GSP1246

Descripción general

En este lab, aprenderás cómo usar BigQuery Machine Learning con modelos remotos (Gemini Pro) en SQL para extraer palabras clave, evaluar las valoraciones de los clientes en las opiniones de los clientes y responder a esas opiniones con las instrucciones sin ejemplos y las instrucciones con ejemplos limitados.

BigQuery es una plataforma de análisis de datos completamente administrada y lista para la IA que te ayuda a maximizar el valor de tus datos y está diseñada para ser multimotor, multiformato y de múltiples nubes. Una de sus funciones clave es BigQuery Machine Learning, que te permite crear y ejecutar modelos de aprendizaje automático (AA) a través de las consultas en SQL con notebooks de Colab Enterprise.

Gemini es una familia de modelos de IA generativa que desarrolló Google DeepMind y que están diseñados para casos de uso multimodales. La API de Gemini te da acceso a los modelos de Gemini Pro, Gemini Pro Vision y Gemini Flash.

Además, usarás el modelo de Gemini Pro Vision para generar resúmenes y extraer las palabras clave pertinentes de las imágenes de opiniones de los clientes.

Objetivos

En este lab, aprenderás a realizar las siguientes tareas:

• Crear una conexión de recursos de Cloud en BigQuery.
• Crear el conjunto de datos y las tablas en BigQuery.
• Crear los modelos remotos de Gemini en BigQuery.
• Enviar una instrucción a Gemini para que analice palabras clave y valoraciones (positivas o negativas) para las opiniones de los clientes basadas en textos.
• Generar un informe con un recuento de las opiniones positivas y negativas.
• Responder a las opiniones de los clientes.
• Enviar una instrucción a Gemini para que extraiga un resumen y palabras clave de cada imagen de opinión del cliente.

Configuración y requisitos

Antes de hacer clic en el botón Comenzar lab

Lee estas instrucciones. Los labs son cronometrados y no se pueden pausar. El cronómetro, que comienza a funcionar cuando haces clic en Comenzar lab, indica por cuánto tiempo tendrás a tu disposición los recursos de Google Cloud.

Este lab práctico te permitirá realizar las actividades correspondientes en un entorno de nube real, no en uno de simulación o demostración. Para ello, se te proporcionan credenciales temporales nuevas que utilizarás para acceder a Google Cloud durante todo el lab.

Para completar este lab, necesitarás lo siguiente:

• Acceso a un navegador de Internet estándar (se recomienda el navegador Chrome)

Nota: Usa una ventana de navegador privada o de Incógnito para ejecutar este lab. Así evitarás cualquier conflicto entre tu cuenta personal y la cuenta de estudiante, lo que podría generar cargos adicionales en tu cuenta personal.

• Tiempo para completar el lab: Recuerda que, una vez que comienzas un lab, no puedes pausarlo.

Nota: Si ya tienes un proyecto o una cuenta personal de Google Cloud, no los uses en este lab para evitar cargos adicionales en tu cuenta.

Cómo iniciar tu lab y acceder a la consola de Google Cloud

1. Haga clic en el botón Comenzar lab. Si debe pagar por el lab, se abrirá una ventana emergente para que seleccione su forma de pago. A la izquierda, se encuentra el panel Detalles del lab, que tiene estos elementos:

   • El botón Abrir la consola de Google Cloud
   • El tiempo restante
   • Las credenciales temporales que debe usar para el lab
   • Otra información para completar el lab, si es necesaria

2. Haz clic en Abrir la consola de Google Cloud (o haz clic con el botón derecho y selecciona Abrir el vínculo en una ventana de incógnito si ejecutas el navegador Chrome).

   El lab inicia recursos y abre otra pestaña en la que se muestra la página de acceso.

   Sugerencia: Ordene las pestañas en ventanas separadas, una junto a la otra.

   Nota: Si ves el diálogo Elegir una cuenta, haz clic en Usar otra cuenta.

