1. Genel Bakış
Bu laboratuvarda, Google Cloud'da Gemini Cloud Assist yardımıyla altyapı oluşturmak için Google'ın üretken yapay zeka ürünlerini kullanacak, Data Canvas'ın doğal dil ile SQL özelliklerini kullanarak BigQuery verilerini sorgulayacak, Gemini Code Assist yardımıyla Colab Enterprise Jupyter not defterlerinde ve Eclipse Theia'da (Visual Studio Code) kod yazacak ve Vertex AI Agent Builder'da Cloud Storage ve BigQuery temellendirme kaynakları üzerine kurulu yapay zeka arama ve sohbet özelliklerini entegre edeceksiniz.
Amacımız, AI Recipe Haven adlı bir yemek tarifleri ve yemek pişirme web sitesi oluşturmak. Site, Python ve Streamlit'te oluşturulacak ve iki ana sayfa içerecek. Yemek Pişirme Tavsiyesi, Gemini ve bir grup yemek kitabına bağlı Vertex AI Agent Builder'ı kullanarak oluşturacağımız bir chatbot'a ev sahipliği yapacak. Bu chatbot, yemek pişirme tavsiyeleri sunacak ve yemek pişirmeyle ilgili soruları yanıtlayacak. Yemek Tarifi Arama, Gemini tarafından desteklenen bir arama motoru olacak. Bu kez BigQuery yemek tarifi veritabanına dayalı olacak.
Bu alıştırmadaki kodlardan herhangi birinde takılırsanız tüm kod dosyalarının çözümleri, solution dalındaki alıştırma GitHub deposunda yer alır.
Hedefler
Bu laboratuvarda, aşağıdaki görevleri nasıl gerçekleştireceğinizi öğreneceksiniz:
- Gemini Cloud Assist'i etkinleştirme ve kullanma
- Yemek pişirme tavsiyesi veren chatbot için Vertex AI Agent Builder'da arama uygulaması oluşturma
- Gemini Code Assist'in yardımıyla Colab Enterprise not defterine veri yükleme ve verileri temizleme
- Vertex AI Agent Builder'da yemek tarifi oluşturucu için arama uygulaması oluşturma
- Gemini'ın yardımıyla temel Python ve Streamlit web uygulamasını oluşturma
- Web uygulamasını Cloud Run'a dağıtma
- Yemek pişirme tavsiyesi sayfasını, yemek kitabı arama amaçlı Agent Builder uygulamamıza bağlayın
- (İsteğe bağlı) Yemek tarifi arama sayfasını, yemek tarifi arama temsilci oluşturucu uygulamasına bağlayın.
- (İsteğe bağlı) Son uygulamayı keşfedin
2. Kurulum ve şartlar
Laboratuvarı Başlat düğmesini tıklamadan önce
Buradaki talimatları okuyun. Laboratuvarlar süreli olduğundan duraklatılamaz. Start Lab'i (Laboratuvarı Başlat) tıkladığınızda başlayan zamanlayıcı, Google Cloud kaynaklarının ne süreyle kullanımınıza açık kalacağını gösterir.
Bu Qwiklabs uygulamalı laboratuvarı, laboratuvar etkinliklerini gerçek bir bulut ortamında (simülasyon veya demo ortamında değil) kendi kendinize yapmanıza olanak tanır. Bu olanağın sunulabilmesi için size yeni, geçici kimlik bilgileri verilir. Bu kimlik bilgilerini laboratuvar süresince Google Cloud'da oturum açmak ve Google Cloud'a erişim için kullanırsınız.
Gerekenler
Bu laboratuvarı tamamlamak için şunlar gerekir:
- Standart bir internet tarayıcısına erişim (Chrome Tarayıcı önerilir)
- Laboratuvarı tamamlamak için zaman.
Not: Kendi Google Cloud hesabınız veya projeniz zaten varsa bu laboratuvarda hesabınızı ya da projenizi kullanmayın.
Not: Pixelbook kullanıyorsanız bu laboratuvarı çalıştırmak için gizli pencere açın.
Laboratuvarınızı başlatma ve Google Cloud Console'da oturum açma
- Laboratuvarı Başlat düğmesini tıklayın. Laboratuvar için ödeme yapmanız gerekiyorsa ödeme yöntemini seçebileceğiniz bir pop-up pencere açılır. Sol taraftaki panel, bu laboratuvarda kullanmanız gereken geçici kimlik bilgileriyle doldurulur.
- Kullanıcı adını kopyalayıp Google Console'u Aç'ı tıklayın. Laboratuvar, kaynakları çalıştırır. Ardından "Oturum aç" sayfasını gösteren başka bir sekme açar.
İpucu: Sekmeleri ayrı pencerelerde, yan yana açın.
Hesap seçin sayfasını görürseniz Başka Bir Hesap Kullan'ı tıklayın.
- Oturum aç sayfasında, Bağlantı Ayrıntıları panelinden kopyaladığınız kullanıcı adını yapıştırın. Ardından şifreyi kopyalayıp yapıştırın.
Önemli: Bağlantı Ayrıntıları panelindeki kimlik bilgilerini kullanmanız gereklidir. Qwiklabs kimlik bilgilerinizi kullanmayın. Kendi Google Cloud hesabınızı bu laboratuvarda kullanmayın (ücret ödememek için). 4. Sonraki sayfalarda ilgili düğmeleri tıklayarak ilerleyin:
- Hükümler ve koşulları kabul edin.
- Geçici bir hesap kullandığınızdan kurtarma seçenekleri veya iki faktörlü kimlik doğrulama eklemeyin.
- Ücretsiz denemelere kaydolmayın.
Birkaç saniye sonra Cloud Console bu sekmede açılır.
Not: Sol üstteki gezinme menüsünü tıklayarak Google Cloud ürün ve hizmetlerinin listelendiği menüyü görüntüleyebilirsiniz.
3. 0. görev: İş istasyonu kümenizi kontrol etme
Bu laboratuvarın ilerleyen bölümlerinde bazı geliştirme çalışmaları yapmak için Google Cloud iş istasyonu kullanacaksınız. Bu laboratuvarın başlangıç sürecinde iş istasyonunuzun kümesi oluşturulmaya başlanmış olmalıdır. Devam etmeden önce kümenin oluşturulduğundan emin olalım.
