GSP1246

Visão geral

Neste laboratório, você vai aprender a usar o BigQuery Machine Learning com modelos remotos (Gemini Pro) em SQL para extrair palavras-chave, avaliar o sentimento dos clientes em avaliações feitas por eles e responder a essas avaliações com comandos zero-shot e few-shot.

O BigQuery é uma plataforma de análise de dados totalmente gerenciada e pronta para IA que ajuda a impulsionar o valor dos dados, funcionando com vários mecanismos, formatos e nuvens. Um dos principais recursos dele é o BigQuery Machine Learning, que permite criar e executar modelos de machine learning (ML) usando consultas SQL ou notebooks do Colab Enterprise.

Gemini é uma família de modelos de IA generativa desenvolvida pelo Google DeepMind, criada para casos de uso multimodais. A API Gemini fornece acesso aos modelos Gemini Pro, Gemini Pro Vision e Gemini Flash.

Além disso, você vai usar o modelo Gemini Pro Vision para gerar resumos e extrair palavras-chave relevantes de imagens de avaliações de clientes.

Objetivos

Neste laboratório, você vai aprender a:

• Criar uma conexão de recurso do Cloud no BigQuery.
• Criar o conjunto de dados e as tabelas no BigQuery.
• Criar os modelos remotos do Gemini no BigQuery.
• Solicitar que o Gemini analise palavras-chave e sentimentos (positivos ou negativos) em avaliações de clientes feitas em texto.
• Gerar um relatório com uma contagem de avaliações positivas e negativas.
• Responder às avaliações dos clientes.
• Solicitar que o Gemini extraia um resumo e palavras-chave de cada imagem de avaliação de cliente.

Configuração e requisitos

Antes de clicar no botão Start Lab

Leia estas instruções. Os laboratórios são cronometrados e não podem ser pausados. O timer é iniciado quando você clica em Começar o laboratório e mostra por quanto tempo os recursos do Google Cloud vão ficar disponíveis.

Este laboratório prático permite que você realize as atividades em um ambiente real de nuvem, não em uma simulação ou demonstração. Você vai receber novas credenciais temporárias para fazer login e acessar o Google Cloud durante o laboratório.

Confira os requisitos para concluir o laboratório:

• Acesso a um navegador de Internet padrão (recomendamos o Chrome).

Observação: para executar este laboratório, use o modo de navegação anônima ou uma janela anônima do navegador. Isso evita conflitos entre sua conta pessoal e a conta de estudante, o que poderia causar cobranças extras na sua conta pessoal.

• Tempo para concluir o laboratório---não se esqueça: depois de começar, não será possível pausar o laboratório.

Observação: não use seu projeto ou conta do Google Cloud neste laboratório para evitar cobranças extras na sua conta.

Como iniciar seu laboratório e fazer login no console do Google Cloud

1. Clique no botão Começar o laboratório. Se for preciso pagar, você verá um pop-up para selecionar a forma de pagamento. No painel Detalhes do laboratório à esquerda, você vai encontrar o seguinte:

   • O botão Abrir console do Google Cloud
   • O tempo restante
   • As credenciais temporárias que você vai usar neste laboratório
   • Outras informações, se forem necessárias

2. Se você estiver usando o navegador Chrome, clique em Abrir console do Google Cloud ou clique com o botão direito do mouse e selecione Abrir link em uma janela anônima.

   O laboratório ativa os recursos e depois abre a página Fazer login em outra guia.

   Dica: coloque as guias em janelas separadas lado a lado.

   Observação: se aparecer a caixa de diálogo Escolher uma conta, clique em Usar outra conta.

3. Se necessário, copie o Nome de usuário abaixo e cole na caixa de diálogo Fazer login.

   {{{user_0.username | "Nome de usuário"}}}

   Você também encontra o Nome de usuário no painel Detalhes do laboratório.

4. Clique em Seguinte.

5. Copie a Senha abaixo e cole na caixa de diálogo de boas-vindas.

   {{{user_0.password | "Senha"}}}

   Você também encontra a Senha no painel Detalhes do laboratório.

6. Clique em Seguinte.

   Importante: você precisa usar as credenciais fornecidas no laboratório, e não as da sua conta do Google Cloud. Observação: se você usar sua própria conta do Google Cloud neste laboratório, é possível que receba cobranças adicionais.

