1. Giới thiệu
Bạn thích tìm hiểu sách nhưng bị choáng ngợp trước số lượng lựa chọn khổng lồ? Hãy tưởng tượng bạn có một ứng dụng sử dụng AI không chỉ đề xuất cuốn sách phù hợp mà còn cung cấp bản tóm tắt ngắn gọn dựa trên thể loại bạn chọn, giúp bạn nắm bắt được bản chất của cuốn sách. Trong lớp học lập trình này, tôi sẽ hướng dẫn bạn cách tạo một ứng dụng như vậy bằng BigQuery, Gemini và Cloud Functions do Gemini cung cấp.
Tổng quan về dự án
Trường hợp sử dụng của chúng ta tập trung vào 4 thành phần chính sau:
- Cơ sở dữ liệu sách: Tập dữ liệu công khai rộng lớn của BigQuery gồm sách lưu trữ trên Internet sẽ đóng vai trò là danh mục sách toàn diện của chúng tôi.
- AI tóm tắt công cụ: Google Cloud Functions, được trang bị mô hình ngôn ngữ Gemini 1.0 Pro, sẽ tạo ra các bản tóm tắt chi tiết phù hợp với yêu cầu của người dùng.
- Tích hợp BigQuery: Một hàm từ xa trong BigQuery gọi Hàm trên đám mây của chúng tôi để phân phối các chủ đề và bản tóm tắt sách theo yêu cầu.
- Giao diện người dùng: Một ứng dụng web được lưu trữ trên Cloud Run sẽ cung cấp một ứng dụng web để người dùng xem kết quả.
Chúng ta sẽ chia quá trình triển khai thành 3 lớp học lập trình:
Lớp học lập trình 1: Sử dụng Gemini để tạo một Hàm trên đám mây Java cho ứng dụng Gemini.
Lớp học lập trình 2: Sử dụng Gemini để xây dựng ứng dụng SQL bằng BigQuery và AI tạo sinh.
Lớp học lập trình 3: Sử dụng Gemini để tạo một ứng dụng web Spring Boot Java tương tác với BigQuery.
2. Sử dụng Gemini để xây dựng ứng dụng SQL bằng BigQuery và AI tạo sinh
Sản phẩm bạn sẽ tạo ra
Bạn sẽ tạo một
- Mô hình từ xa trong BigQuery gọi điểm cuối text-bison-32k của Vertex AI để xác định thể loại (hoặc chủ đề) của sách trong danh sách các từ khoá riêng biệt ";" trong bảng.
- Hàm từ xa trong BigQuery sẽ gọi hàm AI tạo sinh trên đám mây đã triển khai từ xa.
- Sử dụng mô hình và hàm từ xa để tóm tắt chủ đề và nội dung của sách bằng các truy vấn SQL và viết kết quả vào một bảng mới trong tập dữ liệu giá sách.
- Bạn sẽ triển khai các bước này với sự trợ giúp của Gemini
3. Yêu cầu
- Một trình duyệt, chẳng hạn như Chrome hoặc Firefox
- Một dự án trên Google Cloud đã bật tính năng thanh toán
- Sẽ rất hữu ích nếu bạn đã triển khai Hàm đám mây trong lớp học lập trình phần 1 Sử dụng Gemini để tạo Hàm đám mây Java cho ứng dụng Gemini.
- Có điều kiện: Nếu tại thời điểm này, bạn có quyền truy cập vào đường liên kết miễn phí về Tín dụng của Google Cloud (có thể người tổ chức hội thảo đã cấp cho bạn), hãy làm theo hướng dẫn trên trang bên dưới để hoàn tất trước các bước KÍCH HOẠT TÍN DỤNG và TẠO DỰ ÁN. Nếu bạn chưa có đường liên kết này, hãy tiếp tục thực hiện các bước bắt buộc về dự án và thanh toán dưới đây:
Tạo dự án
Bạn có thể bỏ qua các bước bên dưới nếu đã kích hoạt tài khoản thanh toán và tạo dự án bằng đường liên kết được đề cập trong bước có điều kiện ở trên.
