GSP1246

개요

이 실습에서는 SQL에서 원격 모델(Gemini Pro)과 BigQuery 머신러닝을 함께 사용하여 키워드를 추출하고, 고객 리뷰에서 고객 감정을 평가하고, 제로샷 및 퓨샷 프롬프트로 고객 리뷰에 응답하는 방법을 알아봅니다.

BigQuery는 데이터의 가치를 극대화하는 데 도움이 되는 완전 관리형 AI 지원 데이터 분석 플랫폼으로서 멀티 엔진, 멀티 형식, 멀티 클라우드로 설계되었습니다. 주요 기능 중 하나는 BigQuery 머신러닝이며, 이를 통해 SQL 쿼리 또는 Colab Enterprise 노트북을 사용하여 머신러닝(ML) 모델을 만들고 실행할 수 있습니다.

Gemini는 Google DeepMind에서 개발한 생성형 AI 모델 제품군으로, 멀티모달 사용 사례를 위해 설계되었습니다. Gemini API를 통해 Gemini Pro, Gemini Pro Vision 및 Gemini Flash 모델에 액세스할 수 있습니다.

또한 Gemini Pro Vision 모델은 요약을 생성하고 고객 리뷰 이미지에서 관련 키워드를 추출하는 데 사용할 수 있습니다.

목표

이 실습에서는 다음을 수행하는 방법에 대해 알아봅니다.

• BigQuery에서 클라우드 리소스 연결 생성하기
• BigQuery에서 데이터 세트 및 테이블 만들기
• BigQuery에서 Gemini 원격 모델 만들기
• 텍스트 기반 고객 리뷰에서 키워드와 감정(긍정 또는 부정)을 분석하도록 Gemini에 프롬프트 입력하기
• 긍정적 및 부정적 리뷰 수가 포함된 보고서 생성하기
• 고객 리뷰에 응답하기
• 각 고객 리뷰 이미지에 대한 요약 및 키워드를 추출하도록 Gemini에 프롬프트 입력하기

설정 및 요건

실습 시작 버튼을 클릭하기 전에

다음 안내를 확인하세요. 실습에는 시간 제한이 있으며 일시중지할 수 없습니다. 실습 시작을 클릭하면 타이머가 시작됩니다. 이 타이머에는 Google Cloud 리소스를 사용할 수 있는 시간이 얼마나 남았는지 표시됩니다.

실무형 실습을 통해 시뮬레이션이나 데모 환경이 아닌 실제 클라우드 환경에서 직접 실습 활동을 진행할 수 있습니다. 실습 시간 동안 Google Cloud에 로그인하고 액세스하는 데 사용할 수 있는 새로운 임시 사용자 인증 정보가 제공됩니다.

이 실습을 완료하려면 다음을 준비해야 합니다.

• 표준 인터넷 브라우저 액세스 권한(Chrome 브라우저 권장)

참고: 이 실습을 실행하려면 시크릿 모드 또는 시크릿 브라우저 창을 사용하세요. 개인 계정과 학생 계정 간의 충돌로 개인 계정에 추가 요금이 발생하는 일을 방지해 줍니다.

• 실습을 완료하기에 충분한 시간---실습을 시작하고 나면 일시중지할 수 없습니다.

참고: 계정에 추가 요금이 발생하지 않도록 하려면 개인용 Google Cloud 계정이나 프로젝트가 이미 있어도 이 실습에서는 사용하지 마세요.

실습을 시작하고 Google Cloud 콘솔에 로그인하는 방법

1. 실습 시작 버튼을 클릭합니다. 실습 비용을 결제해야 하는 경우 결제 수단을 선택할 수 있는 팝업이 열립니다. 왼쪽에는 다음과 같은 항목이 포함된 실습 세부정보 패널이 있습니다.

   • Google Cloud 콘솔 열기 버튼
   • 남은 시간
   • 이 실습에 사용해야 하는 임시 사용자 인증 정보
   • 필요한 경우 실습 진행을 위한 기타 정보

2. Google Cloud 콘솔 열기를 클릭합니다(Chrome 브라우저를 실행 중인 경우 마우스 오른쪽 버튼으로 클릭하고 시크릿 창에서 링크 열기를 선택합니다).

   실습에서 리소스가 가동되면 다른 탭이 열리고 로그인 페이지가 표시됩니다.

