الإحصاءات المقدَّمة من النماذج اللغوية الكبيرة: BigQuery وGemini لتحليل البيانات المنظَّمة وغير المنظَّمة

1. مقدمة

تحتوي مجموعات البيانات الضخمة على إحصاءات قيّمة، ولكن قد يكون استخلاص فهم مفيد منها مهمة شاقة. غالبًا ما تقصر أدوات التحليل التقليدية في تقديم تفسيرات دقيقة تشبه التفسيرات البشرية وتساعدنا في فهم القصة التي تتضمّنها بياناتنا. تخزّن مستودعات البيانات المزيد والمزيد من البيانات غير المنظَّمة، ولكن لم يكن من الممكن دائمًا الوصول إلى هذه البيانات للحصول على إحصاءات. تحتوي النصوص والصور والفيديوهات غير المنظَّمة على معلومات قيّمة لتطوير نشاطك التجاري. توفّر النماذج اللغوية الكبيرة طريقة جديدة وفعّالة لفهم بياناتك من خلال تقديم تفسيرات وتحليل المشاعر ورصد العناصر وغير ذلك. مع ظهور النماذج المتعدّدة الوسائط (والقدرة على تخزين بيانات الكائنات، مثل الصور والفيديوهات، في BigQuery من خلال "جداول الكائنات")، يمكن أن يؤدي دمج النماذج اللغوية الكبيرة الفعّالة، مثل Gemini 1.0 Pro (للتحليل المستند إلى النصوص) وGemini 1.0 Pro Vision (للتحليل المستند إلى النصوص والصور/الفيديوهات) مع BigQuery إلى تغيير طريقة تحليل البيانات.

في هذا الدرس التطبيقي حول الترميز، سنتناول الطريقتَين التاليتَين لاستخلاص الإحصاءات من نماذج اللغات الكبيرة (LLM) من بيانات مؤسستك، وتوسيع نطاق هذه الإحصاءات ليشمل آلاف الصفوف في BigQuery:

الطريقة 1: استدعاء النموذج عن بُعد

• يمكنك استدعاء Gemini 1.0 Pro من داخل BigQuery باستخدام ML.GENERATE_TEXT في طلب البحث SELECT.
• استخدِم هذا الأسلوب عندما يكون النموذج متاحًا كـ نموذج عن بُعد في BigQuery وتريد استخدامه بدون أي تعديل. اطّلِع على حالة النموذج الذي تريد استخدامه في المستندات الخاصة بخدمة BigQuery.

الطريقة 2: تنفيذ الدالة عن بُعد

• استدعاء Cloud Function تنفّذ استدعاء Gemini 1.0 Pro Vision، ويتم عرضها على أنّها دالة بعيدة في BigQuery
• استخدِم هذا الأسلوب عندما لا يكون النموذج الذي تريد استخدامه متاحًا بشكل جاهز كنموذج عن بُعد أو عندما تريد المزيد من المرونة والتخصيص في حالة الاستخدام.

ما ستنشئه

• بالنسبة إلى طريقة استدعاء النموذج عن بُعد، ستنشئ أداة تلخيص للمواقع الجغرافية من مجموعة بيانات كتب "أرشيف الإنترنت" (المتاحة للجميع في BigQuery) من خلال استدعاء النموذج عن بُعد لـ Gemini 1.0 Pro في بنية ML.GENERATE_TEXT في BigQuery.

• بالنسبة إلى طريقة تنفيذ الوظيفة عن بُعد، عليك إنشاء أداة للتحقّق من صحة الصور من أجل التحقّق من صحة صور الاختبار مقارنةً بصورة أساسية. لإجراء ذلك، عليك إنشاء مجموعة بيانات تحتوي على لقطات شاشة لصور الاختبار في جدول خارجي، ثم اسأل Gemini 1.0 Pro Vision التحقّق من صحتها مقارنةً بالصورة الأساسية. بعد ذلك، ستنشئ دالة Java Cloud Function تنفّذ استدعاء Gemini Pro Vision وتستدعيها كدالة بعيدة في BigQuery.

