GSP1246

概览

在本实验中，您将学习如何在 SQL 中结合使用 BigQuery 机器学习和远程模型 (Gemini Pro) 来提取关键字、评估顾客评价所体现的顾客情绪，以及通过零样本和少样本提示回复顾客评价。

BigQuery 是一个 AI 就绪型全托管式数据分析平台，可帮助您充分发掘数据的价值，并支持多引擎、多格式和多云。BigQuery 的主要功能之一便是机器学习，您可以使用 SQL 查询或 Colab Enterprise 笔记本创建和运行机器学习 (ML) 模型。

Gemini 是 Google DeepMind 开发的一系列生成式 AI 模型，专为多模态应用场景而设计。通过 Gemini API，您可以使用 Gemini Pro、Gemini Pro Vision 和 Gemini Flash 模型。

此外，您还将使用 Gemini Pro Vision 模型根据顾客评价图片生成摘要和提取相关的关键字。

目标

在本实验中，您将学习如何完成以下操作：

• 在 BigQuery 中创建 Cloud 资源连接。
• 在 BigQuery 中创建数据集和表格。
• 在 BigQuery 中创建 Gemini 远程模型。
• 提示 Gemini 分析以文字为主的顾客评价的关键字和情绪（正面或负面）。
• 生成包含正面评价和负面评价数量的报告。
• 回复顾客评价。
• 提示 Gemini 为每张顾客评价图片提取摘要和关键字。

设置和要求

点击“开始实验”按钮前的注意事项

请阅读以下说明。实验是计时的，并且您无法暂停实验。计时器在您点击开始实验后即开始计时，显示 Google Cloud 资源可供您使用多长时间。

此实操实验可让您在真实的云环境中开展实验活动，免受模拟或演示环境的局限。我们会为您提供新的临时凭据，让您可以在实验规定的时间内用来登录和访问 Google Cloud。

为完成此实验，您需要：

• 能够使用标准的互联网浏览器（建议使用 Chrome 浏览器）。

注意：请使用无痕模式或无痕浏览器窗口运行此实验。这可以避免您的个人账号与学生账号之间发生冲突，这种冲突可能导致您的个人账号产生额外费用。

• 完成实验的时间 - 请注意，实验开始后无法暂停。

注意：如果您已有自己的个人 Google Cloud 账号或项目，请不要在此实验中使用，以避免您的账号产生额外的费用。

如何开始实验并登录 Google Cloud 控制台

1. 点击开始实验按钮。如果该实验需要付费，系统会打开一个弹出式窗口供您选择付款方式。左侧是实验详细信息面板，其中包含以下各项：

   • 打开 Google Cloud 控制台按钮
   • 剩余时间
   • 进行该实验时必须使用的临时凭据
   • 帮助您逐步完成本实验所需的其他信息（如果需要）

2. 点击打开 Google Cloud 控制台（如果您使用的是 Chrome 浏览器，请右键点击并选择在无痕式窗口中打开链接）。

   该实验会启动资源并打开另一个标签页，显示登录页面。

   提示：请将这些标签页安排在不同的窗口中，并将它们并排显示。

   注意：如果您看见选择账号对话框，请点击使用其他账号。

3. 如有必要，请复制下方的用户名，然后将其粘贴到登录对话框中。

   {{{user_0.username | "<用户名>"}}}

   您也可以在实验详细信息面板中找到用户名。

4. 点击下一步。

5. 复制下面的密码，然后将其粘贴到欢迎对话框中。

   {{{user_0.password | "<密码>"}}}

   您也可以在实验详细信息面板中找到密码。

6. 点击下一步。

   重要提示：您必须使用实验提供的凭据。请勿使用您的 Google Cloud 账号凭据。 注意：在本次实验中使用您自己的 Google Cloud 账号可能会产生额外费用。

7. 继续在后续页面中点击以完成相应操作：

   • 接受条款及条件。
   • 由于该账号为临时账号，请勿添加账号恢复选项或双重验证。
   • 请勿注册免费试用。

片刻之后，系统会在此标签页中打开 Google Cloud 控制台。

注意：如需查看列有 Google Cloud 产品和服务的菜单，请点击左上角的导航菜单。

任务 1：创建 Cloud 资源连接并授予 IAM 角色

在 BigQuery 中创建 Cloud 资源连接

在此项任务中，您将在 BigQuery 中创建一个 Cloud 资源连接，以便使用 Gemini Pro 和 Gemini Pro Vision 模型。您还将通过角色授予 Cloud 资源连接的服务账号 IAM 权限，使其能够访问 Vertex AI 服务。

