GSP1246

Übersicht

In diesem Lab erfahren Sie, wie Sie BigQuery Machine Learning mit Remote-Modellen (Gemini Pro) in SQL anwenden, um Keywords zu extrahieren, das Kundensentiment in Kundenrezensionen zu bewerten und auf Kundenrezensionen mit Zero-Shot- und Few-Shot-Prompts zu antworten.

BigQuery ist eine vollständig verwaltete, KI-fähige Datenanalyseplattform, mit der Sie die Wertschöpfung aus Ihren Daten maximieren können. Sie ist als Multi-Engine-, Multi-Format- und Multi-Cloud-Plattform konzipiert. Eine ihrer zentralen Features ist BigQuery Machine Learning (ML), mit dem sich ML-Modelle mithilfe von SQL-Abfragen oder Colab Enterprise-Notebooks erstellen und ausführen lassen.

Gemini ist eine Reihe von auf generativer KI basierenden Modellen, die von Google DeepMind entwickelt wurden und auf multimodale Anwendungsfälle ausgelegt sind. Mit der Gemini API erhalten Sie Zugriff auf Modelle von Gemini Pro, Gemini Pro Vision und Gemini Flash.

Darüber hinaus können Sie mit dem Gemini Pro Vision-Modell Zusammenfassungen generieren und relevante Keywords aus Bildern von Kundenrezensionen extrahieren.

Lernziele

Aufgaben in diesem Lab:

• Cloud-Ressourcen-Verbindung in BigQuery erstellen
• Dataset und Tabellen in BigQuery erstellen
• Gemini-Remote-Modelle in BigQuery erstellen
• Gemini auffordern, Keywords sowie positives und negatives Sentiment in textbasierten Kundenrezensionen zu analysieren
• Bericht mit der Anzahl positiver und negativer Rezensionen generieren
• Auf Kundenrezensionen antworten
• Gemini auffordern, eine Zusammenfassung und Keywords für Bilder von Kundenrezensionen zu extrahieren

Einrichtung und Anforderungen

Vor dem Klick auf „Start Lab“ (Lab starten)

Lesen Sie diese Anleitung. Labs sind zeitlich begrenzt und können nicht pausiert werden. Der Timer beginnt zu laufen, wenn Sie auf Lab starten klicken, und zeigt Ihnen, wie lange die Ressourcen für das Lab verfügbar sind.

In diesem praxisorientierten Lab können Sie die Lab-Aktivitäten in einer echten Cloud-Umgebung selbst durchführen – nicht in einer Simulations- oder Demo-Umgebung. Dazu erhalten Sie neue, temporäre Anmeldedaten, mit denen Sie für die Dauer des Labs auf Google Cloud zugreifen können.

Für dieses Lab benötigen Sie Folgendes:

• Einen Standardbrowser (empfohlen wird Chrome)

Hinweis: Nutzen Sie den privaten oder Inkognitomodus, um dieses Lab durchzuführen. So wird verhindert, dass es zu Konflikten zwischen Ihrem persönlichen Konto und dem Teilnehmerkonto kommt und zusätzliche Gebühren für Ihr persönliches Konto erhoben werden.

• Zeit für die Durchführung des Labs – denken Sie daran, dass Sie ein begonnenes Lab nicht unterbrechen können.

Hinweis: Wenn Sie über ein persönliches Google Cloud-Konto oder -Projekt verfügen, verwenden Sie es nicht für dieses Lab. So werden zusätzliche Kosten für Ihr Konto vermieden.

Lab starten und bei der Google Cloud Console anmelden

1. Klicken Sie auf Lab starten. Wenn Sie für das Lab bezahlen müssen, wird ein Pop-up-Fenster geöffnet, in dem Sie Ihre Zahlungsmethode auswählen können. Auf der linken Seite befindet sich der Bereich Details zum Lab mit diesen Informationen:

   • Schaltfläche Google Cloud Console öffnen
   • Restzeit
   • Temporäre Anmeldedaten für das Lab
   • Ggf. weitere Informationen für dieses Lab

2. Klicken Sie auf Google Cloud Console öffnen (oder klicken Sie mit der rechten Maustaste und wählen Sie Link in Inkognitofenster öffnen aus, wenn Sie Chrome verwenden).

   Im Lab werden Ressourcen aktiviert. Anschließend wird ein weiterer Tab mit der Seite Anmelden geöffnet.

   Tipp: Ordnen Sie die Tabs nebeneinander in separaten Fenstern an.

   Hinweis: Wird das Dialogfeld Konto auswählen angezeigt, klicken Sie auf Anderes Konto verwenden.

3. Kopieren Sie bei Bedarf den folgenden Nutzernamen und fügen Sie ihn in das Dialogfeld Anmelden ein.

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

   Sie finden den Nutzernamen auch im Bereich Details zum Lab.