   팁: 두 개의 탭을 각각 별도의 창으로 나란히 정렬하세요.

   참고: 계정 선택 대화상자가 표시되면 다른 계정 사용을 클릭합니다.

3. 필요한 경우 아래의 사용자 이름을 복사하여 로그인 대화상자에 붙여넣습니다.

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

   실습 세부정보 패널에서도 사용자 이름을 확인할 수 있습니다.

4. 다음을 클릭합니다.

5. 아래의 비밀번호를 복사하여 시작하기 대화상자에 붙여넣습니다.

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

   실습 세부정보 패널에서도 비밀번호를 확인할 수 있습니다.

6. 다음을 클릭합니다.

   중요: 실습에서 제공하는 사용자 인증 정보를 사용해야 합니다. Google Cloud 계정 사용자 인증 정보를 사용하지 마세요. 참고: 이 실습에 자신의 Google Cloud 계정을 사용하면 추가 요금이 발생할 수 있습니다.

7. 이후에 표시되는 페이지를 클릭하여 넘깁니다.

   • 이용약관에 동의합니다.
   • 임시 계정이므로 복구 옵션이나 2단계 인증을 추가하지 않습니다.
   • 무료 체험판을 신청하지 않습니다.

잠시 후 Google Cloud 콘솔이 이 탭에서 열립니다.

참고: Google Cloud 제품 및 서비스 목록이 있는 메뉴를 보려면 왼쪽 상단의 탐색 메뉴를 클릭합니다.

작업 1. 클라우드 리소스 연결을 생성하고 IAM 역할 부여하기

BigQuery에서 클라우드 리소스 연결 생성하기

이 작업에서는 Gemini Pro 및 Gemini Pro Vision 모델로 작업을 수행할 수 있도록 BigQuery에서 Cloud 리소스 연결을 생성합니다. 또한 역할을 통해 클라우드 리소스 연결의 서비스 계정에 IAM 권한을 부여하여 Vertex AI 서비스에 액세스할 수 있도록 합니다.

1. Google Cloud 콘솔의 탐색 메뉴에서 BigQuery를 클릭합니다.

2. 시작 팝업에서 완료를 클릭합니다.

3. 연결을 만들기 위해 +추가를 클릭한 다음 외부 데이터 소스에 연결을 클릭합니다.

4. '연결 유형' 목록에서 Vertex AI 원격 모델, 원격 함수, BigLake(Cloud 리소스)를 선택합니다.

5. 연결을 위해 '연결 ID' 필드에 gemini_conn을 입력합니다.

6. 위치 유형에 대해 멀티 리전을 선택한 다음 드롭다운에서 US 멀티 리전을 선택합니다.

7. 다른 설정은 기본값을 그대로 유지합니다.

8. 연결 만들기를 클릭합니다.

9. 연결로 이동을 클릭합니다.

10. '연결 정보' 창에서 다음 작업에 사용할 수 있도록 서비스 계정 ID를 텍스트 파일에 복사합니다. 또한 BigQuery 탐색기에서 프로젝트의 '외부 연결' 섹션에 연결이 추가된 것을 볼 수 있습니다.

연결의 서비스 계정에 Vertex AI 사용자 역할 부여하기

1. 콘솔의 탐색 메뉴에서 IAM 및 관리자를 클릭합니다.

2. 액세스 권한 부여를 클릭합니다.

3. 새 주 구성원 필드에 앞에서 복사한 서비스 계정 ID를 입력합니다.

4. '역할 선택' 필드에서 Vertex AI를 선택한 후 Vertex AI 사용자 역할을 선택합니다.

5. 저장을 클릭합니다.

   이렇게 하면 이제 서비스 계정에 Vertex AI 사용자 역할이 포함됩니다.

내 진행 상황 확인하기를 클릭하여 목표를 확인합니다. 클라우드 리소스 연결을 생성하고 IAM 역할 부여하기

작업 2. 이미지 및 파일을 검토하고 서비스 계정에 IAM 역할 부여하기

이 작업에서는 데이터 세트 및 이미지 파일을 검토한 다음 클라우드 리소스 연결의 서비스 계정에 IAM 권한을 부여합니다.