3. De ser necesario, copia el nombre de usuario a continuación y pégalo en el diálogo Acceder.

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

   También puedes encontrar el nombre de usuario en el panel Detalles del lab.

4. Haz clic en Siguiente.

5. Copia la contraseña que aparece a continuación y pégala en el diálogo Te damos la bienvenida.

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

   También puedes encontrar la contraseña en el panel Detalles del lab.

6. Haz clic en Siguiente.

   Importante: Debes usar las credenciales que te proporciona el lab. No uses las credenciales de tu cuenta de Google Cloud. Nota: Usar tu propia Cuenta de Google podría generar cargos adicionales.

7. Haga clic para avanzar por las páginas siguientes:

   • Acepta los Términos y Condiciones.
   • No agregues opciones de recuperación o autenticación de dos factores (esta es una cuenta temporal).
   • No te registres para obtener pruebas gratuitas.

Después de un momento, se abrirá la consola de Google Cloud en esta pestaña.

Nota: Para ver un menú con una lista de productos y servicios de Google Cloud, haz clic en el menú de navegación que se encuentra en la parte superior izquierda.

Tarea 1. Crea la conexión de recursos de Cloud y otorga el rol de IAM

Crea la conexión de recursos de Cloud en BigQuery

En esta tarea, crearás una conexión de recursos de Cloud en BigQuery para que puedas trabajar con modelos de Gemini Pro y Gemini Pro Vision. También otorgarás los permisos de IAM a la cuenta de servicio de la conexión de recursos de Cloud, a través de un rol, para que pueda acceder a los servicios de Vertex AI.

1. En la consola de Google Cloud, en el menú de navegación, haz clic en BigQuery.

2. Haz clic en LISTO en la ventana emergente de bienvenida.

3. Para crear una conexión, haz clic en + AGREGAR y, a continuación, en Conexiones a fuentes de datos externas.

4. En la lista Tipo de conexión, selecciona Modelos remotos de Vertex AI, funciones remotas y BigLake (recursos de Cloud).

5. En el campo ID de conexión, escribe gemini_conn para tu conexión.

6. En Tipo de ubicación, selecciona Multirregión y, luego, en el menú desplegable, selecciona la multirregión EE.UU..

7. Usa los valores predeterminados para el resto de la configuración.

8. Haz clic en Crear conexión.

9. Haz clic en IR A LA CONEXIÓN.

10. En el panel Información de conexión, copia el ID de cuenta de servicio en un archivo de texto para usarlo en la siguiente tarea. También verás que la conexión se agrega en la sección Conexiones externas de tu proyecto en el panel Explorador de BigQuery.

Otorga el rol de usuario de Vertex AI a la cuenta de servicio de la conexión

1. En la consola, en el menú de navegación, haz clic en IAM y administración.

2. Haz clic en Otorgar acceso.

3. En el campo Principales nuevas, ingresa el ID de cuenta de servicio que copiaste antes.

4. En el campo Selecciona un rol, escribe Vertex AI y, a continuación, selecciona el rol Usuario de Vertex AI.

5. Haz clic en Guardar.

   Ahora, el resultado es la cuenta de servicio que incluye el rol de usuario de Vertex AI.

Haz clic en Revisar mi progreso para verificar el objetivo. Crea la conexión de recursos de Cloud y otorga el rol de IAM.

Tarea 2. Revisa imágenes y archivos, y otorga el rol de IAM a la cuenta de servicio

En esta tarea, revisarás el conjunto de datos y los archivos de imagen. Luego, otorgarás los permisos de IAM a la cuenta de servicio de la conexión de recursos de Cloud.

Revisa los archivos de imagen y el conjunto de datos de opiniones de los clientes en Cloud Storage

Antes de adentrarte en esta tarea para otorgar permisos a la cuenta de servicio de la conexión de recursos, revisa el conjunto de datos y los archivos de imagen.

