實驗室 2：資料分析與多模態洞察

1. 簡介

在先前的實驗室中，您彙整了零碎的貨運記錄，並追蹤貨物應答器到紐約。不過，抵達記錄顯示，為避免海關偵測，貨櫃隨即改道。現在，追蹤結果顯示貨櫃位於里約熱內盧港，這個港口規模龐大，有數千個貨櫃。要在數千個貨櫃中找到正確的貨櫃並不容易。

在本實驗室中，您將使用 BigQuery 的內建 AI 功能「讀取」非結構化港口安全圖片，並偵測感應器資料中的熱異常，所有作業都使用標準 SQL。接著，您會將向量嵌入匯出至 AlloyDB，並執行向量搜尋，將片段遙測訊號與遺失的貨櫃相符。

學習內容

• 使用 BigQuery AI 掃描港口安全影像，找出遭竊貨櫃
• 使用 BigQuery AI 偵測熱異常，確認貨櫃遭竊而非放錯位置
• 生成向量嵌入，並載入 AlloyDB 以進行即時搜尋
• 比對零碎的遙測信號，使用向量搜尋找出遭竊的貨櫃
• 使用對話式數據分析，以自然語言探索調查資料

軟硬體需求

• 網路瀏覽器，例如 Chrome
• 已啟用計費功能的 Google Cloud 雲端專案
• 對 SQL 和 Google Cloud 控制台有基本瞭解

本程式碼研究室適合中階開發人員。

本程式碼研究室建立的資源費用應低於 $5 美元。

2. 事前準備

啟動 Cloud Shell

您將使用 Google Cloud Shell 下載程式碼、執行設定指令碼，以及部署應用程式。

1. 在新的瀏覽器分頁中開啟 Cloud Shell：shell.cloud.google.com
2. 連線後，請設定專案 ID 並確認環境：

gcloud config set project <<YOUR_PROJECT_ID>>
export PROJECT_ID=$(gcloud config get-value project)
export REGION=us-central1

您應會看見類似以下的訊息：

Your active configuration is: [cloudshell-####]
Updated property [core/project]

複製存放區

將程式碼研究室存放區複製到 Cloud Shell 殼層環境：

cd ~/
git clone --filter=blob:none --no-checkout https://github.com/GoogleCloudPlatform/devrel-demos.git
cd ~/devrel-demos
git sparse-checkout init --cone
git sparse-checkout set codelabs/bigquery-alloydb-insights
git checkout main
cd codelabs/bigquery-alloydb-insights/

啟用 API

在 Cloud Shell 中執行下列指令，啟用本實驗室的所有必要 API：

gcloud services enable \
  aiplatform.googleapis.com \
  bigquery.googleapis.com \
  bigqueryconnection.googleapis.com \
  alloydb.googleapis.com

執行成功後，您應該會看到類似以下的訊息：

Operation "operations/..." finished successfully.

3. 設定環境

您必須先設定本實驗室的基礎架構，才能分析圖片和遙測資料。您將執行兩項指令碼：一項會在背景啟動 AlloyDB 佈建作業，另一項則會建立您需要的所有 BigQuery 資源。

步驟 1：啟動 AlloyDB 部署作業 (背景)

AlloyDB 叢集佈建作業約需 10 分鐘，因此請先啟動這項作業，讓它在背景執行，同時處理 BigQuery 相關部分。指令碼會自動將有效專案設定記錄到本機 .env 檔案，即使 Cloud Shell 終端機關閉或重新啟動，設定也會儲存。

chmod +x scripts/setup_alloydb.sh
nohup ./scripts/setup_alloydb.sh > /dev/null 2>&1 &
echo "AlloyDB deployment started in background (PID: $!)"

