GSP1247

Ringkasan

Di lab ini, Anda akan mempelajari cara menggunakan BigQuery Machine Learning untuk inferensi dengan model jarak jauh (model AI Gemini) untuk menganalisis gambar poster film dan membuat ringkasan poster tersebut sebagai bagian dari project Bukti Konsep.

BigQuery adalah platform analisis data dengan dukungan AI yang terkelola sepenuhnya yang membantu Anda memperoleh nilai maksimal dari data Anda dan dirancang agar menjadi multi-engine, multi-format, dan multi-cloud. Salah satu fitur utamanya adalah BigQuery Machine Learning untuk inferensi, yang memungkinkan Anda membuat dan menjalankan model machine learning (ML) dengan menggunakan kueri GoogleSQL.

Gemini adalah rangkaian model AI generatif yang dikembangkan oleh Google DeepMind dan dirancang untuk kasus penggunaan multimodal. Gemini API menyediakan akses ke model Gemini Pro Vision dan Gemini Pro.

Menjalankan model ML menggunakan Kueri GoogleSQL

Biasanya, menjalankan ML atau kecerdasan buatan (AI) pada set data besar memerlukan pemrograman dan pengetahuan yang luas tentang framework ML. Kebutuhan ini membuat pengembangan solusi hanya berada di tangan sekelompok kecil orang di suatu perusahaan yang tidak mencakup analis data yang memahami data, tetapi memiliki pengetahuan ML dan keahlian pemrograman yang terbatas. Namun, dengan BigQuery Machine Learning untuk inferensi, praktisi SQL dapat menggunakan alat dan keterampilan SQL yang ada untuk membangun model, serta membuat hasil dari LLM dan API Cloud AI.

Tujuan

Di lab ini, Anda akan mempelajari cara:

• Mengonfigurasi lingkungan dan akun Anda untuk menggunakan API.
• Membuat koneksi Resource Cloud di BigQuery.
• Membuat set data dan tabel objek di BigQuery untuk gambar poster film.
• Membuat model jarak jauh Gemini di BigQuery.
• Memasukkan perintah ke Gemini guna memberikan ringkasan film untuk setiap poster.
• Membuat embedding teks untuk film yang direpresentasikan dalam setiap poster.
• Menggunakan fungsi VECTOR_SEARCH di BigQuery untuk mencocokkan gambar poster film dengan film yang terkait erat dalam set data.

Penyiapan dan persyaratan

Sebelum mengklik tombol Start Lab

Baca petunjuk ini. Lab memiliki timer dan Anda tidak dapat menjedanya. Timer yang dimulai saat Anda mengklik Start Lab akan menampilkan durasi ketersediaan resource Google Cloud untuk Anda.

Lab interaktif ini dapat Anda gunakan untuk melakukan aktivitas lab di lingkungan cloud sungguhan, bukan di lingkungan demo atau simulasi. Untuk mengakses lab ini, Anda akan diberi kredensial baru yang bersifat sementara dan dapat digunakan untuk login serta mengakses Google Cloud selama durasi lab.

Untuk menyelesaikan lab ini, Anda memerlukan:

• Akses ke browser internet standar (disarankan browser Chrome).

Catatan: Gunakan jendela Samaran (direkomendasikan) atau browser pribadi untuk menjalankan lab ini. Hal ini akan mencegah konflik antara akun pribadi Anda dan akun siswa yang dapat menyebabkan tagihan ekstra pada akun pribadi Anda.

• Waktu untuk menyelesaikan lab. Ingat, setelah dimulai, lab tidak dapat dijeda.

Catatan: Hanya gunakan akun siswa untuk lab ini. Jika Anda menggunakan akun Google Cloud yang berbeda, Anda mungkin akan dikenai tagihan ke akun tersebut.

Cara memulai lab dan login ke Google Cloud Console

1. Klik tombol Start Lab. Jika Anda perlu membayar lab, dialog akan terbuka untuk memilih metode pembayaran. Di sebelah kiri ada panel Lab Details yang berisi hal-hal berikut:

   • Tombol Open Google Cloud console
   • Waktu tersisa
   • Kredensial sementara yang harus Anda gunakan untuk lab ini
   • Informasi lain, jika diperlukan, untuk menyelesaikan lab ini

2. Klik Open Google Cloud console (atau klik kanan dan pilih Open Link in Incognito Window jika Anda menjalankan browser Chrome).