- Trong Google Cloud Console, trên trang bộ chọn dự án, hãy chọn hoặc tạo một dự án trên Google Cloud.
- Đảm bảo bạn đã bật tính năng thanh toán cho dự án trên Cloud. Tìm hiểu cách kiểm tra xem tính năng thanh toán có được bật trên dự án hay không.
Kích hoạt Cloud Shell
- Bạn sẽ sử dụng Cloud Shell, một môi trường dòng lệnh chạy trong Google Cloud, được tải sẵn bq:
Trên Cloud Console, hãy nhấp vào Activate Cloud Shell (Kích hoạt Cloud Shell) ở góc trên cùng bên phải: 
- Sau khi kết nối với Cloud Shell, bạn sẽ thấy mình đã được xác thực và dự án đã được đặt thành mã dự án của bạn. Chạy lệnh sau trong Cloud Shell để xác nhận rằng bạn đã được xác thực:
gcloud auth list
- Chạy lệnh sau trong Cloud Shell để xác nhận rằng lệnh gcloud biết về dự án của bạn.
gcloud config list project
- Nếu dự án của bạn chưa được thiết lập, hãy sử dụng lệnh sau để thiết lập:
gcloud config set project <YOUR_PROJECT_ID>
Tham khảo tài liệu để biết các lệnh và cách sử dụng gcloud.
4. Bật Gemini cho Google Cloud và các API cần thiết
Bật Gemini
- Chuyển đến Marketplace (Chợ ứng dụng) của Gemini cho Google Cloud để bật API. Bạn cũng có thể sử dụng lệnh sau:
gcloud services enable cloudaicompanion.googleapis.com --project PROJECT_ID
- Truy cập trang Gemini rồi nhấp vào "Bắt đầu trò chuyện".
Bật các API cần thiết khác
Chúng ta sẽ làm như thế nào? Hãy hỏi Gemini rằng chúng ta sẽ làm như vậy. Nhưng trước đó, hãy nhớ:
Lưu ý: LLM không xác định trước. Vì vậy, trong khi thử những câu lệnh này, phản hồi bạn nhận được có thể khác với phản hồi trong ảnh chụp màn hình của tôi.
Chuyển đến bảng điều khiển trò chuyện của Gemini bằng cách nhấp vào biểu tượng "Mở Gemini" ở góc trên cùng bên phải, bên cạnh thanh tìm kiếm trong Google Cloud Console.
Nhập câu hỏi này vào phần "Nhập câu lệnh tại đây":
Làm cách nào để bật các API BigQuery và Vertex AI bằng lệnh gcloud?
Bạn sẽ nhận được phản hồi như trong hình sau:
Sao chép mã đó (bạn có thể sử dụng biểu tượng sao chép ở đầu đoạn mã lệnh) rồi chạy mã đó trong Cloud Shell Terminal (Màn hình điều khiển Cloud Shell) để bật các dịch vụ tương ứng:
- bigquery.googleapis.com
- aiplatform.googleapis.com
5. Khám phá tập dữ liệu công khai của BigQuery để tìm dữ liệu về sách
Bắt đầu bằng cách làm quen với tập dữ liệu công khai BigQuery chứa thông tin về nhiều sách lưu trữ trên Internet.
Bạn có thể tìm thấy tập dữ liệu công khai này trong ngăn trình khám phá BigQuery. Bạn có thể tìm thấy thông tin này ở phía bên trái khi truy cập vào bảng điều khiển BigQuery.
Nhập "gdelt-bq" hoặc "internetarchivebooks" vào thanh tìm kiếm rồi nhấp vào TÌM KIẾM TẤT CẢ DỰ ÁN. Mở rộng kết quả và gắn dấu sao sách lưu trữ trên Internet như trong hình dưới đây:
.
