Ana Veri Yönetiminde Basitleştirilmiş: Eşleşir & Üretken yapay zekadan yararlanın

1. Genel Bakış

Ana Veri Yönetimi nedir?

Ana Veri Yönetimi (MDM), kuruluşunuzun en kritik verileri için tek ve güvenilir bir doğru kaynağı oluşturmakla ilgilidir. Her kitabın (veri noktasının) doğru şekilde etiketlendiği, güncel olduğu ve kolayca bulunabileceği, titizlikle düzenlenmiş bir kitaplık düşünün.

Ana veriler, bir şirketin faaliyetleri için vazgeçilmez olan çekirdek ve temel ticari varlıkları temsil eder. Ana verilerin önemli öğeleri şunlardır:

• İşletme tüzel kişilikleri: İşletmenizin temel aldığı isimler olan müşteriler, ürünler, tedarikçiler, konumlar ve çalışanlar gibi tüzel kişiler
• Tanımlayıcılar: Her varlığın farklı ve sistemler arasında izlenebilir olmasını sağlayan benzersiz tanımlayıcılar
• Özellikler: Her bir tüzel kişiyi tanımlayan özellikler (ör. müşterinin adresi, bir ürünün fiyatı vb.).

Ana verileri daha iyi anlamanıza yardımcı olması için bu verileri işlem verileriyle karşılaştıralım. İşlem verileri tekil etkinlikleri (satın alma, gönderim vb.) yakalar. Ana veriler ise ilgili varlıkları tanımlayarak bu etkinliklerin bağlamını sağlar. Örneğin, bir satış işlemi müşteri, ürün ve satış görevlisine ilişkin ana verilerin bağlantısını oluşturur.

Güçlü bir MDM uygulamak stratejik karar verme için gerekli olsa da karmaşık ve yoğun kaynak gerektirebilir. Özellikle Gemini 1.0 Pro, Gemini 1.0 Pro Vision, Gemini 1.5 Pro gibi modeller olmak üzere, üretken yapay zekanın dönüştürücü gücü bu noktada devreye giriyor.

2. Hedef

Bu codelab'de, Gemini 1.0 Pro'nun BigQuery herkese açık veri kümesinde bulunan citibike_stations verileri için zenginleştirme ve tekilleştirme gibi ana veri yönetimi uygulamalarını nasıl basitleştirdiğini öğreneceksiniz.

Kullanacaklarınız

1. BigQuery ortak veri kümesi bigquery-public-data.new_york_citibike.
2. Gemini İşlev Çağrısı (citibike_stations verileriyle kullanılabilen koordinatlar için ters Coğrafi Kodlama API'sini kullanarak adres bilgilerini alan bir Java Cloud Functions işlevi).
3. Kopyaları tespit etmek için BigQuery'de Vertex AI Embeddings API ve Vector Search

Neler oluşturacaksınız?

1. Kullanım alanı için bir BigQuery veri kümesi oluşturacaksınız. Bu veri kümesinde bigquery-public-data.new_york_citibike.citibike_stations adlı ortak veri kümesi tablosundaki verilerle bir açılış tablosu oluşturacaksınız.
2. Adres standartlaştırmak için Gemini İşlev Çağrısı'nı içeren Cloud Functions işlevini dağıtacaksınız.
3. Zenginleştirilmiş adres verilerini (bu gösterim için sağlanan iki kaynaktan) açılış tablolarında saklarsınız.
4. Adres verilerinde BigQuery'den Vertex AI Embeddings API'yi çağırırsınız.
5. Yinelenen kayıtları tespit etmek için BigQuery Vector Search'ü kullanacaksınız.

Aşağıdaki şemada, veri akışı ve uygulamadaki adımlar gösterilmiştir.

3. Şartlar

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

4. 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. BigQuery, BigQuery Connection, Cloud Function, Cloud Run, Vertex AI ve Cloud Build API'lerinin etkinleştirildiğinden emin olun. gcloud komutunun alternatifi, konsol aracılığıyla bu bağlantıyı kullanmaktır.

gcloud komutları ve kullanımı için belgelere bakın.

5. 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. Explorer panelinde, veri kümesini oluşturmak istediğiniz projeyi seçin.
3. İşlemler seçeneğini (dikey üç nokta simgesi) genişletin ve Veri kümesi oluştur'u tıklayın.

