2026.06.27 2026.06.27

Google Cloud 認定模擬問題 30問 — CDL + Generative AI Leader を配点比例で仕上げる

ゲンキ

Google Cloud 認定模擬問題 30問 — CDL + Generative AI Leader を配点比例で仕上げる

Google Cloud 認定模擬問題は、知識の暗記を「得点力」に変える最後の仕上げだ。本記事は、Google Cloud の 2 つの基礎認定 — Cloud Digital Leader（CDL）と Generative AI Leader — の出題範囲から、配点比例で 30 問を用意した。すべて公式試験ガイドの論点に沿った編集部オリジナルの作問で、選択肢はすべて実在する Google Cloud / AWS のサービスと概念だけで構成している。実試験問題の転載は一切含まない。

各認定の学習内容はCloud Digital Leader 完全攻略①（2026-06-23 公開）とGenerative AI Leader 完全攻略①（2026-06-25 公開）で解説した。本記事で穴を見つけたら、該当記事へ戻って補強してほしい。

この模擬問題の使い方
Cloud Digital Leader 模擬問題（Q1〜Q15）
Cloud Digital Leader 解答・解説
Generative AI Leader 模擬問題（Q16〜Q30）
Generative AI Leader 解答・解説
採点の目安と弱点補強
間違えやすい論点の整理
まとめ — 30問で基礎 2 認定の総仕上げ
参照

忍者AdMax

この模擬問題の使い方

Google は合格スコアを公表していないが、実戦の目安として正答率 8 割を一つの基準にしたい。まず答えを見ずに 30 問を通しで解き、領域ごとの正答率を出す。8 割を切る領域があれば、そこが弱点だ。解説を読んで理解し直し、対応する攻略記事に戻る — この往復が得点力を押し上げる。

解くときに意識したい原則を 3 つ挙げる。第一に、要件語から逆引きすること。「グローバルな一貫性」「社内データを横断」「専門家がいない」といったキーワードが、選ぶべきサービスや手法を指し示す。第二に、用途で製品を区別すること。名前が似た製品は、想定する利用者と場面で見分ける。第三に、「なぜ」を一言で言えるか確認すること。正解の理由を説明できれば、ひねった選択肢にも惑わされない。

問題は前半 15 問が Cloud Digital Leader、後半 15 問が Generative AI Leader だ。解答と解説はそれぞれ問題群の直後にまとめている。

この Google Cloud 認定模擬問題は、本番の感覚に近づけるため、1 問あたり 1 分半を目安に解くとよい。CDL も Generative AI Leader も、本番は 90 分で 50〜60 問、つまり 1 問 1.5 分前後のペースだ。30 問なら 45 分を一区切りにして、時間内に解き切る練習をしておくと、本番の時間感覚が体に染み込む。わからない問題は飛ばして印を付け、最後にまとめて見直す。この進め方を模擬の段階で習慣にしておけば、本番で 1 問に詰まって全体が崩れる事故を防げる。

模擬問題には、知識の確認以外にもう一つ役割がある。それは、自分の理解の「穴」を可視化することだ。教材を読んでいるときは分かった気になりやすいが、いざ問題を解くと、実は区別できていなかった論点があぶり出される。だからこそ、間違えた問題こそが最大の学習機会になる。正解した問題をなぞるより、間違えた 1 問を深く掘り下げるほうが、得点力は確実に伸びる。

Cloud Digital Leader 模擬問題（Q1〜Q15）

Q1. アプリ開発だけに集中し、OS やサーバーの管理から解放されたい。最適なクラウドモデルはどれか。
– A. IaaS
– B. PaaS
– C. SaaS
– D. オンプレミス

Q2. オンプレミスからクラウドへ移行すると、コスト構造はどう変わるか。
– A. OpEx から CapEx へ
– B. CapEx から OpEx へ
– C. 変わらない
– D. CapEx も OpEx も不要になる

Q3. IaaS を利用する場合、ゲスト OS のパッチ適用は誰の責任か。
– A. クラウドプロバイダー
– B. 利用者
– C. 第三者監査機関
– D. 責任は発生しない

Q4. 全世界で強い一貫性を保つリレーショナルデータベースが必要だ。最適な製品はどれか。
– A. Cloud SQL
– B. Cloud Spanner
– C. Firestore
– D. Cloud Storage