7. Acesse as próximas páginas:

   • Aceite os Termos e Condições.
   • Não adicione opções de recuperação nem autenticação de dois fatores (porque essa é uma conta temporária).
   • Não se inscreva em testes gratuitos.

Depois de alguns instantes, o console do Google Cloud será aberto nesta guia.

Observação: clique em Menu de navegação no canto superior esquerdo para acessar uma lista de produtos e serviços do Google Cloud.

Tarefa 1: estabelecer a conexão do recurso do Cloud e conceder o papel do IAM

Criar a conexão do recurso do Cloud no BigQuery

Nesta tarefa, você vai criar uma conexão de recurso do Cloud no BigQuery para trabalhar com os modelos Gemini Pro e Gemini Pro Vision. Você também vai conceder permissões do IAM à conta de serviço da conexão do recurso do Cloud usando um papel para permitir que ela acesse os serviços da Vertex AI.

1. No console do Google Cloud, acesse o menu de navegação e clique em BigQuery.

2. Clique em CONCLUÍDO no pop-up inicial.

3. Para criar uma conexão, clique em + ADICIONAR e selecione Conexões com fontes de dados externas.

4. Na lista Tipo de conexão, selecione Modelos remotos, funções remotas e BigLake (recurso do Cloud) da Vertex AI.

5. No campo ID da conexão, digite gemini_conn.

6. Em Tipo de local, selecione Multirregional e, no menu suspenso, selecione a opção multirregional EUA.

7. Mantenha os valores padrão nas outras configurações.

8. Clique em Criar conexão.

9. Clique em ACESSAR CONEXÃO.

10. No painel "Informações da conexão", copie o ID da conta de serviço para um arquivo de texto a fim de usá-lo na próxima tarefa. Observe também que a conexão foi adicionada à seção Conexões externas do projeto no BigQuery Explorer.

Conceder o papel de usuário da Vertex AI à conta de serviço da conexão

1. No console, acesse o menu de navegação e clique em IAM e administração.

2. Clique em Permitir acesso.

3. No campo Novos principais, digite o ID da conta de serviço que você copiou anteriormente.

4. No campo Selecionar um papel, digite Vertex AI e selecione o papel Usuário da Vertex AI.

5. Clique em Salvar.

   Agora, a conta de serviço tem o papel de usuário da Vertex AI.

Clique em Verificar meu progresso para conferir o objetivo. Estabelecer a conexão do recurso do Cloud e conceder o papel do IAM.

Tarefa 2: analisar as imagens e os arquivos e conceder o papel do IAM à conta de serviço

Nesta tarefa, você vai analisar o conjunto de dados e os arquivos de imagem e conceder permissões do IAM à conta de serviço da conexão de recurso do Cloud.

Analisar os arquivos de imagem e o conjunto de dados de avaliações dos clientes no Cloud Storage

Antes de realizar esta tarefa em que você vai conceder permissões à conta de serviço da conexão de recurso, analise o conjunto de dados e os arquivos de imagem.

1. No console, clique no menu de navegação () e selecione Cloud Storage.

2. Clique no bucket -bucket.

3. O bucket contém a pasta gsp1246, que você deve abrir. Nela, você vai encontrar dois itens:

   • A pasta images contém todos os arquivos de imagem que você vai analisar. Você pode acessar essa pasta e analisar os arquivos de imagem que ela contém.
   • O arquivo customer_reviews.csv é o conjunto de dados que contém as avaliações dos clientes feitas em texto.
   Observação: é possível usar o URL autenticado para cada imagem e o arquivo customer_reviews.csv para baixar e analisar cada item.

Conceder o papel de administrador de objetos de armazenamento do IAM à conta de serviço da conexão

Ao conceder permissões do IAM à conta de serviço da conexão de recurso antes de começar a trabalhar no BigQuery, você garante que não ocorram erros de acesso negado ao executar consultas.

1. Retorne à raiz do bucket.

2. Clique em PERMISSÕES.

3. Clique em PERMITIR ACESSO.

4. No campo Novos principais, digite o ID da conta de serviço que você copiou anteriormente.

5. No campo "Selecionar um papel", digite Objeto de armazenamento e selecione o papel Administrador de objetos de armazenamento.