4. Klicken Sie auf Weiter.

5. Kopieren Sie das folgende Passwort und fügen Sie es in das Dialogfeld Willkommen ein.

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

   Sie finden das Passwort auch im Bereich Details zum Lab.

6. Klicken Sie auf Weiter.

   Wichtig: Sie müssen die für das Lab bereitgestellten Anmeldedaten verwenden. Nutzen Sie nicht die Anmeldedaten Ihres Google Cloud-Kontos. Hinweis: Wenn Sie Ihr eigenes Google Cloud-Konto für dieses Lab nutzen, können zusätzliche Kosten anfallen.

7. Klicken Sie sich durch die nachfolgenden Seiten:

   • Akzeptieren Sie die Nutzungsbedingungen.
   • Fügen Sie keine Wiederherstellungsoptionen oder Zwei-Faktor-Authentifizierung hinzu (da dies nur ein temporäres Konto ist).
   • Melden Sie sich nicht für kostenlose Testversionen an.

Nach wenigen Augenblicken wird die Google Cloud Console in diesem Tab geöffnet.

Hinweis: Wenn Sie sich eine Liste der Google Cloud-Produkte und ‑Dienste ansehen möchten, klicken Sie oben links auf das Navigationsmenü.

Aufgabe 1: Cloud-Ressourcen-Verbindung erstellen und eine IAM-Rolle zuweisen

Cloud-Ressourcen-Verbindung in BigQuery erstellen

In dieser Aufgabe erstellen Sie eine Cloud-Ressourcen-Verbindung in BigQuery, um Gemini Pro- und Gemini Vision-Modelle anwenden zu können. Außerdem gewähren Sie mithilfe einer Rolle IAM-Berechtigungen für das Dienstkonto der Cloud-Ressourcen-Verbindung, mit denen der Zugriff auf Vertex AI-Dienste möglich ist.

1. Klicken Sie in der Google Cloud Console im Navigationsmenü auf BigQuery.

2. Klicken Sie im Pop-up-Fenster „Willkommen“ auf FERTIG.

3. Klicken Sie auf + HINZUFÜGEN und dann auf Verbindungen zu externen Datenquellen, um eine Verbindung zu erstellen.

4. Wählen Sie in der Liste „Verbindungstyp“ die Option Vertex AI-Remote-Modelle, Remote-Funktionen und BigLake (Cloud-Ressource) aus.

5. Geben Sie für Ihre Verbindung im Feld „Verbindungs-ID“ gemini_conn ein.

6. Wählen Sie als Standorttyp die Option Multiregional und dann USA (multiregional) aus.

7. Verwenden Sie für die anderen Optionen jeweils die Standardeinstellung.

8. Klicken Sie auf Verbindung erstellen.

9. Klicken Sie auf ZUR VERBINDUNG.

10. Kopieren Sie im Bereich „Verbindungsinformationen“ die Dienstkonto-ID in eine Textdatei für die nächste Aufgabe. Die Verbindung ist ebenfalls im BigQuery Explorer Ihres Projekts im Abschnitt „Externe Verbindungen“ zu finden.

Vertex AI-Benutzerrolle dem Dienstkonto der Verbindung hinzufügen

1. Klicken Sie in der Console im Navigationsmenü auf IAM und Verwaltung.

2. Klicken Sie auf Zugriff erlauben.

3. Geben Sie im Feld Neue Hauptkonten die Dienstkonto-ID ein, die Sie zuvor kopiert haben.

4. Geben Sie im Feld „Rolle auswählen“ Vertex AIein und wählen Sie die Rolle Vertex AI-Nutzer aus.

5. Klicken Sie auf Speichern.

   Dem Dienstkonto ist nun die Vertex AI-Nutzerrolle zugewiesen.

Klicken Sie auf Fortschritt prüfen. Erstellen Sie die Cloud-Ressourcen-Verbindung und weisen Sie eine IAM-Rolle zu.

Aufgabe 2: Bilder und Dateien prüfen und dem Dienstkonto eine IAM-Rolle zuweisen

In dieser Aufgabe prüfen Sie das Dataset und die Bilddateien. Anschließend gewähren Sie dem Dienstkonto der Cloud-Ressourcen-Verbindung IAM-Berechtigungen.

Bilddateien und Dataset der Kundenrezensionen in Cloud Storage prüfen

Bevor Sie in dieser Aufgabe dem Dienstkonto der Cloud-Ressourcen-Verbindung Berechtigungen gewähren, prüfen Sie das Dataset und die Bilddateien.

1. Klicken Sie in der Console im Navigationsmenü () auf Cloud Storage.

2. Klicken Sie auf den Bucket -Bucket.

3. Der Bucket enthält den Ordner gsp1246. Öffnen Sie diesen Ordner. Er enthält zwei Elemente:

   • Im Ordner images sind alle Bilddateien enthalten, die Sie analysieren werden. Sie können auf den Ordner „images“ zugreifen und die Bilddateien prüfen.
   • Die Datei customer_reviews.csv enthält das Dataset mit den textbasierten Kundenrezensionen.
   Hinweis: Um die Bilder und die Datei „customer_reviews.csv” herunterzuladen und zu prüfen, können Sie die Authentifizierungs-URL nutzen.