步驟 2：執行設定指令碼

這項指令碼會建立 BigQuery 資料集、Cloud 資源連結、IAM 授權、GCS bucket，並載入您將在本實驗室中分析的所有感應器資料。此外，系統也會讀取並驗證儲存在 .env 檔案中的環境變數。

chmod +x scripts/setup_lab.sh
./scripts/setup_lab.sh

指令碼大約需要一分鐘才能執行完畢。完成後，您會看到所有建立項目的摘要。

📝 環境重設注意事項：如果 Cloud Shell 工作階段在實驗室期間逾時或重新啟動，請執行下列指令，立即還原終端機變數：

source scripts/setenv.sh

步驟 3：啟動 Cloud Shell 編輯器

您目前使用的是 Cloud Shell 終端機。現在請切換至完整的 Cloud Shell 編輯器，這個編輯器提供類似 VS Code 的工作區，並整合了 BigQuery 支援。

1. 在畫面底部的 Cloud Shell 終端機窗格中，點選「開啟編輯器」按鈕，啟動 Cloud Shell 編輯器工作區。

步驟 4：安裝 Data Agent Kit 擴充功能

Google Cloud Data Agent Kit 擴充功能可直接在編輯器中與 Google Cloud 資料服務深度整合，讓您與 BigQuery、AlloyDB、Cloud Storage 等服務互動時，不必切換環境。

1. 在 Cloud Shell 編輯器中，按一下畫面最左側活動列中的「擴充功能」圖示 (看起來像四個正方形)。
2. 在「擴充功能」窗格頂端的搜尋列中，輸入 googlecloudtools.datacloud。
3. 找出 Google Cloud 發布的「Google Cloud Data Agent Kit」擴充功能。
4. 按一下「Install」按鈕。
5. 系統會顯示提示，詢問「您是否信任發布者『googlecloudtools』及其擴充功能？」。按一下「信任發布者並安裝」繼續操作。

步驟 5：驗證及設定擴充功能

安裝完成後，請將擴充功能連結至 Google Cloud 專案。

1. 系統應會自動開啟名為「Google Cloud Data Agent Kit Onboarding」的入門頁面。按一下「登入 Google Cloud」。按照瀏覽器提示允許存取。
2. 系統會顯示「設定進行中」強制回應。擴充功能會自動檢查 Google Cloud CLI 等必要依附元件。
3. 在「設定摘要」部分，找到專案欄位。按一下下拉式選單，然後選取 Google Cloud 專案。將區域設為 us-central1。
4. 等待設定檢查完成。看到「設定完成！」後，請按一下「設定 MCP 伺服器」。

5. 在 MCP 設定下方選取 BigQuery 和 AlloyDB，然後按一下「開始使用」。

步驟 6：探索設定選項

設定完成後，系統會將您導向至「開始使用 Google Cloud Data Agent Kit」資訊主頁。

1. 在「設定與配置」下方，按一下「開始使用」。
2. 系統會開啟「資料代理程式設定」面板。請瀏覽下列分頁：
   • 專案和區域：確認所選專案 ID，並檢查是否已啟用必要 API (Cloud Storage API、BigQuery API、Catalog API 和 AlloyDB API)。
   • BigQuery：設定 BigQuery 查詢的預設位置。請使用 us-central1 區域。
   • 設定 MCP 伺服器：查看已啟用的 MCP 伺服器 (BigQuery、Notebooks、AlloyDB 等)，讓 AI 代理安全地與您的資料互動。
   • 技能：探索預先建構的技能，為代理提供專門功能，處理複雜的資料工作。

步驟 7：使用 BigQuery 驗證

對公開資料集執行快速查詢，確認一切運作正常。

1. 在左側的「Data Agent Kit」窗格中，展開「BigQuery」部分，然後按一下「New Query」，開啟新的查詢編輯器分頁。
2. 按下 Ctrl+S 鍵 (Windows/Linux) 或 Cmd+S 鍵 (macOS) 儲存檔案，並將檔案命名為 bigquery。這個分頁將用於所有 BigQuery 作業。
3. 按一下「Query Settings」(查詢設定)，並啟用 bigquery.sql 分頁，選取「BigQuery」做為「Data Source」(資料來源)，然後按一下「Save」(儲存)。

分頁專屬設定：Data Agent Kit 擴充功能會儲存每個分頁的連線設定。也就是說，您可以將 bigquery.sql 與其他 SQL 分頁並排開啟，並在兩者之間切換，系統會自動切換使用中的資料庫連線。