1. 在 Google Cloud 控制台中，点击导航菜单下的 BigQuery。

2. 在“欢迎”弹出式窗口中点击完成。

3. 如需创建连接，请点击 + 添加，然后点击与外部数据源的连接。

4. 在“连接类型”列表中，选择 Vertex AI 远程模型、远程函数和 BigLake（Cloud 资源）。

5. 在“连接 ID”字段中，输入 gemini_conn 作为连接的名称。

6. 在位置类型部分，选择多区域，然后选择从下拉菜单中选择美国（多区域）。

7. 对于其他设置，请使用默认值。

8. 点击创建连接。

9. 点击转到连接。

10. 将“连接信息”窗格中的服务账号 ID 复制到一个文本文件中，以便在下个任务中使用。您也将看到该连接已添加到 BigQuery 探索器中您项目下的“外部连接”部分。

向连接的服务账号授予 Vertex AI User 角色

1. 在控制台中，点击导航菜单下的 IAM 和管理。

2. 点击授予访问权限。

3. 在新的主账号字段中，输入您之前复制的服务账号 ID。

4. 在“选择角色”字段中，输入 Vertex AI，然后选择 Vertex AI User 角色。

5. 点击保存。

   这样该服务账号就拥有了 Vertext AI User 角色。

点击检查我的进度以验证是否完成了以下目标： 创建 Cloud 资源连接并授予 IAM 角色。

任务 2：查看图片、文件并向服务账号授予 IAM 角色

在此项任务中，您将查看数据集和图片文件，然后向 Cloud 资源连接的服务账号授予 IAM 权限。

查看 Cloud Storage 上的图片文件和顾客评价数据集

在开始执行向资源连接服务账号授予权限的任务之前，请先查看数据集和图片文件。

1. 在控制台中，依次选择导航菜单 () 和 Cloud Storage。

2. 点击 -bucket 存储桶。

3. 该存储桶包含 gsp1246 文件夹，请打开该文件夹。您将看到其中有两项内容：

   • images 文件夹，其中包含将要分析的所有图片文件。请自由访问此图片文件夹，查看图片文件。
   • customer_reviews.csv 文件，此数据集文件包含以文字为主的顾客评价。
   注意：您可以使用每张图片要求验证身份的网址和 customer_reviews.csv 文件来下载和查看各项内容。

向连接的服务账号授予 IAM Storage Object Admin 角色

在 BigQuery 中开展工作之前，向资源连接的服务账号授予 IAM 权限，可确保您在运行查询时不会遇到访问遭拒的错误。

1. 返回到存储桶的根目录。

2. 点击权限。

3. 点击授予访问权限。

4. 在新的主账号字段中，输入您之前复制的服务账号 ID。

5. 在“选择角色”字段中，输入 Storage Object，然后选择 Storage Object Admin 角色。

6. 点击保存。

   这样该服务账号就拥有了 Storage Object Admin 角色。

点击检查我的进度以验证是否完成了以下目标： 查看图片、文件并向服务账号授予 IAM 角色。

任务 3：在 BigQuery 中创建数据集和表格

在此项任务中，您将为项目创建一个数据集、一个顾客评价表以及一个图片对象表。

创建数据集

1. 在控制台中，依次选择导航菜单 () 和 BigQuery。

2. 在探索器面板中，针对 选择查看操作 ()，然后选择创建数据集。

   您可以创建数据集来存储数据库对象，包括表和模型。

3. 在创建数据集窗格中，输入以下信息：

   字段	值
   数据集 ID	gemini_demo
   位置类型	选择多区域
   多区域	选择美国

   对于其他字段，保留默认值。

4. 点击创建数据集。

   这将创建 gemini_demo 数据集，并在 BigQuery 探索器中您的项目下列出该数据集。

创建顾客评价表

要创建顾客评价表，您将会用到 SQL 查询。

1. 点击 + 以创建一个新的 SQL 查询。

2. 在查询编辑器中，粘贴下面的查询。

   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']);

   此查询使用 LOAD DATA 语句操作 customer_reviews.csv 文件，将其从 Cloud Storage 加载到一个包含给定列名和数据类型的 BigQuery 表格中。