ملاحظة:

قد تتوفّر المزيد من نماذج الذكاء الاصطناعي التوليدي في Vertex AI كنماذج بعيدة في BigQuery. وهذا يعني أنّه يمكنك الوصول إلى هذه النماذج باستخدام البنية ML.GENERATE_TEXT من BigQuery بدون أي إعدادات إضافية. ومع ذلك، حتى في حال توفّر النموذج عن بُعد، يمكنك دائمًا إنشاء تخصيصات متقدّمة لحالة الاستخدام من خلال Cloud Functions، ثم الوصول إلى هذه النماذج كدوال عن بُعد من BigQuery.

لماذا BigQuery؟

BigQuery هو مستودع بيانات متعدد السحب الإلكترونية يعمل بدون خادم ويمكنه التوسّع من البايت إلى البيتابايت بأقل تكلفة تشغيلية، وبالتالي فهو خيار رائع لتخزين بيانات تدريب تعلُّم الآلة. باستخدام إمكانات BigQuery Machine Learning (BQML) والتحليلات المضمّنة، يمكنك إنشاء توقّعات بدون كتابة أي رمز باستخدام طلبات SQL فقط. بالإضافة إلى ذلك، يمكنك الوصول إلى البيانات من مصادر خارجية باستخدام طلبات البحث الموحّدة، ما يلغي الحاجة إلى مسارات ETL المعقّدة.

‫BigQuery هو مستودع بيانات سحابي مُدار بالكامل يساعد المستخدمين في تحليل البيانات المنظَّمة وشبه المنظَّمة وغير المنظَّمة.

2. المتطلبات

• متصفّح، مثل Chrome أو Firefox
• مشروع على السحابة الإلكترونية من Google Cloud تم تفعيل الفوترة فيه

3- قبل البدء

1. في Google Cloud Console، في صفحة اختيار المشروع، اختَر أو أنشِئ مشروعًا على Google Cloud.
2. تأكَّد من تفعيل الفوترة لمشروعك على السحابة الإلكترونية. تعرَّف على كيفية التحقّق مما إذا كانت الفوترة مفعَّلة في مشروع .
3. ستستخدم Cloud Shell، وهي بيئة سطر أوامر تعمل في Google Cloud ومحمّلة مسبقًا بأداة bq. انقر على "تفعيل Cloud Shell" في أعلى "وحدة تحكّم Google Cloud".

4. بعد الاتصال بـ Cloud Shell، يمكنك التأكّد من أنّك قد تم التحقّق من هويتك وأنّه تم ضبط المشروع على رقم تعريف مشروعك باستخدام الأمر التالي:

gcloud auth list

5. نفِّذ الأمر التالي في Cloud Shell للتأكّد من أنّ أمر gcloud يعرف مشروعك.

gcloud config list project

6. إذا لم يتم ضبط مشروعك، استخدِم الأمر التالي لضبطه:

gcloud config set project <YOUR_PROJECT_ID>

7. انتقِل إلى Gemini في Google Cloud Marketplace لتفعيل واجهة برمجة التطبيقات. يمكنك أيضًا استخدام الأمر التالي في وحدة Cloud Shell الطرفية:

gcloud services enable cloudaicompanion.googleapis.com --project PROJECT_ID

8. تأكَّد من تفعيل واجهات برمجة التطبيقات التالية:

• BigQuery
• ربط BigQuery
• دالة Cloud
• Cloud Run
• Vertex AI
• Cloud Build
• واجهات برمجة التطبيقات في Cloud Storage

البديل عن استخدام أمر gcloud هو الانتقال إلى وحدة التحكّم باستخدام هذا الرابط.

راجِع المستندات لمعرفة أوامر gcloud وطريقة استخدامها.

4. إنشاء مجموعة بيانات BigQuery واتصال خارجي

لنبدأ بإنشاء مجموعة بيانات وعملية ربط بمورد على السحابة الإلكترونية.

مجموعة البيانات في BigQuery هي حاوية لجميع الجداول والعناصر الخاصة بتطبيقك.