6. Clique em Salvar.

   Agora, a conta de serviço tem o papel de administrador de objetos de armazenamento.

Clique em Verificar meu progresso para conferir o objetivo. Analisar as imagens e os arquivos e conceder o papel do IAM à conta de serviço.

Tarefa 3: criar o conjunto de dados e as tabelas no BigQuery

Nesta tarefa, você vai criar um conjunto de dados para o projeto, a tabela de avaliações dos clientes e a tabela de objetos de imagem.

Criar o conjunto de dados

1. No console, clique no menu de navegação () e selecione BigQuery.

2. No painel Explorador, para , selecione Ver ações () e selecione Criar conjunto de dados.

   Ao criar um conjunto de dados, você armazena objetos do banco de dados, incluindo tabelas e modelos.

3. No painel Criar conjunto de dados, digite as seguintes informações:

   Campo	Valor
   ID do conjunto de dados	gemini_demo
   Tipo de local	Selecione Multirregional.
   Multirregional	Selecione EUA.

   Deixe os demais campos com os valores padrão.

4. Clique em Criar conjunto de dados.

   Como resultado, o conjunto de dados gemini_demo é criado e listado no projeto no BigQuery Explorer.

Criar a tabela de avaliações dos clientes

Para criar a tabela de avaliações dos clientes, você vai usar uma consulta SQL.

1. Clique em + para criar uma nova consulta SQL.

2. No editor de consultas, cole a consulta abaixo.

   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']);

   Essa consulta usa a instrução LOAD DATA para carregar o arquivo customer_reviews.csv do Cloud Storage para uma tabela do BigQuery com os nomes de coluna e tipos de dados fornecidos.

3. Clique em Executar.

   Como resultado, a consulta é processada e a tabela customer_reviews é criada com customer_review_id, customer_id, location_id, review_datetime, review_text, social_media_source e social_media_handle para cada avaliação no conjunto de dados.

4. No Explorer, clique na tabela customer_reviews e confira o esquema e os detalhes. Você pode consultar a tabela para analisar os registros.

Criar a tabela de objetos para as imagens que serão analisadas

Para criar a tabela de objetos, você vai usar uma consulta SQL.

1. Clique em + para Criar uma consulta SQL.

2. No editor de consultas, cole a consulta abaixo.

   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. Execute a consulta.

   Como resultado, a tabela de objetos review_images é adicionada ao conjunto de dados gemini_demo e carregada com o URI (o local no Cloud Storage) de cada avaliação feita por áudio no conjunto de dados de amostra.

4. No Explorer, clique na tabela review_images e analise o esquema e os detalhes. Você pode consultar a tabela para analisar registros específicos.

Clique em Verificar meu progresso para conferir o objetivo. Criar o conjunto de dados, as tabelas e a reserva de slot no BigQuery.

Tarefa 4: criar os modelos do Gemini no BigQuery

Agora que as tabelas foram criadas, você pode começar a trabalhar com elas. Nesta tarefa, você vai criar modelos para o Gemini Pro e o Gemini Pro Vision no BigQuery.

Criar o modelo Gemini Pro

1. Clique em + para criar uma nova consulta SQL.

2. No editor de consultas, cole a consulta abaixo e a execute.

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

   O modelo gemini_pro é criado e adicionado ao conjunto de dados gemini_demo na seção de modelos.

3. No Explorer, clique no modelo gemini_pro e analise os detalhes e o esquema.

Criar o modelo Gemini Pro Vision

1. Clique em + para criar uma nova consulta SQL.

2. No editor de consultas, cole a consulta abaixo e a execute.

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

   O modelo gemini_pro_vision é criado e adicionado ao conjunto de dados gemini_demo na seção de modelos.

3. No Explorer, clique no modelo gemini_pro_vision e analise os detalhes e o esquema.

Clique em Verificar meu progresso para conferir o objetivo. Criar os modelos do Gemini no BigQuery.

Tarefa 5: solicitar que o Gemini analise as avaliações dos clientes em busca de palavras-chave e sentimentos

Nesta tarefa, você vai usar o modelo Gemini Pro para analisar cada avaliação de cliente em busca de palavras-chave e sentimentos positivos ou negativos.