IAM-Rolle „Storage Object Admin“ dem Dienstkonto der Verbindung gewähren

Durch Gewähren von IAM-Berechtigungen für das Dienstkonto der Ressourcen-Verbindung vor der Arbeit in BigQuery ist gewährleistet, dass bei der Ausführung von Abfragen keine Fehler des Typs „Zugriff verweigert“ auftreten.

1. Kehren Sie zum Stammverzeichnis des Buckets zurück.

2. Klicken Sie auf BERECHTIGUNGEN.

3. Klicken Sie auf ZUGRIFF GEWÄHREN.

4. Geben Sie im Feld Neue Hauptkonten die Dienstkonto-ID ein, die Sie zuvor kopiert haben.

5. Geben Sie im Feld „Rolle auswählen“ Storage Object ein und wählen Sie die Rolle Storage Object Admin aus.

6. Klicken Sie auf Speichern.

   Dem Dienstkonto ist nun die Rolle „Storage Object Admin“ zugewiesen.

Klicken Sie auf Fortschritt prüfen. Prüfen Sie Bilder und Dateien und weisen Sie dem Dienstkonto eine IAM-Rolle zu.

Aufgabe 3: Dataset und Tabellen in BigQuery erstellen

In dieser Aufgabe erstellen Sie ein Dataset für das Projekt, die Tabelle für Kundenrezensionen und die Bildobjekttabelle.

Dataset erstellen

1. Klicken Sie in der Console im Navigationsmenü () auf BigQuery.

2. Wählen Sie im Bereich Explorer unter die Option Aktionen ansehen () und dann Dataset erstellen.

   Sie erstellen ein Dataset, um Datenbankobjekte zu speichern, einschließlich Tabellen und Modellen.

3. Geben Sie im Bereich Dataset erstellen die folgenden Informationen ein:

   Feld	Wert
   Dataset-ID	gemini_demo
   Standorttyp	Multiregional auswählen
   Multiregional	US auswählen

   Übernehmen Sie für alle anderen Felder die Standardeinstellung.

4. Klicken Sie auf Dataset erstellen.

   Das Dataset gemini_demo ist nun erstellt und unter Ihrem Projekt im BigQuery Explorer aufgeführt.

Tabelle für Kundenrezensionen erstellen

Zum Erstellen der Tabelle für Kundenrezensionen führen Sie eine SQL-Abfrage durch.

1. Klicken Sie auf das Symbol „+“, um eine neue SQL-Abfrage zu erstellen.

2. Kopieren Sie die folgende Abfrage und fügen Sie sie in den Abfrageeditor ein.

   LOAD DATA OVERWRITE gemini_demo.customer_reviews (customer_review_id INT64, customer_id INT64, location_id INT64, review_datetime DATETIME, review_text STRING, social_media_source STRING, social_media_handle STRING) FROM FILES ( format = 'CSV', uris = ['gs://{{{project_0.project_id|set at lab start}}}-bucket/gsp1246/customer_reviews.csv']);

   Diese Abfrage nutzt die Anweisung LOAD DATA, um die Datei customer_reviews.csv aus Cloud Storage in eine BigQuery-Tabelle mit den angegebenen Spaltennamen und Datentypen zu laden.

3. Klicken Sie auf Ausführen.

   Die Abfrage ist nun ausgeführt und die Tabelle customer_reviews mit den Spalten customer_review_id, customer_id, location_id, review_datetime, review_text, social_media_source und social_media_handle für jede Rezension im Dataset erstellt.

4. Klicken Sie im Explorer auf die Tabelle customer_reviews und prüfen Sie das Schema und die Details. Sie können nun die Tabelle zur Prüfung von Datensätzen abfragen.

Objekttabelle für die Rezensionsbilder erstellen

Zum Erstellen der Objekttabelle verwenden Sie eine SQL-Abfrage.

1. Klicken Sie auf das Symbol +, um eine neue SQL-Abfrage zu erstellen.

2. Kopieren Sie die folgende Abfrage und fügen Sie sie in den Abfrageeditor ein.

   CREATE OR REPLACE EXTERNAL TABLE `gemini_demo.review_images` WITH CONNECTION `us.gemini_conn` OPTIONS ( object_metadata = 'SIMPLE', uris = ['gs://{{{project_0.project_id|set at lab start}}}-bucket/gsp1246/images/*'] );

3. Führen Sie die Abfrage aus.

   Die Objekttabelle review_images wurde nun dem Dataset gemini_demo hinzugefügt und mit dem URI (dem Cloud Storage-Standort) der Audiorezensionen in das Beispiel-Dataset geladen.