1. En la consola, selecciona el menú de navegación () y, luego, selecciona Cloud Storage.

2. Haz clic en el bucket -bucket.

3. El bucket contiene la carpeta gsp1246. Abre la carpeta. Verás dos elementos en ella:

   • La carpeta de imágenes contiene todos los archivos de imagen que analizarás. Puedes acceder a la carpeta de imágenes y revisar los archivos de imagen.
   • El archivo customer_reviews.csv es el conjunto de datos que contiene las opiniones de los clientes basadas en textos.
   Nota: Puedes usar la URL autenticada para cada imagen y el archivo customer_reviews.csv para descargar y revisar cada elemento.

Otorga el rol de IAM de administrador de objetos de almacenamiento a la cuenta de servicio de la conexión

Otorgar los permisos de IAM a la cuenta de servicio de la conexión de recursos antes de que empieces a trabajar en BigQuery garantizará que no se produzcan errores de acceso denegado cuando ejecutes consultas.

1. Regresa a la raíz del bucket.

2. Haz clic en PERMISOS.

3. Haz clic en OTORGAR ACCESO.

4. En el campo Principales nuevas, ingresa el ID de cuenta de servicio que copiaste antes.

5. En el campo Selecciona un rol, ingresa Objeto de almacenamiento y, a continuación, selecciona el rol Administrador de objetos de almacenamiento.

6. Haz clic en Guardar.

   Ahora, el resultado de la cuenta de servicio incluye el rol de administrador de objetos de almacenamiento.

Haz clic en Revisar mi progreso para verificar el objetivo. Revisa imágenes y archivos, y otorga el rol de IAM a la cuenta de servicio.

Tarea 3. Crea el conjunto de datos y las tablas en BigQuery

En esta tarea, crearás un conjunto de datos para el proyecto, la tabla para las opiniones de los clientes y la tabla de objetos de imagen.

Crea el conjunto de datos

1. En la consola, selecciona el menú de navegación () y, luego, selecciona BigQuery.

2. En el panel Explorador, en , selecciona Ver acciones () y, luego, Crear conjunto de datos.

   Crearás un conjunto de datos para almacenar objetos de base de datos, incluidos modelos y tablas.

3. En el panel Crear conjunto de datos, ingresa la información que se encuentra a continuación:

   Campo	Valor
   ID de conjunto de datos	gemini_demo
   Tipo de ubicación	selecciona Multirregión
   Multirregión	selecciona EE.UU.

   Deja los demás campos en la configuración predeterminada.

4. Haz clic en Crear conjunto de datos.

   El resultados es el conjunto de datos gemini_demo que se crea y aparece debajo de tu proyecto en el panel Explorador de BigQuery.

Crea la tabla para las opiniones de los clientes

Para crear una tabla para las opiniones de los clientes, usarás una consulta en SQL.

1. Haz clic en el signo + para crear una consulta en SQL nueva.

2. En el editor de consultas, pega la consulta que figura a continuación.

   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']);

   En esta consulta, se usa la instrucción LOAD DATA para cargar el archivo customer_reviews.csv de Cloud Storage a una tabla de BigQuery con los nombres de columna y los tipos de datos dados.

3. Haz clic en Ejecutar.

   El resultado es que se procesa la consulta y se crea la tabla customer_reviews con los valores customer_review_id, customer_id, location_id, review_datetime, review_text, social_media_source y social_media_handle para cada opinión del conjunto de datos.

4. En el panel Explorador, haz clic en la tabla customer_reviews y revisa el esquema y los detalles. Puedes consultar la tabla para revisar los registros.

Crea la tabla de objetos para las imágenes de opinión

Para crear la tabla de objetos, usarás una consulta en SQL.

1. Haz clic en el signo + para crear una consulta en SQL nueva.

2. En el editor de consultas, pega la consulta que figura a continuación.

   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. Ejecuta la consulta.