- Google Cloud Console'da arama kutusunu kullanarak Cloud Workstations'a gidin.
- Küme yönetimi'ni görüntülemek için soldaki gezinme menüsünü kullanın.
- Güncellenen bir kümeniz varsa sorun yoktur ve 1. göreve geçebilirsiniz. Herhangi bir durumda küme görmüyorsanız sayfayı yenileyin. Hâlâ bir küme Güncelleniyor (oluşturuluyor) görmüyorsanız bu talimatların sol üst kısmındaki düğmeyi kullanarak bu laboratuvarı sonlandırın ve laboratuvarı yeniden başlatın.
4. 1. görev: Gemini Cloud Assist'i etkinleştirme ve kullanma
Bu görevde Gemini Cloud Assist'i etkinleştirip kullanacağız. Google Cloud Console'da çalışırken Gemini Cloud Assist; tavsiye verebilir, Google Cloud altyapınızı oluşturma, yapılandırma ve izleme konusunda size yardımcı olabilir, hatta gcloud komutları önerebilir ve Terraform komut dosyaları yazabilir.
- Cloud Assist'i kullanmak üzere etkinleştirmek için Cloud Console kullanıcı arayüzünün üst kısmındaki arama kutusunu tıklayın ve Gemini'a sorun'u (veya Cloud Console için Gemini'a sorun) seçin.
- Sayfanın Gerekli API bölümüne gidin ve Google Cloud için Gemini API'yi Etkinleştirin.
- Hemen bir sohbet arayüzü görmüyorsanız Sohbet etmeye başla'yı tıklayın. Öncelikle Gemini'dan Cloud Workstations kullanmanın bazı avantajlarını açıklamasını isteyin. Oluşturulan yanıtı incelemek için birkaç dakikanızı ayırın.
- Ardından, Agent Builder'ın avantajları ve üretken yanıtları temellendirmeye nasıl yardımcı olabileceği hakkında bilgi edinin.
- Son olarak, bir karşılaştırmaya bakalım. Google Cloud Console'un Gemini ile etkileşim penceresinde şu soruyu sorun:
What are the major steps to creating a search app grounded in a
GCS data source using Vertex AI Agent builder?
- Şimdi gizli olmayan pencerenizde herkese açık Gemini web sitesine gidin, gerekirse giriş yapın ve aynı soruyu sorun. Yanıtlar aynı mı veya en azından benzer mi? Belirli adımlar? İkisi arasında belirgin bir fark var mı? Her durumda, sonraki adımları uygularken yanıtları aklınızda bulundurun.
Not: Yukarıdaki adımı geçici Qwiklabs hesabınızı kullanarak yapmaya çalışırsanız engellenirsiniz. Kuruluşunuz Gemini web uygulamasının kullanımına izin vermediği için iş hesabınız da engellendiyse bu adımı atlayıp devam edebilirsiniz. Bu durum, bu alıştırmayı tamamlama becerinizi etkilemez.
5. 2. görev: Yemek pişirme tavsiyesi veren chatbot için Vertex AI Agent Builder'da arama uygulaması oluşturma
Oluşturduğumuz web sitesinde, kullanıcıların yemek pişirmeyle ilgili sorularına yanıt bulmalarına yardımcı olmak için tasarlanmış bir chatbot içeren yemek pişirme tavsiyesi sayfası olacak. 70 kamu malı yemek kitabını içeren bir kaynağa dayalı Gemini tarafından desteklenir. Yemek kitapları, Gemini'ın soruları yanıtlarken kullandığı bilgi kaynağı olarak işlev görür.
- Vertex AI'a gitmek için Cloud Console arama kutusunu kullanın. Kontrol panelinde Enable All Recommended APIs'i (Önerilen Tüm API'leri Etkinleştir) tıklayın. Vertex AI API'nin etkinleştirilmesi gerektiğiyle ilgili bir pop-up kutusu görürseniz lütfen bu API'yi de etkinleştirin.
- Arama özelliğini kullanarak Agent Builder'a gidin, ardından Continue and Activate the API'yi (API'yi Etkinleştir ve Devam Et) tıklayın.
- Gemini'ın önceki tavsiye isteğimizde önerdiği gibi, Agent Builder'da bir arama uygulaması oluşturmak için öncelikle yetkili bir veri kaynağı oluşturmanız gerekir. Kullanıcı arama yaptığında Gemini, soruyu ve akıllı yanıtları nasıl oluşturacağını anlar ancak bu yanıtta kullanılan bilgileri kendi doğuştan gelen bilgisinden çekmek yerine, temellendirilmiş kaynaktan alır.
Soldaki menüden Veri Depoları'na ve Veri Deposu Oluştur'a gidin. 4. Yemek pişirme tavsiyesi sayfamızı temellendirmek için kullandığımız kamu malı yemek kitapları şu anda harici bir projedeki Cloud Storage paketinde bulunuyor. Cloud Storage kaynak türünü seçin. 5. İçe aktardığımız bilgi türüyle ilgili varsayılan seçenekleri inceleyin ancak değiştirmeyin. İçe aktarma türünü Klasör olarak bırakın ve paket yolu için labs.roitraining.com/labs/old-cookbooks, ardından Devam'ı kullanın. 6. Veri deposunu adlandırın: old-cookbooks. Düzenle'yi tıklayın ve kimliği old-cookbooks-id olarak değiştirip veri deposunu oluşturun.
Vertex AI Agent Builder, çeşitli uygulama türlerini destekler ve her biri için veri deposu, doğruluk kaynağı olarak işlev görür. Arama uygulamaları genel kullanım ve arama için uygundur. Chat uygulamaları, Dataflow destekli chatbot/sesli bot uygulamalarındaki üretken akışlar için kullanılır. Öneri uygulamaları, daha iyi öneri motorları oluşturulmasına yardımcı olur. Ayrıca, Agent uygulamaları üretken yapay zeka destekli temsilciler oluşturmak için kullanılır. Sonuç olarak, Agent muhtemelen yapmak istediklerimizde bize en iyi şekilde hizmet edecektir ancak ürün şu anda önizleme aşamasında olduğundan Arama uygulaması türünü kullanmaya devam edeceğiz. 7. Sol taraftaki menüyü kullanarak Uygulamalar'a gidin, ardından Uygulama Oluştur'u tıklayın. Arama uygulaması türünü seçin. Çeşitli seçenekleri inceleyin ancak değiştirmeyin. Uygulamayı adlandırın: cookbook-search. Düzenle'yi tıklayın ve uygulama kimliğini cookbook-search-id olarak ayarlayın. Şirketi Google olarak ayarlayın ve Devam'ı tıklayın. 9. Birkaç adım önce oluşturduğunuz old-cookbooks veri deposunu kontrol edin ve arama uygulamasını oluşturun.