4. Klicken Sie im Explorer auf die Tabelle review_images und prüfen Sie das Schema und die Details. Sie können nun die Tabelle zur Prüfung einzelner Datensätze abfragen.

Klicken Sie auf Fortschritt prüfen. Erstellen Sie das Dataset, Tabellen und die Slot-Reservierung in BigQuery.

Aufgabe 4: Gemini-Modelle in BigQuery erstellen

Nachdem die Tabellen erstellt sind, können Sie nun mit ihnen arbeiten. In dieser Aufgabe erstellen Sie Modelle für Gemini Pro und Gemini Pro Vision in BigQuery.

Gemini Pro-Modell erstellen

1. Klicken Sie auf das Symbol „+“, um eine neue SQL-Abfrage zu erstellen.

2. Kopieren Sie die folgende Abfrage, fügen Sie sie in den Abfrageeditor ein und führen Sie sie aus.

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

   Das Modell gemini_pro ist nun erstellt und dem Dataset gemini_demo im Abschnitt „Modelle“ hinzugefügt.

3. Klicken Sie im Explorer auf das Modell gemini_pro und prüfen Sie die Details und das Schema.

Gemini Pro Vision-Modell erstellen

1. Klicken Sie auf das Symbol „+“, um eine neue SQL-Abfrage zu erstellen.

2. Kopieren Sie die folgende Abfrage, fügen Sie sie in den Abfrageeditor ein und führen Sie sie aus.

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

   Das Modell gemini_pro_vision ist nun erstellt und dem Dataset gemini_demo im Abschnitt „Modelle“ hinzugefügt.

3. Klicken Sie im Explorer auf das Modell gemini_pro_vision und prüfen Sie die Details und das Schema.

Klicken Sie auf Fortschritt prüfen. Erstellen Sie die Gemini-Modelle in BigQuery.

Aufgabe 5: Gemini auffordern, Kundenrezensionen in Bezug auf Keywords und Sentiment zu analysieren

In dieser Aufgabe analysieren Sie mit dem Gemini Pro-Modell Kundenrezensionen in Bezug auf Keywords und Sentiment (positiv oder negativ).

Kundenrezensionen in Bezug auf Keywords analysieren

1. Klicken Sie auf das Symbol „+“, um eine neue SQL-Abfrage zu erstellen.

2. Kopieren Sie die folgende Abfrage, fügen Sie sie in den Abfrageeditor ein und führen Sie sie aus.

   CREATE OR REPLACE TABLE `gemini_demo.customer_reviews_keywords` AS ( SELECT ml_generate_text_llm_result, social_media_source, review_text, customer_id, location_id, review_datetime FROM ML.GENERATE_TEXT( MODEL `gemini_demo.gemini_pro`, ( SELECT social_media_source, customer_id, location_id, review_text, review_datetime, CONCAT( 'For each review, provide keywords from the review. Answer in JSON format with one key: keywords. Keywords should be a list.', review_text) AS prompt FROM `gemini_demo.customer_reviews` ), STRUCT( 0.2 AS temperature, TRUE AS flatten_json_output)));

   Diese Abfrage übernimmt Kundenrezensionen aus der Tabelle customer_reviews und erstellt Prompts für das Modell gemini_pro zur Ermittlung von Keywords in den jeweiligen Rezensionen. Die Ergebnisse werden dann in der neuen Tabelle customer_reviews_keywords gespeichert.

   Warten Sie bitte einen Moment. Es kann ca. 30 Sekunden dauern, bis das Modell die Datensätze der Kundenrezensionen verarbeitet hat.

   Wenn die Verarbeitung abgeschlossen ist, ist die Tabelle customer_reviews_keywords erstellt.

3. Klicken Sie im Explorer auf die Tabelle customer_reviews_keywords und prüfen Sie das Schema und die Details.

4. Klicken Sie auf das Symbol „+“, um eine neue SQL-Abfrage zu erstellen.

5. Kopieren Sie die folgende Abfrage, fügen Sie sie in den Abfrageeditor ein und führen Sie sie aus:

   SELECT * FROM `gemini_demo.customer_reviews_keywords`

   Damit werden Zeilen aus der Tabelle customer_reviews_keywords mit der Spalte ml_generate_text_llm_result für die Keywords-Analyse und mit den Spalten social_media_source, review_text, customer_id, location_id und review_datetime angezeigt.

