Points de contrôle
Create the cloud resource connection and grant IAM role
/ 10
Grant IAM Storage Object Admin role to the connection's service account
/ 10
Create the dataset and object table for the review images
/ 15
Create the Gemini models in BigQuery
/ 10
Prompt Gemini to analyze customer reviews for keywords and sentiment
/ 25
Respond to customer reviews
/ 20
Prompt Gemini to provide keywords and summaries for each image
/ 10
Analyser des avis clients avec Gemini à l'aide de SQL
- GSP1246
- Présentation
- Objectifs
- Préparation
- Tâche 1 : Créer la connexion à une ressource cloud et attribuer un rôle IAM
- Tâche 2 : Examiner les images et les fichiers, et attribuer le rôle IAM au compte de service
- Tâche 3 : Créer l'ensemble de données et les tables dans BigQuery
- Tâche 4 : Créer les modèles Gemini dans BigQuery
- Tâche 5 : Demander à Gemini d'analyser les mots clés et les sentiments des avis clients
- Tâche 6 : Répondre aux avis clients
- Tâche 7 : Demander à Gemini de fournir des mots clés et des résumés pour chaque image
- Félicitations !
GSP1246
Présentation
Dans cet atelier, vous allez apprendre à utiliser BigQuery Machine Learning avec des modèles distants (Gemini Pro) en SQL pour extraire des mots clés, évaluer les sentiments exprimés dans les avis clients et répondre aux avis clients avec des requêtes zero-shot et few-shot.
BigQuery est une plate-forme d'analyse de données entièrement gérée et compatible avec l'IA, conçue pour être multimoteur, multiformat et multicloud. Elle vous aide à maximiser la valeur de vos données. BigQuery Machine Learning est l'une de ses fonctionnalités essentielles. Elle vous permet de créer et d'exécuter des modèles de machine learning (ML) à l'aide de requêtes SQL ou de notebooks Colab Enterprise.
Gemini est une famille de modèles d'IA générative développés par Google DeepMind et conçus pour les cas d'utilisation multimodaux. L'API Gemini vous donne accès aux modèles Gemini Pro, Gemini Pro Vision et Gemini Flash.
Vous allez également exploiter le modèle Gemini Pro Vision pour générer des résumés et extraire les mots clés pertinents d'images d'avis clients.
Objectifs
Dans cet atelier, vous allez apprendre à :
- créer une connexion à une ressource cloud dans BigQuery ;
- créer l'ensemble de données et les tables dans BigQuery ;
- créer les modèles distants Gemini dans BigQuery ;
- demander à Gemini d'analyser les mots clés et les sentiments (positifs ou négatifs) d'avis clients textuels ;
- générer un rapport avec le nombre d'avis positifs et négatifs ;
- répondre aux avis clients ;
- demander à Gemini d'extraire un résumé et les mots clés pour chaque image d'avis client.
Préparation
Avant de cliquer sur le bouton "Démarrer l'atelier"
Lisez ces instructions. Les ateliers sont minutés, et vous ne pouvez pas les mettre en pause. Le minuteur, qui démarre lorsque vous cliquez sur Démarrer l'atelier, indique combien de temps les ressources Google Cloud resteront accessibles.
Cet atelier pratique vous permet de suivre vous-même les activités dans un véritable environnement cloud, et non dans un environnement de simulation ou de démonstration. Nous vous fournissons des identifiants temporaires pour vous connecter à Google Cloud le temps de l'atelier.
Pour réaliser cet atelier :
- vous devez avoir accès à un navigateur Internet standard (nous vous recommandons d'utiliser Chrome) ;
- vous disposez d'un temps limité ; une fois l'atelier commencé, vous ne pouvez pas le mettre en pause.
Démarrer l'atelier et se connecter à la console Google Cloud
-
Cliquez sur le bouton Démarrer l'atelier. Si l'atelier est payant, un pop-up s'affiche pour vous permettre de sélectionner un mode de paiement. Sur la gauche, vous trouverez le panneau Détails concernant l'atelier, qui contient les éléments suivants :
- Le bouton Ouvrir la console Google Cloud
- Le temps restant
- Les identifiants temporaires que vous devez utiliser pour cet atelier
- Des informations complémentaires vous permettant d'effectuer l'atelier
-
Cliquez sur Ouvrir la console Google Cloud (ou effectuez un clic droit et sélectionnez Ouvrir le lien dans la fenêtre de navigation privée si vous utilisez le navigateur Chrome).