Q5. 大量のデータをサーバーレスで分析する、マネージドなデータウェアハウスはどれか。
– A. Bigtable
– B. Cloud SQL
– C. BigQuery
– D. Cloud Storage

Q6. めったにアクセスしない長期アーカイブを最も低コストで保管する Cloud Storage のクラスはどれか。
– A. Standard
– B. Nearline
– C. Coldline
– D. Archive

Q7. 現場の担当者が自分でデータを探索し、ダッシュボードを作れるようにする BI ツールはどれか。
– A. Looker
– B. Dataflow
– C. Pub/Sub
– D. Compute Engine

Q8. リアルタイムのストリーミングで、メッセージの受け渡しを担う製品はどれか。
– A. BigQuery
– B. Pub/Sub
– C. Cloud SQL
– D. Apigee

Q9. 機械学習の専門家はいないが、自社データで独自のモデルを作りたい。最適な選択肢はどれか。
– A. 事前学習済み API
– B. AutoML
– C. ゼロからのカスタムモデル
– D. 手作業の集計

Q10. 標準 SQL を書くだけで、データウェアハウス内で機械学習モデルを作成・実行できる機能はどれか。
– A. BigQuery ML
– B. Cloud Functions
– C. Dataflow
– D. Apigee

Q11. 既存アプリを改修せず、そのままクラウドへ移す移行方法はどれか。
– A. refactor
– B. reimagine
– C. rehost（lift and shift）
– D. retire

Q12. Kubernetes をマネージドで利用し、コンテナをスケーラブルに運用したい。最適な製品はどれか。
– A. Compute Engine
– B. Google Kubernetes Engine（GKE）
– C. App Engine
– D. Cloud SQL

Q13. ハイブリッド・マルチクラウドを単一のコントロールパネルで管理する基盤として、公式に挙げられる製品はどれか。
– A. Cloud Storage
– B. GKE
– C. BigQuery
– D. Firestore

Q14. DDoS 攻撃からアプリを保護する Google Cloud の製品はどれか。
– A. Cloud Armor
– B. Cloud SQL
– C. Looker
– D. Pub/Sub

Q15. クラウド支出を可視化し、コストデータをレポートで把握する公式の手段はどれか。
– A. Cloud Billing Reports
– B. Compute Engine
– C. Cloud Run
– D. Imagen

Cloud Digital Leader 解答・解説

以下、15 問の正解と解説をまとめる。CDL は 6 領域がほぼ均等に配点されるため、特定の領域に偏らず、デジタル変革・データ・AI・インフラ近代化・セキュリティ・運用のすべてから出題している。間違えた問題は、その論点がどの領域に属するかを確認し、弱い領域を集中的に補強してほしい。なお、解説中のサービス名はすべて実在する Google Cloud の製品であり、選択肢に架空のサービスは含めていない。

Q1: B（PaaS） — 実行環境まで提供され、利用者はアプリとデータに集中できるのが PaaS。OS から管理するのは IaaS、完成ソフトを使うのが SaaS。

Q2: B（CapEx から OpEx へ） — 初期投資（資本的支出）から、使った分だけ払う運用的支出への転換が、クラウド移行の財務的な本質だ。

Q3: B（利用者） — 責任共有モデルでは、IaaS のゲスト OS から上は利用者の責任。プロバイダーは物理インフラとハイパーバイザーまでを担う。

Q4: B（Cloud Spanner） — グローバル分散かつ強い一貫性を持つリレーショナル DB が Spanner。中小規模なら Cloud SQL、NoSQL なら Firestore。

Q5: C（BigQuery） — サーバーレスでスキャン量課金の分析特化型データウェアハウス。クラスタ管理が不要な点が特徴だ。

Q6: D（Archive） — アクセス頻度が最も低い長期保管向けで、保管コストが最も安い。頻繁にアクセスするなら Standard。

Q7: A（Looker） — BI を民主化し、利用者が自分でデータを探索・可視化できるツール。BigQuery のデータを可視化する用途で頻出。

Q8: B（Pub/Sub） — ストリーミングのメッセージ受け渡しを担う。受け取ったデータの変換・処理は Dataflow が担当する。

Q9: B（AutoML） — 専門家不在でも自社データで独自モデルを学習できるのが AutoML。すぐ使えるのが事前学習済み API、最大の差別化がカスタムモデル。

