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

1. Giriş

Devasa veri kümelerinde değerli bilgiler bulunur ancak anlamlı bir anlayış elde etmek göz korkutucu bir iş olabilir. Geleneksel analiz araçları, hikayeyi verilerimizdeki gerçek anlamda kavramamıza yardımcı olan incelikli, insan benzeri açıklamalar sunma konusunda genellikle yetersiz kalır. Veri ambarları giderek daha fazla yapılandırılmamış veri barındırıyor olsa da bu veriler analiz elde etmek için her zaman erişilebilir değildi. Yapılandırılmamış metinler, resimler ve videolar işletmenizi geliştirmek için değerli bilgiler içerir. LLM'ler; açıklama, yaklaşım analizi, nesne algılama ve daha fazlasını sağlayarak verilerinizi anlamak için yeni ve güçlü bir yol sunar. Çok modlu modellerin ortaya çıkması (ve görüntü ve video gibi nesne verilerini Nesne tabloları aracılığıyla BigQuery'de depolama özelliği) sayesinde, 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 etme, veri analiz etme biçiminizi değiştirebilir.

Bu codelab'de kurumsal verilerinizden LLM analizleri çizmek ve bu analizleri BigQuery'deki binlerce satıra ölçeklendirmek için kullanılan aşağıdaki iki yöntemi inceleyeceğiz:

1. Yöntem: Uzaktan Model Çağrısı

• BigQuery'den Gemini 1.0 Pro'yu SELECT sorgusunda ML.GENERATE_TEXT kullanarak çağırın.
• Model BigQuery'de uzaktan model olarak zaten mevcutsa ve bu modeli kullanıma hazır olarak kullanmak istiyorsanız bu yaklaşımı kullanın. Kullanmak istediğiniz modelin durumunu BigQuery belgelerinde kontrol edin.

2. Yöntem: Uzaktan İşlev Uygulama

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

Neler oluşturacaksınız?

• Uzak Model Çağrı yöntemi için BigQuery'deki ML.GENERATE_TEXT yapısında Gemini 1.0 Pro için uzak modeli çağırarak internet arşiv kitapları veri kümesi (BigQuery'de herkese açık) için bir konum özetleyici derleyeceksiniz.

• Remote Function Implementation yönteminde, test görüntülerini temel görüntüye göre doğrulamak amacıyla bir resim doğrulayıcı oluşturacaksınız. Bunun için harici bir tabloda test görüntüsü ekran görüntülerini içeren bir veri kümesi oluşturacaksınız ve Gemini 1.0 Pro Vision'dan bunu temel görüntüye göre doğrulamasını isteyin. Ardından, Gemini Pro Vision çağrısını uygulayan bir Java Cloud Functions işlevi oluşturacak ve bu çağrıyı BigQuery'de uzaktan işlev olarak çağıracaksınız.

Not:

BigQuery'de uzak modeller olarak daha fazla Vertex AI üretken yapay zeka modeli olabilir. Bu sayede, bu modellere anında BigQuery'nin ML.GENERATE_TEXT yapısıyla erişebilirsiniz. Ancak uzaktan model kullanılabilirliği durumunda bile, dilediğiniz zaman Cloud Functions ile kullanım alanınız için gelişmiş özelleştirmeler oluşturabilir ve bu modellere BigQuery'den uzak işlevler olarak erişebilirsiniz.

Neden BigQuery?

BigQuery, minimum operasyon ek yüküyle baytlardan petabaytlara kadar ölçeklendirilebilen sunucusuz ve çoklu bulut veri ambarıdır. Bu nedenle, makine öğrenimi eğitim verilerini depolamak için mükemmel bir seçimdir. Yerleşik BigQuery Makine Öğrenimi (BQML) ve analiz özellikleri sayesinde yalnızca SQL sorguları kullanarak kodsuz tahminler oluşturabilirsiniz. Ayrıca, birleşik sorgularla harici kaynaklardan gelen verilere erişebilir, böylece karmaşık ETL ardışık düzenlerine olan ihtiyacı ortadan kaldırabilirsiniz.