   El resultado es que se agrega la tabla de objetos review_images al conjunto de datos gemini_demo y se carga con el URI (la ubicación de Cloud Storage) de cada opinión de audio en el conjunto de datos de muestra.

4. En el panel Explorador, haz clic en la tabla review_images y revisa el esquema y los detalles. Puedes consultar la tabla para revisar registros específicos.

Haz clic en Revisar mi progreso para verificar el objetivo. Crea el conjunto de datos, las tablas y la reserva de ranuras en BigQuery.

Tarea 4. Crea los modelos de Gemini en BigQuery

Ahora que las tablas ya están creadas, puedes comenzar a trabajar con ellas. En esta tarea, crearás modelos para Gemini Pro y Gemini Pro Vision en BigQuery.

Crea el modelo de Gemini Pro

1. Haz clic en el signo + para crear una consulta en SQL nueva.

2. En el editor de consultas, pega la consulta que figura a continuación y ejecútala.

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

   El resultado es que se crea el modelo gemini_pro y lo verás agregado al conjunto de datos gemini_demo en la sección de modelos.

3. En el panel Explorador, haz clic en el modelo gemini_pro y revisa los detalles y el esquema.

Crea el modelo de Gemini Pro Vision

1. Haz clic en el signo + para crear una consulta en SQL nueva.

2. En el editor de consultas, pega la consulta que figura a continuación y ejecútala.

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

   El resultado es que se crea el modelo gemini_pro_vision y lo verás agregado al conjunto de datos gemini_demo en la sección de modelos.

3. En el panel Explorador, haz clic en el modelo gemini_pro_vision y revisa los detalles y el esquema.

Haz clic en Revisar mi progreso para verificar el objetivo. Crea los modelos de Gemini en BigQuery.

Tarea 5. Envía una instrucción a Gemini para que analice las opiniones de los clientes en busca de palabras clave y valoraciones

En esta tarea, usarás el modelo de Gemini Pro para analizar cada opinión del cliente en busca de palabras clave y valoraciones, sean positivas o negativas.

Analiza las opiniones de los clientes en busca de palabras clave

1. Haz clic en el signo + para crear una consulta en SQL nueva.

2. En el editor de consultas, pega la consulta que figura a continuación y ejecútala.

   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)));

   Esta consulta toma las opiniones de los clientes de la tabla customer_reviews y crea instrucciones para el modelo gemini_pro para identificar palabras clave dentro de cada opinión. Luego, los resultados se almacenan en una tabla nueva customer_reviews_keywords.

   Espera un momento. El modelo tarda alrededor de 30 segundos en procesar los registros de las opiniones de los clientes.

   Una vez finalizado el modelo, el resultado es que se crea la tabla customer_reviews_keywords.

3. En el panel Explorador, haz clic en la tabla customer_reviews_keywords y revisa el esquema y los detalles.

4. Haz clic en el signo + para crear una consulta en SQL nueva.

5. En el editor de consultas, pega y ejecuta la consulta que figura a continuación.

   SELECT * FROM `gemini_demo.customer_reviews_keywords`

   El resultado es que se muestran las filas de la tabla customer_reviews_keywords con la columna ml_generate_text_llm_result que contiene el análisis de palabras clave, y se incluyen las columnas social_media_source, review_text, customer_id, location_id y review_datetime.

Analiza las opiniones de los clientes en busca de valoraciones positivas y negativas

1. Haz clic en el signo + para crear una consulta en SQL nueva.

2. En el editor de consultas, pega la consulta que figura a continuación y ejecútala.

   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)));

   Esta tabla toma las opiniones de los clientes de la tabla customer_reviews y crea instrucciones para el modelo gemini_pro para clasificar la valoración de cada opinión. Luego, los resultados se almacenan en una tabla nueva customer_reviews_analysis, de modo que puedas usarla más tarde para realizar un análisis más profundo.

   Espera un momento. El modelo tarda alrededor de 20 segundos en procesar los registros de las opiniones de los clientes.