3. 針對公開資料集執行下列查詢：

SELECT
  term,
  MIN(rank) AS peak_rank,
  ROUND(AVG(score)) AS avg_score
FROM `bigquery-public-data.google_trends.top_terms`
WHERE refresh_date = DATE_SUB(CURRENT_DATE(), INTERVAL 2 DAY)
GROUP BY term
ORDER BY peak_rank ASC
LIMIT 10;

4. 您應該會看到過去幾天內，前 10 大熱門 Google 搜尋字詞。如果顯示結果，表示擴充功能已連線並可供使用。

現在，請對設定指令碼剛建立的實驗室資料執行查詢。將現有查詢替換為以下查詢：

SELECT * FROM `lost_cargo_dataset.telemetry_data` LIMIT 5;

您應該會看到含有 shipment_id 和 telemetry_string 欄的遙測記錄項目。您將在本實驗室中分析這些資料。

執行查詢。在本實驗室中，您會將 SQL 貼到 .sql 編輯器分頁中。如果醒目顯示特定陳述式並點選「執行查詢」，系統只會執行該陳述式。如果沒有醒目顯示任何內容，點選「執行」會執行檔案中的所有內容。簡單的工作流程：每次到達新的查詢步驟時，請將先前的內容替換為新的 SQL，這樣檔案就只會包含您要執行的查詢。

本節重點：您已在背景啟動 AlloyDB 部署作業、執行設定指令碼，並透過 Data Agent Kit 擴充功能設定 Cloud Shell 編輯器。

4. 掃描安全影片片段

調查團隊已從里約熱內盧港口取得監視器畫面，顯示一排排的貨櫃。從實驗室 1 中，您知道目標容器是 red。現在您需要找出「哪個」紅色容器。

您將建立物件資料表，讓 BigQuery「查看」Cloud Storage 中的安全影像，然後使用 AI.GENERATE 函式提示 Gemini 從每張圖片擷取結構化資料。

繼續編輯！請務必繼續在本實驗中，使用 Data Agent Kit 擴充功能，直接在 Cloud Shell 編輯器工作區中執行所有 SQL 查詢。

步驟 1：建立物件資料表

物件資料表是特殊的 BigQuery 資料表，可做為 Cloud Storage 中儲存的非結構化檔案 (圖片、PDF、音訊) 的索引。這項功能不會將檔案複製到 BigQuery，而是建立可查詢的參照，讓 AI 函式「看到」這些檔案。

在編輯器的 bigquery.sql 分頁中，執行下列陳述式，建立指向專案 bucket 中連接埠安全圖片的物件資料表：

SET @@location = 'us-central1';

EXECUTE IMMEDIATE CONCAT("""
  CREATE OR REPLACE EXTERNAL TABLE `lost_cargo_dataset.port_security_images`
  WITH CONNECTION `us-central1.lost_cargo_conn`
  OPTIONS (
    object_metadata = 'SIMPLE',
    uris = ['gs://""", @@project_id, """-lab2/images/*']
  );
""");

快速瞭解 BigQuery 現在可以看到的內容：

SELECT uri, content_type FROM `lost_cargo_dataset.port_security_images` LIMIT 5;

每一列代表 Cloud Storage 中的一個圖片檔案。BigQuery 現在可以直接將這些圖片傳遞至 AI 模型。

步驟 2：分析安全圖片

現在使用 BigQuery 的 AI.GENERATE 函式分析每張安全影像。這項單一 SQL 查詢會提示 Gemini 檢查每張圖片，並傳回結構化資料：

SELECT
  uri,
  AI.GENERATE(
    (
      'Examine this port security image. Identify any shipping container IDs visible on the container and provide a one-word color of the container.',
      ref
    ),
    output_schema => 'detected_container_id STRING, color STRING'
  ).* EXCEPT (full_response, status)
FROM `lost_cargo_dataset.port_security_images`;

SQL 中的結構化輸出：請注意 output_schema => 'detected_container_id STRING, color STRING' 參數。這會指示 Gemini 模型傳回結構化 JSON，而 BigQuery 會將其原生轉換為型別資料欄，因此不需要後續處理。