   Lab akan menjalankan resource, lalu membuka tab lain yang menampilkan halaman Sign in.

   Tips: Atur tab di jendela terpisah secara berdampingan.

   Catatan: Jika Anda melihat dialog Choose an account, klik Use Another Account.

3. Jika perlu, salin Username di bawah dan tempel ke dialog Sign in.

   {{{user_0.username | "Username"}}}

   Anda juga dapat menemukan Username di panel Lab Details.

4. Klik Next.

5. Salin Password di bawah dan tempel ke dialog Welcome.

   {{{user_0.password | "Password"}}}

   Anda juga dapat menemukan Password di panel Lab Details.

6. Klik Next.

   Penting: Anda harus menggunakan kredensial yang diberikan lab. Jangan menggunakan kredensial akun Google Cloud Anda. Catatan: Menggunakan akun Google Cloud sendiri untuk lab ini dapat dikenai biaya tambahan.

7. Klik halaman berikutnya:

   • Setujui persyaratan dan ketentuan.
   • Jangan tambahkan opsi pemulihan atau autentikasi 2 langkah (karena ini akun sementara).
   • Jangan mendaftar uji coba gratis.

Setelah beberapa saat, Konsol Google Cloud akan terbuka di tab ini.

Catatan: Untuk mengakses produk dan layanan Google Cloud, klik Navigation menu atau ketik nama layanan atau produk di kolom Search.

Tugas 1. Mengonfigurasi lingkungan dan project untuk menggunakan API

Dalam tugas ini, Anda akan mengonfigurasi lingkungan lab agar dapat menggunakan Cloud AI Companion API untuk Gemini dan Vertex AI Platform API dengan project Anda.

Catatan:Jika Anda belum terbiasa dengan Cloud Shell, lihat Menggunakan Cloud Shell.

1. Login ke Konsol Google Cloud dengan kredensial lab Anda, lalu buka jendela terminal Cloud Shell.

2. Untuk menetapkan project ID dan variabel lingkungan region, jalankan perintah berikut di Cloud Shell:

   PROJECT_ID=$(gcloud config get-value project) REGION={{{project_0.default_region|set at lab start}}} echo "PROJECT_ID=${PROJECT_ID}" echo "REGION=${REGION}"

3. Untuk menyimpan akun pengguna Google yang sudah login dalam variabel lingkungan, jalankan perintah berikut:

   USER=$(gcloud config get-value account 2> /dev/null) echo "USER=${USER}"

4. Aktifkan Cloud AI Companion API untuk Gemini dan Vertex AI API:

   gcloud services enable cloudaicompanion.googleapis.com --project ${PROJECT_ID} gcloud services enable aiplatform.googleapis.com --project ${PROJECT_ID}

5. Untuk menggunakan Gemini, berikan peran IAM yang diperlukan ke akun pengguna Qwiklabs Google Cloud Anda:

   gcloud projects add-iam-policy-binding ${PROJECT_ID} --member user:${USER} --role=roles/cloudaicompanion.user gcloud projects add-iam-policy-binding ${PROJECT_ID} --member user:${USER} --role=roles/serviceusage.serviceUsageViewer

   Dengan menambahkan peran ini, pengguna dapat menggunakan bantuan Gemini.

Untuk memverifikasi tujuan, klik Check my progress. Mengaktifkan API terkait dan menetapkan peran IAM.

Tugas 2. Membuat koneksi Resource Cloud

Dalam tugas ini, Anda akan membuat koneksi Resource Cloud di BigQuery agar dapat bekerja dengan model Gemini Pro dan Gemini Pro Vision.

1. Di Konsol Google Cloud, pada Navigation menu, klik BigQuery.

2. Klik DONE di pop-up Welcome.

3. Untuk membuat koneksi, klik + ADD, lalu klik Connections to external data sources.

4. Pada Connection type list, pilih Vertex AI remote models, remote functions and BigLake (Cloud Resource).

5. Di kolom Connection ID, masukkan gemini_conn untuk koneksi Anda.

6. Untuk Location type, pilih Multi-region, kemudian dari menu dropdown, pilih multi-region US.

7. Gunakan opsi default untuk setelan lainnya.

8. Klik Create connection.

9. Klik GO TO CONNECTION.

10. Di panel Connection info, salin ID akun layanan ke file teks untuk digunakan dalam tugas berikutnya. Anda juga akan melihat koneksi ditambahkan di bagian External Connections project Anda di BigQuery Explorer.