L'atelier lance les ressources, puis ouvre la page Se connecter dans un nouvel onglet.
Conseil : Réorganisez les onglets dans des fenêtres distinctes, placées côte à côte.
Remarque : Si la boîte de dialogue Sélectionner un compte s'affiche, cliquez sur Utiliser un autre compte. -
Si nécessaire, copiez le nom d'utilisateur ci-dessous et collez-le dans la boîte de dialogue Se connecter.
{{{user_0.username | "Username"}}} Vous trouverez également le nom d'utilisateur dans le panneau Détails concernant l'atelier.
-
Cliquez sur Suivant.
-
Copiez le mot de passe ci-dessous et collez-le dans la boîte de dialogue Bienvenue.
{{{user_0.password | "Password"}}} Vous trouverez également le mot de passe dans le panneau Détails concernant l'atelier.
-
Cliquez sur Suivant.
Important : Vous devez utiliser les identifiants fournis pour l'atelier. Ne saisissez pas ceux de votre compte Google Cloud. Remarque : Si vous utilisez votre propre compte Google Cloud pour cet atelier, des frais supplémentaires peuvent vous être facturés. -
Accédez aux pages suivantes :
- Acceptez les conditions d'utilisation.
- N'ajoutez pas d'options de récupération ni d'authentification à deux facteurs (ce compte est temporaire).
- Ne vous inscrivez pas à des essais gratuits.
Après quelques instants, la console Cloud s'ouvre dans cet onglet.
Tâche 1 : Créer la connexion à une ressource cloud et attribuer un rôle IAM
Créer la connexion à une ressource cloud dans BigQuery
Dans cette tâche, vous allez créer une connexion à une ressource cloud dans BigQuery pour pouvoir travailler avec les modèles Gemini Pro et Gemini Pro Vision. Vous allez également accorder des autorisations IAM au compte de service de la connexion à la ressource cloud en lui attribuant un rôle, afin de lui permettre d'accéder aux services Vertex AI.
-
Dans la console Google Cloud, dans le menu de navigation, cliquez sur BigQuery.
-
Cliquez sur OK dans le pop-up de bienvenue.
-
Pour créer une connexion, cliquez sur + AJOUTER, puis sur Connexions à des sources de données externes.
-
Dans la liste "Type de connexion", sélectionnez Modèles distants Vertex AI, fonctions à distance et BigLake (Ressource Cloud).
-
Dans le champ "ID de connexion", saisissez gemini_conn pour votre connexion.
-
Pour Type d'emplacement sélectionnez Multirégional, puis États-Unis (multirégional) dans le menu déroulant.
-
Utilisez les valeurs par défaut des autres paramètres.
-
Cliquez sur Créer une connexion.
-
Cliquez sur ACCÉDER À LA CONNEXION.
-
Dans le volet "Informations de connexion", copiez l'ID du compte de service à utiliser à l'étape suivante dans un fichier texte. Vous verrez également que la connexion est ajoutée sous la section "Connexions externes" de votre projet dans l'explorateur BigQuery.
Attribuer le rôle d'utilisateur Vertex AI au compte de service de la connexion
-
Dans la console, accédez au menu de navigation, puis cliquez sur IAM et administration.
-
Cliquez sur Accorder l'accès.
-
Dans le champ Nouveaux comptes principaux, saisissez l'ID du compte de service que vous avez copié précédemment.
-
Dans le champ "Sélectionner un rôle", sélectionnez Vertex AI, puis le rôle Utilisateur Vertex AI.
-
Cliquez sur Enregistrer.
Le compte de service inclut désormais le rôle d'utilisateur Vertex AI.
Cliquez sur Vérifier ma progression pour valider l'objectif.
Tâche 2 : Examiner les images et les fichiers, et attribuer le rôle IAM au compte de service
Dans cette tâche, vous allez examiner l'ensemble de données et les fichiers image. Vous accorderez ensuite des autorisations IAM au compte de service de la connexion à la ressource cloud.
Examiner les fichiers image et l'ensemble de données d'avis clients sur Cloud Storage
Avant de commencer cette tâche, pour accorder des autorisations au compte de service de la connexion à la ressource, examinez l'ensemble de données et les fichiers image.
-
Dans la console, sélectionnez le menu de navigation (), puis Cloud Storage.
-
Cliquez sur le bucket
-bucket. -
Dans le bucket, ouvrez le dossier
gsp1246
. Il contient deux éléments :- Le dossier
images
contient tous les fichiers image que vous allez analyser. Vous pouvez y accéder et examiner les fichiers image. - Le fichier
customer_reviews.csv
est l'ensemble de données qui contient les avis clients textuels.
