Yerli LLM Analizleri: Yapılandırılmış ve Yapılandırılmamış Veri Analizi için BigQuery ve Gemini

1. Giriş

Büyük veri kümeleri değerli analizler içerir ancak anlamlı bilgiler elde etmek zorlu bir görev olabilir. Geleneksel analiz araçları, verilerimizdeki hikayeyi gerçekten anlamamıza yardımcı olan, ayrıntılı ve insana benzer açıklamalar sunma konusunda genellikle yetersiz kalır. Veri ambarlarında giderek daha fazla yapılandırılmamış veri tutuluyor ancak bu verilere analiz elde etmek için her zaman erişilemiyor. Yapılandırılmamış metinler, resimler ve videolar, işletmenizi geliştirmek için değerli bilgiler içerir. LLM'ler, verilerinizi anlamak için güçlü bir yeni yöntem sunar. Bu yöntemle açıklamalar, duygu analizi, nesne algılama ve daha fazlasını elde edebilirsiniz. Çok formatlı modellerin ortaya çıkmasıyla (ve nesne tabloları aracılığıyla görüntü ve video gibi nesne verilerini BigQuery'de depolama olanağıyla) Gemini 1.0 Pro (metin tabanlı analiz için) ve Gemini 1.0 Pro Vision (metin ve görüntü/video analizi için) gibi güçlü LLM'leri BigQuery ile entegre etmek, verileri analiz etme şeklinizi değiştirebilir.

Bu codelab'de, kurumsal verilerinizden LLM analizleri elde etme ve bu analizleri BigQuery'deki binlerce satıra ölçeklendirme ile ilgili aşağıdaki iki yöntemi inceleyeceğiz:

1. yöntem: Uzaktan model çağırma

• SELECT sorgusunda ML.GENERATE_TEXT kullanarak BigQuery'den Gemini 1.0 Pro'yu çağırın.
• Model BigQuery'de uzak model olarak kullanıma sunulmuşsa ve bu modeli olduğu gibi kullanmak istiyorsanız bu yaklaşımı kullanın. BigQuery belgelerinde kullanmak istediğiniz modelin durumunu kontrol edin.

2. yöntem: Uzak işlev uygulama

• BigQuery'de uzak işlev olarak kullanıma sunulan Gemini 1.0 Pro Vision çağrısını uygulayan bir Cloud Function'ı çağırın.
• Kullanmak istediğiniz model uzak model olarak kullanıma hazır değilse veya kullanım alanınızda daha fazla esneklik ve özelleştirme istiyorsanız bu yaklaşımı kullanın.

Ne oluşturacaksınız?

• Uzak Model Çağırma yönteminde, BigQuery'deki ML.GENERATE_TEXT yapısında Gemini 1.0 Pro için uzak modeli çağırarak internet arşivindeki kitap veri kümesi (BigQuery'de herkese açık olarak kullanılabilir) için bir konum özetleyici oluşturacaksınız.

• Uzak İşlev Uygulaması yönteminde, test resimlerini temel resme göre doğrulamak için bir resim doğrulayıcı oluşturursunuz. Bunun için, harici bir tabloda test görüntüsü ekran görüntülerini içeren bir veri kümesi oluşturacak ve Gemini 1.0 Pro Vision'dan bunu temel görüntüye göre doğrulamasını isteyeceksiniz. Ardından, Gemini Pro Vision çağrısını uygulayan bir Java Cloud Functions işlevi oluşturacak ve bunu BigQuery'de uzak işlev olarak çağıracaksınız.

Not:

BigQuery'de uzak modeller olarak daha fazla Vertex AI üretken yapay zeka modeli bulunabilir. Bu, BigQuery'nin hazır işlevlerinden yararlanarak ML.GENERATE_TEXT yapısıyla bu modellere erişebileceğiniz anlamına gelir. Ancak, uzaktan model kullanılabilirliği durumunda bile Cloud Functions ile kullanım alanınız için her zaman gelişmiş özelleştirmeler oluşturabilir ve ardından bu modellere BigQuery'den uzaktan işlevler olarak erişebilirsiniz.