3. 点击运行。

   这将处理查询，并创建 customer_reviews 表，其中包含数据集中的每条评价的 customer_review_id、customer_id、location_id、review_datetime、review_text、social_media_source 和 social_media_handle。

4. 在“探索器”中，点击 customer_reviews 表，查看架构和详细信息。请查询此表以查看记录。

为评价图片创建对象表

要创建对象表，您将会用到 SQL 查询。

1. 点击 + 以创建新的 SQL 查询。

2. 在查询编辑器中，粘贴下面的查询。

   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. 运行查询。

   这会将 review_images 对象表添加到 gemini_demo 数据集中，并加载示例数据集中每个音频评价的 uri（cloud storage 位置）。

4. 在“探索器”中，点击 review_images 表，查看架构和详细信息。请查询此表以查看特定的记录。

点击检查我的进度以验证是否完成了以下目标： 在 BigQuery 中创建数据集、表格和槽预留。

任务 4：在 BigQuery 中创建 Gemini 模型

现在表已经创建好，您可以开始处理它们了。在此项任务中，您将在 BigQuery 中创建 Gemini Pro 和 Gemini Pro Vision 模型。

创建 Gemini Pro 模型

1. 点击 + 以创建一个新的 SQL 查询。

2. 在查询编辑器中，粘贴下方的查询并运行。

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

   这将创建 gemini_pro 模型，您会看到它已添加到位于“模型”部分的 gemini_demo 数据集中。

3. 在“探索器”中，点击 gemini_pro 模型，查看详细信息和架构。

创建 Gemini Pro Vision 模型

1. 点击 + 以创建一个新的 SQL 查询。

2. 在查询编辑器中，粘贴下方的查询并运行。

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

   这将创建 gemini_pro_vision 模型，您会看到它已添加到位于“模型”部分的 gemini_demo 数据集中。

3. 在“探索器”中，点击 gemini_pro_vision 模型，查看详细信息和架构。

点击检查我的进度以验证是否完成了以下目标： 在 BigQuery 中创建 Gemini 模型。

任务 5：提示 Gemini 分析顾客评价中的关键字和情绪

在此项任务中，您将使用 Gemini Pro 模型分析每条顾客评价的关键字以及正负面情绪。

分析顾客评价中的关键字

1. 点击 + 以创建一个新的 SQL 查询。

2. 在查询编辑器中，粘贴下方的查询并运行。

   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)));

   此查询会从 customer_reviews 表中提取顾客评价，并为 gemini_pro 模型构建提示以确定每条评价的关键字。然后，生成的结果会存储在一个名为 customer_reviews_keywords 的新表中。

   请稍候，该模型需要大约 30 秒时间来处理顾客评价记录。

   待模型完成处理后，将会创建 customer_reviews_keywords 表。

3. 在“探索器”中，点击 customer_reviews_keywords 表，查看架构和详细信息。

4. 点击 + 以创建一个新的 SQL 查询。

5. 在查询编辑器中，粘贴下方的查询并运行。

   SELECT * FROM `gemini_demo.customer_reviews_keywords`

   这会显示来自 customer_reviews_keywords 表的行，其中 ml_generate_text_llm_result 列包含关键字分析，而 social_media_source、review_text、customer_id、location_id 和 review_datetime 列也同样包括在内。

分析顾客评价的正负面情绪

1. 点击 + 以创建一个新的 SQL 查询。

2. 在查询编辑器中，粘贴下方的查询并运行。

   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)));

   此查询会从 customer_reviews 表提取顾客评价，并为 gemini_pro 模型构建提示以对每条评价的情绪进行分类。然后，生成的结果会存储在一个名为 customer_reviews_analysis 的新表中，方便您稍后开展进一步分析。

   请稍候，该模型需要大约 20 秒时间来处理顾客评价记录。

   待模型完成处理后，将会创建 customer_reviews_analysis 表。

3. 在“探索器”中，点击 customer_reviews_analysis 表，查看架构和详细信息。

4. 点击 + 以创建一个新的 SQL 查询。

5. 在查询编辑器中，粘贴下方的查询并运行。

   SELECT * FROM `gemini_demo.customer_reviews_analysis` ORDER BY review_datetime

   这会显示 customer_reviews_analysis 表中的行，其中 ml_generate_text_llm_result 列包含情绪分析，而 social_media_source、review_text、customer_id、location_id 和 review_datetime 列也同样包括在内。