Mở rộng tập dữ liệu, nhấp vào gdelt-bq.internetarchivebooks, sau đó xem trước dữ liệu trong bảng 1920. Bảng này bao gồm các cuốn sách từ năm 1920 đã được lưu trữ.
Để xem giản đồ mà chúng ta sẽ sử dụng trong các phần tiếp theo, hãy chạy truy vấn sau:
select * from `gdelt-bq.internetarchivebooks.1920` limit 5;
Chúng ta sẽ sử dụng 3 trường sau cho lớp học lập trình:
- BookMeta_Title (tên)
- Chủ đề (các chủ đề được phân tách bằng ";'")
- BookMeta_FullText (toàn bộ nội dung của sách)
6. Tạo tập dữ liệu BigQuery mới có tên là giá sách
Chúng ta muốn tạo một tập dữ liệu trong dự án để lưu trữ tất cả cơ sở dữ liệu và đối tượng phân tích mà chúng ta sẽ tạo trong lớp học lập trình này. Hãy hỏi Gemini cách tạo tập dữ liệu BigQuery. Bạn đã mở cuộc trò chuyện trên Gemini trên một thẻ khác trong trình duyệt từ bước bật API. Nếu chưa, bạn có thể làm việc này ngay. Truy cập vào Google Cloud Console bằng cách chuyển đến https://console.cloud.google.com. Bạn sẽ thấy biểu tượng Gemini ngay bên cạnh thanh tìm kiếm ở trên cùng. Nhấp vào đó để mở cuộc trò chuyện.
Nhập câu lệnh như minh hoạ bên dưới.
Sau đây là câu lệnh của tôi:
How to create a BigQuery dataset?
Dưới đây là phản hồi:
Hãy làm theo các bước được nêu trong câu trả lời để tạo tập dữ liệu có tên là "giá sách" trong dự án đang hoạt động của bạn.
Để tạo tập dữ liệu BigQuery, hãy làm theo các bước sau:
- Chuyển đến trang BigQuery trong bảng điều khiển Google Cloud.
- Trong bảng điều khiển Explorer (Trình khám phá), hãy nhấp vào mã dự án của bạn.
- Nhấp vào Tạo tập dữ liệu (tuỳ chọn này sẽ nằm trong danh sách khi bạn nhấp vào biểu tượng 3 dấu chấm bên cạnh mã dự án)
- Nhập tên tập dữ liệu làm "giá sách".
- Đặt vị trí thành "Hoa Kỳ(Nhiều khu vực)".
- Đối với các bước 3, 4, 5 và 6 của phản hồi, hãy để nguyên các tuỳ chọn mặc định.
- Nhấp vào TẠO TẬP DỮ LIỆU.
Tập dữ liệu của bạn sẽ được tạo và sẽ xuất hiện trong bảng điều khiển Explorer. Bạn có thể xem tập dữ liệu "giá sách" như sau:
7. Tạo một mô hình từ xa để gọi LLM Vertex AI (text-bison-32k)
Tiếp theo, chúng ta cần tạo một mô hình trong BigQuery để gọi mô hình Vertex AI "text-bison-32k". Mô hình này sẽ giúp xác định chủ đề, bối cảnh chung của cuốn sách từ danh sách từ khoá cho mỗi cuốn sách trong tập dữ liệu.
Hãy hỏi Gemini câu hỏi này. Để thực hiện việc này, hãy chuyển đến thẻ mà bạn đã mở bảng điều khiển trò chuyện của Gemini rồi nhập lời nhắc bên dưới:
Bạn sẽ kết nối BigQuery và Vertex AI như thế nào để gọi điểm cuối LLM (text-bison-32k) trong BigQuery?