4. Veri Kümesi Kimliği alanına mdm_gemini girin.
5. Konum türünüzü Multi-region olarak ayarlayın ve US(multiple regions in United States. olan varsayılan değeri kabul edin.
6. Veri kümesi oluştur'u tıklayın.
7. Veri kümesinin Explorer 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 aracılığıyla 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 listesinde 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 sayfasında 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.

6. Gemini İşlev Çağrısı'nı (Java Cloud Function) dağıtma

Gemini İşlev Çağrısı'nı içeren Java Cloud Functions işlevini dağıtmak için aşağıdaki adımları uygulayın.

1. Aşağıdaki komutu kullanarak Cloud Shell terminalinizden github repository'yi klonlayın:

git clone https://github.com/AbiramiSukumaran/GeminiFunctionCalling

2. YOUR_API_KEY ve YOUR_PROJECT_ID yer tutucularını kendi değerlerinizle değiştirin.

Buradaki blogu okursanız işlev çağrısı uygulamalarının Ters Coğrafi Kodlama API'sini kullandığını bilirsiniz. Buradaki talimatları uygulayarak kendi API_KEY'nizi oluşturabilirsiniz.

3. Cloud Shell terminalinde, yeni klonlanan proje dizini olan GeminiFunctionCalling'e gidin ve Cloud Functions işlevini derleyip dağıtmak için aşağıdaki ifadeyi çalıştırın:

gcloud functions deploy gemini-fn-calling --gen2 --region=us-central1 --runtime=java11 --source=. --entry-point=cloudcode.helloworld.HelloWorld --trigger-http

"y" deyin "Kimliği doğrulanmayan çağrılara izin ver" istemini gördüğünüzde soru. İdeal olarak, kurumsal uygulamalarınız için kimlik doğrulamayı öneriye göre ayarlamanız gerekir. Ancak bu bir demo uygulama olduğu için kimlik doğrulaması yapılmadan devam edeceğiz.

Çıkış, aşağıdaki biçimde bir REST URL'sidir:

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

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

gcloud functions call gemini-fn-calling --region=us-central1 --gen2 --data '{"calls":[["40.714224,-73.961452"]]}'

Rastgele bir örnek istemin yanıtı:

 '{"replies":["{ \"DOOR_NUMBER\": \"277\", \"STREET_ADDRESS\": \"Bedford Ave\", \"AREA\":
 null, \"CITY\": \"Brooklyn\", \"TOWN\": null, \"COUNTY\": \"Kings County\", \"STATE\":
 \"NY\", \"COUNTRY\": \"USA\", \"ZIPCODE\": \"11211\", \"LANDMARK\": null}}```"]}'

Bu Cloud Functions işlevinin istek ve yanıt parametreleri, BigQuery'nin uzaktan işlev çağrısıyla uyumlu şekilde uygulanmıştır. Doğrudan yerinde BigQuery verilerinden kullanılabilir. Veri girişiniz (enlem ve uzun veriler) BigQuery'de bulunuyorsa veriler üzerinde uzak işlevi çağırarak doğrudan BigQuery'de depolanabilen veya işlenebilen işlev yanıtını alabilirsiniz.

5. Dağıtılan bu Cloud Functions işlevini çağıran uzak bir işlev oluşturmak için BigQuery'de aşağıdaki DDL'yi çalıştırın:

CREATE OR REPLACE FUNCTION
 `mdm_gemini.MDM_GEMINI` (latlng STRING) RETURNS STRING
 REMOTE WITH CONNECTION `us.gemini-bq-conn`
 OPTIONS (
   endpoint = 'https://us-central1-YOUR_PROJECT_ID.cloudfunctions.net/gemini-fn-calling', max_batching_rows = 1
 );

Oluşturulan yeni Remote işlevini kullanmak için sorguyu test edin:

SELECT mdm_gemini.MDM_GEMINI(latlong) from mdm_gemini.CITIBIKE_STATIONS limit 1;

BigQuery'de oluşturulan yeni uzak işlevi kullanan test sorgusu, Cloud Functions izin sorunu nedeniyle başarısız olursa Google Cloud Console'dan Cloud Functions'a gidin ve dağıtılan "gemini-fn-calling" adlı Cloud Functions işlevini bulun. İzinler sekmesine gidin, ana hesabı "allUsers" olarak ekleyin "Cloud Functions Çağırıcısı" rolünü verin .