Etkinlik sekmesini incelerseniz yemek kitaplarının hâlâ içe aktarılıp dizine eklendiğini görürsünüz. Agent Builder'ın, kendisine verdiğimiz 70 çözüm kitabında yer alan binlerce sayfayı dizine eklemesi 5 dakikadan uzun sürer. Bu işlem devam ederken tarif oluşturucumuz için bazı tarif veritabanı verilerini yükleyip temizleyelim.
6. 3. görev: Gemini Code Assist'in yardımıyla Colab Enterprise not defterine veri yükleme ve verileri temizleme
Google Cloud, Jupiter not defterleriyle çalışabileceğiniz birkaç önemli yöntem sunar. Google'ın en yeni ürünü olan Colab Enterprise'ı kullanacağız. Bazılarınız, Google'ın Colab ürününü biliyor olabilir. Bu ürün, Jupiter not defterleriyle ücretsiz bir ortamda deneme yapmak isteyen kişiler ve kuruluşlar tarafından yaygın olarak kullanılır. Colab Enterprise, Google'ın diğer bulut ürünleriyle tamamen entegre olan ve GCP ortamının güvenlik ve uyumluluk özelliklerinden tam olarak yararlanan ticari bir Google Cloud teklifidir.
Colab Enterprise'ın sunduğu özelliklerden biri, Google'ın Gemini Code Assist ile entegrasyondur. Code Assist, çeşitli kod düzenleyicilerde kullanılabilir ve kod yazarken tavsiyelerde bulunmanın yanı sıra sorunsuz satır içi öneriler sunabilir. Tarif verilerimizi düzenlerken bu üretken asistanı kullanacağız.
- Arama özelliğini kullanarak Colab Enterprise'a gidin ve Not defteri oluştur'u tıklayın. Yeni Colab özelliklerini deneme teklifi alırsanız bu teklifi reddedin. Not defterinin arka planındaki işlem gücü olan çalışma zamanını başlatmak için yeni not defterinizin sağ üst köşesindeki Bağlan'ı tıklayın.
- Colab Enterprise Dosyaları bölmesinde geçerli not defteri adının yanındaki üç nokta menüsünü kullanarak not defterini yeniden adlandırın
Data Wrangling.
- Yeni bir + Metin kutusu oluşturun ve yukarı oku kullanarak sayfadaki ilk hücre olacak şekilde taşıyın.
- Metin kutusunu düzenleyin ve şunları girin:
# Data Wrangling
Import the Pandas library
- Yeni oluşturduğunuz metin bloğunun altındaki kod bloğunda imp yazmaya başlayın. Gemini Code Assist, içe aktarma işleminin geri kalanını gri renkte önerir. Öneriyi kabul etmek için Sekme tuşuna basın.
import pandas as pd
- İçe aktarma kodu kutusunun altında başka bir metin kutusu oluşturun ve şunları girin:
Create a Pandas DataFrame from: gs://labs.roitraining.com/labs/recipes/recipe_dataset.csv. View the first few records.
- Başka bir kod bloğu oluşturun ve düzenleyin. Yine df yazmaya başlayın ve Gemini Code Assistant tarafından oluşturulan kodu inceleyin. Oluşturulan önerinin üzerinde Python anahtar kelimelerinin otomatik tamamlama açılır listesini görürseniz açık gri renkteki önerilen kodu görmek için Escape tuşuna basın. Öneriyi kabul etmek için tekrar sekme tuşuna basın. Önerinizde head() işlevi çağrısı yoksa bunu ekleyin.
df = pd.read_csv('gs://labs.roitraining.com/labs/recipes/recipe_dataset.csv')
df.head()
- Pandas'ı içe aktardığınız ilk kod hücresini tıklayın ve seçili hücreyi çalıştırmak için Komutlar menüsünü veya klavyeyi kullanın. Klavyede Üst Karakter+Enter tuşlarına basıldığında hücre çalıştırılır ve odak bir sonraki hücreye kaydırılır. Gerekirse yeni bir hücre oluşturulur. Devam etmeden önce hücrenin yürütülmesini bekleyin.
Not: Bir hücre yürütülmediğinde hemen solunda [ ] görürsünüz. Bir hücre yürütülürken dönen bir çalışma animasyonu görürsünüz. Hücre tamamlandığında [13] gibi bir sayı görünür. 9. CSV'yi DataFrame'e yükleyen hücreyi yürütün. Dosyanın yüklenmesini bekleyin ve verilerin ilk beş satırını inceleyin. Bu, BigQuery'ye yükleyeceğimiz ve sonunda yemek tarifi oluşturucumuzu temel almak için kullanacağımız yemek tarifi verileridir. 10. Yeni bir kod bloğu oluşturun ve aşağıdaki yorumu girin. Yorumu yazdıktan sonra sonraki kod satırına gidin. df.columns önerisini alırsınız. Kabul edin ve hücreyi çalıştırın.
# List the current DataFrame column names
Jupyter not defterinde Gemini Code Assist'ten yardım almak için iki seçeneğiniz olduğunu gösterdik: Kod hücrelerinin üzerindeki metin hücreleri veya kod hücresinin içindeki yorumlar. Kod hücrelerindeki yorumlar Jupyter not defterlerinde iyi çalışır ancak bu yaklaşım, Google'ın Gemini Code Assist'ini destekleyen diğer tüm IDE'lerde de işe yarar.
- Sütunları biraz temizleyelim.
Unnamed: 0sütununuid,linksütununu iseuriolarak yeniden adlandırın. Kodu oluşturmak için istediğiniz istem > kod tekniklerini kullanın, ardından kodu çalıştırın.