Neden BigQuery?

BigQuery, bayttan petabayta kadar ölçeklenebilen, sunucusuz ve çoklu bulut veri ambarıdır. Minimum operasyonel ek yükle çalıştığı için makine öğrenimi eğitim verilerini depolamak için mükemmel bir seçimdir. Yerleşik BigQuery Machine Learning (BQML) ve analiz özelliklerini kullanarak yalnızca SQL sorgularıyla kodsuz tahminler oluşturabilirsiniz. Ayrıca, birleştirilmiş sorgularla harici kaynaklardaki verilere erişebilir, böylece karmaşık ETL ardışık düzenlerine gerek kalmaz.

BigQuery, kullanıcıların yapılandırılmış, yarı yapılandırılmış ve yapılandırılmamış verileri analiz etmesine yardımcı olan, tümüyle yönetilen bir bulut veri ambarıdır.

2. Şartlar

• Chrome veya Firefox gibi bir tarayıcı
• Faturalandırmanın etkin olduğu bir Google Cloud projesi.

3. Başlamadan önce

1. Google Cloud Console'daki proje seçici sayfasında bir Google Cloud projesi seçin veya oluşturun.
2. Cloud projeniz için faturalandırmanın etkinleştirildiğinden emin olun. Bir projede faturalandırmanın etkin olup olmadığını kontrol etmeyi öğrenin .
3. bq'nun önceden yüklendiği, Google Cloud'da çalışan bir komut satırı ortamı olan Cloud Shell'i kullanacaksınız. Google Cloud Console'un üst kısmından Cloud Shell'i etkinleştir'i tıklayın.

4. Cloud Shell'e bağlandıktan sonra aşağıdaki komutu kullanarak kimliğinizin doğrulandığını ve projenin proje kimliğinize ayarlandığını kontrol edin:

gcloud auth list

5. gcloud komutunun projeniz hakkında bilgi sahibi olduğunu onaylamak için Cloud Shell'de aşağıdaki komutu çalıştırın.

gcloud config list project

6. Projeniz ayarlanmamışsa ayarlamak için aşağıdaki komutu kullanın:

gcloud config set project <YOUR_PROJECT_ID>

7. API'yi etkinleştirmek için Google Cloud Marketplace için Gemini'a gidin. Cloud Shell terminalinde aşağıdaki komutu da kullanabilirsiniz:

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

8. Aşağıdaki API'lerin etkinleştirildiğinden emin olun:

• BigQuery
• BigQuery bağlantısı
• Cloud Functions işlevi
• Cloud Run
• Vertex AI
• Cloud Build
• Cloud Storage API'leri

gcloud komutunu kullanmak yerine bu bağlantıyı kullanarak konsolu da kullanabilirsiniz.

gcloud komutları ve kullanımı için belgelere bakın.

4. BigQuery veri kümesi ve harici bağlantı oluşturma

Veri kümesi ve Cloud kaynağı bağlantısı oluşturarak başlayalım.

BigQuery'deki veri kümesi, uygulamanızla ilgili tüm tabloların ve nesnelerin bulunduğu bir kapsayıcıdır.

Veri kümesi oluşturmak için aşağıdakileri yapın:

1. Google Cloud Console'da BigQuery sayfasına gidin.
2. Gezgin panelinde, veri kümesini oluşturmak istediğiniz projeyi seçin.
3. İşlemler seçeneğini (dikey üç nokta simgesi) genişletin ve Veri kümesi oluştur'u tıklayın.