Remarque : Vous pouvez utiliser l'URL authentifiée pour chaque image et le fichier customer_reviews.csv pour télécharger et examiner chaque élément. - Le dossier
Attribuer le rôle IAM d'administrateur des objets Storage au compte de service de la connexion
En attribuant les autorisations IAM au compte de service de la connexion à la ressource cloud avant de commencer à travailler dans BigQuery, vous évitez les erreurs d'accès refusé lors de l'exécution des requêtes.
-
Revenez à la racine du bucket.
-
Cliquez sur AUTORISATIONS.
-
Cliquez sur ACCORDER L'ACCÈS.
-
Dans le champ Nouveaux comptes principaux, saisissez l'ID du compte de service que vous avez copié précédemment.
-
Dans le champ "Sélectionnez un rôle", entrez Objet Storage, puis sélectionnez le rôle Administrateur des objets Storage.
-
Cliquez sur Enregistrer.
Le compte de service inclut désormais le rôle d'administrateur des objets Storage.
Cliquez sur Vérifier ma progression pour valider l'objectif.
Tâche 3 : Créer l'ensemble de données et les tables dans BigQuery
Dans cette tâche, vous allez créer un ensemble de données pour le projet, la table pour les avis clients et la table d'objets image.
Créer l'ensemble de données
-
Dans la console, ouvrez le menu de navigation () et sélectionnez BigQuery.
-
Dans le panneau Explorateur, pour
, sélectionnez Afficher les actions (), puis Créer un ensemble de données. Vous créez un ensemble de données pour stocker des objets de bases de données, dont des tables et des modèles.
-
Dans le volet Créer un ensemble de données, saisissez les informations suivantes :
Champ Valeur ID de l'ensemble de données gemini_demo Type d'emplacement Sélectionnez Multirégional Multirégional Sélectionnez États-Unis Conservez les valeurs par défaut dans les autres champs.
-
Cliquez sur Créer un ensemble de données.
L'ensemble de données
gemini_demo
est désormais créé et se trouve en dessous de votre projet dans l'explorateur BigQuery.
Créer la table pour les avis clients
Pour créer la table des avis clients, vous allez utiliser une requête SQL.
-
Cliquez sur le signe + pour créer une requête SQL.
-
Dans l'éditeur de requête, collez la requête ci-dessous.
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']); Cette requête utilise l'instruction LOAD DATA pour charger le fichier
customer_reviews.csv
à partir de Cloud Storage vers une table BigQuery avec les noms de colonne et les types de données indiqués. -
Cliquez sur Exécuter.
La requête est traitée et la table
customer_reviews
est créée aveccustomer_review_id
,customer_id
,location_id
,review_datetime
,review_text
,social_media_source
etsocial_media_handle
pour chaque avis dans l'ensemble de données. -
Dans l'explorateur, cliquez sur la table customer_reviews, et examinez le schéma et les détails. Vous pouvez interroger la table pour examiner les enregistrements.
Créer la table d'objets pour les images d'avis
Pour créer la table d'objets, vous allez utiliser une requête SQL.
-
Cliquez sur le signe + pour créer une requête SQL.
-
Dans l'éditeur de requête, collez la requête ci-dessous.
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/*'] ); -
Exécutez la requête.
La table d'objets
review_images
est ajoutée à l'ensemble de donnéesgemini_demo
et chargée avec l'URI (l'emplacement de stockage cloud) de chaque avis audio dans l'exemple d'ensemble de données. -
Dans l'explorateur, cliquez sur la table review_images, et examinez le schéma et les détails. Vous pouvez interroger la table pour examiner des enregistrements spécifiques.
Cliquez sur Vérifier ma progression pour valider l'objectif.
Tâche 4 : Créer les modèles Gemini dans BigQuery
Maintenant que les tables sont créées, vous pouvez commencer à les utiliser. Dans cette tâche, vous allez créer des modèles pour Gemini Pro et Gemini Pro Vision dans BigQuery.
Créer le modèle Gemini Pro
-
Cliquez sur le signe + pour créer une requête SQL.
-
Dans l'éditeur de requête, collez la requête ci-dessous et exécutez-la.
CREATE OR REPLACE MODEL `gemini_demo.gemini_pro` REMOTE WITH CONNECTION `us.gemini_conn` OPTIONS (endpoint = 'gemini-pro') Le modèle
gemini_pro
est créé. Il est ajouté à l'ensemble de donnéesgemini_demo
, dans la section des modèles. -
Dans l'explorateur, cliquez sur le modèle gemini_pro, et examinez le schéma et les détails.
