Service Usage ユーザー（roles/serviceusage.serviceUsageConsumer） 既存

Send feedback Best practices for general style and structure Stay organized with collections Save and categorize content based on your preferences. This document provides basic style and structure recommendations for your Terraform configurations. These recommendations apply to reusable Terraform modules and to root configurations. This guide is not an introduction to Terraform. For an introductio

フィードバックを送信 一般的なスタイルと構造に関するベスト プラクティス コレクションでコンテンツを整理 必要に応じて、コンテンツの保存と分類を行います。 このドキュメントでは、Terraform 構成の基本的なスタイルと構造に関する推奨事項について説明します。これらの推奨事項は、再利用可能な Terraform モジュールとルート構成に適用されます。 このガイドでは Terraform の概要は説明しません。 Google Cloudで Terraform を使用する方法については、Terraform を使ってみるをご覧ください。 標準のモジュール構造に従う Terraform モジュールは、標準のモジュール構造に従う必要があります。 デフォルトでリソースが配置されている main.tf ファイルを使用してモジュールを起動します。 すべてのモジュールに、Markdown 形式の READ

フィードバックを送信 Vertex AI Pipelines の概要 コレクションでコンテンツを整理 必要に応じて、コンテンツの保存と分類を行います。 Vertex AI Pipelines では、ML パイプラインを使用して ML ワークフローをオーケストレートすることにより、サーバーレス方式で機械学習（ML）システムの自動化、モニタリング、管理を行うことができます。Kubeflow Pipelines または TensorFlow Extended（TFX）フレームワークを使用して定義された ML パイプラインをバッチで実行できます。ML パイプラインを定義するためのフレームワークを選択する方法については、パイプラインを定義するインターフェースをご覧ください。 このページでは、次のトピックの概要を説明します。 ML パイプラインとは ML パイプラインの構造 パイプラインのタスクとコン