Cloud Storage의 이미지 파일 및 고객 리뷰 데이터 세트 검토하기

리소스 연결 서비스 계정에 권한을 부여하기 전에 데이터 세트 및 이미지 파일을 검토합니다.

1. 콘솔에서 탐색 메뉴()를 선택한 다음 Cloud Storage를 선택합니다.

2. -bucket 버킷을 클릭합니다.

3. 버킷에는 gsp1246 폴더가 있습니다. 폴더를 엽니다. 다음 두 항목이 표시됩니다.

   • images 폴더에는 분석할 모든 이미지 파일이 포함되어 있습니다. images 폴더에 액세스하여 이미지 파일을 검토하세요.
   • customer_reviews.csv 파일은 텍스트 기반 고객 리뷰가 포함되어 있는 데이터 세트입니다.
   참고: 각 이미지의 인증 URL을 사용하여 customer_reviews.csv 파일을 다운로드하고 각 항목을 검토할 수 있습니다.

연결의 서비스 계정에 IAM 스토리지 객체 관리자 역할 부여하기

BigQuery에서 작업을 시작하기 전에 리소스 연결의 서비스 계정에 IAM 권한을 부여하면 쿼리를 실행할 때 액세스 거부 오류가 발생하지 않습니다.

1. 버킷의 루트로 돌아갑니다.

2. 권한을 클릭합니다.

3. 액세스 권한 부여를 클릭합니다.

4. 새 주 구성원 필드에 앞에서 복사한 서비스 계정 ID를 입력합니다.

5. '역할 선택' 필드에 스토리지 객체를 입력한 다음 스토리지 객체 관리자 역할을 선택합니다.

6. 저장을 클릭합니다.

   이렇게 하면 이제 서비스 계정에 스토리지 객체 관리자 역할이 포함됩니다.

내 진행 상황 확인하기를 클릭하여 목표를 확인합니다. 이미지 및 파일을 검토하고 서비스 계정에 IAM 역할 부여하기

작업 3. BigQuery에서 데이터 세트 및 테이블 만들기

이 작업에서는 프로젝트에 대한 데이터 세트, 고객 리뷰에 대한 테이블, 이미지 객체 테이블을 만듭니다.

데이터 세트 만들기

1. 콘솔에서 탐색 메뉴()를 선택한 다음 BigQuery를 선택합니다.

2. 탐색기 패널의 에서 작업 보기()를 선택한 다음 데이터 세트 만들기를 선택합니다.

   테이블과 모델을 비롯한 데이터베이스 객체를 저장할 데이터 세트를 생성합니다.

3. 데이터 세트 만들기 창에 다음 정보를 입력합니다.

   필드	값
   데이터 세트 ID	gemini_demo
   위치 유형	멀티 리전 선택
   멀티 리전	US 선택

   다른 필드는 기본값을 유지합니다.

4. 데이터 세트 만들기를 클릭합니다.

   이렇게 하면 gemini_demo 데이터 세트가 만들어지고 BigQuery 탐색기의 프로젝트 아래에 나열됩니다.

고객 리뷰에 대한 테이블 만들기

SQL 쿼리를 사용하여 고객 리뷰 테이블을 만듭니다.

1. +를 클릭하여 새 SQL 쿼리를 만듭니다.

2. 쿼리 편집기에 아래 쿼리를 붙여넣습니다.

   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']);

   이 쿼리는 LOAD DATA 문을 사용하여 Cloud Storage의 customer_reviews.csv 파일을 열 이름 및 데이터 유형이 지정된 BigQuery 테이블로 로드합니다.

3. 실행을 클릭합니다.

   이렇게 하면 쿼리가 처리되고 데이터 세트의 각 리뷰에 대해 customer_review_id, customer_id, location_id, review_datetime, review_text, social_media_source, social_media_handle이 포함된 customer_reviews 테이블이 생성됩니다.

4. 탐색기에서 customer_reviews 테이블을 클릭하고 스키마와 세부정보를 검토합니다. 자유롭게 테이블을 쿼리하여 레코드를 검토합니다.

리뷰 이미지에 대한 객체 테이블 만들기

SQL 쿼리를 사용하여 객체 테이블을 만듭니다.

1. +를 클릭하여 새 SQL 쿼리를 만듭니다.

2. 쿼리 편집기에 아래 쿼리를 붙여넣습니다.