Créer le modèle Gemini Pro Vision
-
Cliquez sur le signe + pour créer une requête SQL.
-
Dans l'éditeur de requête, collez la requête ci-dessous et exécutez-la.
CREATE OR REPLACE MODEL `gemini_demo.gemini_pro_vision` REMOTE WITH CONNECTION `us.gemini_conn` OPTIONS (endpoint = 'gemini-pro-vision') Le modèle
gemini_pro_vision
est créé. Il est ajouté à l'ensemble de donnéesgemini_demo
, dans la section des modèles. -
Dans l'explorateur, cliquez sur le modèle gemini_pro_vision, et examinez le schéma et les détails.
Cliquez sur Vérifier ma progression pour valider l'objectif.
Tâche 5 : Demander à Gemini d'analyser les mots clés et les sentiments des avis clients
Dans cette tâche, vous allez utiliser le modèle Gemini Pro pour analyser les mots clés et le sentiment de chaque avis client, qu'il soit positif ou négatif.
Analyser les mots clés des avis clients
-
Cliquez sur le signe + pour créer une requête SQL.
-
Dans l'éditeur de requête, collez la requête ci-dessous et exécutez-la.
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))); Cette requête récupère les avis clients de la table
customer_reviews
et crée des requêtes demandant au modèlegemini_pro
d'identifier les mots clés de chaque avis. Les résultats sont ensuite stockés dans une nouvelle table appeléecustomer_reviews_keywords
.Veuillez patienter. Le traitement des enregistrements d'avis clients par le modèle prend environ 30 secondes.
Lorsque le modèle a terminé cette opération, la table
customer_reviews_keywords
est créée. -
Dans l'explorateur, cliquez sur la table customer_reviews_keywords, et examinez le schéma et les détails.
-
Cliquez sur le signe + pour créer une requête SQL.
-
Dans l'éditeur de requête, collez la requête suivante et exécutez-la :
SELECT * FROM `gemini_demo.customer_reviews_keywords` Les lignes de la table
customer_reviews_keywords
sont affichées avec la colonneml_generate_text_llm_result
contenant l'analyse des mots clés, et les colonnessocial_media_source
,review_text
,customer_id
,location_id
etreview_datetime
incluses.
Analyser les avis clients pour déterminer si le sentiment est positif ou négatif
-
Cliquez sur le signe + pour créer une requête SQL.
-
Dans l'éditeur de requête, collez la requête ci-dessous et exécutez-la.
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))); Cette requête récupère les avis clients de la table
customer_reviews
et crée des requêtes demandant au modèlegemini_pro
de classer le sentiment de chaque avis. Les résultats sont ensuite stockés dans une nouvelle table appeléecustomer_reviews_analysis
, que vous pouvez utiliser ultérieurement pour réaliser des analyses approfondies.Veuillez patienter. Le traitement des enregistrements d'avis clients par le modèle prend environ 20 secondes.
Lorsque le modèle a terminé cette opération, la table
customer_reviews_analysis
est créée. -
Dans l'explorateur, cliquez sur la table customer_reviews_analysis, et examinez le schéma et les détails.
-
Cliquez sur le signe + pour créer une requête SQL.
-
Dans l'éditeur de requête, collez la requête suivante et exécutez-la :
SELECT * FROM `gemini_demo.customer_reviews_analysis` ORDER BY review_datetime Les lignes de la table
customer_reviews_analysis
sont affichées avec la colonneml_generate_text_llm_result
contenant l'analyse des sentiments, avec les colonnessocial_media_source
,review_text
,customer_id
,location_id
etreview_datetime
incluses.Examinez quelques enregistrements. Vous remarquerez peut-être que le format de certains des résultats classés positifs ou négatifs est incorrect. Ils peuvent par exemple contenir des caractères superflus, tels que des points ou des espaces en trop. Vous pouvez nettoyer les enregistrements avec la vue ci-dessous.
Créer une vue pour nettoyer les enregistrements
-
Cliquez sur le signe + pour créer une requête SQL.
-
Dans l'éditeur de requête, collez la requête suivante et exécutez-la :
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`; La requête crée la vue
cleaned_data_view
et inclut les résultats du sentiment, le texte de l'avis, le numéro client et l'ID de zone géographique. Ensuite, elle nettoie le résultat du sentiment (positif ou négatif) : elle met toutes les lettres en minuscules et supprime les caractères superflus, comme les espaces en trop ou les points. La vue obtenue facilitera les analyses plus approfondies réalisées ultérieurement au cours de cet atelier. -
Vous pouvez interroger la vue avec la requête ci-dessous pour voir les lignes créées.
