GSP1246

Ringkasan

Dalam lab ini, Anda akan mempelajari cara menggunakan BigQuery Machine Learning dengan model jarak jauh (Gemini Pro) di SQL untuk mengekstrak kata kunci, menilai sentimen pelanggan dalam ulasan pelanggan, dan merespons ulasan pelanggan dengan perintah zero-shot dan few-shot.

BigQuery adalah platform analisis data yang terkelola sepenuhnya dengan kemampuan AI yang membantu Anda memaksimalkan nilai dari data Anda dan dirancang agar menjadi multi-engine, multi-format, dan multi-cloud. Salah satu fitur utamanya adalah BigQuery Machine Learning, yang memungkinkan Anda membuat dan menjalankan model machine learning (ML) dengan menggunakan Kueri SQL atau dengan notebook Colab Enterprise.

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

Selain itu, Anda akan menggunakan model Gemini Pro Vision untuk membuat ringkasan dan mengekstrak kata kunci yang relevan dari gambar ulasan pelanggan.

Tujuan

Di lab ini, Anda akan mempelajari cara:

• Membuat koneksi Resource Cloud di BigQuery.
• Membuat set data dan tabel di BigQuery.
• Membuat model jarak jauh Gemini di BigQuery.
• Memasukkan perintah ke Gemini guna menganalisis kata kunci dan sentimen (positif atau negatif) untuk ulasan pelanggan berbasis teks.
• Membuat laporan yang menampilkan jumlah ulasan positif dan negatif.
• Merespons ulasan pelanggan.
• Memasukkan perintah ke Gemini guna mengekstrak ringkasan dan kata kunci untuk setiap gambar ulasan pelanggan.

Penyiapan dan persyaratan

Sebelum mengklik tombol Mulai Lab

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

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

Untuk menyelesaikan lab ini, Anda memerlukan:

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

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

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

Catatan: Jika Anda sudah memiliki project atau akun pribadi Google Cloud, jangan menggunakannya untuk lab ini agar terhindar dari tagihan ekstra pada akun Anda.

Cara memulai lab dan login ke Google Cloud Console

1. Klik tombol Start Lab. Jika Anda perlu membayar lab, jendela pop-up akan terbuka untuk memilih metode pembayaran. Di sebelah kiri adalah panel Lab Details dengan info berikut:

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

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

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

   Tips: Atur tab di jendela terpisah secara berdampingan.

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

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

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

   Anda juga dapat menemukan Username di panel Lab Details.

4. Klik Next.

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

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

   Anda juga dapat menemukan Password di panel Lab Details.

6. Klik Next.

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

7. Klik halaman berikutnya:

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

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

Catatan: Untuk melihat menu dengan daftar produk dan layanan Google Cloud, klik Navigation menu di kiri atas.

Tugas 1. Membuat koneksi resource cloud dan memberikan peran IAM

Membuat koneksi resource cloud di BigQuery

Dalam tugas ini, Anda akan membuat koneksi resource Cloud di BigQuery, sehingga Anda dapat bekerja dengan model Gemini Pro dan Gemini Pro Vision. Anda juga akan memberikan izin IAM akun layanan untuk koneksi resource cloud, melalui sebuah peran, untuk mengaktifkan akses ke layanan Vertex AI.

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

2. Klik DONE di pop-up Welcome.

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

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

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

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

7. Gunakan opsi default untuk setelan lainnya.

8. Klik Create connection.

9. Klik GO TO CONNECTION.

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

Memberikan peran Vertex AI User ke akun layanan koneksi

1. Di konsol, pada Navigation menu, klik IAM & Admin.

2. Klik Grant Access.

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

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

5. Klik Save.

   Hasilnya adalah akun layanan kini memiliki peran Vertex AI User.

Klik Check my progress untuk memverifikasi tujuan. Membuat koneksi resource cloud dan memberikan peran IAM.

Tugas 2. Meninjau gambar dan file, serta memberikan peran IAM ke akun layanan

Dalam tugas ini, Anda akan meninjau set data dan file gambar, lalu memberikan izin IAM ke akun layanan koneksi resource cloud.

Meninjau file gambar dan set data ulasan pelanggan di Cloud Storage

Sebelum memulai tugas ini untuk memberikan izin ke akun layanan koneksi resource, tinjau set data dan file gambar.