لإنشاء مجموعة بيانات، اتّبِع الخطوات التالية:

1. انتقِل إلى صفحة BigQuery في وحدة تحكّم Google Cloud.
2. في لوحة المستكشف، اختَر المشروع الذي تريد إنشاء مجموعة البيانات فيه.
3. وسِّع خيار الإجراءات (رمز علامة الحذف العمودية)، ثم انقر على إنشاء مجموعة بيانات.

4. انقر على إنشاء مجموعة بيانات.
5. أدخِل gemini_bq_fn في حقل معرّف مجموعة البيانات.
6. اضبط نوع الموقع الجغرافي على Multi-region واقبل القيمة التلقائية وهي US(multiple regions in United States..
7. انقر على إنشاء مجموعة بيانات.
8. تأكَّد من إنشاء مجموعة البيانات وإدراجها ضمن رقم تعريف مشروعك في جزء المستكشف.

يجب توفُّر اتصال بـ BigQuery للتفاعل مع Cloud Function. لإنشاء دالة بعيدة، يجب إنشاء اتصال BigQuery. في هذا الدرس التطبيقي حول الترميز، سنستخدم اتصال BigLake للوصول إلى النموذج من BigQuery من خلال Cloud Function. تساعد عمليات ربط BigLake في ربط مصدر البيانات الخارجي مع الاحتفاظ بميزات التحكّم الدقيق في الوصول والأمان في BigQuery، وهو في حالتنا Vertex AI Gemini Pro API.

لإنشاء عملية ربط BigLake، اتّبِع الخطوات التالية:

1. انقر على إضافة في جزء المستكشف من صفحة BigQuery.

2. انقر على عمليات الربط بمصادر البيانات الخارجية.
3. من قائمة "نوع الاتصال"، اختَر نماذج ودوالّ بعيدة في Vertex AI وBigLake (مورد على السحابة الإلكترونية).
4. في حقل معرّف الاتصال، أدخِل اسم الاتصال على النحو التالي: gemini-bq-conn.
5. اضبط نوع الموقع الجغرافي على Multi-region واقبل القيمة التلقائية وهي US(multiple regions in United States..
6. انقر على إنشاء ربط.
7. انقر على الانتقال إلى عملية الربط، ثم انسخ معرّف حساب الخدمة في جزء معلومات الربط.

8. انتقِل إلى صفحة إدارة الهوية وإمكانية الوصول والمشرف وانقر على منح الوصول.
9. الصِق معرّف حساب الخدمة في حقل المشرفون الجدد.
10. اختَر دور Vertex AI user من قائمة الأدوار، ثم انقر على حفظ.

لقد أنشأت الآن مجموعة البيانات وربط BigQuery بنجاح. بعد ذلك، ستكمل الخطوات المطلوبة لتنفيذ النموذج عن بُعد.

5- حالة الاستخدام رقم 1: استدعاء النموذج عن بُعد: إعداد استدعاء النموذج عن بُعد

بعد إنشاء مجموعة البيانات وعملية الربط، لننشئ نموذجًا في BigQuery استنادًا إلى النموذج الأساسي Vertex AI Gemini Pro. في نهاية هذا التمرين، سيكون تطبيق نموذج لغوي كبير (LLM) جاهزًا للتشغيل باستخدام استعلامات SQL فقط.

الخطوة 1: إنشاء جدول BigQuery يحتوي على بيانات الإدخال للنموذج البعيد

أنشئ جدولاً باسم books في مجموعة البيانات يمكنه استيعاب حوالي 50 سجلاً من الجدول bigquery-public-data.gdelt_internetarchivebooks.1905 في مجموعة بيانات كتب أرشيف الإنترنت التي توفّرها BigQuery للاستخدام العام.

لإجراء ذلك، نفِّذ عبارة DDL (لغة تعريف البيانات) التالية من جزء محرّر SQL في BigQuery:

create or replace table gemini_bq_fn.books as (
select *
from
bigquery-public-data.gdelt_internetarchivebooks.1905 limit 50)

الخطوة 2 : إنشاء نموذج BigQuery

أنشئ نموذجًا في مجموعة البيانات. لإجراء ذلك، شغِّل أمر DDL التالي من جزء "محرّر SQL" في BigQuery:

CREATE MODEL `gemini_bq_fn.gemini_remote_model`
REMOTE WITH CONNECTION `us.gemini-bq-conn`
OPTIONS(ENDPOINT = 'gemini-pro');

لاحظ أنّه تم إنشاء النموذج مع خيار لعرضه.

