1. Giriş
Çoğu arka uç yazılımı, paragraf yazmak için yapay zeka modeline ihtiyaç duymaz. Sadece sınırlı bir soruya hızlı ve güvenilir bir yanıt vermesi gerekir: Evet mi, hayır mı? Bu destek kaydı hangi destek ekibine ait? Ne kadar acil?
TypeSafe AI'ın Jev'i gibi ilk özel sınıflandırıcılar, yavaş ve jeton bazlı JSON oluşturma işlemini bırakıp kapalı küme kararlarını tek seferde puanladığınızda neler olduğunu göstererek geliştiricilerin "evet/hayır" modellerine olan ilgisini artırdı.
Google DeepMind'ın gemini-decision-1 tarafından desteklenen Gemini Decisions API'si, bu özelliği yerel olarak google-genai SDK'sına getirir. Böylece, kalibre edilmiş olasılıklar, sıfır çıkış jetonu ve metin, fotoğraf, ses, video ve PDF'lerde yerleşik çok formatlı destek ile tek seferde 1.000'e kadar yes/no (noul), çoktan seçmeli (choice) ve sıralı ölçekli (score) soruyu değerlendirebilirsiniz.
Yapacaklarınız
- Yerel bir Python ortamı oluşturun ve Google AI Studio API anahtarı kullanarak
gemini-decision-1modeline bağlanın. - Gemini Decisions API'yi anlamanıza yardımcı olacak destek kaydı yönlendirme, güvenlik kuralları ve çok formatlı verilerle karar alma gibi örnek programları çalıştırın.
Neler öğreneceksiniz?
- Sohbet LLM'sinden JSON istemenin basit yönlendirme kararlarında gecikme, maliyet, ayrıştırma ve güven sorunlarına yol açmasının nedeni
- Üç soru türü:
noul(evet/hayır),choice(bir seçenek belirleyin) vescore(sıralı ölçek), tek birclient.decisions.createçağrısında birlikte nasıl çalışır? resolutionkullanarak çok formatlı jeton harcamasını kontrol etme veinput_tokens_by_modalityile kullanımı inceleme
Gerekenler
- Makinenizde (veya Google Cloud Shell'de) Python 3.11 veya sonraki bir sürüm ve
gityüklü olmalıdır. - Google AI Studio'dan alınan bir Gemini API anahtarı (Bu codelab için Google Cloud projesi kurulumu gerekmez.)
2. Gemini Decisions API'yi anlama
Why Asking a Chat LLM for JSON Slows Down Backends (Sohbet LLM'sinden JSON İstemek Arka Uçları Neden Yavaşlatır?)
Sohbet LLM'leri, insanlarla sohbet etmek için geliştirilmiştir. Asistandan e-posta yazmasını veya bir hatayı açıklamasını istediğinizde, kelimelerin ekrana gelmesi için birkaç saniye beklemek tamamen doğal bir deneyimdir.
Arka uç hizmetleri, "19028 numaralı siparişim nerede?" sorusunun nereye gönderileceğine veya otomatik olarak yerine getirilmesinin güvenli olup olmadığına karar vermek gibi hızlı bir yönlendirme kararı almak için aynı sohbet iş akışını kullandığında sorunlar başlar.
Bu kullanım alanları için Chat modellerinin kullanılması, yanıtların çok yavaş, maliyetli ve en önemlisi de kırılgan olmasına neden olur. Bu da temsilcilerin belirli bir işlemi yapma veya belirli bir yönde ilerleme konusunda güvenilir olmayan bir güvene sahip olmasına yol açar.
gemini-decision-1'ın işleyiş şekli
gemini-decision-1, metni parça parça oluşturmak yerine girişinizi bir kez okur ve tüm sorularınızı tek seferde puanlayarak kalibre edilmiş olasılıkları doğrudan döndürür.