Analisar as avaliações dos clientes em busca de palavras-chave

1. Clique em + para criar uma nova consulta SQL.

2. No editor de consultas, cole a consulta abaixo e a execute.

   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)));

   Essa consulta usa as avaliações dos clientes da tabela customer_reviews para criar comandos a fim de que o modelo gemini_pro identifique palavras-chave em cada avaliação. Em seguida, os resultados são armazenados em uma nova tabela customer_reviews_keywords.

   Aguarde. O modelo leva aproximadamente 30 segundos para processar os registros das avaliações dos clientes.

   Como resultado, a tabela customer_reviews_keywords é criada.

3. No Explorer, clique na tabela customer_reviews_keywords e analise o esquema e os detalhes.

4. Clique em + para criar uma nova consulta SQL.

5. No editor de consultas, cole a consulta abaixo e a execute.

   SELECT * FROM `gemini_demo.customer_reviews_keywords`

   Como resultado, as linhas da tabela customer_reviews_keywords são exibidas com a coluna ml_generate_text_llm_result que contém a análise de palavras-chave, além das colunas social_media_source, review_text, customer_id, location_id e review_datetime.

Analisar as avaliações dos clientes em busca de sentimentos positivos e negativos

1. Clique em + para criar uma nova consulta SQL.

2. No editor de consultas, cole a consulta abaixo e a execute.

   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)));

   Essa consulta usa as avaliações dos clientes da tabela customer_reviews para criar comandos a fim de que o modelo gemini_pro classifique o sentimento de cada avaliação. Em seguida, os resultados são armazenados em uma nova tabela customer_reviews_analysis para uso em análises posteriores.

   Aguarde. O modelo leva aproximadamente 20 segundos para processar os registros das avaliações dos clientes.

   Como resultado, a tabela customer_reviews_analysis é criada.

3. No Explorer, clique na tabela customer_reviews_analysis e analise o esquema e os detalhes.

4. Clique em + para criar uma nova consulta SQL.

5. No editor de consultas, cole a consulta abaixo e a execute.

   SELECT * FROM `gemini_demo.customer_reviews_analysis` ORDER BY review_datetime

   Como resultado, as linhas da tabela customer_reviews_analysis são exibidas com a coluna ml_generate_text_llm_result que contém a análise de sentimento, além das colunas social_media_source, review_text, customer_id, location_id e review_datetime.

   Confira alguns dos registros. Observe que alguns dos resultados positivos e negativos podem não estar formatados corretamente, contendo caracteres estranhos, como pontos ou espaço extra. Você pode limpar os registros com a exibição abaixo.

Criar uma exibição para limpar os registros

1. Clique em + para criar uma nova consulta SQL.

2. No editor de consultas, cole a consulta abaixo e a execute.

   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`;

   A consulta cria a exibição cleaned_data_view e inclui os resultados do sentimento, o texto da avaliação, o ID do cliente e o ID do local. Em seguida, ela analisa o resultado do sentimento (positivo ou negativo) para garantir que todas as letras sejam minúsculas e que caracteres estranhos, como espaços extras ou pontos, sejam removidos. A exibição resultante vai facilitar as análises em etapas posteriores deste laboratório.

3. Você pode usar a consulta abaixo para a exibição a fim de conferir as linhas criadas.

   SELECT * FROM `gemini_demo.cleaned_data_view` ORDER BY review_datetime

   Essa consulta foi projetada para buscar todos os dados da exibição cleaned_data_view e organizá-los em ordem crescente com base na data e na hora das avaliações.

Criar um relatório de contagem de avaliações positivas e negativas

1. Você pode usar o BigQuery para criar um relatório de gráfico de barras das contagens de avaliações positivas e negativas. Comece com a consulta abaixo.

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

   Como resultado, são exibidas contagens de avaliações positivas e negativas.

2. Para criar um relatório de gráfico de barras dessas contagens, clique em GRÁFICO na seção "Resultados da consulta" do BigQuery. O BigQuery vai definir automaticamente a configuração do gráfico, com o tipo de gráfico de barras e a coluna de sentimento (o sentimento previsto como positivo ou negativo), e a barra exibirá a contagem.