   请查看这些记录。您可能会注意到其中一些正面或负面结果的格式不正确、包含多余的英文句点或空格等字符。您可以通过下面的视图清理记录。

创建一个用于清理记录的视图

1. 点击 + 以创建一个新的 SQL 查询。

2. 在查询编辑器中，粘贴下方的查询并运行。

   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`;

   这段查询将创建名为 cleaned_data_view 的视图，并包含情绪评估结果、顾客评价文本、客户 ID 和地理位置 ID。然后，它将提取情绪评估结果（正面或负面）并确保所有字母均为小写格式，且已移除多余的空格或英文句点等字符。由此生成的视图将方便在本实验的稍后步骤中开展进一步分析。

3. 您可以通过下方的查询来查询视图，以查看创建的行。

   SELECT * FROM `gemini_demo.cleaned_data_view` ORDER BY review_datetime

   这段查询用于从 cleaned_data_view 视图提取所有数据，并根据评价的日期和时间按升序进行排列。

创建正面和负面评价数量报告

1. 您可以使用 BigQuery 来创建显示正面和负面评价数量的条形图报告。请使用下方的查询。

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

   这将显示正面和负面评价的数量。

2. 要创建展示这些数量的条形图，请点击 BigQuery 中查询结果部分的图表。BigQuery 将自动设置图表配置，图表类型为条形图，情绪列显示预测的正面或负面情绪，条形图将显示数量。

按社交媒体来源显示正面和负面评价数量

1. 您可以使用下方的查询让 BigQuery 按社交媒体来源列出正面和负面评价数量。

   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;

点击检查我的进度以验证是否完成了以下目标： 提示 Gemini 分析顾客评价中的关键字和情绪。

任务 6：回复顾客评价

您还可以使用 Gemini Pro 来回复顾客评价。在此项任务中，您将学习如何针对 customer_reviews 表中的特定评价，使用“零样本”创建营销回复，以及使用“少样本”创建客户服务回复。

注意：请参阅 Google AI for Developers 文档中的零样本提示与少样本提示，了解更多信息。

营销回复

customer_id 5576 的顾客评价道：

这里干净整洁，氛围舒适，还有各种风格的座位，让人尤为喜欢。有时我想半躺着，边喝咖啡边看书；有时我又喜欢坐在高桌椅上做点工作。

这显然是一条正面评价，那么如何使用 Gemini Pro 来回复这位顾客并激励顾客做出正面评价呢？

1. 您可以通过这些查询使用 Gemini Pro 来完成这项任务。在查询编辑器中，粘贴下方的查询并运行。

   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)));

   此查询用于分析 customer_reviews 表中的顾客评价，尤其是来自客户 ID 5576 的评价。运行此查询时，它将使用 Gemini Pro 来根据评价文本生成营销建议，然后将结果存储到名为 customer_reviews_marketing 的新表中。此表将包含原始的评价数据以及生成的营销建议，以便您根据它们进行分析和展开行动。

2. 您可以通过运行下方的 SQL 查询来查看 customer_reviews_marketing 表的详细信息。

   SELECT * FROM `gemini_demo.customer_reviews_marketing`

   请注意，ml_generate_text_llm_result 列中包含回复。

3. 使用下方的 SQL 查询，您可以更方便地阅读回复，以及根据回复开展行动：

   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. 您可以通过运行下方的 SQL 查询来查看该表的详细信息。

   SELECT * FROM `gemini_demo.customer_reviews_marketing_formatted`

   请注意 marketing 列。可以编写一个应用，以通知形式将 marketing 列中的回复以及一张九折优惠券发送到顾客的 Data Beans 应用账号，或者通过电子邮件发送给顾客。

客户服务回复

customer_id 8844 的顾客评价道：

这家咖啡店让人很失望。服务非常糟糕 - 工作人员态度恶劣，做事心不在焉，我们等了好久才拿到食物和饮品。食物品质一般 - 咖啡淡而无味，甜点也不太新鲜。店面狭小，用餐环境嘈杂不堪，我们几乎找不到任何休息和享受的感觉。最重要的是，价格还很贵，简直让人忍无可忍。我绝对不会向任何人推荐这家店。