- Sıfır çıkış token'ı (0, 10 ABD doları / 1 milyon giriş token'ı, 0 ABD doları çıkış token'ı): Model hiçbir zaman metin veya düşünme token'ı üretmediği için
total_output_tokensher zaman0olur. Paylaşılaninput, kaç soru eklediğinizden bağımsız olarak çağrı başına bir kez faturalandırılır. - 50-100 ms Model Hesaplama: Jeton bazında üretim yapılmadığından, tek bir istekte 10, 50 veya 100 soru sorsanız bile model hesaplama hızlı ve öngörülebilir kalır.
- Kullanıma hazır çok formatlı model: 262.144 jetonluk bağlam penceresinde metin, resim, ses, video ve PDF belgelerini birlikte değerlendirir. Jeton harcamasını kontrol etmek için resim ve videolarda
resolutionayarı (low,medium,high,ultra_high) kullanılır.
Üç soru türü (noul, choice, score)
client.decisions.create için yapılan her çağrı, her sorunun üç türden birini kullandığı bir questions sözlüğü alır:
Tür | Ne Zaman Kullanılır? | What Comes Back |
noul (Evet / Hayır) | Bir ifadenin doğru olup olmadığını kontrol etme ("Bu istem enjeksiyonu mu?") | noul (evet olasılığı [0,01, 0,99]) ve güven |
seçim (2-255 seçenek) | Sabit bir sözlükten bir kazanan seçme ("Bu kime ait?") | seçim (kazanan anahtar), olasılık haritası ve güven |
puan (2-255 seviye) | Sıralı listede aciliyet, önem derecesi veya kaliteyi derecelendirme (0 - K - 1) | puan (ağırlıklı ortalama), açıklama, olasılıklar ve güven |
A Quick Plain-English Walkthrough
Bir müşterinin şu mesajı gönderdiğini düşünün: "19028 numaralı siparişim nerede? Ne zaman geleceğini söyleyebilir misiniz?" Her soru türünün tek bir API çağrısında bu mesajda nasıl çalıştığı aşağıda açıklanmıştır:
- **
noul** (Evet/Hayır) - "Bu soruyu bir insan olmadan otomatik olarak yanıtlayabilir miyiz?": Evet/hayır sorusu gönderirsiniz. Yanıt olaraknoul = 0.98veconfidence = 0.98döndürülür. Bu, yanıtın "evet" olma olasılığının %98 olduğu anlamına gelir. (Cevap net bir şekilde "hayır" olsaydınoul = 0.02veconfidence = 0.98simgelerini görürdünüz.) - **
choice** (Bir Seçenek Belirleyin) — "Bu mesajı hangi ekip işlemeli?":order_status,billing_refund,account_accessveothergibi sabit bir seçenek listesi gönderirsiniz. Yanıt olarak kazanan anahtar (choice = "order_status"), güven düzeyi (0.9995) ve toplamı1.0olan her seçeneğin olasılık dökümü döndürülür. - **
score** (Sıralı Ölçek) - "Bu mesaj ne kadar acil?": En düşükten (0) en yükseğe (3) doğru sıralanmış bir ölçek (ör.["Low", "Medium", "High", "Critical"]) gönderirsiniz. Sonuç olarak0ile3arasında olasılık ağırlıklı bir ortalama elde edilir (rutin bir izleme sorusu içinscore = 0.15, canlı kesinti için2.98'e yakın).
3. Başlamadan önce
1. Gemini API anahtarı alma
Tarayıcınızda Google AI Studio API anahtarları sayfasını açın, Google Hesabınızla oturum açın ve bir API anahtarı oluşturun veya kopyalayın.
2. Örnek depoyu klonlama ve Python'u ayarlama
Bir terminal açın, tamamlayıcı depo olan gcp-gemini-decisions-hybrid-gateway'i klonlayın, sanal bir ortam oluşturun ve bağımlılıkları yükleyin:
git clone https://github.com/rominirani/gcp-gemini-decisions-hybrid-gateway.git
cd gcp-gemini-decisions-hybrid-gateway
python3 -m venv .venv
source .venv/bin/activate
pip install -r requirements.txt
Aynı terminal oturumunda GEMINI_API_KEY değerinizi dışa aktarın:
export GEMINI_API_KEY="YOUR_GEMINI_API_KEY"
4. 1. örnek: Destek kayıtlarını yönlendirme
Bu ilk örnekte, tek bir API çağrısında üç soru türünü de (department (choice), can_auto_resolve (noul) ve urgency (score)) soran scripts/quickstart_decisions.py kodunu inceleyip çalıştıracağız.