1. Di konsol, pilih Navigation menu (), lalu pilih Cloud Storage.

2. Klik bucket -bucket.

3. Bucket tersebut berisi folder gsp1246. Buka folder tersebut. Anda akan melihat dua item di dalamnya:

   • Folder images berisi semua file gambar yang akan Anda analisis. Silakan akses folder gambar dan tinjau file gambar.
   • File customer_reviews.csv adalah set data yang berisi ulasan pelanggan berbasis teks.
   Catatan: Anda dapat menggunakan URL yang Diautentikasi untuk setiap gambar dan file customer_reviews.csv untuk mendownload serta meninjau setiap item.

Memberikan peran IAM Storage Object Admin ke akun layanan koneksi

Memberikan izin IAM ke akun layanan koneksi resource sebelum mulai bekerja di BigQuery akan memastikan Anda tidak mengalami error akses ditolak saat menjalankan kueri.

1. Kembali ke root bucket.

2. Klik PERMISSIONS.

3. Klik GRANT ACCESS.

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

5. Di kolom Select a role, masukkan Storage Object, lalu pilih peran Storage Object Admin.

6. Klik Save.

   Hasilnya adalah akun layanan kini memiliki peran Storage Object Admin.

Klik Check my progress untuk memverifikasi tujuan. Meninjau gambar dan file, serta memberikan peran IAM ke akun layanan.

Tugas 3. Membuat set data dan tabel di BigQuery

Dalam tugas ini, Anda akan membuat set data untuk project, tabel untuk ulasan pelanggan, dan tabel objek gambar.

Membuat set data

1. Di konsol, pilih Navigation menu (), lalu pilih BigQuery.

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

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

3. Di panel Create dataset, masukkan informasi berikut:

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

   Biarkan kolom lain tetap pada nilai defaultnya.

4. Klik Create Dataset.

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

Membuat tabel untuk ulasan pelanggan

Untuk membuat tabel ulasan pelanggan, Anda akan menggunakan Kueri SQL.

1. Klik + untuk Membuat Kueri SQL baru.

2. Di editor kueri, tempel kueri di bawah.

   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']);

   Kueri ini menggunakan pernyataan LOAD DATA untuk memuat file customer_reviews.csv dari Cloud Storage ke Tabel BigQuery dengan nama kolom dan jenis data tertentu.

3. Klik Run.

   Hasilnya adalah kueri diproses dan tabel customer_reviews dibuat dengan customer_review_id, customer_id, location_id, review_datetime, review_text, social_media_source, dan social_media_handle untuk setiap ulasan dalam set data.

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

Membuat tabel objek untuk gambar ulasan

Untuk membuat tabel objek, Anda akan menggunakan Kueri SQL

1. Klik + untuk Membuat Kueri SQL baru.

2. Di editor kueri, tempel kueri di bawah.

   CREATE OR REPLACE EXTERNAL TABLE `gemini_demo.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. Jalankan Kueri.

   Hasilnya adalah tabel objek review_images ditambahkan ke set data gemini_demo dan dimuat dengan uri (lokasi penyimpanan cloud) setiap ulasan audio dalam set data sampel.

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

Klik Check my progress untuk memverifikasi tujuan. Membuat set data, tabel, dan reservasi slot di BigQuery.

Tugas 4. Membuat model Gemini di BigQuery

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

Membuat model Gemini Pro

1. Klik + untuk Membuat Kueri SQL baru.

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

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

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

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

Membuat model Gemini Pro Vision

1. Klik + untuk Membuat Kueri SQL baru.

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

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

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

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

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

Tugas 5. Memasukkan perintah ke Gemini guna menganalisis ulasan pelanggan untuk kata kunci dan sentimen

Dalam tugas ini, Anda akan menggunakan model Gemini Pro untuk menganalisis setiap ulasan pelanggan terkait kata kunci dan sentimen, baik positif maupun negatif.

Menganalisis ulasan pelanggan untuk kata kunci

1. Klik + untuk Membuat Kueri SQL baru.

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

   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)));

   Kueri ini mengambil ulasan pelanggan dari tabel customer_reviews, menyusun perintah pada model gemini_pro untuk mengidentifikasi kata kunci dalam setiap ulasan. Hasilnya kemudian disimpan dalam tabel baru customer_reviews_keywords.