这显然是一条负面评价，那么如何使用 Gemini Pro 来回复这位顾客，并将顾客体验告知这家咖啡店，以便他们采取改进措施呢？

1. 您可以通过这些查询使用 Gemini Pro 来完成这项任务。在查询编辑器中，粘贴下方的查询并运行。

   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)));

   此查询旨在使用 Gemini Pro 分析顾客评价并生成适当的回复和行动计划，从而实现客户服务回复的自动化。这是一个有说服力的示例，说明了如何利用 Google Cloud 来提升客户服务和改善经营活动。运行此查询后，将创建 customer_reviews_cs_response 表。

2. 您可以通过运行下方的 SQL 查询来查看该表的详细信息。

   SELECT * FROM `gemini_demo.customer_reviews_cs_response`

   请注意，ml_generate_text_llm_result 列中包含两个键：回复和行动措施。

3. 您可以使用下方的 SQL 查询将回复和行动措施在名为 customer_reviews_cs_response_formatted 的新表中分为两列，以便阅读：

   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. 您可以通过运行下方的 SQL 查询来查看该表的详细信息。

   SELECT * FROM `gemini_demo.customer_reviews_cs_response_formatted`

   请注意，回复和行动措施字段现已成功创建。您可以构建不同的应用来回复该顾客和通知涉事店铺，以便其采取改进措施，并通知顾客已收到其反馈。

点击检查我的进度以验证是否完成了以下目标： 回复顾客评价。

任务 7：提示 Gemini 为每张图片提供关键字和摘要

在此项任务中，您将使用 Gemini（您创建的 Gemini Pro 和 Vision 模型）分析图片，并生成相应的关键字和摘要。

使用 Gemini Pro Vision 模型分析图片

1. 点击 + 以创建一个新的 SQL 查询。

2. 在查询编辑器中，粘贴下方的查询并运行。

   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)));

   请稍候，该模型需要大约 1 分钟时间来完成处理。

   该模型完成图片处理后，将创建 review_images_results 表。

3. 在“探索器”中，点击 review_image_results 表，查看架构和详细信息。

4. 点击 + 以创建一个新的 SQL 查询。

5. 在查询编辑器中，粘贴下方的查询并运行。

   SELECT * FROM `gemini_demo.review_images_results`

   这将显示每张评价图片的行，其中包括 uri（评价图片的 Cloud Storage 位置），以及包含 Gemini Pro Vision 模型摘要和关键字的 JSON 结果。

   您可以使用下方的查询，以更便于人类阅读的方式检索这些结果。

6. 点击 + 以创建一个新的 SQL 查询。

7. 在查询编辑器中，粘贴下方的查询并运行。

   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 )

   这会创建 review_images_results_formatted 表。

8. 您可以通过下方的查询来查询此表，以查看创建的行。

   SELECT * FROM `gemini_demo.review_images_results_formatted`

   请注意，uri 列结果保持不变，但 JSON 现已转换为每一行的摘要和关键字列。

点击检查我的进度以验证是否完成了以下目标： 提示 Gemini 提供顾客评价图片摘要和关键字。

恭喜！

您成功地在 BigQuery 中创建了 Cloud 资源连接。您还创建了数据集、表格和模型来提示 Gemini 分析顾客评价的情绪，并创建了正面和负面评价数量报告。然后您使用了零样本和少样本提示通过 Gemini 来回复这些评价。最后，您使用了 Gemini Pro Vision 模型来分析图片并生成摘要和关键字。

后续步骤/了解详情

• BigQuery ML 简介
• 利用 BigQuery 机器学习推理引擎扩展机器学习 - 博客
• Gemini 模型
• 生成式 AI

Google Cloud 培训和认证

…可帮助您充分利用 Google Cloud 技术。我们的课程会讲解各项技能与最佳实践，可帮助您迅速上手使用并继续学习更深入的知识。我们提供从基础到高级的全方位培训，并有点播、直播和虚拟三种方式选择，让您可以按照自己的日程安排学习时间。各项认证可以帮助您核实并证明您在 Google Cloud 技术方面的技能与专业知识。

上次更新手册的时间：2024 年 7 月 26 日

上次测试实验的时间：2024 年 7 月 26 日

版权所有 2024 Google LLC 保留所有权利。Google 和 Google 徽标是 Google LLC 的商标。其他所有公司名和产品名可能是其各自相关公司的商标。