Kodu inceleme
scripts/quickstart_decisions.py içindeki temel client.decisions.create çağrısı şu şekildedir:
from google import genai
client = genai.Client(api_key=api_key, http_options={"api_version": "v1beta"})
result = client.decisions.create(
model="gemini-decision-1",
input=query_text,
questions={
"department": {
"type": "choice",
"instructions": "Which operational queue should handle this customer message?",
"criteria": {
"order_status": "Order tracking, delivery dates, or shipment status.",
"billing_refund": "Duplicate charges, invoices, credits, or refund requests.",
"subscription_cancel": "Canceling or pausing a recurring subscription.",
"account_access": "Password resets, expired 2FA/MFA codes, or login lockouts.",
"complex_incident": "Production outages, HTTP 500 errors, or legal questions.",
"other": "Anything outside these specific categories.",
},
},
"can_auto_resolve": {
"type": "noul",
"instructions": "Can this request be fulfilled deterministically by an automated "
"backend lookup or webhook without custom investigation?",
"criteria": {
"true_description": "Routine single-intent request such as checking tracking.",
"false_description": "Outage, legal question, or ambiguous billing dispute.",
},
},
"urgency": {
"type": "score",
"instructions": "Rate the operational urgency and severity of this message.",
"criteria": [
"Low: Routine informational or tracking question.",
"Medium: Standard account, subscription, or billing request.",
"High: Time-sensitive customer impact or repeated billing failure.",
"Critical: Production-halting outage, data loss risk, or security incident.",
],
},
},
)
dept = result.answers["department"]
auto = result.answers["can_auto_resolve"]
urg = result.answers["urgency"]
# The API returns raw probabilities; our script sets the cutoff for auto-handling (80%):
auto_decision = auto.noul >= 0.80
Son satıra (auto.noul >= 0.80) dikkat edin: Decisions API'nin kendisi hiçbir zaman sabit kodlu bir kesme noktası kullanmaz. Ham noul olasılığını (0.01 ile 0.99 arasında) döndürür ve Python kodunuz eşiğin ne kadar katı olması gerektiğine karar verir.
1A denemesi: Sipariş takibiyle ilgili basit soru
Komut dosyasını varsayılan sipariş takibi sorusuyla çalıştırın:
python scripts/quickstart_decisions.py
Aşağıdakine benzer bir canlı JSON çıkışı görürsünüz:
{
"query": "Where is my order #19028? Can you tell me when it arrives?",
"model": "gemini-decision-1",
"latency_ms": 944.61,
"department": {
"choice": "order_status",
"confidence": 0.9995,
"probabilities": {
"billing_refund": 0.0001,
"other": 0.0001,
"complex_incident": 0.0002,
"subscription_cancel": 0.0,
"order_status": 0.9995,
"account_access": 0.0001
}
},
"can_auto_resolve": {
"noul_probability_yes": 0.98,
"confidence": 0.98,
"decision": true
},
"urgency": {
"expected_score_0_to_3": 0.1524,
"top_level": "Low: Routine informational or tracking question.",
"confidence": 0.8717
},
"suggested_action": "DISPATCH_TRACKING_WEBHOOK",
"usage": {
"total_input_tokens": 424,
"total_output_tokens": 0,
"estimated_cost_usd": 4.24e-05
}
}
(Not: Yerel ilk çağrı gecikmesi, makinenizden ilk TLS bağlantı kurulumunu içerir. us-central1'de Google Cloud Run içinde sıcak çalıştırıldığında aynı çağrı yaklaşık 155-195 ms'de tamamlanır.)