4. Veri kümesi oluştur'u tıklayın.
5. Veri kümesi kimliği alanına gemini_bq_fn girin.
6. Konum türünüzü Multi-region olarak ayarlayın ve varsayılan değeri (US(multiple regions in United States.) kabul edin.
7. Veri kümesi oluştur'u tıklayın.
8. Veri kümesinin oluşturulduğunu ve Gezgin bölmesinde proje kimliğinizin altında listelendiğini kontrol edin.

Cloud Function'ınızla etkileşim kurmak için BigQuery bağlantısı gerekir. Uzak işlev oluşturmak için BigQuery bağlantısı oluşturmanız gerekir. Bu codelab'de, Cloud Function aracılığıyla BigQuery'den modele erişmek için BigLake bağlantısını kullanacağız. BigLake bağlantıları, harici veri kaynağını bağlamaya yardımcı olurken ayrıntılı BigQuery erişim denetimini ve güvenliğini korur. Bu örnekte, Vertex AI Gemini Pro API'si kullanılmıştır.

BigLake bağlantısını oluşturmak için aşağıdakileri yapın:

1. BigQuery sayfasının Gezgin bölmesinde Ekle'yi tıklayın.

2. Harici veri kaynaklarına bağlantılar'ı tıklayın.
3. Bağlantı türü menüsünden Vertex AI uzak modelleri, uzak işlevler ve BigLake (Cloud Resource) seçeneğini belirleyin.
4. Connection ID (Bağlantı kimliği) alanına bağlantı adınızı gemini-bq-conn olarak girin.
5. Konum türünüzü Multi-region olarak ayarlayın ve varsayılan değeri (US(multiple regions in United States.) kabul edin.
6. Bağlantı oluştur'u tıklayın.
7. Bağlantıya git'i tıklayın ve Bağlantı bilgileri bölmesindeki hizmet hesabı kimliğini kopyalayın.

8. IAM ve Yönetici sayfasına gidin ve Erişim izni ver'i tıklayın.
9. Hizmet hesabı kimliğini New principles (Yeni ana hesaplar) alanına yapıştırın.
10. Rol listesinden Vertex AI user rolünü seçin ve Kaydet'i tıklayın.

Veri kümesini ve BigQuery bağlantısını başarıyla oluşturdunuz. Ardından, uzaktan model çağırma için gerekli adımları tamamlayacaksınız.

5. 1. Kullanım alanı: Uzak model çağırma. Uzak model çağırmayı ayarlama

Veri kümenizi ve bağlantınızı oluşturduğunuza göre şimdi Vertex AI Gemini Pro temel modelini temel alan bir modeli BigQuery'de oluşturalım. Bu alıştırmanın sonunda, yalnızca SQL sorgularını kullanarak LLM uygulamanızı çalışır duruma getireceksiniz.

1. adım: Uzak modelin giriş verilerini içeren bir BigQuery tablosu oluşturun

Veri kümenizde, BigQuery tarafından herkese açık kullanım için sağlanan Internet Archive Books veri kümesindeki bigquery-public-data.gdelt_internetarchivebooks.1905 tablosundan yaklaşık 50 kayıt içerebilecek books adlı bir tablo oluşturun.

Bunu yapmak için BigQuery SQL düzenleyici bölmesinden aşağıdaki DDL (Veri Tanımlama Dili) ifadesini yürütün:

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

2. adım : BigQuery modeli oluşturun

Veri kümenizde bir model oluşturun. Bunu yapmak için BigQuery SQL Düzenleyici bölmesinden aşağıdaki DDL'yi çalıştırın:

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

Modelin, modeli görüntüleme seçeneğiyle oluşturulduğunu gözlemleyin.

3. adım : Yeni üretken yapay zeka uygulamanızı test edin

Uzak modele istek göndermek için SELECT sorgusunda ML.GENERATE_TEXT işlevini kullanın.

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));

Aşağıdaki sonucu görmeniz gerekir:

Tebrikler! BigQuery tablosundaki metin verilerini analiz etmek için gemini-pro modeline dayalı bir uzak modeli ML.GENERATE_TEXT işleviyle kullanmayı başarıyla gösterdiniz.