Phản hồi sẽ có dạng như sau:
Phản hồi bao gồm thông tin chính xác, chẳng hạn như các bước bao gồm việc sử dụng câu lệnh CREATE MODEL, sử dụng kết nối BigQuery và xác định điểm cuối. Câu lệnh truy vấn này chính xác đối với tôi, nhưng không có nghĩa là bạn sẽ nhận được kết quả giống hệt vì đây là một mô hình ngôn ngữ lớn, bạn có thể nhận được câu trả lời ở định dạng, số lượng và độ sâu khác nhau. Nếu bạn không thấy tất cả thông tin chi tiết mà tôi nhận được, vui lòng đặt câu hỏi tiếp theo trong cuộc trò chuyện. Ví dụ: Cung cấp thêm thông tin chi tiết về cách tạo tài nguyên kết nối hoặc lý do thiếu thuộc tính kết nối, hoặc Làm cách nào để kết nối từ BigQuery với Vertex AI, v.v.
Dưới đây là câu lệnh tiếp theo mẫu (chỉ sử dụng câu lệnh này nếu bạn cần câu lệnh tiếp theo, nếu câu trả lời đầu tiên bạn nhận được là đủ, hãy tiếp tục với câu trả lời đó):
What about the connection? How will I connect from BigQuery to Vertex AI?
Sau đây là phản hồi:
Hãy làm theo các bước trong phản hồi để tạo kết nối BigQuery:
- Chuyển đến bảng điều khiển BigQuery.
- Trong ngăn BigQuery Explorer (Trình khám phá BigQuery), hãy nhấp vào nút "+ADD" ("+THÊM") rồi nhấp vào "Connections to external data sources" ("Kết nối với nguồn dữ liệu bên ngoài").
- Lúc này, hệ thống sẽ yêu cầu bạn bật BigQuery Connection API. Nhấp vào BẬT API:
- Nhấp vào "Kết nối với nguồn dữ liệu bên ngoài", bạn sẽ thấy trang trình bày Nguồn dữ liệu bên ngoài như dưới đây . Trong danh sách các nguồn bên ngoài, hãy chọn nguồn "Vertex AI".
- Nhập mã kết nối (đây có thể là mã mà bạn chọn, nhưng hiện tại, hãy đặt mã đó thành "bq-vx" và khu vực (multiregion "US").
- Nhấp vào "Tạo mối kết nối".
- Sau khi bạn tạo mối liên kết, hãy nhấp vào "Chuyển đến mối liên kết".
- Trên trang thông tin kết nối, hãy sao chép Mã tài khoản dịch vụ vì chúng ta sẽ sử dụng mã này trong các bước tiếp theo.
- Giờ đây, khi đã tạo kết nối, hãy chỉ định quyền cho mã tài khoản dịch vụ mà chúng ta đã sao chép để có thể sử dụng Vertex AI.
- Trên trang Google Cloud Console, hãy mở Google Cloud IAM hoặc chuyển đến đường liên kết.
- Nhấp vào Cấp quyền truy cập trong phần Xem theo người đại diện.
- Trong hộp thoại Cấp quyền truy cập, hãy nhập Mã tài khoản dịch vụ mà chúng ta đã ghi chú trước đó vào hộp văn bản Nguyên tắc mới.
- Đặt vai trò thành "Người dùng Vertex AI".
Hệ thống sẽ tạo kết nối bắt buộc. Quyền cần thiết được cấp cho chủ thể (tài khoản dịch vụ của kết nối) để sử dụng Vertex AI từ BigQuery.
Chạy câu lệnh DDL(Ngôn ngữ định nghĩa dữ liệu) sau đây để tạo đối tượng DB, trong trường hợp này là MODEL trong trình chỉnh sửa truy vấn BigQuery.
CREATE OR REPLACE MODEL bookshelf.llm_model
REMOTE WITH CONNECTION `us.bq-vx`
OPTIONS (ENDPOINT = 'text-bison-32k');
Bạn có thể thử một cách khác thay cho bước trên, đó là yêu cầu Gemini đề xuất một truy vấn để tạo mô hình gọi mô hình "text-bison-32k".