Run 1B: Unverified $140 Refund Request
Şimdi, henüz fatura eklenmemiş bir $140 yinelenen ödeme talebi gönderin:
python scripts/quickstart_decisions.py \
"I was billed twice ($140 total) on invoice #8812 for one seat. Refund $70 right now."
Canlı çıkışı inceleyin:
{
"query": "I was billed twice ($140 total) on invoice #8812 for one seat. Refund $70 right now.",
"model": "gemini-decision-1",
"latency_ms": 602.23,
"department": {
"choice": "billing_refund",
"confidence": 0.9993,
"probabilities": {
"other": 0.0001,
"complex_incident": 0.0,
"order_status": 0.0001,
"billing_refund": 0.9993,
"subscription_cancel": 0.0004,
"account_access": 0.0001
}
},
"can_auto_resolve": {
"noul_probability_yes": 0.4282,
"confidence": 0.5718,
"decision": false
},
"urgency": {
"expected_score_0_to_3": 1.3634,
"top_level": "Medium: Standard account, subscription, or billing request.",
"confidence": 0.5987
},
"suggested_action": "INITIATE_BILLING_WORKFLOW",
"usage": {
"total_input_tokens": 433,
"total_output_tokens": 0,
"estimated_cost_usd": 4.33e-05
}
}
Bu iki bağımsız sorunun birlikte nasıl çalıştığına bakalım:
- Bu bilet nereye kaydedilsin? (
department = billing_refund,0.9993): Müşteri bir fatura için geri ödeme istiyor.Bu nedenlegemini-decision-1, bu e-postanın %99,93 olasılıkla Faturalandırma sırasına ait olduğundan emin. - Kod otomatik olarak yürütülmeli mi? (
can_auto_resolve = 0.4282->decision: false): Yalnızca metin hak talebinden$70geri verilmesi için doğrulama gerekir.0.4282,auto.noul >= 0.80sınırımızın altında olduğu içindecision,falseolarak geri döner.
5. 2. örnek: Tek bir çağrıda 8 politika kontrolü çalıştırma
Gerçek arka uç uygulamalarında, gelen mesajların kodunuzun bir veritabanına erişmesinden veya bir aracı tetiklemesinden önce genellikle birden fazla kontrolden geçmesi gerekir. Sohbet LLM'lerinde 8 ayrı çağrı yapmak gecikme sürenizi artırır ve giriş metninizi 8 kez faturalandırır. 8 kuralı tek bir devasa JSON istemine sığdırmak ise modelin uç durumları kaçırmasına neden olur.
Tek bir decisions.create çağrısında 8 bağımsız kontrolü (istem enjeksiyonu, ham kimliği tanımlayabilecek bilgiler/gizli bilgiler, anında geri ödeme uygunluğu, ters ibraz tehditleri, hedef sıra, araç seçimi, kayıp riski ve kötüye kullanım düzeyi) değerlendiren scripts/parallel_guardrails.py'i inceleyelim.