7. Geçici bir çözüm deneyin

Ters Coğrafi Kodlama işlevi çağrısı yaklaşımı için gereken API_KEY'ye sahip değilseniz veya Cloud Functions işlevi dağıtılmadıysa alternatif olarak aşağıdakileri yapabilirsiniz:

1. Depodan CITIBIKE_STATIONS.csv dosyasını Cloud Shell proje klasörünüze indirin ve ilgili klasöre gidin.
2. Cloud Shell terminalinde aşağıdaki komutu kullanarak csv dosyasındaki verileri mdm_gemini adlı yeni BigQuery veri kümenize aktarın:

bq load --source_format=CSV --skip_leading_rows=1 mdm_gemini.CITIBIKE_STATIONS ./CITIBIKE_STATIONS.csv \ name:string,latlng:string,capacity:numeric,num_bikes_available:numeric,num_docks_available:numeric,last_reported:timestamp,full_address_string:string

8. Tablo oluşturma ve adres verilerini zenginleştirme

1. Adım: Tabloyu oluşturun

Göstr: Çözümü kullandıysanız tabloyu daha önce oluşturmuş olmanız gerektiğinden bu adımı atlayın.

Geçici çözümü kullanmadıysanız BigQuery SQL Editor'da aşağıdaki DDL'yi çalıştırın:

CREATE TABLE mdm_gemini.CITIBIKE_STATIONS as (
select  name, latitude || ',' || longitude as latlong, capacity, num_bikes_available, num_docks_available,last_reported,
'' as full_address_string
from bigquery-public-data.new_york_citibike.citibike_stations) ;

Şimdi, tabloda bulunan enlem ve boylam koordinatlarında uzak işlevini çağırarak adres verilerini zenginleştirelim. Veriler için aşağıdaki koşulları belirleyin:

• 2024 yılında bildirildi
• Mevcut bisiklet sayısı > 0
• Kapasite > 100'ler

Aşağıdaki sorguyu çalıştırın:

update `mdm_gemini.CITIBIKE_STATIONS`
set full_address_string = `mdm_gemini.MDM_GEMINI`(latlong)
where EXTRACT(YEAR FROM last_reported) = 2024 and num_bikes_available > 0 and capacity > 100;

2. Adım: Bisiklet istasyonu konum verileri için ikinci bir kaynak oluşturun

Tabloyu oluşturmak için geçici çözüm yaklaşımını kullanmış olsanız bile bu adımı atlamayın.

Bu adımda, bu codelab'in amacı doğrultusunda bisiklet istasyonu konum verileri için ikinci bir kaynak oluşturacaksınız. Bu, MDM'nin birden çok kaynaktan gelen verileri bir araya getirdiğini ve altın gerçeği tespit ettiğini gösterir.

İçinde iki kayıt bulunan ikinci konum verisi kaynağını oluşturmak için BigQuery SQL Editor'da aşağıdaki DDL'leri çalıştırın. Bu tabloyu mdm_gemini.CITIBIKE_STATIONS_SOURCE2 olarak adlandıralım ve tabloya iki kayıt ekleyelim.

CREATE TABLE mdm_gemini.CITIBIKE_STATIONS_SOURCE2 (name STRING(55), address STRING(1000), embeddings_src ARRAY<FLOAT64>);

insert into mdm_gemini.CITIBIKE_STATIONS_SOURCE2 VALUES ('Location broadway and 29','{ "DOOR_NUMBER": "1593", "STREET_ADDRESS": "Broadway", "AREA": null, "CITY": "New York", "TOWN": null, "COUNTY": "New York County", "STATE": "NY", "COUNTRY": "USA", "ZIPCODE": "10019", "LANDMARK": null}', null);

insert into mdm_gemini.CITIBIKE_STATIONS_SOURCE2 VALUES ('Allen St & Hester','{ "DOOR_NUMBER": "36", "STREET_ADDRESS": "Allen St", "AREA": null, "CITY": "New York", "TOWN": null, "COUNTY": "New York County", "STATE": "NY", "COUNTRY": "USA", "ZIPCODE": "10002", "LANDMARK": null}', null);