Lưu ý: Nếu bạn đã sử dụng tên khác cho kết nối, hãy thay thế " us.bq-vx" bằng tên đó trong câu lệnh DDL trước đó. Truy vấn này tạo mô hình từ xa trong tập dữ liệu "bookshelf" (kệ sách) mà chúng ta đã tạo trước đó.
8. Tạo một hàm từ xa gọi Chức năng đám mây Java
Bây giờ, chúng ta sẽ tạo một hàm từ xa trong BigQuery bằng cách sử dụng Hàm trên đám mây Java mà chúng ta đã tạo trong lớp học lập trình 1 của loạt bài này để triển khai mô hình Gemini. Hàm từ xa này sẽ được dùng để tóm tắt nội dung sách.
Lưu ý: Nếu đã bỏ lỡ lớp học lập trình này hoặc chưa triển khai Hàm trên đám mây này, bạn có thể bỏ qua bước này và chuyển sang chủ đề tiếp theo (Tóm tắt chủ đề của sách bằng mô hình từ xa).
Chuyển đến bảng điều khiển BigQuery rồi dán câu lệnh DDL sau đây vào Trình chỉnh sửa truy vấn (bạn có thể tạo một Thẻ trình chỉnh sửa truy vấn mới bằng cách nhấp vào nút +)
Dưới đây là DDL mà bạn có thể sao chép. Hãy nhớ thay thế điểm cuối bằng điểm cuối của Hàm trên đám mây đã triển khai (được tạo từ lớp học lập trình 1). Nếu không có điểm cuối, bạn có thể thay thế các ký tự bị che trong DDL bên dưới bằng "abis-345004" cho mục đích minh hoạ.
CREATE OR REPLACE FUNCTION
`bookshelf.GEMINI_REMOTE_CALL` (context STRING) RETURNS STRING
REMOTE WITH CONNECTION `us.bq-vx`
OPTIONS (
endpoint = 'https://us-central1-****-******.cloudfunctions.net/remote-gemini-call' );
Chuyển đến bảng điều khiển BigQuery trên Google Cloud Platform rồi mở thẻ Trình chỉnh sửa truy vấn mới. Trong Trình chỉnh sửa truy vấn BigQuery, hãy dán câu lệnh DDL ở trên. Bạn có thể thấy phản hồi sau đây sau khi chạy truy vấn:
Giờ đây, khi mô hình và hàm đã được tạo, hãy kiểm thử hai đối tượng BigQuery này bằng cách chạy chúng trong truy vấn SELECT.
9. Tóm tắt các chủ đề bằng cách sử dụng mô hình từ xa
Hãy sử dụng mô hình từ xa mà chúng ta đã tạo "bookshelf.llm_model" để tạo từ khoá tổng hợp cho cuốn sách từ danh sách chủ đề đã cho:
SELECT * FROM ML.GENERATE_TEXT(MODEL `bookshelf.llm_model`,
(
SELECT
CONCAT('Read all the words in the following text separated by ";" and come up with one single (most relating) theme that is applicable : ', Themes, '. Take the title of the book from the following value', BookMeta_Title, '. Return a meaningful and concise theme with one or two words, not more than that. If a theme is not possible, return a context from its title. But DO NOT return empty or null. ') AS prompt
FROM `gdelt-bq.internetarchivebooks.1920` LIMIT 1
));
Bước không bắt buộc: Kết quả cho trường kết quả do LLM tạo được lồng. Hãy thêm một số tham số LLM và thuộc tính "flatten_json_output" vào truy vấn. Việc sử dụng thuộc tính "flatten_json_output" giúp xoá cấu trúc lồng nhau khỏi trường kết quả do LLM tạo.