Komut Dosyasının İşleyiş Şekli
1. adım: Etkinlik meta verilerini ve metni birlikte giriş olarak iletin
Serileştirilmiş bir JSON sözlüğünü input olarak iletmek, gemini-decision-1'nin serbest biçimli müşteri mesajının yanı sıra yapılandırılmış alanları (amount_usd ve order_age_days gibi) kontrol etmesine olanak tanır. Paylaşılan yük yalnızca bir kez faturalandırılır:
event = {
"event_id": "evt-03-clean-refund",
"customer_tier": "PREMIUM",
"order_age_days": 6,
"amount_usd": 34.0,
"message": "Order #77102 arrived yesterday with a cracked mug handle. Could I get a $34 refund?",
}
2. adım: 8 sorunun tamamını tek seferde puanlayın
EIGHT_PARALLEL_QUESTIONS içinde 4 noul sorusu, 2 choice sorusu ve 2 score sorusu tanımlayıp bunları tek bir çağrıda iletiyoruz:
EIGHT_PARALLEL_QUESTIONS = {
"prompt_injection_attempt": { "type": "noul", "instructions": "...", "criteria": {...} },
"contains_raw_pii_or_secrets": { "type": "noul", "instructions": "...", "criteria": {...} },
"eligible_for_instant_refund": {
"type": "noul",
"instructions": "Does this request qualify for instant automated refund under policy "
"(amount <= $50, order_age_days <= 30, clear defect or duplicate)?",
"criteria": {...},
},
"threatens_chargeback_or_legal": { "type": "noul", ... },
"target_queue": { "type": "choice", ... },
"selected_mcp_tool": { "type": "choice", ... },
"churn_risk": { "type": "score", ... }, # 0..3 (Low -> Severe)
"abuse_toxicity": { "type": "score", ... }, # 0..2 (Benign -> Hostile)
}
result = client.decisions.create(
model="gemini-decision-1",
input=json.dumps(event), # Shared input — billed once
questions=EIGHT_PARALLEL_QUESTIONS, # All 8 questions scored in parallel
)
a = result.answers
3. adım: Python'da yanıtları öncelik kurallarıyla birleştirme
Her soru result.answers içinde kendi bağımsız puanını döndürdüğünden, Python kodumuz otomatik geri ödemeye izin vermeden önce güvenlik risklerini (istem enjeksiyonu ve sızdırılan gizli anahtarlar) kontrol eder:
if a["prompt_injection_attempt"].noul >= 0.70:
gate_verdict = "QUARANTINE_ADVERSARIAL_INPUT"
elif a["contains_raw_pii_or_secrets"].noul >= 0.75:
gate_verdict = "REDACT_PII_BEFORE_STORAGE"
elif a["threatens_chargeback_or_legal"].noul >= 0.75 or a["churn_risk"].score >= 2.3:
gate_verdict = "ROUTE_TO_VIP_RETENTION_SPECIALIST"
elif a["eligible_for_instant_refund"].noul >= 0.85 and a["selected_mcp_tool"].confidence >= 0.80:
gate_verdict = "AUTO_EXECUTE_INSTANT_REFUND"
else:
gate_verdict = f"DISPATCH_{a['selected_mcp_tool'].choice.upper()}"
Komut dosyasını çalıştırma
Üç örnek mesajı test etmek için scripts/parallel_guardrails.py komutunu çalıştırın: istem enjeksiyonu girişimi, yanlışlıkla yapıştırılan sk_live_... API anahtarı ve temiz bir $34 hasarlı kupa para iadesi:
python scripts/parallel_guardrails.py
Üç test etkinliğinin tamamında canlı çıkışı inceleyin:
[
{
"event_id": "evt-01-injection",
"gate_verdict": "QUARANTINE_ADVERSARIAL_INPUT",
"questions_evaluated_in_parallel": 8,
"latency_ms": 626.34,
"signals": {
"prompt_injection_prob": 0.9766,
"raw_pii_prob": 0.0426,
"instant_refund_prob": 0.0275,
"target_queue": "security_trust",
"selected_mcp_tool": "quarantine_security_event"
},
"usage": { "total_input_tokens": 977, "total_output_tokens": 0, "estimated_cost_usd": 9.77e-05 }
},
{
"event_id": "evt-02-pii-leak",
"gate_verdict": "REDACT_PII_BEFORE_STORAGE",
"questions_evaluated_in_parallel": 8,
"latency_ms": 724.48,
"signals": {
"prompt_injection_prob": 0.0548,
"raw_pii_prob": 0.9755,
"instant_refund_prob": 0.0292,
"target_queue": "security_trust",
"selected_mcp_tool": "quarantine_security_event"
},
"usage": { "total_input_tokens": 999, "total_output_tokens": 0, "estimated_cost_usd": 9.99e-05 }
},
{
"event_id": "evt-03-clean-refund",
"gate_verdict": "AUTO_EXECUTE_INSTANT_REFUND",
"questions_evaluated_in_parallel": 8,
"latency_ms": 625.68,
"signals": {
"prompt_injection_prob": 0.0133,
"raw_pii_prob": 0.01,
"instant_refund_prob": 0.9676,
"target_queue": "billing_ops",
"selected_mcp_tool": "issue_instant_credit"
},
"usage": { "total_input_tokens": 987, "total_output_tokens": 0, "estimated_cost_usd": 9.87e-05 }
}
]
8 kontrolün tamamını birlikte değerlendirmenin maliyeti, 0 çıkış jetonu ile etkinlik başına yaklaşık 0,000099 ABD doları olur.