Klik Check my progress untuk memverifikasi tujuan. Membuat koneksi Resource Cloud

Tugas 3. Memberikan izin IAM ke akun layanan koneksi

Dalam tugas ini, Anda akan memberikan izin IAM ke akun layanan koneksi Resource Cloud, melalui sebuah peran, untuk mengaktifkan akses ke layanan Vertex AI.

1. Di Konsol Google Cloud, pada Navigation menu, klik IAM & Admin.

2. Klik Grant Access.

3. Di kolom New principals, masukkan ID akun layanan yang Anda salin sebelumnya.

4. Di kolom Select a role, masukkan Vertex AI, lalu pilih peran Vertex AI User.

5. Klik Save.

   Hasilnya adalah ID akun layanan kini memiliki peran Vertex AI User.

Klik Check my progress untuk memverifikasi tujuan. Memberikan izin IAM ke akun layanan koneksi.

Tugas 4. Membuat set data dan tabel objek di BigQuery untuk gambar poster film

Dalam tugas ini, Anda akan membuat set data untuk project dan tabel objek di dalamnya untuk menyimpan gambar poster.

Membuat set data

1. Di Konsol Google Cloud, pilih Navigation menu (), lalu pilih BigQuery.

2. Di panel Explorer, untuk , pilih View actions (), lalu pilih Create dataset.

   Anda membuat set data untuk menyimpan objek database, termasuk tabel dan model.

3. Di panel Create dataset, masukkan informasi berikut:

   Kolom	Nilai
   Dataset ID	gemini_demo
   Location type	pilih Multi-region
   Multi-region	pilih US

   Biarkan kolom lain tetap pada nilai defaultnya.

4. Klik Create Dataset.

   Hasilnya adalah set data gemini_demo dibuat dan dicantumkan di bawah project Anda di BigQuery Explorer.

Membuat tabel objek

Untuk membuat tabel objek, Anda akan menggunakan kueri SQL.

1. Klik + untuk Membuat kueri SQL baru.

2. Di editor kueri, tempel kueri di bawah.

   CREATE OR REPLACE EXTERNAL TABLE `gemini_demo.movie_posters` WITH CONNECTION `us.gemini_conn` OPTIONS ( object_metadata = 'SIMPLE', uris = ['gs://cloud-samples-data/vertex-ai/dataset-management/datasets/classic-movie-posters/*'] );

3. Jalankan kueri ini.

   Hasilnya adalah tabel objek movie_posters ditambahkan ke set data gemini_demo dan dimuat dengan URI (lokasi Cloud Storage) setiap gambar poster film.

4. Di Explorer, klik movie_posters, lalu tinjau skema dan detailnya. Silakan mengkueri tabel untuk meninjau kumpulan data tertentu.

Klik Check my progress untuk memverifikasi tujuan. Membuat set data dan tabel objek di BigQuery untuk gambar poster film.

Tugas 5. Membuat model jarak jauh Gemini di BigQuery

Setelah tabel objek dibuat, Anda dapat mulai menggunakannya. Dalam tugas ini, Anda akan membuat model jarak jauh untuk model Gemini Pro dan Gemini Pro Vision di BigQuery.

Membuat model Gemini Pro

1. Klik + untuk membuat kueri SQL baru.

2. Di editor kueri, tempel dan jalankan kueri di bawah ini.

   CREATE OR REPLACE MODEL `gemini_demo.gemini_pro` REMOTE WITH CONNECTION `us.gemini_conn` OPTIONS (endpoint = 'gemini-pro')

   Hasilnya adalah model gemini_pro dibuat dan Anda mendapati model tersebut ditambahkan ke set data gemini_demo, di bagian Models.

3. Di Explorer, klik model gemini_pro lalu tinjau detail dan skemanya.

Membuat model Gemini Pro Vision

1. Klik + untuk Membuat Kueri SQL baru.

2. Di editor kueri, tempel dan jalankan kueri di bawah ini.

   CREATE OR REPLACE MODEL `gemini_demo.gemini_pro_vision` REMOTE WITH CONNECTION `us.gemini_conn` OPTIONS (endpoint = 'gemini-pro-vision')

   Hasilnya adalah model gemini_pro_vision dibuat dan Anda mendapati model tersebut ditambahkan ke set data gemini_demo, di bagian Models.