Kundenrezensionen in Bezug auf positives und negatives Sentiment analysieren

1. Klicken Sie auf das Symbol „+“, um eine neue SQL-Abfrage zu erstellen.

2. Kopieren Sie die folgende Abfrage, fügen Sie sie in den Abfrageeditor ein und führen Sie sie aus.

   CREATE OR REPLACE TABLE `gemini_demo.customer_reviews_analysis` AS ( SELECT ml_generate_text_llm_result, social_media_source, review_text, customer_id, location_id, review_datetime FROM ML.GENERATE_TEXT( MODEL `gemini_demo.gemini_pro`, ( SELECT social_media_source, customer_id, location_id, review_text, review_datetime, CONCAT( 'Classify the sentiment of the following text as positive or negative.', review_text, "In your response don't include the sentiment explanation. Remove all extraneous information from your response, it should be a boolean response either positive or negative.") AS prompt FROM `gemini_demo.customer_reviews` ), STRUCT( 0.2 AS temperature, TRUE AS flatten_json_output)));

   Diese Abfrage übernimmt Kundenrezensionen aus der Tabelle customer_reviews und erstellt Prompts für das Modell gemini_pro, um das Sentiment der Rezensionen zu klassifizieren. Die Ergebnisse werden in der neuen Tabelle customer_reviews_analysis gespeichert, in der Sie sie später analysieren können.

   Warten Sie bitte einen Moment. Es kann ca. 20 Sekunden dauern, bis das Modell die Datensätze der Kundenrezensionen verarbeitet hat.

   Wenn die Verarbeitung abgeschlossen ist, ist die Tabelle customer_reviews_analysis erstellt.

3. Klicken Sie im Explorer auf die Tabelle customer_reviews_analysis und prüfen Sie das Schema und die Details.

4. Klicken Sie auf das Symbol „+“, um eine neue SQL-Abfrage zu erstellen.

5. Kopieren Sie die folgende Abfrage, fügen Sie sie in den Abfrageeditor ein und führen Sie sie aus:

   SELECT * FROM `gemini_demo.customer_reviews_analysis` ORDER BY review_datetime

   Damit werden Zeilen aus der Tabelle customer_reviews_analysis mit der Spalte ml_generate_text_llm_result für die Sentimentanalyse und mit den Spalten social_media_source, review_text, customer_id, location_id und review_datetime angezeigt.

   Prüfen Sie die Datensätze. Es kann sein, dass einige Positiv- und Negativergebnisse nicht korrekt formatiert sind, wenn sie überflüssige Zeichen wie Punkte oder zusätzliche Leerzeichen enthalten. Mit der folgenden Ansicht können Sie die Datensätze bereinigen.

Ansicht zur Bereinigung der Datensätze erstellen

1. Klicken Sie auf das Symbol „+“, um eine neue SQL-Abfrage zu erstellen.

2. Kopieren Sie die folgende Abfrage, fügen Sie sie in den Abfrageeditor ein und führen Sie sie aus:

   CREATE OR REPLACE VIEW gemini_demo.cleaned_data_view AS SELECT REPLACE(REPLACE(LOWER(ml_generate_text_llm_result), '.', ''), ' ', '') AS sentiment, REGEXP_REPLACE( REGEXP_REPLACE( REGEXP_REPLACE(social_media_source, r'Google(\+|\sReviews|\sLocal|\sMy\sBusiness|\sreviews|\sMaps)?', 'Google'), 'YELP', 'Yelp' ), r'SocialMedia1?', 'Social Media' ) AS social_media_source, review_text, customer_id, location_id, review_datetime FROM `gemini_demo.customer_reviews_analysis`;

   Als Ergebnis der Abfrage wird die Ansicht cleaned_data_view mit den Sentimentergebnissen, dem Rezensionstext, der Kundennummer und der Standort-ID erstellt. Dann werden in den positiven und negativen Sentimentergebnissen alle Buchstaben in Kleinbuchstaben umgewandelt und überflüssige Leerzeichen und Punkte entfernt. Mit der erstellten Ansicht lassen sich Analysen im weiteren Verlauf dieses Labs einfacher ausführen.

3. Mit folgender Abfrage lassen sich die erstellten Zeilen anzeigen:

   SELECT * FROM `gemini_demo.cleaned_data_view` ORDER BY review_datetime

   Ziel der Abfrage ist das Abrufen aller Daten aus der Ansicht cleaned_data_view und deren Anordnung in aufsteigender Reihenfolge nach Datum und Uhrzeit der Rezensionen.

Bericht mit der Anzahl positiver und negativer Rezensionen erstellen

1. Sie können mit BigQuery ein Balkendiagramm erstellen, das die Anzahl der positiven und negativen Rezensionen anzeigt. Starten Sie dazu mit der folgenden Abfrage.

   SELECT sentiment, COUNT(*) AS count FROM `gemini_demo.cleaned_data_view` WHERE sentiment IN ('positive', 'negative') GROUP BY sentiment;

   Als Ergebnis wird die Anzahl der positiven und negativen Rezensionen dargestellt.

2. Um das Balkendiagramm für diese Werte zu erstellen, klicken Sie im Abschnitt der Abfrageergebnisse von BigQuery auf DIAGRAMM. BigQuery konfiguriert das Diagramm automatisch und legt den Diagrammtyp sowie die Spalte „Sentiment“ (das als positiv oder negativ vorhergesagte Sentiment) fest. Der Balken gibt die jeweilige Anzahl wieder.