Q10: A（BigQuery ML） — 標準 SQL だけで DW 内に ML モデルを作れる。データアナリストが SQL の延長で機械学習を扱える点が価値だ。

Q11: C（rehost / lift and shift） — 改修せずそのまま移すのが rehost。設計を作り直すのが refactor や reimagine。

Q12: B（GKE） — マネージドな Kubernetes が GKE。仮想マシンは Compute Engine、PaaS 型のアプリ実行は App Engine。

Q13: B（GKE） — 公式ガイドは、GKE をハイブリッド・マルチクラウドの単一コントロールパネルとして挙げている。

Q14: A（Cloud Armor） — DDoS 対策とネットワーク防御を担う。AWS の Shield / WAF に相当する役割だ。

Q15: A（Cloud Billing Reports） — コストの可視化を担う。アクセス制御はリソース階層、上限管理は予算しきい値ルールが担当する。

Generative AI Leader 模擬問題（Q16〜Q30）

Q16. 公開されていて、自分の環境でも動かせる Google の軽量なオープンモデルはどれか。
– A. Gemini
– B. Gemma
– C. Imagen
– D. Veo

Q17. テキストから画像を生成する Google の基盤モデルはどれか。
– A. Gemini
– B. Gemma
– C. Imagen
– D. Veo

Q18. 生成 AI のランドスケープで、自律的にタスクをこなす層はどれか。
– A. Infrastructure
– B. Models
– C. Agents
– D. Applications

Q19. 業務に合う基盤モデルを選ぶ際の考慮要因として、公式ガイドが挙げないものはどれか。
– A. モダリティ
– B. コンテキストウィンドウ
– C. コストと性能
– D. プリンターの対応解像度

Q20. 社内データを横断検索し、カスタムエージェントも組める企業向けの統合基盤はどれか。
– A. Gemini app
– B. Gemini Enterprise
– C. Imagen
– D. Cloud SQL

Q21. 文書・表計算・メールといった日常業務に AI を組み込む製品はどれか。
– A. Gemini for Google Workspace
– B. BigQuery
– C. Cloud Armor
– D. Veo

Q22. 多様なモデルから用途に合うものを選べる、モデルのハブはどれか。
– A. Model Garden
– B. Cloud Storage
– C. Looker
– D. Pub/Sub

Q23. コンタクトセンターの会話自動化やオペレーター支援を担う製品群はどれか。
– A. Customer Engagement Suite
– B. Compute Engine
– C. Cloud Spanner
– D. Imagen

Q24. 最新情報や社内固有の情報に基づいて回答させ、ハルシネーションを減らす手法はどれか。
– A. ファインチューニングのみ
– B. RAG（検索拡張生成）
– C. temperature を上げる
– D. モデルを大きくする

Q25. プロンプトにいくつか例を示して、出力のパターンを学ばせる手法はどれか。
– A. zero-shot
– B. few-shot
– C. role prompting
– D. グラウンディング

Q26. モデルに思考の過程を順を追って書かせ、複雑な推論の精度を高める手法はどれか。
– A. chain-of-thought
– B. zero-shot
– C. ファインチューニング
– D. 量子化

Q27. 生成 AI の出力の多様性（ランダム性）を制御するパラメータはどれか。
– A. temperature
– B. ストレージクラス
– C. リージョン
– D. IAM ロール

Q28. AI システムを攻撃や誤用から守るために Google が提唱するフレームワークはどれか。
– A. SAIF（Secure AI Framework）
– B. Well-Architected Framework
– C. Cloud Adoption Framework（CAF）
– D. Security Command Center

Q29. AI の判断根拠を説明でき、偏りを生まないように設計する考え方を何と呼ぶか。
– A. 責任ある AI（responsible AI）
– B. サーバーレス
– C. リフト＆シフト
– D. オートスケーリング

Q30. 生成 AI を組織へ導入する際、最初に取り組むべきことはどれか。
– A. とにかく最新モデルを導入する
– B. 解決すべき業務課題と要件を明確にする
– C. GPU を大量に購入する
– D. 全社員にアカウントを配る

Generative AI Leader 解答・解説

以下、後半 15 問の正解と解説だ。Generative AI Leader は製品名が多く、似た名前で混乱しやすい。解説では、なぜその選択肢が正解なのかに加え、紛らわしい選択肢との違いにも触れている。とくに Gemini と Gemma、RAG とファインチューニング、Gemini app と Gemini Enterprise といったペアは、本番でも引っかけとして登場しやすいので、違いを意識して読み進めてほしい。

