Generative AI Leader · §2 · ~35 %
Bereich 2: Gen-AI-Angebote von Google Cloud
· ca. 5 Min. Lesezeit
Unabhängige Lernhilfe – nicht von Google, nicht mit Google verbunden.
Der größte Prüfungsbereich fragt, welches Google-Angebot zu welchem Bedarf passt: Gemini app, Gemini for Google Workspace, Gemini Enterprise und Gemini Notebook für die eigene Arbeit, die Customer Engagement Suite für den Kundenservice, Gemini Enterprise Agent Platform mit Model Garden und Agent Studio für Entwickler sowie Werkzeuge und APIs für Agents. Gewicht in der Prüfung: ca. 35 %.
2.1 Google Cloud's strengths in gen AI
- AI-first company: Google verbindet seit Jahrzehnten ML-Forschung mit Produkten. Öffentlich bekannte Meilensteine: eigene TPUs (ab 2016), das Transformer-Paper „Attention Is All You Need“ (2017), BERT (2018), die Google AI Principles (2018), der Chatbot Bard (2023), die Gemini-Modellfamilie (Dez. 2023) und die offenen Gemma-Modelle (2024). Der Study Guide fasst den Nutzen so zusammen: Gen-AI-Tools sind im ganzen Google-Ökosystem integriert, und Google hält Kunden auf dem neuesten Stand der AI-Entwicklung. Wer Google Cloud nutzt, profitiert von diesen Fortschritten, ohne bei null zu beginnen.
- Enterprise-ready: responsible, secure, private, reliable, scalable. Konkret: Security-Infrastruktur (Verschlüsselung, Zugriffskontrolle über IAM, Netzwerksicherheit), Compliance-Zertifizierungen, eine Agent Platform mit Sicherheit, Skalierbarkeit und Governance auf Unternehmensniveau. Der Study Guide spricht von einem „enterprise-grade foundation you can build on“ und einem Ökosystem, das Sicherheit und Ethik in den Vordergrund stellt.
- Daten bleiben unter Kontrolle des Kunden: Gemini for Google Cloud nutzt Prompts und Antworten nicht zum Training seiner Modelle; es gelten die Standard-Schutzmaßnahmen von Google Cloud. Bei Gemini Notebook Enterprise bleiben die Daten im eigenen Google-Cloud-Projekt. Der Exam Guide nennt als Bausteine der Datenkontrolle: Security, Privacy, Governance, offene und führende First-Party-Modelle, vorgefertigte und anpassbare Lösungen, Agents.
Typische Prüfungsfalle
Absolute Versprechen („garantiert“, „100 % sicher“, „vollständige Genauigkeit“, „fertige Lösung für jede Branche“) sind fast immer falsch. Begründung: Der Study Guide nennt selbst Grenzen von Foundation Models (Halluzinationen, Bias, Knowledge Cutoff, Edge Cases) und empfiehlt Human-in-the-Loop für kritische Entscheidungen. Ein seriöser Anbieter kann deshalb keine Fehlerfreiheit zusichern.
2.2 Prebuilt gen AI offerings for AI-powered work
- Die Gemini app (gemini.google.com, mobil) ist Googles Gen-AI-Chatbot. Sie hilft beim Schreiben, Zusammenfassen, Übersetzen und Bilderzeugen.
- Gemini ist das Modell, die Gemini app die Anwendung. Der Study Guide formuliert: Gemini ist ein Modell, das viele verschiedene Lösungen antreibt. Gen AI selbst ist eine Technologie und keine Anwendung.
- Gemini Advanced bietet Unternehmen Zusatzfunktionen und Schutz auf Enterprise-Niveau. Typisch sind Zugang zu den leistungsfähigsten Modellen (stark bei Coding, logischem Denken, nuancierten Anweisungen), größere Kontextfenster und früher Zugang zu neuen Features.
Typische Prüfungsfalle
Gemini app vs. Gemini Enterprise vs. Gemini for Workspace:
2.3 Gen AI offerings that improve the customer experience
- Agent Search on Gemini Enterprise Agent Platform (früher: Vertex AI Search) liefert Such- und Empfehlungslösungen für das eigene Unternehmen, also Suche in Google-Qualität über die eigenen Daten.