   Harap tunggu. Model ini memerlukan waktu sekitar 30 detik untuk memproses kumpulan data ulasan pelanggan.

   Jika model tersebut selesai, hasilnya adalah tabel customer_reviews_keywords dibuat.

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

4. Klik + untuk Membuat Kueri SQL baru.

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

   SELECT * FROM `gemini_demo.customer_reviews_keywords`

   Hasilnya adalah baris ditampilkan dari tabel customer_reviews_keywords dengan kolom ml_generate_text_llm_result yang berisi analisis kata kunci, kolom social_media_source, review_text, customer_id, location_id, dan review_datetime disertakan.

Menganalisis ulasan pelanggan untuk sentimen positif dan negatif

1. Klik + untuk Membuat Kueri SQL baru.

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

   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)));

   Kueri ini mengambil ulasan pelanggan dari tabel customer_reviews, menyusun perintah pada model gemini_pro untuk mengklasifikasi sentimen setiap ulasan. Hasilnya disimpan dalam tabel baru customer_reviews_analysis, sehingga Anda dapat menggunakannya nanti untuk dianalisis lebih lanjut.

   Harap tunggu. Model ini memerlukan waktu sekitar 20 detik untuk memproses kumpulan data ulasan pelanggan.

   Setelah model tersebut selesai, hasilnya adalah tabel customer_reviews_analysis dibuat.

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

4. Klik + untuk Membuat Kueri SQL baru.

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

   SELECT * FROM `gemini_demo.customer_reviews_analysis` ORDER BY review_datetime

   Hasilnya adalah baris ditampilkan pada tabel customer_reviews_analysis dengan kolom ml_generate_text_llm_result yang berisi analisis sentimen, dengan kolom social_media_source, review_text, customer_id, location_id, dan review_datetime disertakan.

   Lihat beberapa kumpulan data. Anda mungkin mendapati beberapa hasil untuk positif dan negatif mungkin tidak diformat secara tepat, dengan karakter yang tidak relevan seperti titik atau spasi tambahan. Anda dapat membersihkan kumpulan data menggunakan tabel virtual berikut.

Membuat tabel virtual untuk membersihkan kumpulan data

1. Klik + untuk Membuat Kueri SQL baru.

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

   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`;

   Kueri ini membuat tabel virtual, cleaned_data_view dan menyertakan hasil sentimen, teks ulasan, ID pelanggan, serta ID lokasi. Kueri ini kemudian mengambil hasil sentimen (positif atau negatif) dan memastikan semua huruf ditulis menggunakan huruf kecil, dan karakter yang tidak relevan seperti spasi atau titik tambahan dihapus. Tabel virtual yang dihasilkan akan memudahkan analisis lebih lanjut pada langkah berikutnya dalam lab ini.

3. Anda dapat mengkueri tabel virtual dengan kueri di bawah ini, untuk melihat baris dibuat.

   SELECT * FROM `gemini_demo.cleaned_data_view` ORDER BY review_datetime

   Kueri ini didesain untuk mengambil semua data dari tabel virtual cleaned_data_view, lalu merangkainya dalam urutan menaik berdasarkan tanggal dan waktu ulasan.

Membuat laporan jumlah ulasan positif dan negatif

1. Anda dapat menggunakan BigQuery untuk membuat laporan diagram batang terkait jumlah ulasan positif dan negatif. Mulai dengan kueri di bawah ini.

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

   Hasilnya adalah jumlah ulasan positif dan negatif ditampilkan.

2. Untuk membuat laporan diagram batang terkait jumlah ini, klik CHART di bagian Query results pada BigQuery. BigQuery akan otomatis menetapkan konfigurasi diagram dengan jenis diagram Batang, serta kolom sentimen (sentimen yang diprediksi sebagai positif atau negatif) dan diagram batang tersebut akan menampilkan jumlahnya.

Membuat jumlah ulasan positif dan negatif berdasarkan sumber media sosial

1. Anda dapat menggunakan BigQuery untuk membuat daftar ulasan positif dan negatif per sumber media sosial menggunakan kueri di bawah ini.