الخطوة 3 : اختبار تطبيق الذكاء الاصطناعي التوليدي الجديد

استخدِم الدالة ML.GENERATE_TEXT في طلب بحث SELECT لإرسال طلب إلى النموذج البعيد.

SELECT ml_generate_text_llm_result as Gemini_Response, prompt as Prompt
FROM ML.GENERATE_TEXT(MODEL `gemini_bq_fn.gemini_remote_model`,
 (select 'You are a text summarizer and standardizer. From the following text that contains address locations, standardize and print one standardized, consolidated address. You cannot return empty because you know how to pick up sensible data from the text in this field: ' ||
substring(locations, 0, 200) as prompt
from `gemini_bq_fn.books`),
STRUCT(
 TRUE AS flatten_json_output));

من المفترض أن تظهر لك النتيجة التالية:

تهانينا! لقد أثبتّ بنجاح كيفية استخدام نموذج عن بُعد (استنادًا إلى نموذج gemini-pro) مع الدالة ML.GENERATE_TEXT لتحليل البيانات النصية في جدول BigQuery.

لنحاول الآن استخدام نموذج آخر من Vertex AI باستخدام دوال BigQuery عن بُعد. لنفترض أنّك تريد إضافة المزيد من التخصيص والمرونة إلى طريقة استخدام النموذج عن بُعد في BigQuery. يمكنك الاطّلاع على النماذج المتوافقة في المستندات الخاصة بخدمة BigQuery.

6. حالة الاستخدام رقم 2: تنفيذ الوظيفة عن بُعد: إعداد تنفيذ الوظيفة عن بُعد

في هذا التمرين، ستنشئ دالة في BigQuery استنادًا إلى Java Cloud Function التي تنفّذ نموذج Gemini 1.0 Pro Vision الأساسي. أولاً، ستنشئ دالة Java Cloud Function وتنشرها لمقارنة الصور باستخدام نموذج Gemini 1.0 Pro Vision، ثم ستنشئ الدالة البعيدة في BigQuery التي تستدعي دالة Cloud Function التي تم نشرها. تذكَّر أنّه يمكن اتّباع الإجراء نفسه لتنفيذ أي دالة عن بُعد في BigQuery.

فلنبدأ إذًا.

الخطوة 1: إنشاء Java Cloud Function

ستنشئ دالة Cloud Function من الجيل الثاني بلغة Java للتحقّق من صحة الصور التجريبية مقارنةً بصورة أساسية. يتم تخزين الصورة الأساسية في مجموعة بيانات تحتوي على لقطات شاشة لصور الاختبار في جدول خارجي في BigQuery. ستتحقّق من صحة الصور باستخدام نموذج Gemini Pro Vision (حزمة تطوير البرامج (SDK) بلغة Java). بعد ذلك، ستنشر Java Cloud Function إلى نقطة نهاية REST.

يُرجى اتّباع الخطوات التالية:

1. افتح محرِّر Cloud Shell.
2. إذا كنت تستخدم "المحرّر القديم"، انقر على تجربة "المحرّر الجديد".
3. في شريط الحالة، انقر على Cloud Code - تسجيل الدخول.
4. إذا طُلب منك منح الإذن لمحرّر Cloud Shell بإجراء طلبات إلى Google Cloud API، انقر على منح الإذن. اتّبِع التعليمات التي تظهر على الشاشة لتسجيل الدخول إلى حسابك على Google. أنت الآن متصل بخدمة Google Cloud.
5. إذا لم يظهر مشروعك في شريط حالة Cloud Code، انقر على Cloud Code - تسجيل الدخول > اختيار مشروع على Google Cloud. اختَر مشروع على السحابة الإلكترونية حيث تريد إنشاء Cloud Functions. يتم تحميل المشروع ويصبح المشروع النشط في "محرّر Cloud Shell".
6. في شريط حالة Cloud Code، انقر على اسم المشروع النشط. في قائمة "الاختيار السريع" التي تظهر، انقر على تطبيق جديد.
7. في مربّع الحوار إنشاء تطبيق جديد، اختَر تطبيق Cloud Functions.

