変更要約: Professional Machine Learning Engineer 第1章を新規作成（ドメイン1「ローコード」: BigQuery ML(分類/回帰/ARIMA_PLUS/行列分解/ブーストツリー/オートエンコーダ・特徴量・ML.PREDICT)、AutoML(データ準備/ラベリング/Tabular Workflows/表形式・テキスト・画像・動画・予測モデル/デバッグ)、Model Garden の ML API、業種特化 API(Document AI/Retail)、RAG と Vertex AI Agent Builder）。
1.2ML API・基盤モデル・RAG
Model Garden の ML API を使ったアプリ構築、業種特化 API（Document AI API・Retail API など）の活用、Vertex AI Agent Builder による検索拡張生成（RAG）アプリの実装を理解します。
モデルを自分で訓練しなくても、事前学習済みの API や基盤モデルで多くの課題を解けます。「作る」より「使う」を先に検討します。
1.2.1ML API と業種特化 API
一般的なタスクは Model Garden の 事前学習済み ML API で即座に解けます（Vision/Speech/Natural Language/Translation など）。さらに業種特化のニーズには Document AI API（請求書/契約書などの文書の抽出・分類）や Retail API（小売のレコメンド/検索）といった 業種特化 API を使います。基盤モデル（Gemini など）も Model Garden から呼び出せます。「文書からの構造化抽出＝Document AI」「小売のレコメンド/検索＝Retail API」「汎用の画像/音声/言語＝Cloud ML API」を結びます。
1.2.2RAG と Vertex AI Agent Builder
基盤モデルに自社の最新/独自データを踏まえて回答させるには RAG（検索拡張生成）を使います。質問に関連する社内文書を 検索（retrieval） して取得し、その内容を文脈として基盤モデルに渡して 生成 させることで、ハルシネーションを抑え根拠のある回答にします。Google Cloud では Vertex AI Agent Builder（旧 Vertex AI Search and Conversation）で、データストアの作成・検索・RAG アプリ/エージェントの構築をマネージドに行えます。「社内データに基づく根拠ある生成＝RAG（Vertex AI Agent Builder）」「モデルを再訓練せずに最新知識を反映＝RAG」を押さえます。
「要件 → 手段」が頻出。例：「請求書/契約書から項目を抽出」＝Document AI API、「小売サイトのレコメンド/検索」＝Retail API、「汎用の画像ラベリング/OCR/翻訳」＝Vision/Translation などの ML API、「基盤モデルに社内文書を踏まえて回答させる」＝RAG（Vertex AI Agent Builder）、「モデルを再訓練せず最新情報を反映」＝RAG。
混同に注意：
①RAG（検索で文脈を与える）とファインチューニング（モデル自体を再学習）は別手段＝最新/独自知識の反映は多くは RAG が手軽。
②汎用 API と業種特化 APIを取り違えない（文書抽出は Document AI）。
③事前学習 API で足りるなら自前訓練は不要＝コスト/期間を抑える。
1.2.3この節のまとめ
- 汎用タスク＝Model Garden の事前学習 ML API、文書抽出＝Document AI、小売＝Retail API
- 社内データに基づく根拠ある生成＝RAG（Vertex AI Agent Builder）、再訓練不要で最新知識を反映
- 「使う（API/基盤モデル）」を「作る（自前訓練）」より先に検討
進捗の記録にはログインが必要です。
理解度チェック
（軽い確認用）Q1. 請求書 PDF から、金額・日付・取引先などの項目を構造化して抽出したい。最適なのはどれですか？
Q2. 基盤モデルに、自社の最新の社内ドキュメントに基づいた根拠のある回答をさせたい（モデルは再訓練しない）。最適なのはどれですか？
Q3. 小売サイトで、商品のレコメンドや検索を素早く実装したい。最適なのはどれですか？
Q4. 多様な事前学習済みモデルや基盤モデルを探索し、アプリから呼び出したい。最適なのはどれですか？
Q5. RAG とファインチューニングの違いとして正しいものはどれですか？