このページは Cloud Translation API によって翻訳されました。

リクエストとレスポンスをログに記録する

Vertex AI は、Gemini とサポートされているパートナーモデルのリクエストとレスポンスのサンプルをログに記録できます。ログは、表示と分析のために BigQuery テーブルに保存されます。このページでは、ベースの基盤モデルとファインチューニングされたモデルのリクエストとレスポンスのログを構成する方法について説明します。

ロギングでサポートされている API メソッド

リクエストとレスポンスのログは、generateContent または streamGenerateContent を使用するすべての Gemini モデルでサポートされています。

rawPredict または streamrawPredict を使用する次のパートナーモデルもサポートされています。

Anthropic Claude

ベースの基盤モデルのリクエスト / レスポンスログ

ベースの基盤モデルのリクエスト / レスポンスログは、REST API または Python SDK を使用して構成できます。ロギング構成が有効になるまでに数分かかることがあります。

リクエスト / レスポンスロギングを有効にする

ベースの基盤モデルのリクエスト / レスポンスログを有効にする手順については、次のいずれかのタブを選択して確認してください。

Anthropic モデルの場合、ロギング構成でサポートされているのは REST のみです。REST API を介してロギング構成を有効にするには、パブリッシャーを anthropic に設定し、モデル名をサポートされている Claude モデルのいずれかに設定します。

Python SDK

このメソッドは、PublisherModelConfig の作成または更新に使用できます。

# Specify the preview version of GenerativeModel
import vertexai
from vertexai.preview.generative_models import(
    GenerativeModel,
    )

PROJECT_ID = "PROJECT_ID"
LOCATION = "LOCATION"

vertexai.init(project=PROJECT_ID, location=LOCATION)

publisher_model = GenerativeModel("gemini-2.5-flash")

# Set logging configuration
publisher_model.set_request_response_logging_config(
    enabled=True,
    sampling_rate=1.0,
    bigquery_destination="bq://PROJECT_ID.DATASET_NAME.TABLE_NAME",
    enable_otel_logging=True
    )

REST API

setPublisherModelConfig を使用して PublisherModelConfig を作成または更新します。

リクエストのデータを使用する前に、次のように置き換えます。

ENDPOINT_PREFIX: モデルリソースのリージョンと -（例: us-central1-）。グローバルエンドポイントを使用する場合は、空白のままにします。リクエストとレスポンスのロギングは、モデルでサポートされているすべてのリージョンでサポートされています。
PROJECT_ID: プロジェクト ID。
LOCATION: モデルリソースのリージョン。グローバルエンドポイントを使用する場合は、「global」と入力します。
PUBLISHER: パブリッシャーの名前（例: google）。
MODEL: 基盤モデルの名前（例: gemini-2.0-flash-001）。
SAMPLING_RATE: ストレージ費用を削減するには、0～1 の数値を設定して、ログに記録するリクエストの割合を定義します。たとえば、値を「1」にするとすべてのリクエストが、値を「0.1」にするとリクエストの 10% がログに記録されます。
BQ_URI: ロギングに使用される BigQuery テーブル。プロジェクト名のみを指定した場合、新しいデータセットが logging_ENDPOINT_DISPLAY_NAME\_ENDPOINT_ID という名前で作成されます。ここで、ENDPOINT_DISPLAY_NAME は BigQuery の命名規則に従います。テーブル名を指定しない場合、request_response_logging という名前の新しいテーブルが作成されます。

HTTP メソッドと URL:

POST https://ENDPOINT_PREFIXaiplatform.googleapis.com/v1beta1/projects/PROJECT_ID/locations/LOCATION/publishers/PUBLISHER/models/MODEL:setPublisherModelConfig

リクエストの本文（JSON）:

{
  "publisherModelConfig": {
     "loggingConfig": {
       "enabled": true,
       "samplingRate": SAMPLING_RATE,
       "bigqueryDestination": {
         "outputUri": "BQ_URI"
       },
       "enableOtelLogging": true
     }
   }
 }