Q16: B（Gemma） — Gemma は公開された軽量オープンモデル。高性能なプロプライエタリモデルが Gemini で、両者の性格の違いは頻出論点だ。

Q17: C（Imagen） — 画像生成は Imagen、動画生成は Veo。汎用マルチモーダルが Gemini。

Q18: C（Agents） — ランドスケープ 5 層（Infrastructure / Models / Platforms / Agents / Applications）のうち、自律的にタスクをこなすのが Agents 層。

Q19: D — モダリティ・コンテキストウィンドウ・コスト・性能・セキュリティ・可用性・ファインチューニングの可否などが選定要因。プリンターの解像度は無関係で、これが誤り。

Q20: B（Gemini Enterprise） — 社内データの横断検索とカスタムエージェントを備える企業向け統合基盤。個人向け対話は Gemini app。

Q21: A（Gemini for Google Workspace） — 文書・表計算・メールに AI を直接組み込む。日常業務の生産性向上が用途だ。

Q22: A（Model Garden） — 多様なモデルから選べるハブで、AWS の Bedrock に近い役割。Agent Platform の一部として提供される。

Q23: A（Customer Engagement Suite） — 会話型エージェント、オペレーター支援、会話分析、Contact Center as a Service を含む顧客対応の製品群。

Q24: B（RAG） — 関連情報を検索してモデルに渡し、根拠ある回答を生成させる。最新・固有情報への対応とハルシネーション低減に効く。

Q25: B（few-shot） — 例を複数示すのが few-shot、例を示さないのが zero-shot、役割を与えるのが role prompting。

Q26: A（chain-of-thought） — 思考過程を順に書かせて複雑な推論の精度を高める手法。推論と行動を交互に行うのが ReAct。

Q27: A（temperature） — 出力の多様性を制御するパラメータ。低いほど堅実、高いほど多様。top-p も同様の役割を持つ。

Q28: A（SAIF） — Google が提唱する Secure AI Framework で、AI システムを攻撃・誤用から守る枠組みだ。Well-Architected Framework と Cloud Adoption Framework（CAF）は AWS の設計・導入フレームワークで AI セキュリティ専用ではなく、Security Command Center は GCP のセキュリティ運用サービス。いずれも実在するが、AI 向けにセキュリティを体系化した Google のフレームワークは SAIF だ。

Q29: A（責任ある AI） — 透明性・公平性・説明責任・説明可能性を重視する考え方。生成 AI を社会に対して責任を持って使うための前提になる。

Q30: B（業務課題と要件を明確にする） — 技術先行ではなく、解くべき課題から出発するのが成功の鉄則。導入自体の目的化は典型的な失敗だ。

採点の目安と弱点補強

30 問を解き終えたら、認定別・領域別に正答率を集計しよう。前述の通り Google は合格スコアを公表していないため、ここでは正答率 8 割を実戦の目安とする。CDL と Generative AI Leader のどちらか、あるいは特定の領域だけが 8 割を切るなら、そこが本番でも失点しやすい弱点だ。

弱点が見つかったら、対応する攻略記事に戻って論点を整理し直す。データ製品の使い分けが弱ければ前半の攻略記事、RAG とファインチューニングの区別が曖昧なら後半の攻略記事、という具合に往復する。模擬問題は「解いて終わり」ではなく、「間違いの原因を地図に書き戻す」ことで初めて得点力に変わる。1 周で 8 割に届かなくても問題ない。原因をつぶして 2 周目で安定させればよい。

領域別に正答率を出すときは、この Google Cloud 認定模擬問題の結果を簡単な表に書き出すと弱点が一目で分かる。CDL のデータ領域は取れているのに AI 領域が弱い、Generative AI Leader の製品群は取れるのに出力改善の手法で落とす、といった偏りが見えてくる。偏りが見えたら、その領域だけを対応記事で集中的に復習し、翌日にもう一度同じ問題を解き直す。間隔をあけて 2 回正解できた論点は、本番でも安定して取れる。逆に、2 回とも迷う論点は、理解そのものが曖昧なサインなので、暗記ではなく「なぜそうなるか」から立て直したい。