3. Di Explorer, klik model gemini_pro_vision lalu tinjau detail dan skemanya.

Klik Check my progress untuk memverifikasi tujuan. Membuat model jarak jauh Gemini di BigQuery.

Tugas 6. Memasukkan perintah ke Gemini guna memberikan ringkasan film untuk setiap poster

Dalam tugas ini, Anda akan menggunakan Gemini (model Gemini Pro dan Vision yang baru saja Anda buat) untuk menganalisis gambar poster film dan membuat ringkasan untuk setiap film.

Menganalisis gambar dengan model Gemini Pro Vision

1. Klik + untuk membuat kueri SQL baru.

2. Di editor kueri, tempel dan jalankan kueri di bawah ini.

   CREATE OR REPLACE TABLE `gemini_demo.movie_posters_results` AS ( SELECT uri, ml_generate_text_llm_result FROM ML.GENERATE_TEXT( MODEL `gemini_demo.gemini_pro_vision`, TABLE `gemini_demo.movie_posters`, STRUCT( 0.2 AS temperature, 'For the movie represented by this poster, what is the movie title and year of release? Answer in JSON format with two keys: title, year. title should be string, year should be integer.' AS PROMPT, TRUE AS FLATTEN_JSON_OUTPUT)));

   Hasilnya adalah tabel movie_posters_results dibuat.

3. Di Explorer, klik tabel movie_posters_results, lalu tinjau skema dan detailnya.

4. Klik + untuk membuat kueri SQL baru.

5. Di editor kueri, tempel dan jalankan kueri di bawah ini.

   SELECT * FROM `gemini_demo.movie_posters_results`

   Hasilnya adalah baris untuk setiap poster film dengan URI (lokasi Cloud Storage gambar poster film) dan hasil JSON yang mencakup judul film dan tahun rilis film tersebut dari model Gemini Pro Vision.

   Anda dapat mengambil hasil ini dengan cara yang lebih dapat dibaca manusia dengan menggunakan kueri berikutnya.

6. Klik + untuk membuat kueri SQL baru.

7. Di editor kueri, tempel dan jalankan kueri di bawah ini.

   CREATE OR REPLACE TABLE `gemini_demo.movie_posters_results_formatted` AS ( SELECT uri, JSON_QUERY(RTRIM(LTRIM(results.ml_generate_text_llm_result, " ```json"), "```"), "$.title") AS title, JSON_QUERY(RTRIM(LTRIM(results.ml_generate_text_llm_result, " ```json"), "```"), "$.year") AS year FROM `gemini_demo.movie_posters_results` results )

   Hasilnya adalah tabel movie_posters_result_formatted dibuat.

8. Anda dapat mengkueri tabel dengan kueri di bawah, untuk melihat baris dibuat.

   SELECT * FROM `gemini_demo.movie_posters_results_formatted`

   Perhatikan bahwa hasil kolom URI tetap sama, tetapi JSON kini diubah ke kolom judul dan tahun untuk setiap baris.

Memasukkan perintah ke Gemini Pro untuk memberikan ringkasan film

1. Anda dapat menggunakan Gemini Pro untuk memberikan ringkasan film untuk setiap poster dengan menjalankan kueri di bawah ini.

   SELECT uri, title, year, prompt, ml_generate_text_llm_result FROM ML.GENERATE_TEXT( MODEL `gemini_demo.gemini_pro`, ( SELECT CONCAT('Provide a short summary of movie titled ',title, ' from the year ',year,'.') AS prompt, uri, title, year FROM `gemini_demo.movie_posters_results_formatted` LIMIT 20 ), STRUCT(0.2 AS temperature, TRUE AS FLATTEN_JSON_OUTPUT));

   Perhatikan bahwa hasilnya mirip dengan kueri sebelumnya, tetapi sekarang perintah yang digunakan dengan Gemini ditampilkan di kolom perintah dan hasil penggunaan perintah ini disertakan dalam kolom ml_generate_text_llm_result. Kolom ini berisi ringkasan singkat film tersebut.

Klik Check my progress untuk memverifikasi tujuan. Memasukkan perintah ke Gemini guna memberikan ringkasan film untuk setiap poster

Tugas 7. Membuat embedding teks menggunakan model jarak jauh

Dalam tugas ini, Anda akan membuat embedding teks menggunakan model jarak jauh agar dapat melakukan analisis lebih lanjut.