6. 3. örnek: OCR olmadan fotoğrafları ve PDF'leri kontrol etme
Normalde, bir kullanıcı tesis denetim fotoğrafı veya PDF fatura gibi bir ek içeren talep gönderdiğinde, arka ucunuzun rota kuralları çalıştırılmadan önce yalnızca metni ayıklamak için ayrı bir OCR veya görüntü işleme ardışık düzeni çalıştırması gerekir. gemini-decision-1 doğal olarak çok formatlı bir yapıya sahip olduğundan hem yazılı hak talebini hem de ham eki birlikte tek bir decisions.create çağrısında gönderebiliriz.
Test Edeceğimiz Özellikler
scripts/multimodal_triage.py, her biri kısa bir yazılı iddiayı bir ekle eşleştiren iki senaryoyu test eder:
1. Senaryo: Tesis Denetim Fotoğrafı (düşük ve yüksek çözünürlük)
- Kullanıcının yazılı iddiası: "Saat 09:00'daki müşteri toplantısından önce dinlenme odasındaki tezgahı kontrol ettim. Silme bezinin yanında küçük bir kahve lekesi var."
Ekli fotoğraf (03-multimodal-triage/spill.jpg): Açık renkli bir tezgahın üzerine dökülmüş az miktarda koyu renkli kahveyi ve hemen yanında desenli bir bez gösteriyor:

2. Senaryo: Çift Faturalandırılmış PDF Fatura (Ham PDF Baytları, Sıfır OCR)
- Kullanıcının yazılı iddiası: "INV-8812 numaralı faturada benden iki kez 45 ABD doları (toplam 90 ABD doları) tahsil edildi. PDF faturam ekte yer almaktadır."
- Ekli PDF (
03-multimodal-triage/sample_invoice_8812.pdf):Line 1: Pro Plan Monthly Subscription ... $45.00veLine 2: Pro Plan Monthly Subscription [DUPLICATE] $45.00(toplam$90.00) tutarlarını listeleyen 1 sayfalık fatura.
What We Expect to See
- Döküntü fotoğrafı (düşük ve yüksek çözünürlük): Her iki çalıştırmada da tezgahtaki küçük döküntü tespit edilmeli ve aynı yanıt verilmelidir.
lowçözünürlükte çok daha az resim jetonu kullanılır. - PDF fatura (OCR yok):
sample_invoice_8812.pdfeklemek, müşteriden gerçekten iki kez ödeme alındığını kanıtlar. Bu nedenle model, PDF'yi doğrudan okumalı ve geri ödemeyi onaylamalıdır.
Kodu İnceleme
scripts/multimodal_triage.py, input öğesine tek bir dize iletmek yerine içerik bloklarının listesini iletir. Bu liste, text bloğuyla (\n ile biter) başlar ve ardından image bloğu veya document (application/pdf) bloğu gelir:
# For Run 1a & 1b: Pass an image URL and set resolution ("low" vs. "high")
image_block = {
"type": "image",
"uri": "https://storage.googleapis.com/generativeai-downloads/images/spill.jpg",
"mime_type": "image/jpeg",
"resolution": "low", # or "high" in Run 1b
}
# For Run 2: Read raw PDF bytes from disk and base64-encode them as a "document" block
# (Note: PDF document blocks do not take a "resolution" setting)
pdf_block = {
"type": "document",
"data": base64.b64encode(pdf_bytes).decode("ascii"),
"mime_type": "application/pdf",
}
result = client.decisions.create(
model="gemini-decision-1",
input=[
{"type": "text", "text": f"Claim Statement: {claim_text}\nAttached Evidence:\n"},
media_block, # either image_block or pdf_block
],
questions=MULTIMODAL_QUESTIONS,
)
resolution="low" ve resolution="high" arasındaki jeton kullanımını karşılaştırmak için komut dosyası, giriş jetonlarını "text" ve "image" olarak bölen result.usage.input_tokens_by_modality değerini de okur.