リクエストを送信するには、次のいずれかのオプションを選択します。

curl

注: 次のコマンドは、gcloud init または gcloud auth login を実行して、ユーザーアカウントで gcloud CLI にログインしているか、Cloud Shell を使用して自動的に gcloud CLI にログインしていることを前提としています。gcloud auth list を実行すると、現在アクティブなアカウントを確認できます。

リクエスト本文を request.json という名前のファイルに保存して、次のコマンドを実行します。

curl -X POST \
     -H "Authorization: Bearer $(gcloud auth print-access-token)" \
     -H "Content-Type: application/json; charset=utf-8" \
     -d @request.json \
     "https://ENDPOINT_PREFIXaiplatform.googleapis.com/v1beta1/projects/PROJECT_ID/locations/LOCATION/publishers/PUBLISHER/models/MODEL:setPublisherModelConfig"

PowerShell

注: 次のコマンドは、gcloud init または gcloud auth login を実行して、ご自分のユーザーアカウントで gcloud CLI にログインしていることを前提としています。gcloud auth list を実行すると、現在アクティブなアカウントを確認できます。

リクエスト本文を request.json という名前のファイルに保存して、次のコマンドを実行します。

$cred = gcloud auth print-access-token
$headers = @{ "Authorization" = "Bearer $cred" }

Invoke-WebRequest `
    -Method POST `
    -Headers $headers `
    -ContentType: "application/json; charset=utf-8" `
    -InFile request.json `
    -Uri "https://ENDPOINT_PREFIXaiplatform.googleapis.com/v1beta1/projects/PROJECT_ID/locations/LOCATION/publishers/PUBLISHER/models/MODEL:setPublisherModelConfig" | Select-Object -Expand Content

次のような JSON レスポンスが返されます。

レスポンス

{
  "name": "projects/PROJECT_ID/locations/LOCATION/operations/OPERATION_ID",
  "metadata": {
    "@type": "type.googleapis.com/google.cloud.aiplatform.v1beta1.SetPublisherModelConfigOperationMetadata",
    "genericMetadata": {
      "createTime": "2025-03-11T22:42:54.283184Z",
      "updateTime": "2025-03-11T22:42:54.283184Z"
    }
  }
}

ロギング構成を取得する

REST API を使用して、基盤モデルのリクエスト / レスポンスロギング構成を取得します。

REST API

fetchPublisherModelConfig を使用してリクエスト / レスポンスロギング構成を取得します。

リクエストのデータを使用する前に、次のように置き換えます。

PROJECT_ID: プロジェクト ID。
LOCATION: モデルリソースのロケーション。
PUBLISHER: パブリッシャーの名前（例: google）。
MODEL: 基盤モデルの名前（例: gemini-2.0-flash-001）。

HTTP メソッドと URL:

GET https://LOCATION-aiplatform.googleapis.com/v1beta1/projects/PROJECT_ID/locations/LOCATION/publishers/PUBLISHER/models/MODEL:fetchPublisherModelConfig

リクエストを送信するには、次のいずれかのオプションを選択します。

curl

次のコマンドを実行します。

curl -X GET \
     -H "Authorization: Bearer $(gcloud auth print-access-token)" \
     "https://LOCATION-aiplatform.googleapis.com/v1beta1/projects/PROJECT_ID/locations/LOCATION/publishers/PUBLISHER/models/MODEL:fetchPublisherModelConfig"

PowerShell

次のコマンドを実行します。

$cred = gcloud auth print-access-token
$headers = @{ "Authorization" = "Bearer $cred" }

Invoke-WebRequest `
    -Method GET `
    -Headers $headers `
    -Uri "https://LOCATION-aiplatform.googleapis.com/v1beta1/projects/PROJECT_ID/locations/LOCATION/publishers/PUBLISHER/models/MODEL:fetchPublisherModelConfig" | Select-Object -Expand Content