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

2. Koşullar

• 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 nasıl kontrol edeceğinizi öğrenin .
3. Google Cloud'da çalışan ve bq ile önceden yüklenmiş olarak gelen 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 doğrulanıp doğrulanmadığını ve projenin proje kimliğinize ayarlandığından emin olmak için aşağıdaki komutu kullanın:

gcloud auth list

5. gcloud komutunun projenizi bildiğini onaylamak için Cloud Shell'de aşağıdaki komutu çalıştırın.

gcloud config list project

6. Projeniz ayarlanmadıysa 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 kullanmanın alternatifi, bu bağlantıyı kullanarak konsoldan yararlanmaktır.

gcloud komutları ve kullanımı için belgelere bakın.

4. BigQuery veri kümesi ve harici bağlantı oluşturma

Veri kümesi ve Cloud kaynak bağlantısı oluşturarak başlayalım.

BigQuery'deki veri kümesi, uygulamanızdaki tüm tablo ve nesnelerin kapsayıcısıdır.

Bir 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 US(multiple regions in United States. olan varsayılan değeri kabul edin.
7. Veri kümesi oluştur'u tıklayın.
8. Veri kümesinin Gezgin bölmesindeki proje kimliğinizde oluşturulup listelendiğini kontrol edin.

Cloud Functions işlevinizle etkileşime geçmek için BigQuery bağlantısı gerekir. Uzak işlev oluşturmak için BigQuery bağlantısı oluşturmanız gerekir. Bu codelab'de, modele Cloud Functions işlevi üzerinden BigQuery'den erişmek için BigLake bağlantısını kullanacağız. BigLake bağlantıları, harici veri kaynağının bağlanmasına yardımcı olurken ayrıntılı BigQuery erişim denetimini ve güvenliğini de (bu örnekte Vertex AI Gemini Pro API) korur.

BigLake bağlantısı 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 (Bulut Kaynağı) seçeneğini belirleyin.
4. Connection ID (Bağlantı Kimliği) alanına bağlantınızın adını gemini-bq-conn olarak girin.
5. Konum türünüzü Multi-region olarak ayarlayın ve US(multiple regions in United States. olan varsayılan değeri kabul edin.
6. Bağlantı oluştur'u tıklayın.
7. Bağlantıya git'i tıklayın ve Bağlantı bilgileri bölmesinde hizmet hesabı kimliğini kopyalayın.

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

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

5. 1. Uzak Model Çağrısı: Uzak model çağrısı ayarlama

Veri kümenizi ve bağlantınızı oluşturduğunuza göre şimdi BigQuery'de Vertex AI Gemini Pro temel modeline dayalı bir model oluşturalım. Bu alıştırmanın sonunda, LLM uygulamanızı yalnızca SQL sorguları kullanarak çalıştıracaksınız.

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

Veri kümenizde, BigQuery tarafından herkese açık olarak kullanılmak üzere sağlanan İnternet Arşivi Kitapları veri kümesindeki bigquery-public-data.gdelt_internetarchivebooks.1905 tablosundan yaklaşık 50 kayıt tutabilen 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. Bunun için BigQuery SQL Editor bölmesinde aşağıdaki DDL'yi çalıştırın:

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

Modelin bir görüntüleme seçeneğiyle birlikte oluşturulduğunu inceleyin.

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 göreceksiniz:

Tebrikler! BigQuery tablosundaki metin verilerini analiz etmek için ML.GENERATE_TEXT işleviyle uzak modelin (gemini-pro modeline dayalı) nasıl kullanılacağını başarıyla gösterdiniz.

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

6. 2. kullanım alanı uzaktan işlev uygulaması: Uzaktan işlev uygulamasını ayarlama

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

Artık başlayabiliriz.

1. Adım: Java Cloud Functions işlevini oluşturun

Test görüntülerini referans görüntüye göre doğrulamak için Java'da 2. Nesil bir Cloud Functions işlevi derleyeceksiniz. Referans görüntü, BigQuery'deki harici bir tabloda test görüntüsü ekran görüntülerini içeren bir veri kümesinde depolanır. Görüntüleri, Gemini Pro Vision modelini (Java SDK'sı) kullanarak doğrularsınız. Ardından, Java Cloud Functions işlevini bir REST uç noktasına dağıtacaksınız.