SELECT * FROM ML.GENERATE_TEXT ( MODEL `bookshelf.llm_model`, (
SELECT CONCAT('Read all the words in the following text separated by ";" and come up with one single (most relating) theme that is applicable : ', Themes, '. Take the title of the book from the following value', BookMeta_Title, '. Return a meaningful and concise theme with one or two words, not more than that. If a theme is not possible, return a context from its title. But DO NOT return empty or null. ') AS prompt FROM `gdelt-bq.internetarchivebooks.1920` limit 1),
STRUCT( 0.2 AS temperature, 100 AS max_output_tokens, TRUE AS flatten_json_output));
Bây giờ, hãy chạy truy vấn SELECT trong Trình chỉnh sửa BigQuery và xác minh kết quả. Chúng tôi đã giới hạn kết quả truy vấn ở mức 1 để thử nghiệm. Kết quả sẽ hiển thị như sau:
10. Tóm tắt toàn bộ nội dung sách bằng hàm từ xa
Bây giờ, chúng ta sẽ cố gắng tóm tắt cuốn sách bằng cách chạy Hàm trên đám mây bookshelf.GEMINI_REMOTE_CALL mà chúng ta đã tạo trước đó.
Lưu ý: Nếu bạn đã bỏ qua phần tạo FUNCTION từ xa (chủ đề trước trong lớp học lập trình này), hãy nhớ bỏ qua lệnh gọi hàm bookshelf.GEMINI_REMOTE_CALL trong truy vấn SELECT.
Sử dụng truy vấn SELECT gọi hàm từ xa (GEMINI_REMOTE_CALL) mà chúng ta đã tạo trước đó. Lệnh gọi đến hàm này, GEMINI_REMOTE_CALL, bao gồm một lời nhắc yêu cầu tóm tắt văn bản sách:
select BookMeta_Title, `bookshelf.GEMINI_REMOTE_CALL` (
CONCAT('This is about a book. The title of the book is this: ', BookMeta_Title, ' . The theme of the book is as follows: ', Themes, 'The following text contains an excerpt from the book. Summarize it in less than 5 lines to create the gist. If you do not have a summary, use the title and themes to make up a short summary. DO NOT RETURN EMPTY RESPONSE. ', SUBSTR(BookMeta_FullText, 5000, 10000))) Summary
from `gdelt-bq.internetarchivebooks.1920` where Themes like '%EDUCATION%' limit 1;
Xin lưu ý rằng chúng ta đã lấy một chuỗi con của toàn bộ văn bản cuốn sách để tạo bản tóm tắt.
Kết quả của truy vấn như sau:
11. Lưu trữ dữ liệu sách trong bảng
Giờ đây, chúng ta đã kiểm thử cả hai lệnh gọi LLM (mô hình từ xa và hàm) từ BigQuery chỉ bằng các truy vấn SQL, hãy tạo một bảng BigQuery để lưu trữ dữ liệu "kệ sách" cùng với thông tin chi tiết về chủ đề, trong cùng một tập dữ liệu với mô hình từ xa và hàm.
Thực tế, chúng ta có thể đưa cả lệnh gọi mô hình LLM và lệnh gọi hàm từ xa vào bước này. Tuy nhiên, vì chúng ta đã đánh dấu lệnh gọi hàm từ xa (gọi hàm trên đám mây) là một bước không bắt buộc, nên chúng ta sẽ chỉ sử dụng thông tin chi tiết từ mô hình từ xa.
Dưới đây là truy vấn mà chúng ta sẽ sử dụng:
SELECT
BookMeta_Title, Themes, ml_generate_text_llm_result Context
FROM
ML.GENERATE_TEXT (
MODEL `bookshelf.llm_model`,
(
SELECT
BookMeta_Title,
Themes,BookMeta_FullText,
CONCAT('Read all the words in the following text separated by ";" and come up with one single (most relating) theme that is applicable : ', Themes, '. Take the title of the book from the following value', BookMeta_Title, '. Return a meaningful and concise theme with one or two words, not more than that. If a theme is not possible, return a context from its title. But DO NOT return empty or null. ') AS prompt
FROM `gdelt-bq.internetarchivebooks.1920` limit 5),
STRUCT(
0.2 AS temperature,
100 AS max_output_tokens,
TRUE AS flatten_json_output));
Khi bạn chạy truy vấn trong Trình chỉnh sửa BigQuery, kết quả sẽ như sau:
Bây giờ, hãy yêu cầu Gemini tạo một bảng có tên "bookshelf.books" từ truy vấn ở trên. Chuyển đến bảng điều khiển trò chuyện Gemini trên Google Cloud Console rồi nhập lời nhắc sau.