步驟 3：找出目標容器

檢查結果。找出「color」欄顯示「紅色」 (或某種紅色變體) 的列，並記下「detected_container_id」。這就是目標：MV-CAPYBARA-003。

🔍 容器線索已解鎖：Gemini 模型已成功分析安全圖片，並擷取容器的中繼資料。您已解鎖目標 ID：MV-CAPYBARA-003。請記下這個 ID，我們將搜尋其路線！

步驟 4：驗證視覺比對結果

如要在不離開編輯器的情況下查看實際分析的圖片，請按照下列步驟操作：

1. 按一下左側「Data Agent Kit」窗格中的「Cloud Storage」。
2. 展開 bucket (YOUR_PROJECT_ID-lab2/images/)，然後按一下與紅色容器對應的圖片檔案，直接在編輯器中查看。

本節重點：您建立了物件資料表，讓 BigQuery 能夠存取港口安全圖片，然後使用 AI.GENERATE 從每張圖片中擷取結構化貨櫃資料。紅色貨櫃已識別為 MV-CAPYBARA-003。

5. 確認失竊

您已確認遺失的容器為 MV-CAPYBARA-003，但該容器是遭竊還是只是放錯地方？資訊清單記錄指出，這個特定貨櫃停放在環境感應器 SENS-99 旁。如果竊賊在移動貨櫃前，刻意停用貨櫃的內建冷凍裝置，SENS-99 可能會記錄到突然的排熱尖峰。

我們來使用異常偵測功能，證明容器遭到竄改。

1. 首先，請查看歷史基準。這些是過去幾小時內 SENS-99 的正常讀數：

SELECT * FROM `lost_cargo_dataset.thermal_history`
ORDER BY reading_time DESC
LIMIT 50;

請注意，溫度會維持在華氏 75 到 78 度之間。這是正常情況。

2. 現在，請查看同一感應器目前批次的讀數：

SELECT * FROM `lost_cargo_dataset.thermal_current`
ORDER BY thermal_reading DESC
LIMIT 50;

您是否看到頂端附近的 148.4°F 讀數？其他一切正常。如果出現這種尖峰，表示冷藏裝置故障或有人蓄意干擾。讓我們一起來看看。

3. 執行異常偵測。BigQuery 的 AI.DETECT_ANOMALIES 會使用預先訓練的 TimesFM 基礎模型分析時間序列模式，並自動標記離群值，完全不需要模型訓練：

SELECT *
FROM AI.DETECT_ANOMALIES(
  TABLE `lost_cargo_dataset.thermal_history`,
  TABLE `lost_cargo_dataset.thermal_current`,
  data_col => 'thermal_reading',
  timestamp_col => 'reading_time',
  id_cols => ['sensor_id']
)
WHERE is_anomaly = TRUE;

4. 檢查結果。148.4°F 的讀數應會標示為異常，且異常機率很高，確認容器區域附近發生異常狀況。

🔍 篡改線索已解鎖：TimesFM 模型將 148.4°F 的溫度尖峰視為高度異常讀數，確認貨櫃的冷凍裝置已停用。請記住這個主動篡改指標，因為我們即將設定搜尋後端！

本節重點：您使用 BigQuery 的 AI.DETECT_ANOMALIES 函式，運用預先訓練的 TimesFM 模型。只要執行單一 SQL 查詢，即可自動找出離群值，並隔離異常竄改事件，不必編寫任何複雜的機器學習程式碼，也不必從頭訓練模型。

6. 準備追蹤系統

該貨櫃已確認遭竊，且不在里約熱內盧。車隊中的每個貨櫃都會廣播遙測信號：感應器讀數、GPS 片段和狀態記錄。如果遭竊容器的信標仍在傳輸，您可以比對已知簽章來尋找。

BigQuery 非常適合您目前執行的分析工作，但要即時找出貨櫃，需要低延遲的作業查詢。AlloyDB 是與 PostgreSQL 相容的全代管資料庫，專為這類用途而生，可快速執行向量搜尋查詢，適用於即時追蹤系統。您會將遙測嵌入內容載入 AlloyDB，並用來比對信號。