次のような JSON レスポンスが返されます。

レスポンス

{
  "loggingConfig": {
    "enabled": true,
    "samplingRate": 1,
    "bigqueryDestination": {
      "outputUri": "bq://output-uri"
    },
    "enableOtelLogging": true
  }
}

ロギングを無効にする

REST API または Python SDK を使用して、基盤モデルのリクエスト / レスポンスロギングを無効にします。

Python SDK

# Specify the preview version of GenerativeModel
import vertexai
from vertexai.preview.generative_models import(
    GenerativeModel,
    )

PROJECT_ID = "PROJECT_ID"
LOCATION = "LOCATION"

vertexai.init(project=PROJECT_ID, location=LOCATION)

publisher_model = GenerativeModel("gemini-2.5-flash")

# Disable logging
publisher_model.set_request_response_logging_config(
    enabled=False,
    )

REST API

ロギングを無効にするには、setPublisherModelConfig を使用します。

リクエストのデータを使用する前に、次のように置き換えます。

PROJECT_ID: プロジェクト ID。
LOCATION: モデルリソースのロケーション。
PUBLISHER: パブリッシャーの名前（例: google）。
MODEL: 基盤モデルの名前（例: gemini-2.0-flash-001）。

HTTP メソッドと URL:

POST https://LOCATION-aiplatform.googleapis.com/v1beta1/projects/PROJECT_ID/locations/LOCATION/publishers/PUBLISHER/models/MODEL:setPublisherModelConfig

リクエストの本文（JSON）:

{
  "publisherModelConfig": {
     "loggingConfig": {
       "enabled": false
     }
  }
}

リクエストを送信するには、次のいずれかのオプションを選択します。

curl

リクエスト本文を request.json という名前のファイルに保存して、次のコマンドを実行します。

curl -X POST \
     -H "Authorization: Bearer $(gcloud auth print-access-token)" \
     -H "Content-Type: application/json; charset=utf-8" \
     -d @request.json \
     "https://LOCATION-aiplatform.googleapis.com/v1beta1/projects/PROJECT_ID/locations/LOCATION/publishers/PUBLISHER/models/MODEL:setPublisherModelConfig"

PowerShell

リクエスト本文を request.json という名前のファイルに保存して、次のコマンドを実行します。

$cred = gcloud auth print-access-token
$headers = @{ "Authorization" = "Bearer $cred" }

Invoke-WebRequest `
    -Method POST `
    -Headers $headers `
    -ContentType: "application/json; charset=utf-8" `
    -InFile request.json `
    -Uri "https://LOCATION-aiplatform.googleapis.com/v1beta1/projects/PROJECT_ID/locations/LOCATION/publishers/PUBLISHER/models/MODEL:setPublisherModelConfig" | Select-Object -Expand Content

次のような JSON レスポンスが返されます。

レスポンス

{
  "name": "projects/PROJECT_ID/locations/LOCATION/operations/OPERATION_ID",
  "metadata": {
    "@type": "type.googleapis.com/google.cloud.aiplatform.v1beta1.SetPublisherModelConfigOperationMetadata",
    "genericMetadata": {
      "createTime": "2025-03-11T22:42:54.283184Z",
      "updateTime": "2025-03-11T22:42:54.283184Z"
    }
  }
}

ファインチューニングされたモデルのリクエスト / レスポンスログ

ファインチューニングされたモデルのリクエスト / レスポンスログは、REST API または Python SDK を使用して構成できます。

リクエスト / レスポンスログを有効にする

ファインチューニングされたモデルのリクエスト / レスポンスログを有効にする手順については、次のいずれかのタブを選択して確認してください。

Python SDK

この方法は、エンドポイントのリクエスト / レスポンスロギング構成を更新するために使用できます。

# Specify the preview version of GenerativeModel
import vertexai
from vertexai.preview.generative_models import(
    GenerativeModel,
    )