# Rename the column 'Unnamed: 0' to 'id' and 'link' to 'uri'
df.rename(columns={'Unnamed: 0': 'id', 'link': 'uri'}, inplace=True)
sourceveNERsütunlarını kaldırın ve ilk birkaç satırı görüntülemek içinhead()simgesini kullanın. Yine Gemini'dan yardım alın. Son iki satırı çalıştırın ve sonuçları inceleyin.
# Remove the source and NER columns
df.drop(columns=['source', 'NER'], inplace=True)
df.head()
- Veri kümemizde kaç kayıt olduğuna bakalım. Yine, istediğiniz istem tekniğiyle başlayın ve Gemini'ın kodu oluşturmanıza yardımcı olup olamayacağını görün.
# Count the records in the DataFrame
df.shape # count() will also work
- 2,23 milyon kayıt, muhtemelen zamanımızın yetmeyeceği kadar çok tarif içeriyor. Agent Builder'daki indeksleme işlemi, bugünkü alıştırmamız için muhtemelen çok uzun sürecek. Uzlaşma olarak 150.000 tarifi örnekleyelim ve bu örnekle çalışalım. Örneği alıp
dfs(s for small) adlı yeni bir DataFrame'de depolamak için istem > kod yaklaşımınızı kullanın.
# Sample out 150,000 records into a DataFrame named dfs
dfs = df.sample(n=150000)
- Yemek tarifi kaynak verilerimiz BigQuery'ye yüklenmeye hazır. Yükleme işlemine başlamadan önce BigQuery'ye gidip tablomuzu barındıracak bir veri kümesi hazırlayalım. Google Cloud Console'da arama kutusunu kullanarak BigQuery'ye gidin. BigQuery'yi sağ tıklayıp yeni bir tarayıcı sekmesinde açabilirsiniz.
- Henüz görünmüyorsa Cloud Console'un sağ üst kısmındaki Gemini logosunu kullanarak Gemini Yapay Zeka Sohbet panelini açın. API'yi tekrar etkinleştirmeniz istenirse etkinleştir'e basın veya sayfayı yenileyin. İstemi çalıştırın:
What is a dataset used for in BigQuery?Yanıtı inceledikten sonra şu soruyu sorun:How can I create a dataset named recipe_data using the Cloud Console?Sonuçları aşağıdaki birkaç adımla karşılaştır.
- BigQuery Explorer bölmesinde, proje kimliğinizin yanındaki üç noktalı İşlemleri göster menüsünü tıklayın. Ardından Veri kümesi oluştur'u seçin.
- Veri kümesini ve
recipe_datakimliğini girin. Konum türünü ABD olarak bırakın ve Veri Kümesi Oluştur'u tıklayın. Veri kümesinin zaten mevcut olduğuna dair bir hata alırsanız devam edebilirsiniz.
BigQuery'de oluşturulan veri kümesiyle not defterimize geri dönüp ekleme işlemini yapalım. 19. Colab Enterprise'da Veri Temizleme not defterinize geri dönün. Yeni bir kod hücresinde project_id adlı bir değişken oluşturun ve mevcut proje kimliğinizi tutmak için bu değişkeni kullanın. Bu talimatların sol üst kısmında, Laboratuvarı Sonlandır düğmesinin altında geçerli proje kimliğini bulabilirsiniz. İsterseniz Cloud Console ana sayfasında da bulabilirsiniz. Değeri project_id değişkeninize atayın ve hücreyi çalıştırın.
# Create a variable to hold the current project_id
project_id='YOUR_PROJECT_ID'
- Yeni oluşturduğumuz
recipe_dataveri kümesindedfsDataFrame'inirecipesadlı bir tabloya ekleyecek bir kod bloğu oluşturmak için istem > kod yaklaşımını kullanın. Hücreyi çalıştırın.
dfs.to_gbq(destination_table='recipe_data.recipes', project_id=project_id, if_exists='replace')
7. 4. görev: Vertex AI Agent Builder'da yemek tarifi oluşturucu için arama uygulaması oluşturma
Tarif verileri tablomuz oluşturuldu. Şimdi bu tabloyu kullanarak tarif oluşturucumuz için temellendirilmiş bir veri kaynağı oluşturalım. Kullanacağımız yaklaşım, yemek pişirme sohbet botumuzda kullandığımıza benzer olacaktır. Veri deposu oluşturmak için Vertex AI Agent Builder'ı, ardından da bunu bir arama uygulaması için doğruluk kaynağı olarak kullanacağız.
İsterseniz Google Cloud Console'da Gemini'dan Agent Builder arama uygulaması oluşturma adımlarını hatırlatmasını isteyebilir veya aşağıda listelenen adımları uygulayabilirsiniz.
- Agent Builder'a gitmek için Arama'yı kullanın. Veri depoları'nı açın ve Veri deposu oluştur'u tıklayın. Bu kez BigQuery Veri Deposu türünü seçin.
- Tablo seçimi hücresinde Gözat'a basın ve
recipessimgesini arayın. Tablonuzun yanındaki radyo düğmesini seçin. Diğer qwiklabs-gcp-... projelerinden tarifler görürseniz size ait olanı seçtiğinizden emin olun.
Not: Yanındaki radyo düğmesini seçmek yerine recipes simgesini tıklarsanız tarayıcınızda yeni bir sekme açılır ve BigQuery'deki tabloya genel bakış sayfasına yönlendirilirsiniz. Tarayıcı sekmesini kapatıp Agent Builder'da radyo düğmesini seçmeniz yeterlidir. 3. Varsayılan seçeneklerin geri kalanını inceleyin ancak değiştirmeyin, ardından Devam'ı tıklayın. 4. Şema inceleme sayfasında ilk varsayılan yapılandırmaları inceleyin ancak hiçbir şeyi değiştirmeyin. Devam'ı tıklayın. 5. Veri deposunu recipe-data olarak adlandırın. Veri deposu kimliğini düzenleyin ve recipe-data-id olarak ayarlayın. Veri deposunu oluşturun. 6. Sol taraftaki gezinme menüsünü kullanarak Uygulamalar'a gidin ve Uygulama Oluştur'u tıklayın. 7. Arama uygulamasını bir kez daha seçin. Uygulamayı recipe-search olarak adlandırın ve kimliği recipe-search-id olarak ayarlayın. Şirket adını Google olarak ayarlayın ve Devam'ı tıklayın. 8. Bu kez recipe-data veri kaynaklarını kontrol edin. Uygulamayı oluşturun.