9. Adres verileri için yerleştirme oluşturma

Yerleştirmeler, metin parçası veya ses dosyası gibi belirli bir varlığı temsil eden yüksek boyutlu sayısal vektörlerdir. Makine öğrenimi (ML) modelleri, akıl yürütmeyi ve bu öğeleri karşılaştırmayı kolaylaştırmak amacıyla, bu tür varlıklar hakkındaki anlamları kodlamak için yerleştirmeleri kullanır. Örneğin, kümeleme, sınıflandırma ve öneri modellerinde sık kullanılan bir işlem, anlam açısından en benzer olan öğeleri bulmak için bir yerleştirme alanındaki vektörler arasındaki mesafeyi ölçmektir. Vertex AI text-embeddings API'si, Vertex AI'da üretken yapay zekayı kullanarak metin yerleştirme işlemi yapmanıza olanak tanır. Metin yerleştirme, kelimeler ve kelime öbekleri arasındaki ilişkileri yakalayan metnin sayısal temsilleridir. Vertex AI metin yerleştirme hakkında daha fazla bilgiye buradan ulaşabilirsiniz.

1. Vertex AI metin yerleştirme API'si için uzak model oluşturmak üzere aşağıdaki DDL'yi çalıştırın:

CREATE OR REPLACE MODEL `mdm_gemini.CITIBIKE_STATIONS_ADDRESS_EMB`
REMOTE WITH CONNECTION `us.gemini-bq-conn`
OPTIONS (ENDPOINT = 'textembedding-gecko@latest');

2. Artık uzaktan yerleştirme modeli hazır olduğuna göre ilk kaynak için yerleştirmeler oluşturalım ve aşağıdaki sorguyu kullanarak bir tabloda depolayalım:

CREATE TABLE `mdm_gemini.CITIBIKE_STATIONS_SOURCE1` AS (
SELECT *
FROM ML.GENERATE_EMBEDDING(
 MODEL `mdm_gemini.CITIBIKE_STATIONS_ADDRESS_EMB`,
 ( select name, full_address_string as content from `mdm_gemini.CITIBIKE_STATIONS`
 where full_address_string is not null )
  )
);

Yeni bir tablo oluşturmak yerine, yerleştirilmiş öğeler sonuç alanını daha önce oluşturduğunuz aynı mdm_gemini.CITIBIKE_STATIONS tablosunda da depolayabilirsiniz.

3. CITIBIKE_STATIONS_SOURCE2 tablosundaki adres verileri için yerleştirmeler oluşturmak üzere aşağıdaki sorguyu çalıştırın:

update `mdm_gemini.CITIBIKE_STATIONS_SOURCE2` a set embeddings_src =
(
SELECT  ml_generate_embedding_result
FROM ML.GENERATE_EMBEDDING(
 MODEL `mdm_gemini.CITIBIKE_STATIONS_ADDRESS_EMB`,
 ( select name, address as content from `mdm_gemini.CITIBIKE_STATIONS_SOURCE2` ))
where name = a.name) where name is not null;

Bu işlem, ikinci kaynak için yerleştirmeler oluşturur. Yerleştirme alanını aynı CITIBIKE_STATIONS_SOURCE2 tablosunda oluşturduğumuzu unutmayın.

4. Kaynak veri tablosu 1 ve 2 için oluşturulan yerleştirmeleri görselleştirmek üzere aşağıdaki sorguyu çalıştırın:

select name,address,embeddings_src from `mdm_gemini.CITIBIKE_STATIONS_SOURCE2`;
select name,content,ml_generate_embedding_result from `mdm_gemini.CITIBIKE_STATIONS_SOURCE1`;

Şimdi devam edelim ve yinelemeleri tanımlamak için bir vektör araması yapalım.

10. Yinelenen adresleri işaretlemek için vektör araması yapma

Bu adımda, mdm_gemini.CITIBIKE_STATIONS_SOURCE1 tablosunun ml_generate_embedding_result sütununda, mdm_gemini.CITIBIKE_STATIONS_SOURCE2 tablosunun embeddings_src sütunundaki her bir veri satırıyla eşleşen ilk iki yerleştirmeyi ararsınız.