   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. 쿼리를 실행합니다.

   이렇게 하면 review_images 객체 테이블이 gemini_demo 데이터 세트에 추가되고, 샘플 데이터 세트에 있는 각 오디오 리뷰의 URI(Cloud Storage 위치)와 함께 로드됩니다.

4. 탐색기에서 review_images 테이블을 클릭하고 스키마와 세부정보를 검토합니다. 자유롭게 테이블을 쿼리하여 특정 레코드를 검토합니다.

내 진행 상황 확인하기를 클릭하여 목표를 확인합니다. BigQuery에서 데이터 세트, 테이블, 슬롯 예약 만들기

작업 4. BigQuery에서 Gemini 모델 만들기

테이블이 만들어졌으니 이제 테이블을 사용하여 작업을 수행할 수 있습니다. 이 작업에서는 BigQuery의 Gemini Pro 및 Gemini Pro Vision용 모델을 만듭니다.

Gemini Pro 모델 만들기

1. +를 클릭하여 새 SQL 쿼리를 만듭니다.

2. 쿼리 편집기에 다음 쿼리를 붙여넣고 실행합니다.

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

   이렇게 하면 gemini_pro 모델이 생성되어 모델 섹션의 gemini_demo 데이터 세트에 추가됩니다.

3. 탐색기에서 gemini_pro 모델을 클릭하고 스키마와 세부정보를 검토합니다.

Gemini Pro Vision 모델 만들기

1. +를 클릭하여 새 SQL 쿼리를 만듭니다.

2. 쿼리 편집기에 다음 쿼리를 붙여넣고 실행합니다.

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

   이렇게 하면 gemini_pro_vision 모델이 생성되어 모델 섹션의 gemini_demo 데이터 세트에 추가됩니다.

3. 탐색기에서 gemini_pro_vision 모델을 클릭하고 스키마와 세부정보를 검토합니다.

내 진행 상황 확인하기를 클릭하여 목표를 확인합니다. BigQuery에서 Gemini 모델 만들기

작업 5. 고객 리뷰에서 키워드 및 감정을 분석하도록 Gemini에 프롬프트 입력하기

이 작업에서는 Gemini Pro 모델을 사용하여 각 고객 리뷰에서 키워드 및 감정이 긍정인지 부정인지 분석합니다.

고객 리뷰에서 키워드 분석하기

1. +를 클릭하여 새 SQL 쿼리를 만듭니다.

2. 쿼리 편집기에 다음 쿼리를 붙여넣고 실행합니다.

   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)));

   이 쿼리는 customer_reviews 테이블에서 고객 리뷰를 가져와 gemini_pro 모델에 각 리뷰 내의 키워드를 식별하도록 요청하는 프롬프트를 구성합니다. 결과는 새 테이블 customer_reviews_keywords에 저장됩니다.

   잠시만 기다려 주세요. 모델이 고객 리뷰 레코드를 처리하는 데 약 30초가 소요됩니다.

   모델이 처리를 완료하면 customer_reviews_keywords 테이블이 생성됩니다.

3. 탐색기에서 customer_reviews_keywords 테이블을 클릭하고 스키마와 세부정보를 검토합니다.

4. +를 클릭하여 새 SQL 쿼리를 만듭니다.

5. 쿼리 편집기에 다음 쿼리를 붙여넣고 실행합니다.

   SELECT * FROM `gemini_demo.customer_reviews_keywords`

   이렇게 하면 customer_reviews_keywords 테이블의 행과 키워드 분석이 포함된 ml_generate_text_llm_result, social_media_source, review_text, customer_id, location_id, review_datetime 열이 출력됩니다.

고객 리뷰에서 긍정적 및 부정적 감정 분석하기

1. +를 클릭하여 새 SQL 쿼리를 만듭니다.

2. 쿼리 편집기에 다음 쿼리를 붙여넣고 실행합니다.

   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)));

   이 쿼리는 customer_reviews 테이블에서 고객 리뷰를 가져와 gemini_pro 모델에 각 리뷰 내의 감정을 분류하도록 요청하는 프롬프트를 구성합니다. 결과는 새 테이블 customer_reviews_analysis에 저장되므로 나중에 추가 분석을 위해 사용할 수 있습니다.