Membuat model jarak jauh

Untuk membuat embedding teks, Anda harus menggunakan model text-multilingual-embedding-002 jarak jauh yang dihosting di endpoint, lalu Anda dapat membuat embedding.

1. Klik + untuk membuat kueri SQL baru.

2. Di editor kueri, tempel dan jalankan kueri di bawah ini.

   CREATE OR REPLACE MODEL `gemini_demo.text_embedding` REMOTE WITH CONNECTION `us.gemini_conn` OPTIONS (endpoint = 'text-multilingual-embedding-002')

   Hasilnya adalah model text_embedding dibuat dan muncul di Explorer, di bawah set data gemini_demo.

Membuat embedding teks untuk judul dan tahun yang terkait dengan poster

Anda harus membuat tabel untuk menyimpan hasilnya.

1. Klik + untuk membuat kueri SQL baru.

2. Di editor kueri, tempel dan jalankan kueri di bawah ini.

   CREATE OR REPLACE TABLE `gemini_demo.movie_posters_results_embeddings` AS ( SELECT * FROM ML.GENERATE_EMBEDDING( MODEL `gemini_demo.text_embedding`, ( SELECT CONCAT('The movie titled ', title, ' from the year ', year,'.') AS content, title, year, uri FROM `gemini_demo.movie_posters_results_formatted` ), STRUCT(TRUE AS flatten_json_output)));

   Hasilnya adalah tabel movie_poster_results_embeddings dibuat dan berisi hasil pembuatan embedding untuk konten teks (URI, judul film, dan tahun rilis) dari tabel gemini_demo.movie_posters_results_formatted.

   Catatan: Fungsi ML.GENERATE_EMBEDDING digunakan untuk membuat embedding. Fungsi ini menggunakan tiga argumen:
   • Argumen pertama adalah nama model yang akan digunakan untuk membuat embedding. Dalam hal ini, modelnya disebut gemini_demo.text_embedding.
   • Argumen kedua adalah subkueri yang memilih konten teks untuk disematkan. Dalam kasus ini, subkueri memilih judul dan tahun setiap film, lalu menggabungkannya menjadi satu string.
   • Argumen ketiga adalah struct yang menentukan format output embedding. Dalam kasus ini, kolom flatten_json_output ditetapkan ke TRUE , yang berarti embedding akan diratakan menjadi satu objek JSON.
   .

3. Anda dapat melihat hasil kueri menggunakan kueri baru di bawah ini:

   SELECT * FROM `gemini_demo.movie_posters_results_embeddings`

   Di sini Anda melihat embedding (vektor yang diwakili oleh angka) untuk setiap film yang dihasilkan oleh model.

Membuat embedding teks untuk subset dari set data IMDB

Anda akan membuat tabel virtual baru yang hanya berisi film dalam set data yang dirilis sebelum tahun 1935.

1. Buat dan jalankan kueri baru dengan pernyataan SQL berikut.

   CREATE OR REPLACE VIEW `gemini_demo.imdb_movies` AS ( WITH reviews AS ( SELECT reviews.movie_id AS movie_id, title.primary_title AS title, title.start_year AS year, reviews.review AS review FROM `bigquery-public-data.imdb.reviews` reviews LEFT JOIN `bigquery-public-data.imdb.title_basics` title ON reviews.movie_id = title.tconst) SELECT DISTINCT(movie_id), title, year FROM reviews WHERE year < 1935)

   Hasilnya adalah tabel virtual baru yang berisi daftar ID film, judul, dan tahun rilis yang berbeda dari bigquery-public-data.imdb.reviews untuk semua film dalam set data yang dirilis sebelum tahun 1935.

2. Buat dan jalankan kueri baru dengan pernyataan SQL berikut.

   CREATE OR REPLACE TABLE `gemini_demo.imdb_movies_embeddings` AS ( SELECT * FROM ML.GENERATE_EMBEDDING( MODEL `gemini_demo.text_embedding`, ( SELECT CONCAT('The movie titled ', title, ' from the year ', year,'.') AS content, title, year, movie_id FROM `gemini_demo.imdb_movies` ), STRUCT(TRUE AS flatten_json_output) ) WHERE ml_generate_embedding_status = '' );

   Hasil kueri ini adalah tabel yang berisi embedding untuk konten teks tabel gemini_demo.imdb_movies.