您稍早啟動的 AlloyDB 叢集現在應該已準備就緒。讓我們直接從編輯器設定叢集。

步驟 1：從編輯器連線至 AlloyDB

您不必切換至 Cloud Console，直接使用 Data Agent Kit 擴充功能即可連線至 AlloyDB。

1. 在左側「BigQuery」區段下方的「Data Agent Kit」窗格中，按一下「New Query」，開啟新的查詢編輯器分頁。
2. 按下 Ctrl+S 鍵 (Windows/Linux) 或 Cmd+S 鍵 (macOS) 儲存檔案，並將檔案命名為 alloydb。這個分頁將用於所有 AlloyDB 查詢。
3. 按一下齒輪圖示，開啟「查詢設定」模式。

4. 在「查詢設定」模式中，選取「資料來源」下方的「資料庫」。
5. 在「資料庫」下方，選取「AlloyDB」。
6. 填寫「資源選取」詳細資料：
   • 專案 ID：輸入 Google Cloud 專案 ID。
   • 叢集：選取 lost-cargo-cluster。
   • 「執行個體」：選取 lost-cargo-instance。
   • 「資料庫」：選取 postgres。
7. 按一下 [儲存]。

開發人員提示：您現在開啟了兩個查詢分頁：bigquery.sql (適用於 BigQuery 查詢) 和 alloydb.sql (適用於 AlloyDB 查詢)。每個分頁都有自己的資料來源設定，方便您輕鬆切換。

步驟 2：啟用向量擴充功能並建立資料表

連線至 AlloyDB 後，您需要啟用必要的 AI 擴充功能，並建立接收內嵌遙測資料的資料表。

1. 在現用 .sql 分頁中貼上下列指令，啟用必要擴充功能：

CREATE EXTENSION IF NOT EXISTS vector;
CREATE EXTENSION IF NOT EXISTS google_ml_integration CASCADE;

2. 醒目顯示文字，然後按一下編輯器右上方的「執行查詢」按鈕 (播放圖示)。
3. 查看畫面底部的「查詢結果」終端機面板，應該會顯示 Statement executed successfully。

4. 接著，將編輯器中的文字替換為下列陳述式，建立遙測資料表：

CREATE TABLE IF NOT EXISTS vessel_telemetry (
    entry_id SERIAL PRIMARY KEY,
    shipment_id VARCHAR(50),
    telemetry_string TEXT,
    embedding_vector vector(768)
);

5. 執行這項查詢，就像上次一樣。確認底部面板是否顯示執行成功。

vector(768) 類型來自您剛啟用的 pgvector 擴充功能。768 個維度與 Google 的 text-embedding-005 模型輸出內容相符，您將在 BigQuery 中使用該模型生成嵌入。

本節重點：您已直接從 Cloud Shell 編輯器連線至 AlloyDB，並啟用 pgvector 和 google_ml_integration 擴充功能，以及建立目標資料表。AlloyDB 現在已準備就緒，可做為即時遙測資料比對的作業後端。

7. 建構搜尋索引

現在您需要將遙測資料匯入 AlloyDB，才能進行即時信標比對。原始遙測記錄雜亂無章，長度也不固定，不適合用於相似度搜尋。您將使用 BigQuery 的 AI 函式，透過 Gemini 摘要說明每則記錄，並將每則摘要轉換為 768 維度的向量嵌入。接著，您會將經過擴增的資料匯出至 Cloud Storage，並匯入 AlloyDB。

什麼是反向 ETL？傳統 ETL 會將原始資料移入資料倉儲進行分析。反向 ETL 則會將處理過的豐富資料移出倉儲，並移入營運系統。在這種情況下，BigQuery 會產生嵌入 (分析工作負載)，然後您將嵌入匯出至 Cloud Storage，並匯入 AlloyDB (低延遲向量搜尋的營運工作負載)。