   잠시만 기다려 주세요. 모델이 고객 리뷰 레코드를 처리하는 데 약 20초가 소요됩니다.

   모델이 처리를 완료하면 customer_reviews_analysis 테이블이 생성됩니다.

3. 탐색기에서 customer_reviews_analysis 테이블을 클릭하고 스키마와 세부정보를 검토합니다.

4. +를 클릭하여 새 SQL 쿼리를 만듭니다.

5. 쿼리 편집기에 다음 쿼리를 붙여넣고 실행합니다.

   SELECT * FROM `gemini_demo.customer_reviews_analysis` ORDER BY review_datetime

   이렇게 하면 customer_reviews_analysis 테이블의 행과 함께 감정 분석이 포함된 ml_generate_text_llm_result, social_media_source, review_text, customer_id, location_id, review_datetime 열이 출력됩니다.

   레코드를 살펴봅니다. 긍정 및 부정에 대한 일부 결과의 형식이 올바르지 않다는 것을 알 수 있습니다. 마침표나 추가 공백과 같은 불필요한 문자가 있습니다. 아래의 뷰를 사용하여 레코드를 정리할 수 있습니다.

레코드를 정리할 뷰 만들기

1. +를 클릭하여 새 SQL 쿼리를 만듭니다.

2. 쿼리 편집기에 다음 쿼리를 붙여넣고 실행합니다.

   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`;

   이 쿼리는 cleaned_data_view 뷰를 생성하며 감정 결과, 리뷰 텍스트, 고객 ID, 위치 ID를 포함합니다. 그런 다음 감정 결과(긍정 또는 부정)를 가져와 모든 문자를 소문자로 만들고 마침표, 여분의 공백과 같은 불필요한 문자를 삭제합니다. 이렇게 생성된 뷰를 사용하면 이 실습의 이후 단계에서 추가 분석을 더 쉽게 수행할 수 있습니다.

3. 아래의 쿼리를 사용하여 뷰를 쿼리하면 생성된 행을 볼 수 있습니다.

   SELECT * FROM `gemini_demo.cleaned_data_view` ORDER BY review_datetime

   이 쿼리는 cleaned_data_view 뷰에서 모든 데이터를 가져와 검토 날짜 및 시간을 기준으로 오름차순으로 정렬하도록 설계되었습니다.

긍정적 및 부정적 리뷰 수에 대한 보고서 만들기

1. BigQuery를 사용하여 긍정적 및 부정적 리뷰 수를 보여주는 막대 그래프 보고서를 만들 수 있습니다. 아래의 쿼리로 시작합니다.

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

   이렇게 하면 긍정적 및 부정적 리뷰 수가 표시됩니다.

2. 리뷰 수를 보여주는 막대 그래프 보고서를 생성하기 위해 BigQuery의 '쿼리' 결과 섹션에서 차트를 클릭합니다. BigQuery는 그래프 유형을 막대 그래프로, 열을 감정(긍정적 또는 부정적으로 예측된 감정)으로 차트를 자동으로 설정하며 막대에는 개수를 표시합니다.

소셜 미디어 소스별 긍정적 및 부정적 리뷰 수 생성하기

1. 아래의 쿼리를 사용하여 BigQuery에서 소셜 미디어 소스별로 긍정적 및 부정적 리뷰 수를 나열할 수 있습니다.

   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;

내 진행 상황 확인하기를 클릭하여 목표를 확인합니다. 고객 리뷰에서 키워드 및 감정을 분석하도록 Gemini에 프롬프트 입력하기

작업 6. 고객 리뷰에 응답하기

Gemini Pro를 사용하여 고객 리뷰에 응답할 수도 있습니다. 이 작업에서는 customer_reviews 테이블의 특정 리뷰에 대해 제로샷을 사용한 마케팅 응답과 퓨샷을 사용한 고객 서비스 응답을 만드는 방법을 배웁니다.

참고: 자세한 내용은 Google AI for Developers 문서의 제로샷과 퓨샷 프롬프트 비교를 참조하세요.

마케팅 응답

customer_id가 5576인 고객이 다음과 같이 응답했습니다.

깨끗하고 매력적인 곳이었습니다. 커피를 마시며 책을 읽고 싶을 때도 있고, 프로젝트 작업을 위해 높은 의자와 테이블을 선호할 때도 있어서 다양한 좌석이 있다는 점도 마음에 들어요.