Şu adımları uygulayın:

1. Cloud Shell Düzenleyici'yi başlatın.
2. Eski Düzenleyici'yi kullanıyorsanız Yeni Düzenleyici'yi deneyin'i tıklayın.
3. Durum çubuğunda Cloud Code - Oturum Aç'ı tıklayın.
4. Google Cloud API çağrıları yapmak için Cloud Shell Düzenleyici'yi yetkilendirmeniz istenirse Yetkilendir'i tıklayın. Google Hesabınızda oturum açmak için talimatları uygulayın. Google Cloud'a bağlandınız.
5. Cloud Code durum çubuğunda projenizi görmüyorsanız Cloud Code - Oturum Aç > Bir Google Cloud projesi seçin'i tıklayın. Cloud Functions'ınızı oluşturmak istediğiniz Google Cloud projesini seçin. Proje yüklenir ve Cloud Shell Düzenleyici'de etkin proje haline gelir.
6. Cloud Code durum çubuğunda etkin projenin adını tıklayın. Görüntülenen Hızlı Seçim menüsünde Yeni Uygulama'yı seçin.
7. Create New Application (Yeni Uygulama Oluştur) iletişim kutusunda Cloud Functions uygulaması'nı seçin.

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

9. Proje yoluna projenizin adını Gemini-BQ-Function olarak girin. Proje yapısı, yeni bir Cloud Shell Düzenleyici görünümünde gösterilir.

10. <dependencies>... </dependencies> etiketine gerekli bağımlılıkları ekleyin veya örnek pom.xml dosyasından bağımlılıkları kopyalayın.
11. HelloWorld.java olan sınıfınızın adını daha anlamlı bir adla değiştirin. GeminiBigQueryFunction.java diyelim. Paketi uygun şekilde yeniden adlandırın.
12. GeminiBigQueryFunction.Java dosyasındaki yer tutucu kodu, GitHub deposunda sağlanan örnek kodla değiştirin. Örnek koddaki <YOUR_PROJECT_ID> değişkenini proje kimliğinizle değiştirdiğinizden emin olun.
13. Cloud Shell terminaline gidin. Proje dizininizde olduğunuzdan emin olun. Aksi takdirde aşağıdaki komutu çalıştırarak proje dizinine gidin:

cd Gemini-BQ-Function

14. Cloud Functions işlevini derlemek ve 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 isteminin yanıtı:

Mükemmel! Gemini Pro Vision modelinin uygulanması için genel Cloud Functions işlevi hazır. Bu uç noktayı doğrudan BigQuery verileri üzerinde, bir BigQuery uzak işlevi üzerinden kullanalım.

2. Adım: BigQuery nesne tablosu ve uzak işlev oluşturun

Ön koşul

Alıştırmanın bu kısmı için bir Cloud Storage paketine ihtiyacınız olacak. Cloud Storage paketi oluşturmak için şu adımları uygulayın:

1. Paket oluşturmak için Cloud Storage konsoluna gidip Oluştur'u tıklayın.
2. Paketinizin adını demo-bq-gemini-public-image olarak girin ve Oluştur'u tıklayın.
3. Enforce public access prevention on this bucket seçeneğinin işaretini kaldırın. Bu alıştırmada bu paketi herkese açık erişim için oluştursanız da kurumsal kullanım alanlarınızda gerektiği şekilde herkese açık erişimi engellemenizi ve belirli hizmet hesaplarına gerekli izinleri 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 hizmet hesabı kimliği belirtin veya paketinize herkese açık erişim vermek için allUsers öğesini belirtin.
6. Storage Object Viewer rolünü seçin ve Kaydet'i tıklayın. İstenirse, herkese açık erişime izin vermeyi seçin.
7. Nesneler sekmesine gidin ve referans resimlerini yükleyin ve karşılaştırmak için görüntüleri test edin. Bu codelab için herkese açık 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 bölmesinde 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 oluşturulup oluşturulmadığını kontrol edin.