Şimdi de BigQuery uzak işlevlerini kullanarak başka bir Vertex AI modelini deneyelim. Örneğin, modeli BigQuery'de uzaktan kullanma şeklinize daha fazla özelleştirme ve esneklik eklemek istediğinizi varsayalım. Desteklenen modeller BigQuery belgelerinde listelenmiştir.

6. 2. Kullanım alanı: Uzak işlev uygulama: Uzak işlev uygulamayı ayarlama

Bu alıştırmada, Gemini 1.0 Pro Vision temel modelini uygulayan Java Cloud Functions işlevine dayalı olarak BigQuery'de bir işlev oluşturacaksınız. İlk olarak, Gemini 1.0 Pro Vision modelini kullanarak görüntüleri karşılaştırmak için Java Cloud Functions işlevini oluşturup dağıtacaksınız. Ardından, dağıtılan Cloud Functions işlevini çağıran BigQuery'de uzak işlevi oluşturacaksınız. BigQuery'deki tüm uzak işlev yürütme işlemleri için aynı prosedürün izlenebileceğini unutmayın.

Haydi başlayalım!

1. adım: Java Cloud Function'ı oluşturun

Test resimlerini temel resimle karşılaştırarak doğrulayan bir Java Cloud Functions işlevi oluşturacaksınız. Temel görüntü, BigQuery'deki harici bir tabloda test görüntüsü ekran görüntülerini içeren bir veri kümesinde depolanır. Resimleri Gemini Pro Vision modelini (Java SDK) kullanarak doğrulayacaksınız. Ardından Java Cloud Function'ı bir REST uç noktasına dağıtırsınız.

Şu adımları uygulayın:

1. Cloud Shell Düzenleyici'yi başlatın.
2. Eski Düzenleyici'yi kullanıyorsanız Yeni Düzenleyici'yi dene'yi tıklayın.
3. Durum çubuğunda Cloud Code - Sign In'i (Cloud Code - Oturum Aç) tıklayın.
4. Cloud Shell Düzenleyici'nin Google Cloud API çağrıları yapması için yetkilendirme yapmanız istenirse Yetkilendir'i tıklayın. Google Hesabınızda oturum açmak için talimatları uygulayın. Artık Google Cloud'a bağlısınız.
5. Projenizi Cloud Code durum çubuğunda görmüyorsanız Cloud Code - Sign In > Select a Google Cloud project'i (Cloud Code - Oturum Aç > Google Cloud projesi seçin) tıklayın. Cloud Functions'ı oluşturmak istediğiniz Google Cloud projesini seçin. Proje yüklenir ve Cloud Shell Düzenleyici'de etkin proje haline gelir.
6. Cloud Code durum çubuğunda etkin proje adını tıklayın. Görüntülenen Hızlı Seçim menüsünde New Application'ı (Yeni Uygulama) seçin.
7. Yeni Uygulama Oluştur iletişim kutusunda Cloud Functions uygulaması'nı seçin.

8. Şablon seçmeniz istendiğinde Java: Hello World'ü seçin.

9. Proje yolunda proje adı olarak Gemini-BQ-Function girin. Proje yapısı yeni bir Cloud Shell Düzenleyici görünümünde gösterilir.

10. Gerekli bağımlılıkları <dependencies>... </dependencies> etiketi içine ekleyin veya bağımlılıkları örnek pom.xml dosyasından kopyalayın.
11. Sınıfınızın adını HelloWorld.java yerine daha anlamlı bir adla değiştirin. GeminiBigQueryFunction.java olduğunu varsayalım. Paketi buna göre yeniden adlandırın.
12. GeminiBigQueryFunction.Java dosyasındaki yer tutucu kodu, GitHub deposunda sağlanan örnek kodla değiştirin. Örnek kodda <YOUR_PROJECT_ID> değişkenini proje kimliğinizle değiştirdiğinizden emin olun.
13. Cloud Shell terminaline gidin. Proje dizininizde olduğunuzu kontrol edin. Kullanmıyorsanız aşağıdaki komutu çalıştırarak proje dizinine gidin:

cd Gemini-BQ-Function

14. Cloud Functions işlevini oluşturup dağıtmak için aşağıdaki ifadeyi yürütün:

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

Komuttaki giriş noktasını işlevinizin giriş noktasıyla değiştirin. Çıkış, aşağıdaki biçimde bir REST URL'sidir:

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

15. Terminalden aşağıdaki komutu çalıştırarak bu Cloud Functions işlevini test edin:

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"]]}'

Rastgele örnek istemine verilen yanıt:

Mükemmel! Gemini Pro Vision modeli uygulaması için genel Cloud Function hazır. Bu uç noktayı doğrudan BigQuery uzak işlevinden BigQuery verilerinde kullanalım.

2. adım: BigQuery nesne tablosu ve uzak işlev oluşturun

Ön koşul

Egzersizin bu bölümü için bir Cloud Storage paketi gerekir. Cloud Storage paketi oluşturmak için aşağıdaki adımları uygulayın:

1. Paket oluşturmak için Cloud Storage konsoluna gidip Oluştur'u tıklayın.
2. Bucket adı olarak demo-bq-gemini-public-image girin ve Oluştur'u tıklayın.
3. Enforce public access prevention on this bucket seçeneğinin işaretini kaldırın. Bu alıştırmada bu paketi herkese açık erişim için oluşturuyor olsanız da herkese açık erişimi engellemenizi ve kurumsal kullanım alanlarınızda gerektiği şekilde belirli hizmet hesaplarına izin vermenizi öneririz.
4. Paket oluşturulduktan sonra izinleri görüntülemek ve değiştirmek için İzinler sekmesine gidin.
5. Ana hesap eklemek için Erişim izni ver'i tıklayın. Belirli bir hesaba izin vermek için bir hizmet hesabı kimliği belirtin veya paketinize herkese açık erişim vermek için allUsers belirtin.
6. Storage Object Viewer rolünü seçip Kaydet'i tıklayın. İstenirse herkese açık erişime izin vermeyi seçin.
7. Nesneler sekmesine gidin ve karşılaştırmak için referans resimleri ve test resimlerini yükleyin. Bu Codelab'de herkese açık olan şu nesneleri yükleyebilirsiniz: baseline.JPG, TEST1.JPG ve TEST2.JPG.

BigQuery nesne tablosu oluşturma

Daha önce oluşturduğunuz bağlantıyı ve veri kümesini kullanarak paketteki yapılandırılmamış verilere erişmek için BigQuery'den harici bir nesne tablosu oluşturun. Bunu yapmak için BigQuery sorgu düzenleyici bölmesinden aşağıdaki DDL (Veri Tanımlama Dili) ifadesini yürütün:

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"]);

Veri kümenizde image_validation adlı yeni bir nesne tablosunun oluşturulduğunu kontrol edin.

BigQuery uzak işlevi oluşturma

Gemini Pro Vision modelini uygulayan Java Cloud Functions işlevini çağırmak için BigQuery'de uzak işlev oluşturun. Bunu aynı veri kümesinde oluşturun. Bunu yapmak için BigQuery konsolunun SQL düzenleyici bölmesinden aşağıdaki DDL'yi çalıştırın:

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
 );

Uç nokta URL'si, bu alıştırmanın başında döndürülen REST URL'sidir. Bu işlem, BigQuery'de uzak işlevi oluşturur. Yukarıdaki DDL'de üç parametre vardır. İlk iki parametre, önceki adımda oluşturulan nesne tablosunda depolanan resimlerin URL'leridir. Son parametre, modele (Gemini Pro Vision) gönderilen istemdir. Bu imzayı ayrıştırmak için kullanılan Java Cloud Functions koduna bakabilirsiniz:

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();

BigQuery'den Gemini'ı çağırma

Resimleri isteme göre doğrulayan işlevi test etmek için SELECT sorgusunda uzaktan işlevini kullanın.