   Una vez finalizado el modelo, el resultado es que se crea la tabla customer_reviews_analysis.

3. En el panel Explorador, haz clic en la tabla customer_reviews_analysis y revisa el esquema y los detalles.

4. Haz clic en el signo + para crear una consulta en SQL nueva.

5. En el editor de consultas, pega y ejecuta la consulta que figura a continuación.

   SELECT * FROM `gemini_demo.customer_reviews_analysis` ORDER BY review_datetime

   El resultado es que se muestran las filas en la tabla customer_reviews_analysis con la columna ml_generate_text_llm_result que contiene el análisis de opiniones, con las columnas social_media_source, review_text, customer_id, location_id y review_datetime incluidas.

   Analiza algunos de los registros. Es posible que observes que algunos de los resultados para positivo y negativo no tengan el formato correcto y contengan caracteres extraños, como puntos o espacios adicionales. Para limpiar los registros, puedes usar la vista que figura a continuación.

Crea una vista para limpiar los registros

1. Haz clic en el signo + para crear una consulta en SQL nueva.

2. En el editor de consultas, pega y ejecuta la consulta que figura a continuación.

   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`;

   En la consulta, se crea la vista cleaned_data_view y se incluyen los resultados de las valoraciones, el texto de la opinión, el ID de cliente y el ID de ubicación. Luego, se toma el resultado de la valoración (positiva o negativa) y se garantiza que todas las letras estén en minúsculas, y se quitan los caracteres extraños, como espacios adicionales o puntos. La vista resultante facilitará un análisis más profundo en los pasos posteriores de este lab.

3. Para ver las filas que se crearon, puedes consultar la vista con la consulta que figura a continuación.

   SELECT * FROM `gemini_demo.cleaned_data_view` ORDER BY review_datetime

   Esta consulta está diseñada para recuperar todos los datos de la vista cleaned_data_view y, a continuación, los organiza en orden ascendente según la fecha y la hora de las opiniones.

Crea un informe de recuentos de opiniones positivas y negativas

1. Puedes usar BigQuery para crear un informe de gráfico de barras de los recuentos de opiniones positivas y negativas. Comienza con la consulta que figura a continuación.

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

   El resultado es que se muestran los recuentos de las opiniones positivas y negativas.

2. Para crear un informe de gráfico de barras de estos recuentos, haz clic en GRÁFICO en la sección Resultados de la consulta de BigQuery. BigQuery establecerá automáticamente la configuración del gráfico con el tipo de gráfico de barra y la columna de valoraciones (la valoración predicha como positiva o negativa) y la barra mostrará el recuento.

Crea un recuento de opiniones positivas y negativas por fuente de redes sociales

1. Puedes usar BigQuery para enumerar el recuento de opiniones positivas y negativas por fuente de redes sociales con la consulta que figura a continuación.

   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;

Haz clic en Revisar mi progreso para verificar el objetivo. Envía una instrucción a Gemini para que analice las opiniones de los clientes en busca de palabras clave y valoraciones.

Tarea 6. Responde a las opiniones de los clientes

También puedes usar Gemini Pro para responder a las opiniones de los clientes. En esta tarea, aprenderás a crear una respuesta de marketing con una instrucción sin ejemplos y una respuesta de atención al cliente con una instrucción con ejemplos limitados, en comparación con las revisiones específicas de la tabla customer_reviews.

Nota: Consulta las instrucciones sin ejemplos frente a las instrucciones con ejemplos limitados dentro de la documentación de IA de Google para desarrolladores para obtener más información.

Respuesta de marketing

El cliente con el customer_id 5576 respondió:

El establecimiento estaba limpio y era acogedor. También me gustó que haya variedad de asientos porque, a veces, quiero acurrucarme con mi café y leer y, otras veces, prefiero una silla alta y una mesa para poder trabajar en proyectos.