BigQuery Uzak İşlevi 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 önceki bölümlerinde döndürülen REST URL'sidir. Bu sayede BigQuery'de uzak işlev oluşturulur. Yukarıdaki DDL'de üç parametre vardır. İlk iki parametre, önceki adımda oluşturulan nesne tablosunda depolanan resimlerin URL'leridir. Son parametre, modelin istemidir (Gemini Pro Vision). Bu imzayı ayrıştırmak için kullanılan Java Cloud Functions koduna başvurabilirsiniz:

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 doğrulamaya yarayan işlevi test etmek için SELECT sorgusunda Remote fonksiyonunu 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:

Aşağıdaki görseller referans amaçlıdır:

Temel Resim

Test Resmi

İki görüntü de Duet AI Cloud Console görünümüne sahip olmaları açısından benzerdir ancak her iki görüntüdeki metinler, model tarafından JSON biçiminde ortaya çıkarıldığında farklıdır.

Bu şekilde, uzaktan işlev uygulamasını başarıyla test ettiniz.

7. Faydalar ve Kullanım Alanları

Yapılandırılmış ve yapılandırılmamış veri analizleri için BigQuery ve Gemini'ı entegre etmenin avantajlarından bazılarına göz atalım.

• Üretken yapay zekayı verilerinize taşıma: Artık verilerin taşınması, kopyalanması ve daha karmaşık hale getirilmesi gerekiyor. Aynı BigQuery ortamında verileri analiz edebilir ve analizler oluşturabilirsiniz.
• Gelişmiş analiz: Gemini'ın doğal dil açıklamaları, verilerinize yeni bir anlayış katmanı ekler. Bunu, SQL sorgularını kullanarak yapabilirsiniz.
• Ölçeklenebilirlik: Bu çözüm, büyük veri kümelerini ve karmaşık analizleri, çok az kod harcayarak kolaylıkla işler.

Çok sayıda uygulama vardır. Finans (pazar eğilimi analizi), perakende (müşteri duyarlılığı), sağlık hizmetleri (tıbbi rapor özetleri) gibi alanlarda analiz ve iş ekiplerinizin bunları nispeten daha az çaba, kaynaklar ve tanıdık bir dil ve tercih aracıyla uygulayabileceği senaryoları düşünün.

8. Temizleme

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

1. Google Cloud konsolunda Kaynakları yönetin sayfasına gidin.
2. Proje listesinden silmek istediğiniz projeyi seçin ve ardından Sil'i tıklayın.
3. İletişim kutusuna proje kimliğini yazın ve projeyi silmek için Kapat'ı tıklayın.
4. Projenizi kullanmaya devam etmek istiyorsanız yukarıdaki adımları atlayın ve Cloud Functions işlevine giderek işlev listesinden Cloud Functions işlevini silin. Silmek istediğiniz öğeyi işaretleyip Sil'i tıklayın.

9. Tebrikler

Tebrikler. BigQuery'ye entegre edilmiş Gemini modelleri sayesinde artık yalnızca verilerinizi analiz etmekle kalmayıp verileri de hikayenizi anlatabilirsiniz. Veri kümelerinizde gizli anlatılar oluşturabilir ve analizlerinizi anlama şeklinizi değiştirebilirsiniz. Deneme yapmaya başlayın. Bu tekniği kendi veri kümelerinize uygulayın ve verilerinizdeki hikayeleri keşfedin. BigQuery, nesne tablolarında ( Harici Tablolar) yapılandırılmamış verileri desteklerken resim verileri üzerinde üretken analizler oluşturmak için Gemini Pro Vision'ı kullanmayı deneyin. Daha ayrıntılı bilgi için Vertex AI, BigQuery Remote Functions ve Cloud Functions hakkındaki belgeleri inceleyin. Bu proje için gitHub deposunu burada bulabilirsiniz. Bu eğitimle birlikte neler geliştirdiğinizi bize bildirin.