이는 분명히 긍정적인 리뷰입니다. Gemini Pro를 사용하여 이 고객에게 응답하고 긍정적인 리뷰에 따른 인센티브를 제공하려면 어떻게 해야 할까요?

1. 아래의 쿼리와 함께 Gemini Pro를 사용하면 됩니다. 쿼리 편집기에 다음 쿼리를 붙여넣고 실행합니다.

   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)));

   이 쿼리는 customer_reviews 테이블의 고객 리뷰 중 특히 고객 ID 5576의 리뷰를 분석합니다. 쿼리를 실행하면 Gemini Pro를 사용하여 리뷰 텍스트를 기반으로 마케팅 응답 제안을 생성한 다음 결과를 customer_reviews_marketing이라는 새 테이블에 저장합니다. 이 테이블에는 생성된 마케팅 응답 제안과 함께 원래 리뷰 데이터가 포함되어 있어 쉽게 분석하고 조치를 취할 수 있습니다.

2. 아래의 SQL 쿼리를 실행하여 customer_reviews_marketing 테이블의 세부정보를 확인할 수 있습니다.

   SELECT * FROM `gemini_demo.customer_reviews_marketing`

   ml_generate_text_llm_result 열에는 응답이 포함되어 있습니다.

3. 아래의 SQL 쿼리를 사용하면 응답을 더 쉽게 읽고 응답에 대한 조치를 취할 수 있습니다:

   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. 아래의 SQL 쿼리를 실행하여 테이블의 세부정보를 볼 수 있습니다.

   SELECT * FROM `gemini_demo.customer_reviews_marketing_formatted`

   marketing 열에 주목하세요. marketing 열의 응답을 가져와 10% 할인 쿠폰 파일을 Data Beans 앱의 고객 계정용 알림으로 첨부하거나, 쿠폰 파일을 포함하여 고객용 이메일을 생성하는 애플리케이션을 작성할 수 있습니다.

고객 서비스 응답

customer_id가 8844인 고객이 다음과 같이 응답했습니다.

정말 실망스러웠습니다. 서비스가 형편없었습니다. 직원들은 무례하고 불친절했으며 음식과 음료를 받기까지 오랜 시간을 기다려야 했습니다. 음식 자체도 그저 그랬어요. 커피는 너무 연했고 페이스트리는 신선하지 않았어요. 가게 자체도 너무 비좁고 시끄러워서 편안하게 시간을 보낼 수 없었어요. 심지어는 가격도 너무 비싸서 전반적으로 최악이었어요. 아무에게도 이 커피 트럭을 추천하지 않을 거예요.

이는 분명히 부정적인 리뷰입니다. Gemini Pro를 사용하여 이 고객에게 응답하고 조치를 취할 수 있도록 카페에 이 경험을 알리려면 어떻게 해야 할까요?

1. 아래의 쿼리와 함께 Gemini Pro를 사용하면 됩니다. 쿼리 편집기에 다음 쿼리를 붙여넣고 실행합니다.

   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)));

   이 쿼리는 Gemini Pro를 사용하여 고객 리뷰를 분석하고 적절한 응답 및 실행 계획을 생성해 고객 서비스 응답을 자동화합니다. Google Cloud를 사용하여 고객 서비스와 비즈니스 운영을 개선하는 방법을 잘 보여주는 예시입니다. 쿼리를 실행하면 customer_reviews_cs_response 테이블이 생성됩니다.

2. 아래의 SQL 쿼리를 실행하여 테이블의 세부정보를 볼 수 있습니다.

   SELECT * FROM `gemini_demo.customer_reviews_cs_response`

   ml_generate_text_llm_result 열에는 응답과 조치가 두 개의 키로 포함되어 있습니다.

3. 아래의 SQL 쿼리를 사용하여 customer_reviews_cs_response_formatted라는 새로운 테이블에 응답과 조치를 두 개의 열로 분리해 더 읽기 쉽게 만들 수 있습니다.

   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. 아래의 SQL 쿼리를 실행하여 테이블의 세부정보를 볼 수 있습니다.