なお、これらは編集部オリジナルの模擬問題であり、実試験の問題そのものではない。本番の問題形式や難易度の感覚をつかむには、Google 公式の無償トレーニングに含まれる演習や、正規の模擬試験を併用してほしい。実試験問題の転載をうたう dumps サイトは、利用規約違反かつ内容も不正確なので避けること。

間違えやすい論点の整理

模擬問題を解くと、毎回同じ場所でつまずく人が多い。両認定で特に混同されやすい論点を、最後に整理しておく。

まず CDL のデータ製品だ。Cloud SQL・Spanner・Bigtable・Firestore・BigQuery は役割が重なって見えるが、判別の鍵は「リレーショナルか」「グローバルな一貫性が要るか」「分析用途か」の 3 点にある。グローバルな一貫性という語が出たら Spanner、大規模分析なら BigQuery、モバイルアプリの裏側なら Firestore、と反射で結びつけたい。次にコンピュートの選択だ。Compute Engine・GKE・Cloud Run・App Engine・Cloud Functions は、仮想マシンかコンテナかサーバーレスかで分かれる。Kubernetes を細かく制御したいなら GKE、手軽にコンテナを動かすなら Cloud Run、という棲み分けを押さえる。

Generative AI Leader では、Gemini と Gemma の混同が最も多い。Gemini はプロプライエタリな高性能モデル、Gemma は公開された軽量オープンモデルだ。さらに、RAG とファインチューニングの違い — 前者は外部情報を参照させる仕組み、後者はモデル自体を特化させる追加学習 — も頻出の引っかけになる。最新情報が欲しいだけなら RAG で足り、ファインチューニングは不要だ。製品ファミリーの使い分けも差がつく。Gemini app は個人の対話、Gemini Enterprise は社内データの横断活用、Gemini for Workspace は日常業務への組み込みで、同じ Gemini の名でも利用者と場面が違う。

加えて、プロンプト技法の使い分けも差がつきやすい。例を見せない zero-shot、例を複数見せる few-shot、役割を与える role prompting、思考過程を書かせる chain-of-thought — それぞれ効く場面が異なる。「例を示すべきか」「役割か」「段階的な思考か」という切り口で整理しておけば、状況から手法を選ぶ設問に強くなる。

こうした混同しやすいペアは、正面から覚えようとすると混ざる。おすすめは、ペアごとに「違いを一言で説明する」練習だ。「Gemini はプロプライエタリ、Gemma はオープン」「RAG は参照、ファインチューニングは適応」のように、対比の形で口に出せるようにする。違いを言語化できれば、選択肢が並んでいても迷わずに切り分けられる。模擬問題で間違えたペアを、この対比メモに足していくと、自分専用の弱点ノートが育っていく。

まとめ — 30問で基礎 2 認定の総仕上げ

この Google Cloud 認定模擬問題 30 問は、Cloud Digital Leader と Generative AI Leader の出題範囲を配点比例でカバーした総仕上げだ。CDL では IaaS/PaaS/SaaS・データ製品の使い分け・移行用語・セキュリティ・運用を、Generative AI Leader では基盤モデル・製品群・RAG とプロンプト・責任ある AI を、それぞれ実戦形式で確認した。

要件語から逆引きし、用途で製品を区別し、正解の理由を一言で言える — この 3 原則を意識して解き直せば、知識は得点力に変わる。両認定とも 8 割を安定して取れるようになったら、いよいよ受験予約のタイミングだ。次は申込から当日運用、そして基礎認定の先に続く Google Cloud のキャリアパスまでを、合格戦略としてまとめていく。

模擬問題で確認すべきは、単なる正誤ではなく「自分がどの考え方で間違えたか」だ。要件語を読み飛ばした、似た製品を取り違えた、用語の定義があいまいだった — 間違いには必ずパターンがある。そのパターンを把握すれば、本番で同じ罠を避けられる。30 問は決して多くないが、1 問ごとに「なぜこの答えになるのか」を自分の言葉で説明できるまで噛み砕けば、基礎 2 認定の合格に必要な土台は十分に固まる。焦って先へ進むより、間違えた問題を確実に自分のものにすることが、結局は最短の合格ルートになる。あいまいなまま 100 問を解くより、確実に理解した 30 問のほうが、本番では役に立つ。量より質を意識し、一問ごとに理解を確かめながら積み上げていくことが、基礎 2 認定への最も堅実な道になる。