SELECT * FROM `gemini_demo.cleaned_data_view` ORDER BY review_datetime Cette requête extrait toutes les données de la vue
cleaned_data_view
, puis les organise par ordre croissant en fonction de la date et de l'heure des avis.
Créer un rapport sur les nombres d'avis positifs et négatifs
-
Vous pouvez utiliser BigQuery pour créer un rapport sur les nombres d'avis positifs et négatifs avec un graphique à barres. Commencez avec la requête ci-dessous.
SELECT sentiment, COUNT(*) AS count FROM `gemini_demo.cleaned_data_view` WHERE sentiment IN ('positive', 'negative') GROUP BY sentiment; Cette requête affiche les nombres d'avis positifs et négatifs.
-
Pour créer un rapport avec un graphique à barres sur ces nombres, cliquez sur GRAPHIQUE dans la section "Résultats de la requête" de BigQuery. BigQuery définit automatiquement la configuration du graphique, avec le type de graphique "Barres". La colonne de sentiment (le sentiment prédit comme positif ou négatif) et la barre affichent le nombre.
Créer un nombre d'avis positifs et négatifs en fonction de la source de réseaux sociaux
-
Vous pouvez utiliser BigQuery pour lister le nombre d'avis positifs et négatifs par source de réseaux sociaux en utilisant la requête ci-dessous.
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;
Cliquez sur Vérifier ma progression pour valider l'objectif.
Tâche 6 : Répondre aux avis clients
Vous pouvez également utiliser Gemini Pro pour répondre aux avis clients. Dans cette tâche, vous allez apprendre à créer une réponse marketing à l'aide d'une requête zero-shot et une réponse du service client à l'aide d'une requête few-shot, pour des avis spécifiques de la table customer_reviews
.
Réponse marketing
Le client avec le customer_id
5576 a répondu comme suit :
Cet avis est clairement positif. Comment pouvez-vous utiliser Gemini Pro pour répondre à ce client et le remercier pour son avis positif ?
-
Pour ce faire, vous pouvez utiliser Gemini Pro avec ces requêtes. Dans l'éditeur de requête, collez la requête ci-dessous et exécutez-la.
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))); Cette requête est conçue pour analyser les avis clients de la table
customer_reviews
, spécifiquement ceux du "customer_id" 5576. Lorsque vous exécutez la requête, elle utilise Gemini Pro pour générer des suggestions marketing basées sur le texte de l'avis, puis elle stocke les résultats dans une nouvelle table appeléecustomer_reviews_marketing.
Cette table contiendra les données d'origine de l'avis avec les suggestions marketing générées, vous permettant de les analyser facilement et d'agir en conséquence. -
Vous pouvez afficher les détails de la table
customer_reviews_marketing
en exécutant la requête SQL ci-dessous.SELECT * FROM `gemini_demo.customer_reviews_marketing` Notez que la colonne
ml_generate_text_llm_result
contient la réponse. -
Vous pouvez en faciliter la lecture et agir sur la réponse en utilisant la requête SQL ci-dessous :
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 ) -
Vous pouvez afficher les détails de la table en exécutant la requête SQL ci-dessous.
SELECT * FROM `gemini_demo.customer_reviews_marketing_formatted` Examinez la colonne
marketing
. On peut créer une application pour prendre la réponse dans la colonnemarketing
et y joindre un fichier de bon de réduction de 10 % sous forme de notification pour le compte du client dans l'application Data Beans. Sinon, un e-mail contenant un bon de réduction peut également être généré pour le client.
Réponse du service client
Le client avec le customer_id
8844 a répondu comme suit :
Cet avis est clairement négatif. Comment pouvez-vous utiliser Gemini Pro pour répondre à ce client et informer les responsables du food truck de cette expérience afin de prendre les mesures nécessaires ?
-
Pour ce faire, vous pouvez utiliser Gemini Pro avec ces requêtes. Dans l'éditeur de requête, collez la requête ci-dessous et exécutez-la.
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))); Cette requête sert à automatiser les réponses du service client en utilisant Gemini Pro pour analyser les avis clients et générer des réponses et des plans d'action appropriés. Cet exemple illustre parfaitement comment Google Cloud peut améliorer le service client et rendre les opérations commerciales plus efficaces. Une fois la requête exécutée, la table
customer_reviews_cs_response
est créée. -
Vous pouvez afficher les détails de la table en exécutant la requête SQL ci-dessous.