8. اختَر Java: Hello World عندما يُطلب منك اختيار نموذج.

9. أدخِل Gemini-BQ-Function كاسم مشروعك في مسار المشروع. يظهر هيكل المشروع في طريقة عرض جديدة في "محرِّر Cloud Shell".

10. أضِف الاعتماديات اللازمة ضمن علامة <dependencies>... </dependencies> أو انسخ الاعتماديات من ملف pom.xml النموذجي.
11. غيِّر اسم صفك من HelloWorld.java إلى اسم أكثر دلالة. لنفترض أنّ GeminiBigQueryFunction.java. أعِد تسمية الحزمة وفقًا لذلك.
12. استبدِل الرمز النائب في الملف GeminiBigQueryFunction.Java بالرمز النموذجي المقدَّم في مستودع GitHub. احرص على استبدال المتغيّر <YOUR_PROJECT_ID> برقم تعريف مشروعك في الرمز النموذجي.
13. انتقِل إلى نافذة Cloud Shell. تأكَّد من أنّك في دليل مشروعك. إذا لم يكن الأمر كذلك، انتقِل إلى دليل المشروع من خلال تنفيذ الأمر التالي:

cd Gemini-BQ-Function

14. نفِّذ العبارة التالية لإنشاء Cloud Function ونشرها:

gcloud functions deploy gemini-bq-fn --gen2 --runtime java17 --trigger-http --entry-point cloudcode.helloworld.GeminiBigQueryFunction --allow-unauthenticated --source .

استبدِل نقطة الدخول في الأمر بنقطة دخول الدالة. الناتج هو عنوان URL لخدمة REST بالتنسيق التالي:

https://us-central1-YOUR_PROJECT_ID.cloudfunctions.net/gemini-bq-fn

15. اختبِر Cloud Function هذه من خلال تنفيذ الأمر التالي من الوحدة الطرفية:

gcloud functions call gemini-bq-fn --region=us-central1 --gen2 --data '{"calls":[["https://storage.googleapis.com/img_public_test/image_validator/baseline/1.JPG", "https://storage.googleapis.com/img_public_test/image_validator/test/2.JPG", "PROMPT_ABOUT_THE_IMAGES_TO_GEMINI"]]}'

إجابة عن طلب العيّنة العشوائية:

رائع! أصبحت دالة Cloud Function العامة لتنفيذ نموذج Gemini Pro Vision جاهزة. لنستخدِم نقطة النهاية هذه مباشرةً على بيانات BigQuery من داخل دالة بعيدة في BigQuery.

الخطوة 2: إنشاء جدول كائنات ودالة عن بُعد في BigQuery

المتطلّبات الأساسية

ستحتاج إلى حزمة Cloud Storage لهذا الجزء من التمرين. اتّبِع الخطوات التالية لإنشاء حزمة Cloud Storage:

1. لإنشاء حزمة، انتقِل إلى وحدة تحكّم Cloud Storage وانقر على إنشاء.
2. أدخِل demo-bq-gemini-public-image كاسم للحزمة وانقر على إنشاء.
3. أزِل العلامة من مربّع الخيار Enforce public access prevention on this bucket. على الرغم من أنّك ستنشئ مجموعة هذه البيانات لإتاحتها للجميع في هذا التمرين، ننصحك بمنع الوصول العام ومنح الأذونات لحسابات خدمة محدّدة حسب الحاجة في حالات الاستخدام في مؤسستك.
4. بعد إنشاء الحزمة، انتقِل إلى علامة التبويب الأذونات للاطّلاع على الأذونات وتغييرها.
5. لإضافة مستخدمين رئيسيين، انقر على منح إذن الوصول. حدِّد رقم تعريف حساب خدمة لمنح الأذونات إلى حساب معيّن أو حدِّد allUsers لمنح إذن الوصول العام إلى الحزمة.
6. اختَر دور Storage Object Viewer وانقر على حفظ. إذا طُلب منك ذلك، اختَر السماح بالوصول العلني.
7. انتقِل إلى علامة التبويب العناصر وحمِّل صورًا أساسية وصورًا اختبارية للمقارنة. في هذا الدرس التطبيقي حول الترميز، يمكنك تحميل العناصر التالية المتاحة للجميع: baseline.JPG وTEST1.JPG وTEST2.JPG.