   SELECT * FROM `gemini_demo.customer_reviews_cs_response_formatted`

   응답 필드와 조치 필드가 생성되었습니다. 고객에게 응답하는 애플리케이션과 매장에 응답하는 애플리케이션을 각각 빌드하면 매장에서 개선을 위한 조치를 취하고 고객에게는 의견이 전달되었다는 알림을 보낼 수 있습니다.

내 진행 상황 확인하기를 클릭하여 목표를 확인합니다. 고객 리뷰에 응답하기

작업 7. 각 이미지의 키워드 및 요약을 제공하도록 Gemini에 프롬프트 입력하기

이 작업에서는 Gemini(직접 만든 Gemini Pro 및 Vision 모델)를 사용하여 이미지를 분석하고 키워드와 요약을 생성합니다.

Gemini Pro Vision 모델을 사용하여 이미지 분석하기

1. +를 클릭하여 새 SQL 쿼리를 만듭니다.

2. 쿼리 편집기에 다음 쿼리를 붙여넣고 실행합니다.

   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)));

   잠시만 기다려 주세요. 모델이 작업을 완료하는 데 약 1분이 소요됩니다.

   모델이 이미지 처리를 완료하면 review_images_results 테이블이 생성됩니다.

3. 탐색기에서 review_image_results 테이블을 클릭하고 스키마와 세부정보를 검토합니다.

4. +를 클릭하여 새 SQL 쿼리를 만듭니다.

5. 쿼리 편집기에 다음 쿼리를 붙여넣고 실행합니다.

   SELECT * FROM `gemini_demo.review_images_results`

   이렇게 하면 각 리뷰 이미지의 행이 URI(리뷰 이미지의 Cloud Storage 위치) 및 JSON 결과(Gemini Pro Vision 모델의 요약과 키워드 포함)와 함께 표시됩니다.

   다음 쿼리를 사용하여 인간이 읽기 더 쉬운 방식으로 이러한 결과를 가져올 수 있습니다.

6. +를 클릭하여 새 SQL 쿼리를 만듭니다.

7. 쿼리 편집기에 다음 쿼리를 붙여넣고 실행합니다.

   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 )

   이렇게 하면 review_images_results_formatted 테이블이 생성됩니다.

8. 아래의 쿼리를 사용하여 테이블을 쿼리하면 생성된 행을 볼 수 있습니다.

   SELECT * FROM `gemini_demo.review_images_results_formatted`

   URI 열 결과는 동일하게 유지되지만 JSON은 각 행의 요약 및 키워드 열로 변환됩니다.

내 진행 상황 확인하기를 클릭하여 목표를 확인합니다. 고객 리뷰 이미지 요약 및 키워드를 제공하도록 Gemini에 프롬프트 입력하기

수고하셨습니다

BigQuery에서 클라우드 리소스 연결을 성공적으로 생성했습니다. 또한 Gemini에 긍정적 및 부정적 리뷰 수에 대한 보고서와 함께 고객 리뷰에서 감정을 분석하도록 프롬프트로 요청하기 위해 데이터 세트, 테이블, 모델을 만들었습니다. 그런 다음 Gemini에 제로샷 및 퓨샷 프롬프트를 사용하여 이러한 리뷰에 응답했습니다. 마지막으로 Gemini Pro Vision 모델을 사용하여 이미지를 분석하고 요약 및 키워드를 생성했습니다.

다음 단계/더 학습하기

• BigQuery ML 소개
• BigQuery ML 추론 엔진을 사용한 머신러닝 확장 - 블로그
• Gemini 모델
• 생성형 AI

Google Cloud 교육 및 자격증

Google Cloud 기술을 최대한 활용하는 데 도움이 됩니다. Google 강의에는 빠른 습득과 지속적인 학습을 지원하는 기술적인 지식과 권장사항이 포함되어 있습니다. 기초에서 고급까지 수준별 학습을 제공하며 바쁜 일정에 알맞은 주문형, 실시간, 가상 옵션이 포함되어 있습니다. 인증은 Google Cloud 기술에 대한 역량과 전문성을 검증하고 입증하는 데 도움이 됩니다.

설명서 최종 업데이트: 2024년 7월 26일

실습 최종 테스트: 2024년 7월 26일

Copyright 2024 Google LLC All rights reserved. Google 및 Google 로고는 Google LLC의 상표입니다. 기타 모든 회사명 및 제품명은 해당 업체의 상표일 수 있습니다.