Veritabanı tablomuzun dizine eklenmesi biraz zaman alır. Bu sırada BigQuery'nin yeni Data Canvas'ını deneyelim ve ilginç bir veya iki tarif bulup bulamayacağımıza bakalım. 9. Arama kutusunu kullanarak BigQuery'ye gidin. BigQuery Studio'nun üst kısmında, en sağdaki sekmenin yanındaki aşağı oku tıklayın ve Veri tuvali'ni seçin. Bölgeyi us-central1 olarak ayarlayın.
- Veri tuvali arama kutusunda
recipessimgesini arayın ve tablonuzu Tuvale ekle'yi tıklayarak ekleyin. - Tarifler tablonuzun görsel bir temsili, BigQuery Veri tuvaline yüklenir. Tablonun şemasını keşfedebilir, tablodaki verileri önizleyebilir ve diğer ayrıntıları inceleyebilirsiniz. Tablo gösteriminin altında Sorgu'yu tıklayın.
- Tuvalde, bir eklemeyle birlikte az çok tipik bir BigQuery sorgu iletişim kutusu yüklenir: Sorgu penceresinin üzerinde, Gemini'dan yardım istemek için kullanabileceğiniz bir metin kutusu bulunur. Örneğimizde pasta tarifleri bulup bulamayacağımıza bakalım. Aşağıdaki istemi çalıştırın (metni yazıp Enter/Return tuşuna basarak SQL oluşturmayı tetikleyin):
Please select the title and ingredients for all the recipes with a title that contains the word cake.
- Oluşturulan SQL'e bakın. Memnun kaldığınızda sorguyu çalıştırın.
- Hiç de fena değil! Devam etmeden önce birkaç istem ve sorguyla denemeler yapabilirsiniz. Deneme yaparken neyin işe yarayıp neyin yaramadığını görmek için daha az spesifik istemler kullanmayı deneyin. Örneğin, şu istem:
Do I have any chili recipes?
(Yeni sorguyu çalıştırmayı unutmayın) Biberli yemek tariflerinin listesini döndürdü ancak tarifi şu şekilde değiştirene kadar malzemeleri eklemedi:
Do I have any chili recipes? Please include their title and ingredients.
(Evet, istemde bulunurken lütfen diyorum. Annem benimle çok gurur duyardı.)
Bir acı biber tarifinde mantar olduğunu fark ettim. Acı biberde mantar olmasını kim ister ki? Gemini'dan bu tarifleri hariç tutmama yardımcı olmasını istedim.
Do I have any chili recipes? Please include their title and ingredients, and ignore any recipes with mushrooms as an ingredient.
8. 5. görev: Gemini'ın yardımıyla temel Python ve Streamlit web uygulamasını oluşturma
Vertex AI Agent Builder veri depolarımızın her ikisi de indekslendi ve arama uygulamalarımız kullanıma hazır hale geldi. Şimdi web uygulamamızı oluşturmaya başlayabiliriz.
Çalışırken Gemini Code Assist'ten yararlanacağız. Gemini Code Assist'i Visual Studio Code'da kullanma hakkında daha fazla bilgi için buradaki belgelere bakın.
Geliştirme işlemlerimizi Google Cloud Workstation'da yapacağız. Bu, bulut tabanlı bir geliştirme ortamıdır ve bizim durumumuzda Eclipse Theia (açık kaynaklı Visual Studio Code) önceden yüklenmiştir. Bu alıştırmadaki otomatik komut dosyası, Cloud İş İstasyonu kümesini ve yapılandırmasını bizim için oluşturdu ancak Cloud İş İstasyonu'nu yine de oluşturmamız gerekiyor. Cloud Workstations ve kullanımı hakkında daha fazla bilgi edinmek isterseniz Gemini Cloud Assist'e sorabilirsiniz.
- Arama özelliğini kullanarak Cloud Workstations'a ve ardından İş istasyonu oluştur'a gidin. İş istasyonunu
dev-envolarak adlandırın ve my-config yapılandırmasını kullanın. İş istasyonunu oluşturun. - Birkaç dakika sonra yeni iş istasyonunuzu İş istasyonlarım listesinde görürsünüz.
dev-envBaşlatın ve çalıştıktan sonra geliştirme ortamını Başlatın. - İş istasyonu düzenleyicisi yeni bir tarayıcı sekmesinde açılır ve birkaç dakika sonra Theia (Visual Studio Code) arayüzünü görürsünüz. Arayüzün sol tarafında Kaynak Kontrolü sekmesini genişletin ve Depoyu Klonla'yı tıklayın.
- Depo URL'si için
https://github.com/haggman/recipe-appgirin. Depoyuuserklasörünüze klonlayın, ardından düzenlemek için klonlanmış depoyu açın. - Klonlanan klasörü inceleyip web uygulamamız üzerinde çalışmaya başlamadan önce düzenleyicinin Cloud Code eklentisinin Google Cloud'da oturum açmasını sağlamamız ve Gemini'ı etkinleştirmemiz gerekir. Şimdi bu işlemi yapalım. Düzenleyicinizin sol alt kısmında Cloud Code - Sign in'i (Cloud Code - Oturum aç) tıklayın. Bağlantıyı görmüyorsanız bir dakika bekleyip tekrar kontrol edin.
- Terminal penceresinde uzun bir URL gösterilir. URL'yi tarayıcıda açın ve Cloud Code'un Google Cloud ortamınıza erişmesine izin vermek için adımları uygulayın. Kimlik doğrulama sırasında kişisel Google Cloud hesabınızı değil, alıştırma için oluşturulan geçici
student-...hesabınızı kullandığınızdan emin olun. Son iletişim kutusunda doğrulama kodunu kopyalayın ve Cloud Workstation tarayıcı sekmenizde bekleyen terminal penceresine geri yapıştırın. - Birkaç dakika sonra düzenleyicinizin sol alt kısmındaki Cloud Code bağlantısı Cloud Code - No Project (Cloud Code - Proje Yok) olarak değişir. Proje seçmek için yeni bağlantıyı tıklayın. Komut paleti, düzenleyicinin üst kısmında açılır. Google Cloud projesi seçin'i tıklayın ve qwiklabs-gcp-... projenizi seçin. Birkaç dakika sonra düzenleyicinizin sol alt kısmındaki bağlantı, proje kimliğinizi gösterecek şekilde güncellenir. Bu, Cloud Code'un çalışma projenize başarıyla eklendiğini gösterir.