إنشاء جدول كائنات في BigQuery

أنشئ جدول عناصر خارجية من BigQuery للوصول إلى البيانات غير المنظَّمة في الحزمة باستخدام عملية الربط ومجموعة البيانات التي أنشأتها سابقًا. لإجراء ذلك، نفِّذ عبارة DDL (لغة تعريف البيانات) التالية من جزء محرِّر طلبات البحث في BigQuery:

CREATE OR REPLACE EXTERNAL TABLE `gemini_bq_fn.image_validation`
WITH CONNECTION `us.gemini-bq-conn`
OPTIONS(object_metadata="SIMPLE", uris=["gs://demo-bq-gemini-public-image/*.JPG"]);

تأكَّد من إنشاء جدول عناصر جديد باسم image_validation في مجموعة البيانات.

إنشاء دالة بعيدة في BigQuery

أنشئ دالة بعيدة في BigQuery لاستدعاء Java Cloud Function التي تنفّذ نموذج Gemini Pro Vision. أنشئ هذا في مجموعة البيانات نفسها. لإجراء ذلك، شغِّل أمر DDL التالي من جزء محرِّر SQL في وحدة تحكّم BigQuery:

CREATE OR REPLACE FUNCTION `gemini_bq_fn.FN_IMAGE_VALIDATE` (baseline STRING, test STRING, prompt STRING) RETURNS STRING
 REMOTE WITH CONNECTION `us.gemini-bq-conn`
 OPTIONS (
   endpoint = 'https://us-central1-<your project id>.cloudfunctions.net/gemini-bq-fn',
   max_batching_rows = 1
 );

عنوان URL لنقطة النهاية هو عنوان URL الخاص بخدمة REST الذي تم عرضه سابقًا في هذا التمرين. يؤدي ذلك إلى إنشاء الدالة البعيدة في BigQuery. تتضمّن عبارة تعريف البيانات أعلاه ثلاث مَعلمات. المَعلمتان الأوليان هما عنوانا URL للصور المخزَّنة في جدول العناصر الذي تم إنشاؤه في الخطوة السابقة. المَعلمة الأخيرة هي الطلب المقدَّم إلى النموذج (Gemini Pro Vision). يمكنك الرجوع إلى رمز Java Cloud Functions المستخدَم لتحليل هذه التوقيع:

Gson().fromJson(request.getReader(), JsonObject.class);
JsonArray calls_array = requestJson.getAsJsonArray("calls");
JsonArray calls = (JsonArray) calls_array.get(0);
String baseline_url = calls.get(0).toString().replace("\"", "");
String test_url = calls.get(1).toString().replace("\"", "");
String prompt_string = calls.get(2).toString();

استدعاء Gemini من BigQuery

استخدِم الدالة البعيدة في طلب بحث SELECT لاختبار الدالة التي تتحقّق من صحة الصور مقارنةً بالطلب.

select gemini_bq_fn.FN_IMAGE_VALIDATE(
'https://storage.googleapis.com/demo-bq-gemini-public-image/Baseline.JPG',
REPLACE(uri, 'gs://', 'https://storage.googleapis.com/') ,
'You are an expert image validator who can respond with JSON result. Find 2 images here. The first one is the reference image. The second image is the test image. Compare the second image to see if the second image is similar to the first in terms of the text present in the image.  Respond ONLY in JSON Format with 3 attributes namely SIMILARITY which is a \"YES\" or \"NO\", SIMILARITY_SCORE which is a percentage and DIFFERENCE_COMMENT which is a string.' ) as IMAGE_VALIDATION_RESULT
from `gemini_bq_fn.image_validation`
where uri like '%TEST1%';  