SELECT * FROM `gemini_demo.customer_reviews_cs_response` Notez que la colonne
ml_generate_text_llm_result
contient la réponse et les actions, représentées par deux clés distinctes. -
Vous pouvez en faciliter la lecture en utilisant la requête SQL ci-dessous pour séparer la réponse et les actions en deux colonnes dans une nouvelle table appelée
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 ) -
Vous pouvez afficher les détails de la table en exécutant la requête SQL ci-dessous.
SELECT * FROM `gemini_demo.customer_reviews_cs_response_formatted` Notez que les champs de réponse et d'actions sont désormais créés. Vous pouvez créer deux applications distinctes : une pour répondre au client et l'autre pour le commerce afin qu'il puisse prendre des mesures pour s'améliorer, et le client sera informé que son commentaire a été reçu.
Cliquez sur Vérifier ma progression pour valider l'objectif.
Tâche 7 : Demander à Gemini de fournir des mots clés et des résumés pour chaque image
Dans cette tâche, vous allez utiliser Gemini (les modèles Gemini Pro et Vision que vous avez créés) pour analyser les images et générer des mots clés et des résumés.
Analyser les images avec le modèle Gemini Pro Vision
-
Cliquez sur le signe + pour créer une requête SQL.
-
Dans l'éditeur de requête, collez la requête ci-dessous et exécutez-la.
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))); Veuillez patienter. Le modèle nécessite environ une minute pour exécuter cette opération.
Lorsque le modèle a fini de traiter l'image, la table
review_images_results
est créée. -
Dans l'explorateur, cliquez sur la table review_image_results, et examinez le schéma et les détails.
-
Cliquez sur le signe + pour créer une requête SQL.
-
Dans l'éditeur de requête, collez la requête suivante et exécutez-la :
SELECT * FROM `gemini_demo.review_images_results` Cette requête affiche les lignes de chaque image d'avis avec l'URI (l'emplacement Cloud Storage de l'image d'avis) et un résultat JSON incluant le résumé et les mots clés fournis par le modèle Gemini Pro Vision.
Vous pouvez récupérer ces résultats dans un format plus lisible en utilisant la requête suivante.
-
Cliquez sur le signe + pour créer une requête SQL.
-
Dans l'éditeur de requête, collez la requête suivante et exécutez-la :
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 ) Cette requête crée la table
review_images_results_formatted
. -
Vous pouvez interroger la table avec la requête ci-dessous pour voir les lignes créées.
SELECT * FROM `gemini_demo.review_images_results_formatted` Remarquez que les résultats de la colonne d'URI restent les mêmes, mais que le JSON est désormais converti en colonnes de résumé et de mots clés pour chaque ligne.
Cliquez sur Vérifier ma progression pour valider l'objectif.
Félicitations !
Vous avez créé une connexion à une ressource cloud dans BigQuery. Vous avez également créé un ensemble de données, des tables et des modèles pour demander à Gemini d'analyser le sentiment des avis clients, avec un rapport sur les nombres d'avis positifs et négatifs. Vous avez ensuite utilisé des requêtes zero-shot et few-shot avec Gemini pour répondre à ces avis. Pour finir, vous avez exploité le modèle Gemini Pro Vision pour analyser des images, et générer des résumés et des mots clés.
Étapes suivantes et informations supplémentaires
- Présentation de BigQuery ML
- Article de blog sur le scaling du machine learning avec le moteur d'inférence de BigQuery ML
- Modèles Gemini
- IA générative
Formations et certifications Google Cloud
Les formations et certifications Google Cloud vous aident à tirer pleinement parti des technologies Google Cloud. Nos cours portent sur les compétences techniques et les bonnes pratiques à suivre pour être rapidement opérationnel et poursuivre votre apprentissage. Nous proposons des formations pour tous les niveaux, à la demande, en salle et à distance, pour nous adapter aux emplois du temps de chacun. Les certifications vous permettent de valider et de démontrer vos compétences et votre expérience en matière de technologies Google Cloud.
Dernière mise à jour du manuel : 26 juillet 2024
Dernier test de l'atelier : 26 juillet 2024
Copyright 2024 Google LLC Tous droits réservés. Google et le logo Google sont des marques de Google LLC. Tous les autres noms d'entreprises et de produits peuvent être des marques des entreprises auxquelles ils sont associés.