Bunun için aşağıdaki sorguyu çalıştırın:

select query.name name1,base.name name2,
/* (select address from mdm_gemini.CITIBIKE_STATIONS_SOURCE2 where name = query.name) content1, base.content content2, */
distance
from VECTOR_SEARCH(
 TABLE mdm_gemini.CITIBIKE_STATIONS_SOURCE1,
 'ml_generate_embedding_result',
 (SELECT * FROM mdm_gemini.CITIBIKE_STATIONS_SOURCE2),
 'embeddings_src',
 top_k => 2
) where query.name <> base.name
order by distance desc;

Sorguladığımız tablo: ml_generate_embedding_result alanında mdm_gemini.CITIBIKE_STATIONS_SOURCE1

Temel olarak kullandığımız tablo: embeddings_src alanında mdm_gemini.CITIBIKE_STATIONS_SOURCE2

top_k: döndürülecek en yakın komşuların sayısını belirtir. Varsayılan değer 10'dur. Negatif bir değer sonsuz olarak kabul edilir, yani tüm değerler komşu olarak sayılır ve döndürülür.

distance_type: iki vektör arasındaki mesafeyi hesaplamak için kullanılacak metrik türünü belirtir. Desteklenen mesafe türleri Öklid ve Kosinüs'dür. Varsayılan değer Öklid'dir.

Sorgunun sonucu şu şekildedir:

Gördüğünüz gibi, bu işlem CITIBIKE_STATIONS_SOURCE1 alanındaki CITIBIKE_STATIONS_SOURCE2 aralığındaki iki satır için en yakın iki komşuyu (diğer bir deyişle, en yakın kopyalar) listelemiştir. distance_type belirtilmemiş olduğundan, Öklid olduğunu varsayar ve mesafe, iki kaynak arasındaki adres TEXT değerlerinde bulunan mesafeler olarak okunur; en düşük değer, en benzer adres metinleridir.

Aşağıdaki sorguyu kullanarak distance_type değerini Kosinüs olarak ayarlayalım:

select query.name name1,base.name name2,
/* (select address from mdm_gemini.CITIBIKE_STATIONS_SOURCE2 where name = query.name) content1, base.content content2, */
distance
from VECTOR_SEARCH(
 TABLE mdm_gemini.CITIBIKE_STATIONS_SOURCE1,
 'ml_generate_embedding_result',
 (SELECT * FROM mdm_gemini.CITIBIKE_STATIONS_SOURCE2),
 'embeddings_src',
 top_k => 2,distance_type => 'COSINE'
) where query.name <> base.name
order by distance desc;

Sorgunun sonucu şu şekildedir:

Her iki mesafe türü için de her iki sorgu da DESCENDING mesafesine göre sıralanmıştır. Bu, sonuçları azalan mesafeye göre listelemek istediğimiz anlamına gelir. Ancak ikinci sorgunun mesafe sırasının tersine çevrildiğini fark edeceksiniz. Nedenini tahmin edebilir misiniz?

Evet. Tebrikler! Kosinüs benzerliğinde büyük bir sayı, daha büyük benzerlik ve daha küçük mesafe anlamına gelir. Öklid uzaklığında daha büyük bir sayı, değerler arasındaki daha büyük mesafe anlamına gelir.

MDM'nin anlaşılması hakkında daha fazla bilgi edinmek, Öklid ve Kosinüs'ün farkını ve uygulamalarını anlamayla ilgili ipuçları için blogu okuyun.

11. 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 saklamak istiyorsanız yukarıdaki adımları atlayın ve Cloud Functions işlevine giderek işlev listesinden Cloud Functions işlevini silin, silmek istediğiniz işlevi işaretleyin ve Sil'i tıklayın.

12. Tebrikler

Tebrikler! Gemini 1.0 Pro ve İşlev Çağrısı özelliklerini kullanmanın, birkaç MDM etkinliğini basitleştirilmiş ancak güçlü, deterministik ve güvenilir üretken yapay zeka özelliklerine dönüştürmede ne kadar güçlü olduğunu gösterdiniz. Artık öğrendiğinize göre, aynı kullanım alanını veya diğer MDM işlevlerini uygulamanın diğer yollarını tanımlamaktan çekinmeyin. Doğrulayabileceğiniz veri kümeleri, doldurabileceğiniz bilgi boşlukları veya üretken yapay zeka yanıtlarınıza yerleştirilmiş yapılandırılmış çağrılarla otomatikleştirilebilecek görevler var mı? Daha ayrıntılı bilgi için Vertex AI, BigQuery Remote Functions, Cloud Functions, Yerleştirmeler ve Vektör Arama belgelerine bakın. Bu proje için gitHub deposunu burada bulabilirsiniz. Bu eğitimle birlikte neler geliştirdiğinizi bize bildirin.