Está claro que se trata de una opinión positiva, ¿cómo puedes usar Gemini Pro para responder a este cliente y, además, incentivarlo por la opinión positiva?

1. Puedes usar Gemini Pro con estas consultas para lograrlo. En el editor de consultas, pega la consulta que figura a continuación y ejecútala.

   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)));

   Esta consulta está diseñada para analizar las opiniones de los clientes de la tabla customer_reviews, específicamente las del ID de cliente 5576. Cuando ejecutas la consulta, esta usa Gemini Pro para generar sugerencias de marketing según el texto de la opinión y, a continuación, almacena los resultados en una tabla nueva llamada customer_reviews_marketing. Esta tabla contendrá datos de opiniones originales junto con las sugerencias de marketing generadas, lo que te permitirá realizar un análisis fácilmente y actuar en consecuencia.

2. Para ver los detalles de la tabla customer_reviews_marketing, puedes ejecutar la consulta en SQL que figura a continuación.

   SELECT * FROM `gemini_demo.customer_reviews_marketing`

   Observa que la columna ml_generate_text_llm_result contiene la respuesta.

3. Para facilitar la lectura y tomar mejores medidas relacionadas con la respuesta, puedes usar la consulta en SQL que figura a continuación:

   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. Para ver los detalles de la tabla, puedes ejecutar la consulta en SQL que figura a continuación.

   SELECT * FROM `gemini_demo.customer_reviews_marketing_formatted`

   Observa la columna de marketing. Se puede escribir una aplicación para tomar la respuesta en la columna de marketing y adjuntar el archivo del cupón de descuento del 10% como una notificación para la cuenta del cliente en la app Data Beans o también se puede generar un correo electrónico con esto para el cliente.

Respuesta de atención al cliente

El cliente con el customer_id 8844 respondió:

Tuve una experiencia muy decepcionante en este camión de café. El servicio fue terrible: el personal era maleducado y poco atento, y tuvimos que esperar mucho tiempo para que nos trajeran la comida y las bebidas. La comida en sí era mediocre en el mejor de los casos. El café estaba poco cargado y los productos de pastelería estaban rancios. El local también era muy estrecho y ruidoso, lo que hizo difícil que pudiéramos relajarnos y disfrutar de nuestro tiempo allí. Para colmo, los precios eran muy elevados, lo que empeoró aún más la experiencia. Definitivamente no recomendaría este lugar a nadie.

Está claro que se trata de una opinión negativa, ¿cómo puedes usar Gemini Pro para responder a este cliente y, además, informar a la cafetería de su experiencia en un esfuerzo por tomar medidas?

1. Puedes usar Gemini Pro con estas consultas para lograrlo. En el editor de consultas, pega la consulta que figura a continuación y ejecútala.

   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)));

   La consulta está diseñada para automatizar las respuestas de atención al cliente; para ello, se usa Gemini Pro para analizar las opiniones de los clientes y generar respuestas y planes de acción adecuados. Es un excelente ejemplo de cómo Google Cloud se puede usar para mejorar la atención al cliente y las operaciones comerciales. Cuando la consulta se ejecuta, el resultado es que se crea la tabla customer_reviews_cs_response.

2. Para ver los detalles de la tabla, puedes ejecutar la consulta en SQL que figura a continuación.

   SELECT * FROM `gemini_demo.customer_reviews_cs_response`

   Observa que la columna ml_generate_text_llm_result contiene la respuesta y las acciones como dos claves.

3. Para facilitar aún más la lectura, puedes usar la consulta en SQL que figura a continuación para separar la respuesta y las acciones en dos columnas en una tabla nueva llamada customer_reviews_cs_response_formatted:

   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. Para ver los detalles de la tabla, puedes ejecutar la consulta en SQL que figura a continuación.

   SELECT * FROM `gemini_demo.customer_reviews_cs_response_formatted`

   Observa que ahora se han creado los campos de respuesta y acciones. Puedes crear aplicaciones independientes para responder al cliente y al establecimiento, de modo que este pueda tomar medidas para mejorar y se informe al cliente que se recibieron sus comentarios.