Mencocokkan gambar poster film dengan movie_id IMDB menggunakan fungsi VECTOR_SEARCH di BigQuery

1. Buat dan jalankan kueri baru dengan pernyataan SQL berikut.

   SELECT query.uri AS poster_uri, query.title AS poster_title, query.year AS poster_year, base.title AS imdb_title, base.year AS imdb_year, base.movie_id AS imdb_movie_id, distance FROM VECTOR_SEARCH( TABLE `gemini_demo.imdb_movies_embeddings`, 'ml_generate_embedding_result', TABLE `gemini_demo.movie_posters_results_embeddings`, 'ml_generate_embedding_result', top_k => 1, distance_type => 'COSINE');

   Kueri ini menggunakan fungsi VECTOR_SEARCH untuk menemukan tetangga terdekat dalam tabel gemini_demo.imdb_movies_embeddings untuk setiap baris dalam tabel gemini_demo.movie_posters_results_embeddings. Tetangga terdekat ditemukan menggunakan metrik jarak kosinus, yang menentukan seberapa mirip dua embedding tersebut.

   Kueri ini dapat digunakan untuk menemukan film yang paling mirip dalam set data IMDB untuk setiap film yang diidentifikasi oleh Gemini Pro Vision dalam poster film. Misalnya, Anda dapat menggunakan kueri ini untuk menemukan hasil yang paling mendekati untuk film "Au Secours!" (diidentifikasi oleh Gemini Pro Vision di salah satu poster film) dalam set data publik IMDB, yang merujuk film ini dengan judul bahasa Inggrisnya, "Help!".

2. Buat dan jalankan kueri baru untuk menggabungkan beberapa informasi tambahan tentang rating film yang disediakan dalam set data publik IMDB.

   SELECT query.uri AS poster_uri, query.title AS poster_title, query.year AS poster_year, base.title AS imdb_title, base.year AS imdb_year, base.movie_id AS imdb_movie_id, distance, imdb.average_rating, imdb.num_votes FROM VECTOR_SEARCH( TABLE `gemini_demo.imdb_movies_embeddings`, 'ml_generate_embedding_result', TABLE `gemini_demo.movie_posters_results_embeddings`, 'ml_generate_embedding_result', top_k => 1, distance_type => 'COSINE') DATA LEFT JOIN `bigquery-public-data.imdb.title_ratings` imdb ON base.movie_id = imdb.tconst ORDER BY imdb.average_rating DESC

   Kueri ini mirip dengan kueri sebelumnya. Hasil kueri ini masih menggunakan representasi numerik khusus yang disebut embedding vektor untuk menemukan film yang mirip dengan poster film tertentu. Namun, hasil kueri ini juga menggabungkan rata-rata rating dan jumlah voting untuk setiap film terdekat dari tabel terpisah dari set data publik IMDB.

Klik Check my progress untuk memverifikasi tujuan. Membuat embedding teks untuk subset dari set data IMDB

Selamat!

Anda berhasil membuat tabel objek untuk gambar poster di BigQuery, membuat model Gemini jarak jauh, menggunakan model untuk meminta Gemini menganalisis gambar dan memberikan ringkasan film, membuat embedding teks untuk judul film, dan menggunakan embedding untuk mencocokkan gambar poster film dengan judul film terkait dalam set data IMDB.

Langkah berikutnya/pelajari lebih lanjut

• Pengantar BigQuery ML
• Menskalakan machine learning dengan mesin inferensi BigQuery ML - Blog

Sertifikasi dan pelatihan Google Cloud

...membantu Anda mengoptimalkan teknologi Google Cloud. Kelas kami mencakup keterampilan teknis dan praktik terbaik untuk membantu Anda memahami dengan cepat dan melanjutkan proses pembelajaran. Kami menawarkan pelatihan tingkat dasar hingga lanjutan dengan opsi on demand, live, dan virtual untuk menyesuaikan dengan jadwal Anda yang sibuk. Sertifikasi membantu Anda memvalidasi dan membuktikan keterampilan serta keahlian Anda dalam teknologi Google Cloud.

Manual Terakhir Diperbarui pada 4 Oktober 2024

Lab Terakhir Diuji pada 23 Mei 2024

Hak cipta 2025 Google LLC Semua hak dilindungi undang-undang. Google dan logo Google adalah merek dagang dari Google LLC. Semua nama perusahaan dan produk lain mungkin adalah merek dagang masing-masing perusahaan yang bersangkutan.