Komut dosyasını çalıştırma ve sonuçları kontrol etme
python scripts/multimodal_triage.py
Üç çalıştırmanın tamamında canlı JSON çıkışını inceleyin:
[
{
"experiment": "1a_photo_resolution_low",
"resolution": "low",
"evidence_supports_claim_prob": 0.9532,
"disposition": "local_cleanup_or_self_service",
"disposition_confidence": 0.9863,
"severity_expected_0_to_3": 1.0319,
"tokens_by_modality": { "text": 441, "image": 266 },
"total_input_tokens": 707,
"total_output_tokens": 0,
"estimated_cost_usd": 7.07e-05
},
{
"experiment": "1b_photo_resolution_high",
"resolution": "high",
"evidence_supports_claim_prob": 0.9154,
"disposition": "local_cleanup_or_self_service",
"disposition_confidence": 0.9825,
"severity_expected_0_to_3": 1.0471,
"tokens_by_modality": { "text": 441, "image": 1064 },
"total_input_tokens": 1505,
"total_output_tokens": 0,
"estimated_cost_usd": 0.0001505
},
{
"experiment": "2_pdf_duplicate_invoice_zero_ocr",
"resolution": null,
"latency_ms": 676.98,
"evidence_supports_claim_prob": 0.9578,
"disposition": "automated_credit_or_replacement",
"disposition_confidence": 0.9367,
"severity_expected_0_to_3": 1.9849,
"tokens_by_modality": { "text": 587, "image": 520 },
"total_input_tokens": 1107,
"total_output_tokens": 0,
"estimated_cost_usd": 0.0001107
}
]
Çıktıdan elde edilen iki önemli bilgi:
lowçözünürlükte 4 kat daha az görüntü jetonu kullanıldı (266'ya karşı 1. 064): Her iki çalıştırmada da tam olarak aynı yanıt verildi (local_cleanup_or_self_service, %98'in üzerinde güvenle). Küçük metinler veya küçük puntolu yazılar için"high"veya"ultra_high"kullanın.- PDF faturası, sıfır OCR ile geri ödemeyi onayladı:
sample_invoice_8812.pdfekliykenevidence_supports_claim_prob,0.9578değerine atladı ve model yaklaşık 677 milisaniyedeautomated_credit_or_replacementdeğerini seçti.
7. Tebrikler
Tebrikler! Gemini Decisions API'yi (
gemini-decision-1
) kullanarak destek kayıtlarını kalibre edilmiş olasılıklarla yönlendirebilir, tek bir geçişte 8 bağımsız güvenlik ve politika koruma mekanizması çalıştırabilir, fotoğrafları ve PDF faturaları ayrı bir OCR adımı olmadan doğrulayabilirsiniz. Üstelik tüm bunları sıfır çıkış jetonu ile yapabilirsiniz.
Daha ileri düzey konulara geçmeye hazır olduğunuzda, tamamlayıcı depodaki diğer klasörlere göz atın. Bu klasörler arasında, karmaşık destek kaydı işlemlerini gemini-3.8-flash'e devreden hızlı bir Cloud Run hizmeti dağıtma ile ilgili 02-hybrid-gateway/ ve Decisions API'yi Google ADK 2.0 iş akışlarıyla birleştirme ile ilgili 06-adk-workflows/ yer alır.
Referans belgeler
- Resmi lansman yayını: Gemini Decisions API ile sınırlı seçenekleri hızlıca değerlendirme
- Geliştirici Belgeleri: Gemini Decisions API Kılavuzu (Geliştiriciler için Google AI)
- Etkileşimli Deneme Alanı: Google AI Studio'da Gemini Decision 1'i deneyin
- Örnek kod deposu: https://github.com/rominirani/gcp-gemini-decisions-hybrid-gateway