PROJECT_ID = "PROJECT_ID"
LOCATION = "LOCATION"

vertexai.init(project=PROJECT_ID, location=LOCATION)

tuned_model = GenerativeModel(f"projects/{PROJECT_ID}/locations/{LOCATION}/endpoints/ENDPOINT_ID")

# Set logging configuration
publisher_model.set_request_response_logging_config(
    enabled=True,
    sampling_rate=1.0,
    bigquery_destination=f"bq://{PROJECT_ID}.DATASET_NAME.TABLE_NAME",
    enable_otel_logging=True,
    )

REST API

リクエスト / レスポンスロギングを有効にできるのは、projects.locations.endpoints.create を使用してエンドポイントを作成する場合か、projects.locations.endpoints.patch を使用して既存のエンドポイントにパッチを適用する場合のみです。

リクエストとレスポンスはエンドポイントレベルでログに記録されるため、同じエンドポイントのデプロイ済みモデルに送信されたリクエストはログに記録されます。

エンドポイントを作成またはパッチ適用するときに、エンドポイントリソースの predictRequestResponseLoggingConfig フィールドに次のエントリを入力します。

enabled: リクエスト / レスポンスロギングを有効にするには、True に設定します。
samplingRate: ストレージ費用を削減するには、0～1 の数値を設定して、ログに記録するリクエストの割合を定義します。たとえば、値を「1」にするとすべてのリクエストが、値を「0.1」にするとリクエストの 10% がログに記録されます。
BigQueryDestination: ロギングに使用される BigQuery テーブル。プロジェクト名のみを指定した場合、新しいデータセットが logging_ENDPOINT_DISPLAY_NAME_ENDPOINT_ID という名前で作成されます。ここで、ENDPOINT_DISPLAY_NAME は BigQuery の命名規則に従います。テーブル名を指定しない場合、request_response_logging という名前の新しいテーブルが作成されます。
enableOtelLogging: デフォルトのリクエスト / レスポンスロギングに加えて OpenTelemetry（OTEL）ロギングを有効にするには、true に設定します。

BigQuery テーブルスキーマを表示するには、ロギングテーブルスキーマをご覧ください。

次に示すのは構成の例です。

{
  "predictRequestResponseLoggingConfig": {
    "enabled": true,
    "samplingRate": 0.5,
    "bigqueryDestination": {
      "outputUri": "bq://PROJECT_ID.DATASET_NAME.TABLE_NAME"
    },
    "enableOtelLogging": true
  }
}

ロギング構成を取得する

REST API を使用して、ファインチューニングされたモデルのリクエスト / レスポンスロギング構成を取得します。

REST API

リクエストのデータを使用する前に、次のように置き換えます。

PROJECT_ID: プロジェクト ID。
LOCATION: エンドポイントリソースのロケーション。
MODEL: 基盤モデルの名前（例: gemini-2.0-flash-001）。
ENDPOINT_ID: エンドポイントの ID。

HTTP メソッドと URL:

GET https://LOCATION-aiplatform.googleapis.com/v1beta1/projects/PROJECT_ID/locations/LOCATION/endpoints/ENDPOINT_ID

リクエストを送信するには、次のいずれかのオプションを選択します。

curl

次のコマンドを実行します。

curl -X GET \
     -H "Authorization: Bearer $(gcloud auth print-access-token)" \
     "https://LOCATION-aiplatform.googleapis.com/v1beta1/projects/PROJECT_ID/locations/LOCATION/endpoints/ENDPOINT_ID"

PowerShell

次のコマンドを実行します。

$cred = gcloud auth print-access-token
$headers = @{ "Authorization" = "Bearer $cred" }

Invoke-WebRequest `
    -Method GET `
    -Headers $headers `
    -Uri "https://LOCATION-aiplatform.googleapis.com/v1beta1/projects/PROJECT_ID/locations/LOCATION/endpoints/ENDPOINT_ID" | Select-Object -Expand Content