Dưới đây là câu lệnh mà chúng ta sẽ sử dụng:
Create a BigQuery table named bookshelf.books from this SELECT query:
SELECT
BookMeta_Title, Themes, ml_generate_text_llm_result Context
FROM
ML.GENERATE_TEXT (
MODEL `bookshelf.llm_model`,
(
SELECT
BookMeta_Title,
Themes,BookMeta_FullText,
CONCAT('Read all the words in the following text separated by ";" and come up with one single (most relating) theme that is applicable : ', Themes, '. Take the title of the book from the following value', BookMeta_Title, '. Return a meaningful and concise theme with one or two words, not more than that. If a theme is not possible, return a context from its title. But DO NOT return empty or null. ') AS prompt
FROM `gdelt-bq.internetarchivebooks.1920` limit 5),
STRUCT(
0.2 AS temperature,
100 AS max_output_tokens,
TRUE AS flatten_json_output));
Câu trả lời của Gemini Chat như sau:
Dưới đây là truy vấn phòng trường hợp bạn muốn sao chép trực tiếp từ đây:
CREATE TABLE bookshelf.books (
BookMeta_Title STRING,
Themes STRING,
ml_generate_text_llm_result STRING
) AS (
SELECT
BookMeta_Title,
Themes,
ml_generate_text_llm_result Context
FROM
ML.GENERATE_TEXT (
MODEL `bookshelf.llm_model`,
(
SELECT
BookMeta_Title,
Themes,
BookMeta_FullText,
CONCAT('Read all the words in the following text separated by ";" and come up with one single (most relating) theme that is applicable : ', Themes, '. Take the title of the book from the following value', BookMeta_Title, '. Return a meaningful and concise theme with one or two words, not more than that. If a theme is not possible, return a context from its title. But DO NOT return empty or null. ') AS prompt
FROM `gdelt-bq.internetarchivebooks.1920`
LIMIT 5
),
STRUCT(
0.2 AS temperature,
100 AS max_output_tokens,
TRUE AS flatten_json_output
)
)
);
Sau khi chạy truy vấn trong Trình chỉnh sửa BigQuery, kết quả sẽ như sau:
Vậy là xong! Bây giờ, hãy truy vấn bảng và thử nghiệm với dữ liệu để biết thêm thông tin chi tiết.
12. Xin chúc mừng
Xin chúc mừng! Chúng tôi đã hoàn thành các bước sau đây và cũng sử dụng Gemini trong một số bước của quy trình này:
- Tạo một mô hình từ xa trong BigQuery gọi điểm cuối "text-bison-32k" của Vertex AI để xác định thể loại (hoặc chủ đề) của cuốn sách từ danh sách từ khoá được phân tách bằng ";" trong bảng.
- Tạo một hàm từ xa trong BigQuery để gọi từ xa Chức năng đám mây AI tạo sinh đã triển khai này. Hàm này sẽ lấy câu lệnh làm dữ liệu đầu vào và xuất ra một chuỗi tóm tắt cuốn sách trong 5 dòng.
- Đã dùng mô hình và chức năng từ xa để tóm tắt chủ đề và nội dung của một cuốn sách bằng các truy vấn SQL và viết kết quả vào một bảng mới trong tập dữ liệu giá sách.
- Để làm bài tập tiếp theo, hãy thử sử dụng Gemini để lấy SQL nhằm xoá các đối tượng đã tạo trong BigQuery. Phần này sẽ trình bày bước dọn dẹp.