Criar uma contagem de avaliações positivas e negativas por fonte de mídia social

1. Você pode usar a consulta abaixo para solicitar que o BigQuery liste a contagem de avaliações positivas e negativas por fonte de mídia social.

   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;

Clique em Verificar meu progresso para conferir o objetivo. Solicitar que o Gemini analise as avaliações dos clientes em busca de palavras-chave e sentimentos.

Tarefa 6: responder às avaliações dos clientes

Você também pode usar o Gemini Pro para responder a avaliações dos clientes. Nesta tarefa, você vai aprender a criar uma resposta de marketing usando zero-shot e uma resposta de atendimento ao cliente usando few-shot para avaliações específicas na tabela customer_reviews.

Observação: consulte Diferenças entre os comandos zero-shot e few-shot na documentação da IA do Google para desenvolvedores a fim de saber mais.

Resposta de marketing

O cliente com o customer_id 5576 respondeu o seguinte:

O local estava limpo e era convidativo. Também gostei das várias opções de lugares para sentar, porque às vezes quero me aconchegar com meu café e ler um livro e outras vezes prefiro uma cadeira em uma mesa alta para trabalhar em projetos.

Essa avaliação é claramente positiva. Como você pode usar o Gemini Pro para responder a esse cliente e agradecê-lo pela avaliação positiva?

1. Você pode usar o Gemini Pro com estas consultas para fazer isso. No editor de consultas, cole a consulta abaixo e a execute.

   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 foi criada para analisar avaliações de clientes da tabela customer_reviews, em especial aquelas do cliente com o ID 5576. Quando você executa a consulta, ela usa o Gemini Pro para gerar sugestões de marketing com base no texto da avaliação e armazena os resultados em uma nova tabela chamada customer_reviews_marketing. Essa tabela vai conter os dados da avaliação original e as sugestões de marketing geradas para que você possa analisá-las e tomar medidas com facilidade.

2. Você pode conferir os detalhes da tabela customer_reviews_marketing executando a consulta SQL abaixo.

   SELECT * FROM `gemini_demo.customer_reviews_marketing`

   Observe que a coluna ml_generate_text_llm_result contém a resposta.

3. Você pode usar a consulta SQL abaixo para facilitar a leitura e a tomada de ações com base na resposta:

   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. Você pode executar a consulta SQL abaixo para conferir os detalhes da tabela.

   SELECT * FROM `gemini_demo.customer_reviews_marketing_formatted`

   Observe a coluna marketing. É possível criar um app para usar a resposta na coluna marketing e anexar o arquivo de cupom de 10% de desconto como uma notificação para a conta do cliente no app da Data Beans ou como um e-mail que é enviado a ele.

Resposta do atendimento ao cliente

O cliente com o customer_id 8844 respondeu o seguinte:

Tive uma experiência muito decepcionante nessa cafeteria. O serviço foi péssimo, a equipe estava desatenta e tratando os clientes mal e nós esperamos muito tempo para receber nossos pedidos. A comida era medíocre na melhor das hipóteses, porque o café estava fraco e os doces estavam velhos. A cafeteria também estava muito cheia e barulhenta, o que atrapalhou nosso momento de descanso. Além de tudo isso, para piorar ainda mais a experiência, os preços estavam muito altos. Eu definitivamente não recomendaria esse lugar a ninguém.

Essa é claramente uma avaliação negativa. Como você pode usar o Gemini Pro para responder a esse cliente e notificar a cafeteria sobre a experiência que ele teve, a fim de tomar uma atitude com relação ao acontecido?

1. Você pode usar o Gemini Pro com estas consultas para fazer isso. No editor de consultas, cole a consulta abaixo e a execute.

   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)));

   Essa consulta foi projetada para automatizar as respostas do atendimento ao cliente com o Gemini Pro para que ele analise as avaliações dos clientes e gere respostas e planos de ação apropriados. Esse é um exemplo excelente de como o Google Cloud pode ser usado para melhorar o atendimento ao cliente e as operações comerciais. Quando a consulta é executada, a tabela customer_reviews_cs_response é criada.

2. Você pode executar a consulta SQL abaixo para conferir os detalhes da tabela.

   SELECT * FROM `gemini_demo.customer_reviews_cs_response`

   Observe que a coluna ml_generate_text_llm_result contém a resposta e as ações como duas chaves.