   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;

Klik Check my progress untuk memverifikasi tujuan. Memasukkan perintah ke Gemini guna menganalisis ulasan pelanggan untuk kata kunci dan sentimen.

Tugas 6. Merespons ulasan pelanggan

Anda juga dapat menggunakan Gemini Pro untuk merespons ulasan pelanggan. Dalam tugas ini, Anda akan mempelajari cara membuat respons pemasaran menggunakan zero-shot dan respons layanan pelanggan menggunakan few-shot, pada ulasan tertentu dalam tabel customer_reviews.

Catatan: Buka perintah zero-shot vs. few-shot dalam dokumentasi AI Google untuk Developer guna mengetahui informasi selengkapnya.

Respons pemasaran

Pelanggan dengan customer_id 5576 merespons dengan:

Lokasinya bersih dan menarik. Saya juga suka dengan adanya beragam pilihan tempat duduk. Terkadang saya ingin bersantai sambil menikmati kopi dan membaca, adakalanya juga saya memilih kursi dan meja yang tinggi agar dapat mengerjakan project.

Ulasan ini sangat positif. Bagaimana cara menggunakan Gemini Pro untuk merespons pelanggan ini dan memberi mereka insentif atas ulasan positif tersebut?

1. Anda dapat menggunakan Gemini Pro dengan kueri ini untuk melakukannya. Di editor kueri, tempel dan jalankan kueri di bawah ini.

   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)));

   Kueri ini didesain untuk menganalisis ulasan pelanggan dari tabel customer_reviews, khususnya ulasan dari ID pelanggan 5576. Saat Anda menjalankan kueri, kueri tersebut menggunakan Gemini Pro untuk membuat saran pemasaran berdasarkan teks ulasan, lalu menyimpan hasilnya dalam tabel baru bernama customer_reviews_marketing. Tabel ini akan berisi data ulasan awal beserta saran pemasaran yang dihasilkan, sehingga Anda dapat menganalisis dan menindaklanjutinya secara mudah.

2. Anda dapat melihat detail tabel customer_reviews_marketing dengan menjalankan kueri SQL di bawah.

   SELECT * FROM `gemini_demo.customer_reviews_marketing`

   Perhatikan bahwa kolom ml_generate_text_llm_result berisi respons.

3. Anda dapat memudahkan pembacaan respons ini dan menindaklanjutinya dengan menggunakan Kueri SQL di bawah:

   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. Anda dapat melihat detail tabel dengan menjalankan Kueri SQL di bawah.

   SELECT * FROM `gemini_demo.customer_reviews_marketing_formatted`

   Perhatikan kolom marketing. Aplikasi dapat ditulis untuk menerima respons di kolom marketing dan melampirkan file kupon diskon 10% sebagai notifikasi pada akun pelanggan dalam aplikasi data bean, atau email juga dapat dibuat dengan detail ini untuk pelanggan.

Respons layanan pelanggan

Pelanggan dengan customer_id 8844 merespons dengan:

Saya punya pengalaman yang sangat mengecewakan dengan truk kopi ini. Pelayanannya sangat buruk. Stafnya kasar dan tidak cekatan, pengantaran makanan dan minumannya lama. Makanannya sendiri biasa sekali. Cita rasa kopinya kurang dan kuenya alot. Kedainya sendiri sangat sempit dan berisik, sehingga sulit bersantai dan menikmati waktu di sana. Yang paling parah adalah harganya sangat mahal, yang memperburuk pengalaman secara keseluruhan. Saya pastinya tidak akan merekomendasikan tempat ini kepada siapa pun.

Ulasan ini jelas negatif. Sebagai upaya melakukan tindak lanjut, bagaimana cara menggunakan Gemini Pro untuk merespons pelanggan ini dan memberi tahu kedai kopi itu mengenai pengalaman pelanggan tersebut?

1. Anda dapat menggunakan Gemini Pro dengan kueri ini untuk melakukannya. Di editor kueri, tempel dan jalankan kueri di bawah ini.

   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)));

   Kueri ini didesain untuk mengotomatiskan respons layanan pelanggan dengan menggunakan Gemini Pro untuk menganalisis ulasan pelanggan serta membuat respons dan rencana tindakan yang sesuai. Hal ini merupakan contoh bagus tentang cara Google Cloud dapat digunakan untuk memperbaiki kualitas layanan pelanggan dan meningkatkan operasi bisnis. Jika kueri dijalankan, hasilnya adalah tabel customer_reviews_cs_response dibuat.