Anzahl positiver und negativer Rezensionen nach sozialen Netzwerken ermitteln

1. Sie können in BigQuery mit der folgenden Abfrage die Anzahl der positiven und negativen Rezensionen nach sozialen Netzwerken anzeigen lassen.

   SELECT sentiment, social_media_source, COUNT(*) AS count FROM `gemini_demo.cleaned_data_view` WHERE sentiment IN ('positive') OR sentiment IN ('negative') GROUP BY sentiment, social_media_source ORDER BY sentiment, count;

Klicken Sie auf Fortschritt prüfen. Fordern Sie Gemini auf, Kundenrezensionen in Bezug auf Keywords und Sentiment zu analysieren.

Aufgabe 6: Auf Kundenrezensionen antworten

Sie können mit Gemini Pro auch auf Kundenrezensionen antworten. In dieser Aufgabe lernen Sie, wie Sie eine Marketingantwort mit Zero-Shots und eine Kundenserviceantwort mit Few-Shots für bestimmte Rezensionen in der Tabelle customer_reviews erstellen.

Hinweis: In der Dokumentation „Google AI for Developers“ erhalten Sie unter Zero-shot vs. few-shot prompts weitere Informationen.

Marketingantwort

Der Kunde mit der customer_id 5576 hat folgendermaßen geantwortet:

Das Lokal war sauber und einladend. Mir haben die vielen verschiedenen Sitzgelegenheiten gefallen, denn ich setze mich gern mit meinem Kaffee in eine Ecke zum Lesen, manchmal setze ich mich aber zum Arbeiten auf einen großen Stuhl.

Das ist eine eindeutig positive Rezension. Wie kann man Gemini Pro nutzen, um diesem Kunden zu antworten und weitere Anreize zu schaffen?

1. Verwenden Sie dazu folgende Gemini Pro-Abfragen. Kopieren Sie die folgende Abfrage, fügen Sie sie in den Abfrageeditor ein und führen Sie sie aus.

   CREATE OR REPLACE TABLE `gemini_demo.customer_reviews_marketing` AS ( SELECT ml_generate_text_llm_result, social_media_source, review_text, customer_id, location_id, review_datetime FROM ML.GENERATE_TEXT( MODEL `gemini_demo.gemini_pro`, ( SELECT social_media_source, customer_id, location_id, review_text, review_datetime, CONCAT( 'You are a marketing representative. How could we incentivise this customer with this positive review? Provide a single response, and should be simple and concise, do not include emojis. Answer in JSON format with one key: marketing. Marketing should be a string.', review_text) AS prompt FROM `gemini_demo.customer_reviews` WHERE customer_id = 5576 ), STRUCT( 0.2 AS temperature, TRUE AS flatten_json_output)));

   Diese Abfrage soll Kundenrezensionen in der Tabelle customer_reviews analysieren, insbesondere jene des Kunden mit der customer ID 5576. Wenn Sie die Abfrage ausführen, werden mit Gemini Pro Marketingvorschläge auf Basis des Rezensionstextes generiert und die Ergebnisse in einer neuen Tabelle namens customer_reviews_marketing. gespeichert. Diese Tabelle enthält die ursprünglichen Rezensionsdaten sowie die generierten Marketingvorschläge, mit denen Sie Analysen und entsprechende Maßnahmen einfach ausführen können.

2. Die Details der Tabelle customer_reviews_marketing können Sie durch Ausführen der folgenden SQL-Abfrage aufrufen.

   SELECT * FROM `gemini_demo.customer_reviews_marketing`

   Beachten Sie, dass die Spalte ml_generate_text_llm_result die Antwort enthält.

3. Mit folgender SQL-Abfrage erhalten Sie besser lesbare Antworten und können den Antworten entsprechende Maßnahmen ausführen:

   CREATE OR REPLACE TABLE `gemini_demo.customer_reviews_marketing_formatted` AS ( SELECT review_text, JSON_QUERY(RTRIM(LTRIM(results.ml_generate_text_llm_result, " ```json"), "```"), "$.marketing") AS marketing, social_media_source, customer_id, location_id, review_datetime FROM `gemini_demo.customer_reviews_marketing` results )

4. Die Details der Tabelle lassen sich durch Ausführen der folgenden SQL-Abfrage aufrufen.

   SELECT * FROM `gemini_demo.customer_reviews_marketing_formatted`

   Beachten Sie die Spalte marketing. Es kann eine Anwendung für folgende Aktionen geschrieben werden: im Kundenkonto der Data Beans-App einen 10 %-Rabatt-Gutschein an die Benachrichtigung mit der Antwort aus der marketing-Spalte anhängen oder eine E-Mail an den Kunden mit den genannten Inhalten generieren.