جرِّب طلب البحث أعلاه باستخدام ملفات الكائن TEST1 وTEST2. ستظهر لك نتيجة مشابهة لما يلي:

في ما يلي الصور التي يمكنك الرجوع إليها:

الصورة الأساسية

صورة الاختبار

لاحظ أنّ الصورتَين متشابهتَين من حيث عرض وحدة تحكّم السحابة الإلكترونية في Duet AI، ولكن النص في كلتيهما مختلف لأنّ النموذج يعرضه بتنسيق JSON.

بهذا تكون قد اختبرت تنفيذ الوظيفة عن بُعد بنجاح.

7. المزايا وحالات الاستخدام

لنلقِ نظرة على بعض مزايا دمج BigQuery وGemini لتحليل البيانات المنظَّمة وغير المنظَّمة.

• استخدام الذكاء الاصطناعي التوليدي مع بياناتك: لن تحتاج بعد الآن إلى نقل البيانات وتكرارها وإضافة المزيد من التعقيد. يمكنك تحليل البيانات وإنشاء إحصاءات ضمن بيئة BigQuery نفسها.
• إحصاءات محسّنة: تضيف التفسيرات باللغة الطبيعية من Gemini مستوى جديدًا من الفهم لبياناتك، ويمكنك تحقيق ذلك باستخدام طلبات بحث SQL.
• قابلية التوسّع: يتعامل هذا الحلّ مع مجموعات البيانات الكبيرة والتحليلات المعقّدة بسهولة وبجهد بسيط في كتابة الرموز البرمجية.

وهناك العديد من التطبيقات التي يمكن استخدامها فيها. يمكنك التفكير في سيناريوهات في مجالات التمويل (تحليل مؤشرات السوق) والبيع بالتجزئة (آراء العملاء) والرعاية الصحية (ملخّصات التقارير الطبية) وما إلى ذلك، حيث يمكن لفِرق الإحصاءات والنشاط التجاري تنفيذ هذه السيناريوهات بجهد وموارد منخفضة نسبيًا وباستخدام لغة وأداة مألوفة.

8. تَنظيم

لتجنُّب تحمّل رسوم في حسابك على Google Cloud مقابل الموارد المستخدَمة في هذه المشاركة، اتّبِع الخطوات التالية:

1. في Google Cloud Console، انتقِل إلى صفحة إدارة الموارد.
2. في قائمة المشاريع، اختَر المشروع الذي تريد حذفه، ثم انقر على حذف.
3. في مربّع الحوار، اكتب رقم تعريف المشروع، ثم انقر على إيقاف لحذف المشروع.
4. إذا كنت تريد الاحتفاظ بمشروعك، تخطَّ الخطوات أعلاه واحذف Cloud Function من خلال الانتقال إلى Cloud Functions، ثم ضَع علامة في المربّع بجانب الدالة التي تريد حذفها من قائمة الدوال وانقر على حذف.

9- تهانينا

تهانينا من خلال دمج نماذج Gemini في BigQuery، لن تقتصر مهمتك على تحليل البيانات، بل ستتمكّن من سرد قصص البيانات. يمكنك إنشاء السرد المخفي ضمن مجموعات البيانات وتغيير طريقة فهمك للإحصاءات. ابدأ التجربة. طبِّق هذا الأسلوب على مجموعات البيانات الخاصة بك واكتشِف القصص التي تتضمّنها بياناتك. بما أنّ BigQuery يتيح استخدام البيانات غير المنظَّمة في جداول العناصر ( الجداول الخارجية)، جرِّب استخدام Gemini Pro Vision لإنشاء إحصاءات توليدية حول بيانات الصور. يمكنك الرجوع إلى مستندات Vertex AI والدوال البعيدة في BigQuery وCloud Functions للحصول على إرشادات أكثر تفصيلاً. إليك مستودع github لهذا المشروع. يُرجى إعلامنا بما ستنشئه باستخدام هذه المعلومات.