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%';  

Yukarıdaki sorguyu TEST1 ve TEST2 nesne dosyalarıyla deneyin. Aşağıdakine benzer bir sonuç görürsünüz:

Referans olarak kullanabileceğiniz görselleri aşağıda bulabilirsiniz:

Temel görüntü

Test görüntüsü

Her iki resmin de Duet AI Cloud Console görünümüne sahip olması açısından benzer olduğunu ancak JSON biçimindeki modelden kaynaklanan farklılıklar nedeniyle metinlerin farklı olduğunu unutmayın.

Böylece, uzaktan işlev uygulamasını başarıyla test etmiş olursunuz.

7. Avantajlar ve Kullanım Alanları

Yapılandırılmış ve yapılandırılmamış veri analizleri için BigQuery ile Gemini'ı entegre etmenin bazı avantajlarına göz atalım.

• Üretken yapay zekayı verilerinize taşıma: Artık verileri taşıma, kopyalama ve karmaşıklık yok. Aynı BigQuery ortamında verileri analiz edebilir ve analizlerden elde edilen bilgileri oluşturabilirsiniz.
• Gelişmiş analizler: Gemini'ın doğal dil açıklamaları, verilerinize yeni bir anlayış katmanı ekler. Bu katmanı SQL sorgularını kullanarak elde edebilirsiniz.
• Ölçeklenebilirlik: Bu çözüm, büyük veri kümelerini ve karmaşık analizleri kolayca ve az kodla gerçekleştirir.

Bu özelliğin birçok kullanım alanı vardır. Finans (pazar trendi analizi), perakende (müşteri duyarlılığı), sağlık hizmetleri (tıbbi rapor özetleri) gibi alanlarda, analiz ve işletme ekiplerinizin bunları nispeten düşük çaba, kaynak ve tercih edilen tanıdık bir dil ve araçla uygulayabileceği senaryoları göz önünde bulundurun.

8. Temizleme

Bu yayında kullanılan kaynaklar için Google Cloud hesabınızın ücretlendirilmesini istemiyorsanız şu adımları uygulayın:

1. Google Cloud Console'da Kaynakları yönetin sayfasına gidin.
2. Proje listesinde silmek istediğiniz projeyi seçin ve Sil'i tıklayın.
3. İletişim kutusunda proje kimliğini yazın ve projeyi silmek için Kapat'ı tıklayın.
4. Projenizi tutmak istiyorsanız yukarıdaki adımları atlayın ve Cloud Functions'a giderek Cloud Functions işlevini silin. İşlev listesinden silmek istediğinizi işaretleyin ve Sil'i tıklayın.

9. Tebrikler

Tebrikler. BigQuery'ye entegre edilen Gemini modelleriyle artık sadece verilerinizi analiz etmiyor, aynı zamanda verilerle hikaye anlatıyorsunuz. Veri kümelerinizdeki gizli anlatıları oluşturabilir ve analizlerinizi anlama şeklinizi değiştirebilirsiniz. Denemeye başlayın. Bu tekniği kendi veri kümelerinize uygulayarak verilerinizdeki hikayeleri keşfedin. BigQuery, nesne tablolarındaki ( Harici Tablolar) yapılandırılmamış verileri desteklediğinden görüntü verileri hakkında üretken analizler oluşturmak için Gemini Pro Vision'ı kullanmayı deneyin. Daha ayrıntılı bilgi için Vertex AI, BigQuery Uzak İşlevleri ve Cloud Functions belgelerine bakın. Bu projenin GitHub deposunu burada bulabilirsiniz. Bu bilgilerle neler yaptığınızı bize bildirin.