- Cloud Code projenize bağlandığına göre artık Gemini Code Assist'i etkinleştirebilirsiniz. Düzenleyici arayüzünüzün sağ alt kısmında, üstü çizili Gemini logosunu tıklayın. Gemini Chat bölmesi, düzenleyicinin sol tarafında açılır. Google Cloud projesi seçin'i tıklayın. Komut paleti açıldığında qwiklabs-gcp-... projenizi seçin. Adımları doğru şekilde uyguladıysanız (ve Google herhangi bir değişiklik yapmadıysa) artık etkin bir Gemini ile etkileşim penceresi görmelisiniz.
- Son olarak, düzenleyici terminal penceresini eşit şekilde yapılandıralım. Terminal penceresini açmak için hamburger menüsü > Görünüm > Terminal'i kullanın. Yürüt
gcloud init. Cloud Shell terminalininqwiklabs-gcp-...projenize karşı çalışmasına izin vermek için bağlantıyı tekrar kullanın. İstendiğindeqwiklabs-gcp-...projenizin sayısal seçeneğini belirleyin. - Terminal, Gemini ile etkileşim ve Cloud Code yapılandırmalarımız hazır olduğuna göre Gezgin sekmesini açın ve birkaç dakika içinde mevcut projedeki dosyaları inceleyin.
- Explorer'da
requirements.txtdosyanızı düzenlemek için açın. Gemini sohbet bölmesine geçip şu soruyu sorun:
From the dependencies specified in the requirements.txt file, what type of application are we building?
- Bu nedenle, Python ve Streamlit kullanarak Vertex AI ve Discovery Engine ile etkileşim kuran etkileşimli bir web uygulaması oluşturuyoruz. Şimdilik web uygulaması bileşenlerine odaklanalım. Gemini'ın da belirttiği gibi Streamlit, Python'da veri odaklı web uygulamaları oluşturmaya yönelik bir çerçevedir. Şimdi şu soruyu sorun:
Does the current project's folder structure seem appropriate for a Streamlit app?s
Gemini genellikle bu noktada sorun yaşar. Gemini, düzenleyicide şu anda açık olan dosyaya erişebilir ancak projenin tamamını göremez. Şunu sormayı deneyin:
Given the below, does the current project's file and folder structure seem appropriate for a Streamlit app?
- build.sh
- Home.py
- requirements.txt
- pages
-- Cooking_Advice.py
-- Recipe_Search.py
Daha iyi bir yanıt mı almak istiyorsunuz?
- Streamlit hakkında daha fazla bilgi edinelim:
What can you tell me about Streamlit?
Gemini'ın, avantajlar ve dezavantajlar da dahil olmak üzere güzel bir genel bakış sunduğunu görüyoruz.
- Dezavantajları öğrenmek için şu soruyu sorabilirsiniz:
What are the major downsides or shortcomings?
Gemini ile etkileşim etkileşimli (çok turlu) olduğundan "Streamlit'in" dememize gerek kalmadı. Gemini, sohbet oturumunda olduğumuz için konuştuklarımızı biliyor. Gemini ile etkileşim geçmişini istediğiniz zaman temizlemek için Gemini kod sohbet penceresinin üst kısmındaki çöp kutusu simgesini kullanın.
9. 6. görev: Web uygulamasını Cloud Run'a dağıtma
Mükemmel. Temel uygulama yapımız hazır ancak her şey çalışacak mı? Daha da önemlisi, Google Cloud'da nerede barındırmalıyız?
- Gemini ile etkileşim penceresinde şu soruyu sorun:
If I containerize this application, what compute technologies
in Google Cloud would be best for hosting it?
- IDE'nizde çalışmıyorsanız Google Cloud Assist'i de kullanabileceğinizi unutmayın. Google Cloud Console'u açın, ardından Gemini Cloud Assist'i açıp şu soruyu sorun:
If I have a containerized web application, where would be the
best place to run it in Google Cloud?
İki tavsiye grubu aynı mıydı? Tavsiyelerden herhangi birine katılıyor musunuz? Gemini'ın bir üretken yapay zeka asistanı olduğunu ve insan asistanlar gibi her zaman söylediklerine katılmayacağınızı unutmayın. Ancak Google Cloud'da ve kod düzenleyicinizde çalışırken bu yardımcının her zaman yanınızda olması verimliliğinizi önemli ölçüde artırabilir.
- Durum bilgisiz ve kısa ömürlü bir container mimarisine alınmış web uygulaması için Cloud Run mükemmel bir seçenek olacaktır. Kod düzenleyicinizin Gemini ile etkileşim penceresinde şu istemi deneyin:
What steps would be required to run this application in
Cloud Run?
- Yapmamız gereken ilk şeyin bir Dockerfile oluşturmak olduğunu görüyoruz. Düzenleyiciyi kullanarak proje klasörünüzün kök dizininde
Dockerfileadlı bir dosya oluşturun. Dosyayı yanlışlıkla sayfalar klasörüne yerleştirmediğinizden emin olun. Düzenlemek için dosyayı açın. Dockerfileoluşturmak için Gemini ile etkileşim yan panelini kullanalım. Aşağıdaki gibi bir istem kullanın. Sonuçlar sohbette gösterildiğinde, önerilen Dockerfile'ın hemen üstündeki kopyalama simgesinin yanındaki + işaretini kullanarak önerilen kodu Dockerfile'a ekleyin.
Create a Dockerfile for the application in the current folder.
The dependencies are defined in requirements.txt and I want you
to use the Python 3 slim bookworm base image.