次のような JSON レスポンスが返されます。

レスポンス

{
  "loggingConfig": {
    "enabled": true,
    "samplingRate": 1,
    "bigqueryDestination": {
      "outputUri": "bq://output-uri"
    },
    "enableOtelLogging": true
  }
}

ロギング構成を無効にする

エンドポイントのリクエスト / レスポンスロギング構成を無効にします。

Python SDK

# Specify the preview version of GenerativeModel
import vertexai
from vertexai.preview.generative_models import(
    GenerativeModel,
    )

PROJECT_ID = "PROJECT_ID"
LOCATION = "LOCATION"

vertexai.init(project=PROJECT_ID, location=LOCATION)

tuned_model = GenerativeModel(f"projects/{PROJECT_ID}/locations/{LOCATION}/endpoints/ENDPOINT_ID")

# Disable logging
tuned_model.set_request_response_logging_config(
    enabled=False,
    )

REST API

{
"predictRequestResponseLoggingConfig": {
  "enabled": false
}
}

ロギングテーブルのスキーマ

BigQuery では、ログは次のスキーマを使用して記録されます。

フィールド名	タイプ	メモ
endpoint	STRING	チューニング済みモデルがデプロイされるエンドポイントのリソース名。
deployed_model_id	STRING	エンドポイントにデプロイされたチューニング済みモデルのデプロイ済みモデルの ID。
logging_time	TIMESTAMP	ロギングが実行された時刻。これは、レスポンスが返されるおおよその時間です。
request_id	NUMERIC	API リクエストに基づいて自動生成された整数リクエストの ID。
request_payload	STRING	パートナーモデルのロギングと、Vertex AI エンドポイントのリクエスト / レスポンスログとの下位互換性のために組み込まれています。
response_payload	STRING	パートナーモデルのロギングと、Vertex AI エンドポイントのリクエスト / レスポンスログとの下位互換性のために組み込まれています。
モデル	STRING	モデルリソース名。
model_version	STRING	モデルのバージョン。通常、Gemini モデルでは「default」です。
api_method	STRING	generateContent、streamGenerateContent、rawPredict、streamRawPredict
full_request	JSON	完全な `GenerateContentRequest`。
full_response	JSON	完全な `GenerateContentResponse`。
metadata	JSON	呼び出しのメタデータ。リクエストレイテンシが含まれます。
otel_log	JSON	OpenTelemetry スキーマ形式のログ。ロギング構成で `otel_logging` が有効になっている場合にのみ使用できます。

BigQuery の書き込み API の 10 MB の行の上限を超えるリクエストとレスポンスのペアは記録されません。

次のステップ

オンライン予測ロギングの料金を見積もる。
Google Cloud コンソールまたは Vertex AI API を使用してモデルをデプロイする。
BigQuery テーブルの作成方法を確認する。

リクエストとレスポンスをログに記録する 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。

ロギングでサポートされている API メソッド

ベースの基盤モデルのリクエスト / レスポンスログ

リクエスト / レスポンス ロギングを有効にする

Python SDK

REST API

curl

PowerShell

レスポンス

ロギング構成を取得する

REST API

curl

PowerShell

レスポンス

ロギングを無効にする

Python SDK

REST API

curl

PowerShell

レスポンス

ファイン チューニングされたモデルのリクエスト / レスポンスログ

リクエスト / レスポンスログを有効にする

Python SDK

REST API

ロギング構成を取得する

REST API

curl

PowerShell

レスポンス

ロギング構成を無効にする

Python SDK

REST API

ロギング テーブルのスキーマ

次のステップ

リクエストとレスポンスをログに記録する

リクエスト / レスポンスロギングを有効にする

ファインチューニングされたモデルのリクエスト / レスポンスログ

ロギングテーブルのスキーマ