- Google Search als Angebot: Grounding with Google Search verbindet Gemini mit aktuellen Webinformationen. Das hilft gegen den Knowledge Cutoff, also die Grenze des Trainingswissens, z. B. bei Fragen zu aktuellen Ereignissen, Preisen oder Ergebnissen.
- Werkzeuge, mit denen Unternehmen effektiv mit Kunden interagieren. Sie können auf Google Cloud Contact Center as a Service (CCaaS) aufsetzen.
Typische Prüfungsfalle
Agent Assist vs. Conversational Agents:
2.4 How Google Cloud empowers developers to build with AI
- Google Clouds einheitliche ML-Plattform zum Bauen, Trainieren und Deployen von ML-Anwendungen. Sie gibt Zugang zu Gen-AI-Modellen (z. B. Gemini), erlaubt deren Tuning und Deployment und stellt Infrastruktur, Tools und vortrainierte Modelle für den gesamten Lebenszyklus bereit. Sie ist fully managed: Man konfiguriert, Google betreibt. Die Plattform ist laut Doku eine Weiterentwicklung von Vertex AI; die Umbenennung erfolgte am 22.04.2026.
- Merkmale: offen und flexibel, leistungsfähige Infrastruktur, vortrainierte Modelle, umfassende Tools, Customization, einfache Integration.
- Öffentliche Doku (2026) gliedert die Plattform in Build (ADK, Agent Studio, Agent Garden, Model Garden, RAG Engine, Vector Search), Scale (Agent Runtime, Sessions, Memory Bank), Govern (Agent Registry, Agent Identity, Agent Gateway, Policies) und Optimize (Evaluation, Observability, Prompt-Optimierung).
Typische Prüfungsfalle
Model Garden vs. AutoML vs. Custom training:
- Fertiges, leistungsfähiges Modell, schnell, moderates Budget → Model Garden.
- Eigenes Modell auf eigenen gelabelten Daten ohne ML-Expertise, z. B. Absatzprognose aus Tabellen → AutoML.
- Volle Kontrolle über Architektur, Forschung, Spezialbedarf → Custom training.
2.5 Purpose and types of tooling for gen AI agents
- Agents nutzen Tools, um mit ihrer Umgebung zu interagieren, z. B. Daten abzurufen und zu verarbeiten oder Aktionen auszulösen. Ohne Tools bleibt ein Modell auf sein Trainingswissen beschränkt. Tools sind auch der Weg, über den Agents mit anderen Agents zusammenarbeiten.
- Vier Tool-Typen:
- Extensions: verbinden mit externen Services über APIs und standardisieren die Interaktion trotz unterschiedlicher API-Designs.
- Functions: definieren konkrete Aktionen oder Aufgaben. Wiederverwendbare Bausteine, die das Reasoning-System passend auswählt. Beim Function Calling erzeugt das Modell einen strukturierten Aufruf (Name + Parameter); ausgeführt wird er durch die Anwendung, die das Ergebnis zurückgibt.
- Data stores: geben Zugriff auf Informationen (aktuell, historisch, Wissensbasis) für genaue und relevante Antworten. Grundlage für RAG.
- Plugins: fügen neue Skills und Integrationen hinzu, z. B. Verbindung zu anderen Plattformen und spezialisierten Tools.
- Reasoning loop mit Tools: (1) Reasoning, also Tool-Auswahl → (2) Acting, also Tool ausführen → (3) Observation, also Ergebnis empfangen → (4) Iteration, also nächsten Schritt planen. Beispiel: Ein Agent einer Tischlerei soll einen Aufmaßtermin vereinbaren. Er liest Kundendaten aus einem Data Store, prüft über ein Kalender-Plugin freie Slots, ruft eine Function „Termin anlegen“ auf und bestätigt per E-Mail-Extension.
Typische Prüfungsfalle
Agent Studio vs. Google AI Studio: Der Unterschied liegt bei Zielgruppe und Reifegrad: schnelles, kostenloses Prototyping vs. produktionsreife Anwendungen im großen Maßstab. Nicht Bild vs. Text, nicht Code vs. No-code, nicht eigene vs. vortrainierte Modelle.
Weiterlesen: Alle Prüfungsbereiche · Glossar · Produktlandkarte