Kundenserviceantwort

Der Kunde mit der customer_id 8844 hat folgendermaßen geantwortet:

Ich war von diesem Lokal sehr enttäuscht. Der Service war schlecht, das Personal unhöflich und unaufmerksam und wir mussten sehr lange auf unsere Bestellung warten. Das Essen selbst war mittelmäßig, der Kaffee zu dünn und das Gebäck zu trocken. Das Lokal war außerdem so eng und so laut, dass man nicht entspannen konnte und am liebsten gleich wieder gegangen wäre. Die viel zu hohen Preise haben uns dann den Rest gegeben. Dieses Lokal würde ich definitiv niemandem weiterempfehlen.

Das ist eine eindeutig negative Rezension. Wie kann man mithilfe von Gemini Pro diesem Kunden antworten und das Lokal entsprechend informieren, um auf die Beschwerde zu reagieren?

1. Verwenden Sie dazu folgende Gemini Pro-Abfragen. Kopieren Sie die folgende Abfrage, fügen Sie sie in den Abfrageeditor ein und führen Sie sie aus.

   CREATE OR REPLACE TABLE `gemini_demo.customer_reviews_cs_response` AS ( SELECT ml_generate_text_llm_result, social_media_source, review_text, customer_id, location_id, review_datetime FROM ML.GENERATE_TEXT( MODEL `gemini_demo.gemini_pro`, ( SELECT social_media_source, customer_id, location_id, review_text, review_datetime, CONCAT( 'How would you respond to this customer review? If the customer says the coffee is weak or burnt, respond stating "thank you for the review we will provide your response to the location that you did not like the coffee and it could be improved." Or if the review states the service is bad, respond to the customer stating, "the location they visited has been notfied and we are taking action to improve our service at that location." From the customer reviews provide actions that the location can take to improve. The response and the actions should be simple, and to the point. Do not include any extraneous or special characters in your response. Answer in JSON format with two keys: Response, and Actions. Response should be a string. Actions should be a string.', review_text) AS prompt FROM `gemini_demo.customer_reviews` WHERE customer_id = 8844 ), STRUCT( 0.2 AS temperature, TRUE AS flatten_json_output)));

   Mit dieser Abfrage sollen Kundenserviceantworten mithilfe von Gemini Pro automatisiert, Kundenrezensionen analysiert und geeignete Antworten sowie Maßnahmen generiert werden. Dieses Beispiel veranschaulicht exemplarisch, wie sich Kundenservice und geschäftliche Abläufe mit Google Cloud optimieren lassen. Mit Ausführung der Abfrage wird die Tabelle customer_reviews_cs_response erstellt.

2. Die Details der Tabelle lassen sich durch Ausführen der folgenden SQL-Abfrage aufrufen.

   SELECT * FROM `gemini_demo.customer_reviews_cs_response`

   Beachten Sie, dass die Spalte ml_generate_text_llm_result die Antwort und die Maßnahmen als zwei verschiedene Schlüssel enthält.

3. Mithilfe der folgenden SQL-Abfrage können Sie die Tabelle übersichtlicher gestalten und Antwort sowie Maßnahmen in zwei Spalten einer neuen Tabelle namens customer_reviews_cs_response_formatted aufteilen:

   CREATE OR REPLACE TABLE `gemini_demo.customer_reviews_cs_response_formatted` AS ( SELECT review_text, JSON_QUERY(RTRIM(LTRIM(results.ml_generate_text_llm_result, " ```json"), "```"), "$.Response") AS Response, JSON_QUERY(RTRIM(LTRIM(results.ml_generate_text_llm_result, " ```json"), "```"), "$.Actions") AS Actions, social_media_source, customer_id, location_id, review_datetime FROM `gemini_demo.customer_reviews_cs_response` results )

4. Die Details der Tabelle lassen sich durch Ausführen der folgenden SQL-Abfrage aufrufen.

   SELECT * FROM `gemini_demo.customer_reviews_cs_response_formatted`

   Hinweis: Für Antwort und Maßnahmen sind nun entsprechende Felder vorhanden. Sie können verschiedene Anwendungen erstellen, um dem Kunden und dem Lokal zu antworten. So können Maßnahmen zur Verbesserung veranlasst werden und der Kunde wird über den Eingang seines Feedbacks informiert.

Klicken Sie auf Fortschritt prüfen. Auf Kundenrezensionen antworten.

Aufgabe 7: Gemini auffordern, Keywords und Zusammenfassungen für jedes Bild bereitzustellen

In dieser Aufgabe analysieren Sie mit Gemini, also mit den erstellten Gemini Pro- und Gemini Pro Vision-Modellen, Bilder und generieren Keywords sowie Zusammenfassungen.