步驟 1：在 BigQuery 中生成嵌入

將編輯器分頁切換回 bigquery.sql (仍連結至 BigQuery)。

現在，請執行下列查詢，使用 Gemini 摘要說明每筆遙測記錄，並生成向量嵌入：

CREATE OR REPLACE TABLE `lost_cargo_dataset.telemetry_embeddings_export` AS
WITH summarized_telemetry AS (
  SELECT
    shipment_id,
    telemetry_string,
    AI.GENERATE(
      CONCAT('Summarize this telemetry log for vector search: ', telemetry_string)
    ).result AS summary
  FROM `lost_cargo_dataset.telemetry_data`
),
telemetry_embeddings AS (
  SELECT
    shipment_id,
    telemetry_string,
    AI.EMBED(summary, endpoint => 'text-embedding-005').result AS embedding
  FROM summarized_telemetry
)
SELECT
  shipment_id,
  telemetry_string,
  TO_JSON_STRING(embedding) AS embedding_vector
FROM telemetry_embeddings;

什麼是 AI.EMBED？AI.EMBED 函式會將文字轉換為高維度向量嵌入。語意相似的文字會產生數學上相近的向量。

語意相似度：關鍵字搜尋會尋找完全相符的結果 (例如「冷卻」只會比對到「冷卻」)。語意相似度會理解字詞背後的意義。舉例來說，「冷卻裝置離線」和「冷卻系統故障」完全沒有相同的字詞，但代表的意義完全相同。因此，即使片段信號和儲存的遙測記錄使用不同的措辭，我們也能比對兩者。

步驟 2：預覽強化資料

匯出前，請先查看您建立的內容。這項查詢會顯示貨運 ID，以及每個摘要和嵌入內容的前 80 個字元：

SELECT
  shipment_id,
  SUBSTR(telemetry_string, 1, 80) AS telemetry_preview,
  SUBSTR(embedding_vector, 1, 80) AS embedding_preview
FROM `lost_cargo_dataset.telemetry_embeddings_export`
LIMIT 5;

現在每列都包含貨運 ID、原始遙測記錄和 768 維度的嵌入向量。這是您要推送至 AlloyDB 的資料。

步驟 3：將嵌入內容匯出至 Cloud Storage

使用 BigQuery 的 EXPORT DATA 陳述式，將嵌入資料表寫入實驗室的 GCS bucket，做為 CSV 檔案。

EXECUTE IMMEDIATE CONCAT("""
  EXPORT DATA OPTIONS (
    uri = 'gs://""", @@project_id, """-lab2/data/embeddings_export/*.csv',
    format = 'CSV',
    overwrite = true,
    header = false
  ) AS
  SELECT
    shipment_id,
    telemetry_string,
    embedding_vector
  FROM `lost_cargo_dataset.telemetry_embeddings_export`;
""");

步驟 4：從 Cloud Storage 匯入 AlloyDB

1. 在 Cloud Shell 編輯器中，按一下畫面底部的「Terminal」分頁標籤，開啟終端機工作階段。
2. 執行下列指令，載入環境並將 CSV 檔案直接匯入 AlloyDB 的 vessel_telemetry 資料表：

source devrel-demos/codelabs/bigquery-alloydb-insights/scripts/setenv.sh

gcloud alloydb clusters import lost-cargo-cluster \
  --region=$REGION \
  --gcs-uri="gs://${PROJECT_ID}-lab2/data/embeddings_export/000000000000.csv" \
  --database=postgres \
  --user=postgres \
  --table=vessel_telemetry \
  --columns=shipment_id,telemetry_string,embedding_vector \
  --csv

本節重點：您已使用 BigQuery 的 AI 函式匯總及嵌入遙測資料，將結果匯出至 Cloud Storage 做為 CSV 檔案，然後使用 gcloud 將結果匯入 AlloyDB。現在，營運追蹤資料庫已載入完畢，可供使用。

8. 比對 Beacon 信號

雪梨附近的外勤團隊攔截到片段的遙測信號。部分記錄如下：

「冷藏裝置離線。手動覆寫。」

如果這是從遭竊的容器傳送，即使信號不完整，AlloyDB 的向量搜尋功能也應能比對。這正是 AlloyDB 擅長的即時作業查詢。

步驟 1：驗證匯入的資料

將編輯器分頁切換回 alloydb.sql (仍連線至 AlloyDB)。

執行下列指令，確認遙測資料是否已順利載入：

SELECT shipment_id, LEFT(telemetry_string, 80) AS telemetry_preview
FROM vessel_telemetry
LIMIT 10;