Gemini, aynı isteme her zaman aynı yanıtı vermez. Gemini'dan ilk kez Dockerfile istediğimde, size kullanmanızı önereceğim dosyayı aldım. Şu anda şu öneriyi aldım:
```docker
# Base image
FROM python:3-bookworm-slim
# Set working directory
WORKDIR /app
# Install dependencies
RUN apt-get update && apt-get install -y \
build-essential \
libpq-dev \
gcc \
python3-dev \
&& rm -rf /var/lib/apt/lists/*
# Install pip and virtualenv
RUN pip install --upgrade pip virtualenv
# Create virtual environment
RUN python3 -m venv venv
# Activate virtual environment
WORKDIR /app/venv/bin
RUN . activate
# Install Streamlit and libraries from requirements.txt
RUN pip install -r requirements.txt
# Copy application files
COPY . /app
# Expose port 8501 for Streamlit
EXPOSE 8501
# Start Streamlit app
CMD ["streamlit", "run", "main.py"]
That's a heck of a Dockerfile. I'd simplify it a bit. We don't need the apt-get section as anything needed for Python is already in our base image. Also, using a virtual environment in a Python container is a waste of space, so I'd remove that. The expose command isn't strictly necessary, but it's fine. Also, it's trying to start main.py which I don't have.
6. Tweak the Dockerfile so it resembles the following:
FROM python:3.11-slim-bookworm
WORKDIR /app
COPY requirements.txt . RUN pip install –no-cache-dir –upgrade pip &&
pip install –no-cache-dir -r requirements.txt
KOPYALA .
CMD ["streamlit", "run", "Home.py"]
7. We need a place in Google cloud where we can store our container image. Let's get a little help from Gemini. In the Google Cloud Console Gemini Cloud Assist ask:
Docker görüntülerini depolamak için Google Cloud'da en iyi yer neresidir?
8. If one of the answers you received is the Google Container Registry, then I guess Gemini hasn't gotten word that GCR is deprecated. Again, just like human assistants, you may get out of date or simply wrong answers (hallucinations). Always make sure to consider your choices carefully, even when Gemini is recommending something.
Let's go with Artifact Registry. Ask Gemini Cloud Assist how to create a docker registry in Artifact Registry named cooking-images.
Artifact Registry'de Docker kayıt defteri oluşturmak için gcloud'u nasıl kullanabilirim?
9. Now ask Gemini how you could use Cloud Build to build a new image named `recipe-web-app` from the Dockerfile in the current folder.
Yeni oluşturduğumuz Artifact Registry deposundaki aynı adlı bir görüntüden gcloud'u kullanarak recipe-web-app adlı yeni bir Cloud Run hizmetini nasıl oluşturabilirim?
10. To save you a little time, I've created a script that will create the Artifact Registry repo (if needed), use Cloud Build to build and push the image to the repo, and finally to deploy the application to Cloud Run. In your code editor use the **Explorer** view to open `build.sh` and explore the file.
11. Gemini can operate via the chat window, but it can also work directly in your code file using comments, like we used in the Data Wrangling notebook, and it also may be invoked using Control+i on Windows or Command+i on Mac. Click somewhere in the build.sh script file, activate Gemini using the appropriate Command+i / Control+i command.
<img src="img/61ac2c9a245a3695.png" alt="61ac2c9a245a3695.png" width="624.00" />
12. At the prompt enter the below. Examine and **Accept** the change.
Lütfen mevcut dosyaya yorum yapın.
How cool is that?! How many times have you had to work with someone elses code, only to have to waste time gaining a base understanding of their commentless work before you can even start making your changes. Gemini to the rescue!
13. Let's build and deploy our application. In the terminal window execute the `build.sh` file.
. build.sh
14. If you watch the build process, first it will build the Artifact Registry docker repo. Then, it uses Cloud Build to create the container image from the Dockerfile in the local folder (since we didn't supply a `cloudbuild.yaml`). Lastly, the docker image will be deployed into a new Cloud Run service. At the end of the script you'll get a Cloud Run test URL to use.
Open the returned link in a new tab of your browser. Take a moment and explore the application's structure and pages. Nice, now we need a hook in our generative AI functionality.
## Task 7: Connect the Cooking Advice page to our cookbook-search Agent Builder app
We have the framework for the web application running, but we need to connect the two work pages to our two Vertex AI Agent Builder search apps. Let's start with Cooking Advice.
1. In the Google Cloud console use search to navigate to **Chat** in Vertex AI.
2. In the right hand settings page pane set the model to **gemini-1.5-flash-002**. Slide the output token limit up to the max so the model can return longer answers if needed. Open the **Safety Filter Settings**. Set Hate speech, Sexually explicit content, and Harassment content to **Block some**. Set Dangerous content to **Block few** and **Save**. We're setting Dangerous Content a bit lower because talking about knives and cutting can be misinterpreted by Gemini as violence.
3. Slide on the toggle to enable **Grounding** then click **Customize**. Set the grounding source to **Vertex AI search** and for the datastore path use the following. Change YOUR_PROJECT_ID to the project ID found up near the End Lab button in these instructions, then **Save** the grounding settings
projects/YOUR_PROJECT_ID/locations/global/collections/default_collection/dataStores/old-cookbooks-id
**Note:** If you get an error then you either didn't change the project ID to your actual project ID, or you may have missed the step where you changed the old-cookbooks Agent Builder Data Store ID. Check your Agent Builder > Data Stores > old-cookbooks for its actual Data store ID.
4. Test a couple of chat messages. Perhaps start with the below. Try a few others if you like.
Domatesin olgun olup olmadığını nasıl anlarım?
5. The model works, now let's experiment with the code. Click **Clear Conversation** so our conversations don't become part of the code then click **Get Code**.
<img src="img/dce8ad7ee006cca1.png" alt="dce8ad7ee006cca1.png" width="624.00" />
6. At the top of the code window, press Open Notebook so we can experiment and perfect the code in Colab Enterprise before integrating it into our app.
7. Take a few minutes to familiarize yourself with the code. Let's make a couple of changes to adapt it to what we want. Before we start, run the first code cell to connect to the compute and install the AI Platform SDK. After the block runs you will be prompted to restart the session. Go ahead and do that.
8. Move to the code we pulled out of Vertex AI Studio. Change the name of the method *multiturn_generate_content* to `start_chat_session`.