2. Anda dapat melihat detail tabel dengan menjalankan Kueri SQL di bawah.

   SELECT * FROM `gemini_demo.customer_reviews_cs_response`

   Perhatikan bahwa kolom ml_generate_text_llm_result berisi respon dan tindakan sebagai dua kunci.

3. Anda dapat mempermudah pembacaan kolom ini dengan menggunakan Kueri SQL di bawah yang memisahkan respons dan tindakan menjadi dua kolom dalam tabel baru bernama 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. Anda dapat melihat detail tabel dengan menjalankan Kueri SQL di bawah.

   SELECT * FROM `gemini_demo.customer_reviews_cs_response_formatted`

   Perhatikan bahwa kolom respons dan tindakan kini dibuat. Anda dapat membangun aplikasi terpisah untuk merespons pelanggan dan lokasi sehingga kedai tersebut dapat mengambil tindakan untuk meningkatkan kualitas layanan, dan pelanggan akan diberi tahu bahwa masukannya telah diterima.

Klik Check my progress untuk memverifikasi tujuan. Merespons ulasan pelanggan.

Tugas 7. Memasukkan perintah ke Gemini untuk mencantumkan kata kunci dan ringkasan pada setiap gambar

Dalam tugas ini, Anda akan menggunakan Gemini (model Gemini Pro dan Vision yang Anda buat) untuk menganalisis gambar yang menghasilkan kata kunci dan ringkasan.

Menganalisis gambar dengan model Gemini Pro Vision

1. Klik + untuk Membuat Kueri SQL baru.

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

   CREATE OR REPLACE TABLE `gemini_demo.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)));

   Harap tunggu. Model ini memerlukan waktu sekitar 1 menit untuk menyelesaikan proses.

   Setelah model selesai memproses gambar, hasilnya adalah tabel review_images_results dibuat.

3. Di Explorer, klik tabel review_image_results serta tinjau skema dan detailnya.

4. Klik + untuk Membuat Kueri SQL baru.

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

   SELECT * FROM `gemini_demo.review_images_results`

   Hasilnya adalah baris untuk setiap gambar ulasan ditampilkan dengan uri (lokasi CloudStorage gambar ulasan) dan hasil JSON termasuk ringkasan dan kata kunci model Gemini Pro Vision.

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

6. Klik + untuk Membuat Kueri SQL baru.

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

   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 )

   Hasilnya adalah tabel review_images_results_formatted dibuat.

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

   SELECT * FROM `gemini_demo.review_images_results_formatted`

   Perhatikan bahwa hasil kolom uri tetap sama, tetapi JSON kini diubah ke kolom ringkasan dan kata kunci untuk setiap baris.

Klik Check my progress untuk memverifikasi tujuan. Memasukkan perintah ke Gemini untuk mencantumkan kata kunci dan ringkasan gambar ulasan pelanggan.

Selamat!

Anda berhasil membuat koneksi resource cloud di BigQuery. Anda juga telah membuat set data, tabel, dan model untuk memasukkan perintah ke Gemini guna menganalisis sentimen pada ulasan pelanggan, dengan laporan terkait jumlah ulasan positif dan negatif. Kemudian Anda menggunakan perintah zero-shot dan few-shot dengan Gemini untuk merespons ulasan ini. Terakhir, Anda telah menggunakan model Gemini Pro Vision untuk menganalisis gambar serta membuat ringkasan dan kata kunci.

Langkah berikutnya/pelajari lebih lanjut

• Pengantar BigQuery ML
• Menskalakan machine learning dengan mesin inferensi BigQuery ML - Blog
• Model Gemini
• AI Generatif

Sertifikasi dan pelatihan Google Cloud

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

Manual Terakhir Diperbarui pada 26 Juli 2024

Lab Terakhir Diuji pada 26 Juli 2024

Hak cipta 2024 Google LLC Semua hak dilindungi undang-undang. Google dan logo Google adalah merek dagang dari Google LLC. Semua nama perusahaan dan produk lain mungkin adalah merek dagang masing-masing perusahaan yang bersangkutan.