Bilder mit Gemini Pro Vision-Modell analysieren

1. Klicken Sie auf das Symbol „+“, um eine neue SQL-Abfrage zu erstellen.

2. Kopieren Sie die folgende Abfrage, fügen Sie sie in den Abfrageeditor ein und führen Sie sie aus.

   CREATE OR REPLACE TABLE `gemini_demo.review_images_results` AS ( SELECT uri, ml_generate_text_llm_result FROM ML.GENERATE_TEXT( MODEL `gemini_demo.gemini_pro_vision`, TABLE `gemini_demo.review_images`, STRUCT( 0.2 AS temperature, 'For each image, provide a summary of what is happening in the image and keywords from the summary. Answer in JSON format with two keys: summary, keywords. Summary should be a string, keywords should be a list.' AS PROMPT, TRUE AS FLATTEN_JSON_OUTPUT)));

   Warten Sie bitte einen Moment. Es dauert etwa 1 Minute, bis das Modell den Vorgang abgeschlossen hat.

   Wenn das Modell das Bild verarbeitet hat, ist die Tabelle review_images_results fertig erstellt.

3. Klicken Sie im Explorer auf die Tabelle review_image_results und prüfen Sie das Schema und die Details.

4. Klicken Sie auf das Symbol „+“, um eine neue SQL-Abfrage zu erstellen.

5. Kopieren Sie die folgende Abfrage, fügen Sie sie in den Abfrageeditor ein und führen Sie sie aus:

   SELECT * FROM `gemini_demo.review_images_results`

   Nun werden Zeilen für jedes Rezensionsbild mit dem URI (dem Cloud Storage-Standort des Rezensionsbildes) sowie eine JSON-Ausgabe mit der Zusammenfassung und den Keywords des Gemini Pro Vision-Modells angezeigt.

   Mit folgender Abfrage lassen sich die Ergebnisse in übersichtlicher Form darstellen.

6. Klicken Sie auf das Symbol „+“, um eine neue SQL-Abfrage zu erstellen.

7. Kopieren Sie die folgende Abfrage, fügen Sie sie in den Abfrageeditor ein und führen Sie sie aus:

   CREATE OR REPLACE TABLE `gemini_demo.review_images_results_formatted` AS ( SELECT uri, JSON_QUERY(RTRIM(LTRIM(results.ml_generate_text_llm_result, " ```json"), "```"), "$.summary") AS summary, JSON_QUERY(RTRIM(LTRIM(results.ml_generate_text_llm_result, " ```json"), "```"), "$.keywords") AS keywords FROM `gemini_demo.review_images_results` results )

   Nun ist die Tabelle review_images_results_formatted erstellt.

8. Mit folgender Abfrage lassen sich die erstellten Tabellenreihen visualisieren.

   SELECT * FROM `gemini_demo.review_images_results_formatted`

   Beachten Sie, dass sich die ausgegebene URI-Spalte nicht verändert, die JSON-Ausgabe aber in die Zusammenfassungs- und Keywords-Spalten konvertiert wird.

Klicken Sie auf Fortschritt prüfen. Fordern Sie Gemini auf, Zusammenfassungen und Keywords für Kundenrezensionsbilder zu erstellen.

Glückwunsch!

Sie haben eine Cloud-Ressourcen-Verbindung in BigQuery angelegt. Außerdem haben Sie ein Dataset, Tabellen und Modelle erstellt, um Gemini aufzufordern, das Sentiment von Kundenrezensionen zu analysieren. Sie haben auch einen Bericht mit der Anzahl positiver und negativer Rezensionen erstellt. Anschließend haben Sie mit Zero-Shot- und Few-Shot-Prompts auf diese Rezensionen geantwortet. Schließlich haben Sie mit dem Gemini Pro Vision-Modell Bilder analysiert und Zusammenfassungen sowie Keywords generiert.

Weitere Informationen

• Einführung in BigQuery ML
• Scaling machine learning with BigQuery ML inference engine – Blog
• Gemini-Modelle
• Generative AI

Google Cloud-Schulungen und -Zertifizierungen

In unseren Schulungen erfahren Sie alles zum optimalen Einsatz unserer Google Cloud-Technologien und können sich entsprechend zertifizieren lassen. Unsere Kurse vermitteln technische Fähigkeiten und Best Practices, damit Sie möglichst schnell mit Google Cloud loslegen und Ihr Wissen fortlaufend erweitern können. Wir bieten On-Demand-, Präsenz- und virtuelle Schulungen für Anfänger wie Fortgeschrittene an, die Sie individuell in Ihrem eigenen Zeitplan absolvieren können. Mit unseren Zertifizierungen weisen Sie nach, dass Sie Experte im Bereich Google Cloud-Technologien sind.

Handbuch zuletzt am 26. Juli 2024 aktualisiert

Lab zuletzt am 26. Juli 2024 getestet

© 2024 Google LLC. Alle Rechte vorbehalten. Google und das Google-Logo sind Marken von Google LLC. Alle anderen Unternehmens- und Produktnamen können Marken der jeweils mit ihnen verbundenen Unternehmen sein.