您應該會看到含有 shipment_id 值和遙測文字的資料列。這些是車隊的遙測簽章，現在已可進行即時比對。

步驟 2：搜尋遺失的容器

現在，請使用 AlloyDB 的 google_ml_integration 擴充功能，透過攔截的信號片段搜尋相符項目：

SELECT
    shipment_id,
    telemetry_string,
    1 - (embedding_vector <=> embedding('text-embedding-005', 'Refrigeration unit offline. Manual override.')::vector) AS search_relevance_score
FROM vessel_telemetry
ORDER BY embedding_vector <=> embedding('text-embedding-005', 'Refrigeration unit offline. Manual override.')::vector
LIMIT 5;

AlloyDB 的 google_ml_integration 擴充功能提供的 embedding() 函式會直接從 SQL 呼叫 Agent Platform，以內嵌方式產生向量嵌入。<=> 運算子會計算兩個向量之間的餘弦距離 (越接近 0，兩個向量就越相同)。我們從 1 減去餘弦距離，將結果表示為相關分數，分數越高越好。

相同模型，兩個資料庫。請注意，AlloyDB 的 embedding() 函式使用的 text-embedding-005 模型，與 BigQuery 的 AI.EMBED 用於產生儲存向量的模型相同。因為兩者呼叫的基礎 Agent Platform 嵌入模型相同，所以嵌入項目可直接比較，也就是說，在 AlloyDB 中生成的搜尋向量與在 BigQuery 中生成的向量在數學上相容。

步驟 3：確認比對結果

檢查結果。最相關的結果應為 MV-CAPYBARA-003，且相關性分數最高。

這與您在調查的每個步驟中追蹤的容器相同：

• 📷 監視器畫面顯示該船在夜間離開里約熱內盧港。
• 🌡️ 熱異常偵測確認冷藏設備遭到刻意停用。
• 📡 信標信號比對剛才在雪梨附近精確找出遙測簽章。

三條獨立的證據線索、三種不同的 Google Cloud AI 功能，以及一個遭竊的貨櫃。

🎯 案件已結案：MV-CAPYBARA-003 已在雪梨附近找到！

🔍 解鎖位置線索：AlloyDB 向量搜尋功能以高準確度解析了零碎的信號，您已解鎖貨櫃位置：貨櫃位於雪梨附近的碼頭！

章節回顧：您已使用 AlloyDB 內建的 AI 整合功能，在單一 SQL 查詢中生成搜尋嵌入，並執行餘弦相似度搜尋。信號比對結果確認了遭竊貨櫃的位置，因此調查完成。

9. 探索證據

現在您已透過多模態圖片分析和向量搜尋功能找出容器，可以直接在編輯器中使用 Conversational Analytics，以自然語言探索調查資料，完全不需編寫任何 SQL。

步驟 1：在 Knowledge Catalog 中找出資料

資料代理程式套件內含通用搜尋功能，可讓您在 Google Cloud 環境中尋找及探索資料資產。

1. 在左側的「Data Agent Kit」面板中，展開「Catalog」部分。
2. 按一下「通用搜尋」。
3. 在搜尋列中輸入 telemetry_data。
4. 按一下搜尋結果中的 telemetry_data 資料表 (位於 lost_cargo_dataset 下方)。

步驟 2：啟動對話式數據分析

點選搜尋結果會開啟資料檢視器分頁，您可以在其中預覽原始資料、查看結構定義，以及檢查資料品質。

1. 左側窗格會顯示 BigQuery 資料集和資料表。按一下「即時通訊」按鈕，開啟新的即時通訊視窗。

步驟 3：以自然語言提問

系統會開啟新的「歡迎使用對話式數據分析！」即時通訊分頁。代理程式會取得表格結構和內容的相關資訊。

1. 在即時通訊視窗中輸入：「Show me the telemetry status and log for the Capybara shipment.」
2. 按下 Enter 鍵。