3. Você pode facilitar a leitura usando a consulta SQL abaixo para criar uma nova tabela customer_reviews_cs_response_formatted e separar a resposta e as ações nela em duas colunas:

   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. Você pode executar a consulta SQL abaixo para conferir os detalhes da tabela.

   SELECT * FROM `gemini_demo.customer_reviews_cs_response_formatted`

   Observe que os campos de resposta e ações foram criados. Você pode criar apps separados para responder ao cliente e ao local a fim de que ele tome medidas para melhorar o atendimento e para notificar os clientes de que o feedback deles foi recebido.

Clique em Verificar meu progresso para conferir o objetivo. Responder às avaliações dos clientes.

Tarefa 7: solicitar que o Gemini forneça palavras-chave e resumos para cada imagem

Nesta tarefa, você vai usar o Gemini (os modelos Gemini Pro e Vision criados) para analisar imagens a fim de gerar palavras-chave e resumos.

Analisar imagens com o modelo Gemini Pro Vision

1. Clique em + para criar uma nova consulta SQL.

2. No editor de consultas, cole a consulta abaixo e a execute.

   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)));

   Aguarde. O modelo leva aproximadamente um minuto até a conclusão.

   Quando o modelo terminar de processar a imagem, a tabela review_images_results será criada.

3. No Explorer, clique na tabela review_image_results e analise o esquema e os detalhes.

4. Clique em + para criar uma nova consulta SQL.

5. No editor de consultas, cole a consulta abaixo e a execute.

   SELECT * FROM `gemini_demo.review_images_results`

   Como resultado, são exibidas as linhas de cada imagem de avaliação com o URI (o local do Cloud Storage da imagem de avaliação) e um resultado JSON com o resumo e as palavras-chave do modelo Gemini Pro Vision.

   Você pode usar a próxima consulta para recuperar esses resultados de uma forma mais legível por humanos.

6. Clique em + para criar uma nova consulta SQL.

7. No editor de consultas, cole a consulta abaixo e a execute.

   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 )

   Como resultado, a tabela review_images_results_formatted é criada.

8. Você pode usar a consulta abaixo para a tabela a fim de conferir as linhas criadas.

   SELECT * FROM `gemini_demo.review_images_results_formatted`

   Observe como os resultados da coluna URI permanecem os mesmos, mas o JSON agora foi convertido nas colunas "summary" e "keywords" para cada linha.

Clique em Verificar meu progresso para conferir o objetivo. Solicitar que o Gemini forneça resumos e palavras-chave de imagens de avaliações dos clientes.

Parabéns!

Você criou a conexão de recurso do Cloud no BigQuery. Você também criou um conjunto de dados, tabelas e modelos para solicitar que o Gemini analise o sentimento nas avaliações dos clientes, com um relatório sobre as contagens de avaliações positivas e negativas. Em seguida, você usou comandos zero-shot e few-shot com o Gemini para responder a essas avaliações. Por fim, você usou o modelo Gemini Pro Vision para analisar imagens e gerar resumos e palavras-chave.

Próximas etapas / Saiba mais

• Introdução ao BigQuery ML
• Escalonamento do machine learning com o mecanismo de inferência do BigQuery ML – Blog
• Modelos do Gemini
• IA generativa

Treinamento e certificação do Google Cloud

Esses treinamentos ajudam você a aproveitar as tecnologias do Google Cloud ao máximo. Nossas aulas incluem habilidades técnicas e práticas recomendadas para ajudar você a alcançar rapidamente o nível esperado e continuar sua jornada de aprendizado. Oferecemos treinamentos que vão do nível básico ao avançado, com opções de aulas virtuais, sob demanda e por meio de transmissões ao vivo para que você possa encaixá-las na correria do seu dia a dia. As certificações validam sua experiência e comprovam suas habilidades com as tecnologias do Google Cloud.

Manual atualizado em 26 de julho de 2024

Laboratório testado em 26 de julho de 2024

Copyright 2024 Google LLC. Todos os direitos reservados. Google e o logotipo do Google são marcas registradas da Google LLC. Todos os outros nomes de produtos e empresas podem ser marcas registradas das respectivas empresas a que estão associados.