9. Scroll to the `model = GenerativeModel(` method call. The existing code defines the `generation_config` and `safety_settings` but doesn't actually use them. Modify the creation of the `GenerativeModel` so it resembles:
model = GenerativeModel( "gemini-1.5-flash-002", tools=tools, generation_config=generation_config, safety_settings=safety_settings, )
10. Lastly, add a final line to the method, just below `chat = model.start_chat()`, so the function returns the `chat` object. The finished function should look like the below.
**Note:** DO NOT COPY this code into your notebook. It is simply here as a sanity check.
def start_chat_session(): vertexai.init(project="qwiklabs-gcp-02-9a7298ceaaec", location="us-central1") tools = [ Tool.from_retrieval( retrieval=grounding.Retrieval( source=grounding.VertexAISearch(datastore="projects/qwiklabs-gcp-02-9a7298ceaaec/locations/global/collections/default_collection/dataStores/old-cookbooks-id"), ) ), ] model = GenerativeModel( "gemini-1.5-flash-002", tools=tools, generation_config=generation_config, safety_settings=safety_settings, ) chat = model.start_chat() return chat
11. Scroll to the bottom of the code cell and change the final line calling the old function so it calls the new function name and stores the returned object in a variable `chat`. Once you are satisfied with your changes, run the cell.
chat = start_chat_session()
12. Create a new code cell and add the comment `# Use chat to invoke Gemini and print out the response`. Move to the next line and type resp and Gemini should auto complete the block for you. Update the prompt to `How can I tell if a tomato is ripe?`. Run the cell
response = chat.send_message("How can I tell if a tomato is ripe?") print(response)
13. That's the response alright, but the part we really want is that nested text field. Modify the codeblock to print just that section, like:
response = chat.send_message("How can I tell if a tomato is ripe?") print(response.candidates[0].content.parts[0].text)
14. Good, now that we have working chat code, let's integrate it into our web application. Copy all the contents of the code cell that creates the `start_chat_session` function (we won't need the test cell). If you click into the cell you can click the triple dot menu in the upper right corner and copy from there
<img src="img/17bf8d947393d4b.png" alt="17bf8d947393d4b.png" width="326.00" />
15. Switch to your Cloud Workstation editor and open pages\Cooking_Advice.py for editing.
16. Locate the comment:
Not defterinizden kopyaladığınız kodu bu mesajın altına ekleyin.
17. Paste your copied code just below the above comment. Nice, now we have the section which drives the chat engine via a grounded call to Gemini. Now let's integrate it into Streamlit.
18. Locate section of commented code directly below the comment:
Oturum değişkenlerinizi ayarlamak için kullanacağınız kod aşağıda verilmiştir.
Talimat verildiğinde bu bloğun yorumunu kaldırın.
19. Uncomment this section of code (Up till the next `Setup done, let's build the page UI` section) and explore it. It creates or retrieves the chat and history session variables.
20. Next, we need to integrate the history and chat functionality into the UI. Scroll in the code until you locate the below comment.
Sohbet arayüzünü oluşturmak için gereken kodu aşağıda bulabilirsiniz.
İstendiğinde aşağıdaki kodun açıklamasını iptal edin.
21. Uncomment the rest of the code below the comment and take a moment to explore it. If you like, highlight it and get Gemini to explain its functionality.
22. Excellent, now let's build the application and deploy it. When the URL comes back, launch the application and give the Cooking Advisor page a try. Perhaps ask it about ripe tomatoes, or the bot knows a good way to prepare brussels sprouts.
. build.sh
How cool is that! Your own personal AI cooking advisor :-)
## Task 8: (Optional) Connect the Recipe Search page to the recipe-search Agent Builder app
When we connected the Cooking Advice page to its grounded source, we did so using the Gemini API directly. For Recipe Search, let's connect to the Vertex AI Agent Builder search app directly.
1. In your Cloud Workstation editor, open the `pages/Recipe_Search.py` page for editing. Investigate the structure of the page.
2. Towards the top of the file, set your project ID.
3. Examine the `search_sample` function. This code more or less comes directly from the Discovery Engine documentation [here](https://cloud.google.com/generative-ai-app-builder/docs/preview-search-results#genappbuilder_search-python). You can find a working copy in this notebook [here](https://github.com/GoogleCloudPlatform/generative-ai/blob/main/search/create_datastore_and_search.ipynb).
4. The only change I made was to return the `response.results` instead of just the results. Without this, the return type is an object designed to page through results, and that's something we don't need for our basic application.
5. Scroll to the very end of the file and uncomment the entire section below `Here are the first 5 recipes I found`.
6. Highlight the whole section you just uncommented and open Gemini Code chat. Ask, `Explain the highlighted code`. If you don't have something selected, Gemini can explain the whole file. If you highlight a section and ask Gemini to explain, or comment, or improve it, Gemini will.
Take a moment and read through the explanation. For what it's worth, using a Colab Enterprise notebook is a great way to explore the Gemini APIs before you integrate them into your application. It's especially helpful at exploring some of the newer APIs which may not be documented as well as they could be.
7. At your editor terminal window, run `build.sh` to deploy the final application. Wait until the new version is deployed before moving to the next step.
## Task 9: (Optional) Explore the final application
Take a few minutes to explore the final application.
1. In the Google Cloud console, use search to navigate to **Cloud Run**, then click into your **recipe-web-app**.
2. Locate the application test URL (towards the top) and open it in a new browser tab.
3. The application home page should appear. Note the basic layout and navigation provided by Streamlit, with the python files from the `pages` folder displayed as navigational choices, and the `Home.py` loaded as the home page. Navigate to the **Cooking Advice** page.
4. After a few moments the chat interface will appear. Again, note the nice core layout provided by Streamlit.
5. Try a few cooking related questions and see how the bot functions. Something like:
Brokoli hazırlama konusunda tavsiyeleriniz var mı?
Klasik bir tavuk çorbası tarifine ne dersiniz?
Beze hakkında bilgi ver.
6. Now let's find a recipe or two. Navigate to the Recipe Search page and try a few searches. Something like:
Chili con carne
Acı biber, mısır, pirinç
Limonlu Bezeli Tart
Çilek içeren bir tatlı
## Congratulations!
You have created an application leveraging Vertex AI Agent Builder applications. Along the way you've explored Gemini Cloud Assist, Gemini Code Assist, and the natural language to SQL features of BigQuery's Data Canvas. Fantastic job!