Haz clic en Revisar mi progreso para verificar el objetivo. Responde a las opiniones de los clientes.

Tarea 7. Envía una instrucción a Gemini para que proporcione palabras clave y resúmenes para cada imagen

En esta tarea, usarás Gemini (los modelos de Gemini Pro y Vision que creaste) para analizar las imágenes que generan palabras claves y resúmenes.

Analiza las imágenes con el modelo de Gemini Pro Vision

1. Haz clic en el signo + para crear una consulta en SQL nueva.

2. En el editor de consultas, pega la consulta que figura a continuación y ejecútala.

   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)));

   Espera un momento. El modelo tarda aproximadamente 1 minuto en completarse.

   Cuando el modelo haya terminado de procesar la imagen, el resultado es que se crea la tabla review_images_results.

3. En el panel Explorador, haz clic en la tabla review_image_results y revisa el esquema y los detalles.

4. Haz clic en el signo + para crear una consulta en SQL nueva.

5. En el editor de consultas, pega y ejecuta la consulta que figura a continuación.

   SELECT * FROM `gemini_demo.review_images_results`

   El resultado es que se muestran filas para cada imagen de opinión con el URI (la ubicación de Cloud Storage de la imagen de opinión) y un resultado de JSON que incluye el resumen y las palabras clave del modelo de Gemini Pro Vision.

   Puedes recuperar estos resultados en una forma más legible por humanos con la siguiente consulta.

6. Haz clic en el signo + para crear una consulta en SQL nueva.

7. En el editor de consultas, pega y ejecuta la consulta que figura a continuación.

   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 )

   El resultado es que se crea la tabla review_images_results_formatted.

8. Para ver las filas que se crearon, puedes consultar la tabla con la consulta que figura a continuación.

   SELECT * FROM `gemini_demo.review_images_results_formatted`

   Observa cómo los resultados de la columna URI siguen siendo los mismos, pero el formato JSON ahora se convierte en las columnas de resumen y palabras clave de cada fila.

Haz clic en Revisar mi progreso para verificar el objetivo. Envía una instrucción a Gemini para que proporcione palabras clave y resúmenes de imágenes de opiniones de los clientes.

¡Felicitaciones!

Creaste correctamente una conexión de recursos de Cloud en BigQuery. También creaste un conjunto de datos, tablas y modelos para enviarle una instrucción a Gemini para que analice las valoraciones y las opiniones de los clientes con un informe de recuentos de opiniones positivas y negativas. Luego, utilizaste instrucciones sin ejemplos y con ejemplos limitados para responder a esas opiniones. Por último, usaste el modelo de Gemini Pro Vision para analizar imágenes y generar resúmenes y palabras clave.

Próximos pasos/Más información

• Introducción a BigQuery ML
• Escala el aprendizaje automático con el motor de inferencia de BigQuery ML: Blog
• Modelos de Gemini
• IA generativa

Capacitación y certificación de Google Cloud

Recibe la formación que necesitas para aprovechar al máximo las tecnologías de Google Cloud. Nuestras clases incluyen habilidades técnicas y recomendaciones para ayudarte a avanzar rápidamente y a seguir aprendiendo. Para que puedas realizar nuestros cursos cuando más te convenga, ofrecemos distintos tipos de capacitación de nivel básico a avanzado: a pedido, presenciales y virtuales. Las certificaciones te ayudan a validar y demostrar tus habilidades y tu conocimiento técnico respecto a las tecnologías de Google Cloud.

Última actualización del manual: 26 de julio de 2024

Prueba más reciente del lab: 26 de julio de 2024

Copyright 2024 Google LLC. All rights reserved. Google y el logotipo de Google son marcas de Google LLC. Los demás nombres de productos y empresas pueden ser marcas de las respectivas empresas a las que estén asociados.