代理程式會將您的問題翻譯成 BigQuery SQL，執行查詢並傳回結果，包括資料表和洞察結果，總結發現。您可以根據問題的複雜程度，在「思考型」 (深入分析，速度較慢) 和「快速型」 (快速回覆) 模式之間切換。由於這些是 AI 生成的回覆，您的結果可能與下方的螢幕截圖略有不同。

步驟 4：提出後續問題

代理程式會記住對話脈絡。請嘗試提出後續問題：

• 「遙測資料中有多少筆不重複的出貨記錄？」
• 「目前機群中有多少其他貨運處於『緊急』狀態？」

什麼是對話式數據分析？ 對話式數據分析會將自然語言轉換為可執行的 SQL，並彙整結果，讓調查人員和分析師 (不只是 SQL 專家) 都能進行資料分析。

本節重點：您已使用 Knowledge Catalog 的通用搜尋功能找出資料集，並啟動對話式數據分析功能，以自然語言查詢調查資料。AI 代理程式將您的問題翻譯成 SQL，並提供與您發現結果一致的洞察資訊。

10. 清除

如要避免系統持續向您的 Google Cloud 帳戶收費，請刪除在本實驗室中建立的資源。您可以在 Cloud Shell 編輯器 (您使用 Data Agent Kit 的位置) 內的整合式終端機中執行這些指令，清理環境。

首先，載入環境變數：

source scripts/setenv.sh

1. 刪除 BigQuery 資源 (僅限不繼續進行實驗室 3 的情況)：

如果打算繼續進行實驗室 3，請略過這個步驟！實驗室 3 會使用相同的 BigQuery 資料集和連結，進行資源圖表分析。

如要刪除 BigQuery 資料集和連結，請按照下列步驟操作：

# Drop the dataset
bq rm -r -f $PROJECT_ID:lost_cargo_dataset

# Delete the connections
bq rm --connection --location=us-central1 $PROJECT_ID.us-central1.lost_cargo_conn
bq rm --connection --location=us-central1 $PROJECT_ID.us-central1.lost_cargo_alloydb_conn

2. 刪除 Cloud Storage bucket：

gcloud storage rm --recursive gs://${PROJECT_ID}-lab2

3. 刪除 AlloyDB 執行個體和叢集：

實驗室 3 不會使用 AlloyDB，因此現在可以放心拆除。

gcloud alloydb instances delete lost-cargo-instance \
  --region=$REGION \
  --cluster=lost-cargo-cluster \
  --quiet

gcloud alloydb clusters delete lost-cargo-cluster \
  --region=$REGION \
  --force \
  --quiet

4. 刪除本機環境設定：

最後，請從工作區中清理本機環境設定檔：

rm -f .env

11. 恭喜！

您已順利完成實驗室 2：資料分析與多模態洞察！您從數千個貨櫃的港口追蹤到確認的竊盜事件和確切位置。

你的成就

1. 掃描影像：您使用 BigQuery 的 AI.GENERATE 分析港口安全影像，並在深紅色中找出 MV-CAPYBARA-003 貨櫃。
2. 確認竊盜行為：您查看熱感應器資料，發現可疑的 148.4°F 尖峰，並使用 AI.DETECT_ANOMALIES 證明這是蓄意竄改。
3. 準備追蹤系統：您已使用 pgvector 和 google_ml_integration 設定 AlloyDB，以便即時比對信標。
4. 建立搜尋索引：您在 BigQuery 中使用 AI.GENERATE 和 AI.EMBED 建立嵌入內容，然後將其匯出至 Cloud Storage 並匯入 AlloyDB。
5. 比對信標信號：您使用 AlloyDB 的向量搜尋功能比對片段遙測信號，在雪梨附近找到遭竊的貨櫃。
6. 探索證據：您直接在編輯器中使用對話式數據分析，以自然語言查詢調查資料。

後續步驟

您已找出容器所在位置，現在需要找出容器背後的擁有者。

在實驗室 3：資料消耗與代理工作流程中，您將建構物流網路的屬性圖，以便對應空殼公司之間的關係、使用對話式數據分析與圖表對話，並搜尋知識目錄，找出復原貨櫃所需的安全通關代碼。