使用 BigQuery 和 Gemini 模型建構 AI 輔助車輛市集

1. 簡介

在本程式碼研究室中，您將建構後端，並部署「Cymbal Autos」這個線上車輛市集的前端。您將使用 BigQuery 和 Gemini Enterprise Agent Platform 上的 Gemini 模型檢查車輛相片、使用 BigQuery ML 預測價格、使用向量嵌入偵測詐騙資訊，以及計算綜合交易分數。最後，您會在部署至 Cloud Run 的 Next.js 前端顯示這些洞察資料。

學習內容

• 使用 ObjectRef 將 BigQuery 連結至非結構化 Cloud Storage 圖片
• 使用 BigQuery 和 Gemini 模型從相片中擷取車輛屬性
• 使用 BigQuery ML 訓練 XGBoost 迴歸模型，預測公允市場價格
• 嵌入車輛說明並執行 VECTOR_SEARCH，找出潛在詐騙和值得信賴的車輛資訊
• 計算每項產品資訊的全面性特惠分數，同時使用 AI.SCORE 納入賣家說明中的條件信號
• 匯出資料，並將 Next.js Marketplace 應用程式部署至 Google Cloud Run

軟硬體需求

• 網路瀏覽器，例如 Chrome
• 已啟用計費功能的 Google Cloud 雲端專案
• 對 SQL、Python 和 Google Cloud 有基本的瞭解
• 具備足夠的 IAM 權限，可啟用 API、建立資源及指派權限 (例如專案擁有者)

本程式碼研究室適合中階開發人員。

本程式碼研究室建立的資源費用應低於 $5 美元。

2. 事前準備

建立 Google Cloud 專案

1. 在 Google Cloud 控制台的專案選取器頁面中，選取或建立 Google Cloud 專案。
2. 確認 Cloud 專案已啟用計費功能。瞭解如何檢查專案是否已啟用計費功能。

啟動 Cloud Shell

您將使用 Google Cloud Shell 下載程式碼、執行設定指令碼，以及部署應用程式。

1. 按一下 Google Cloud 控制台頂端的「啟用 Cloud Shell」。

2. 連線至 Cloud Shell 後，請驗證工作階段，確保應用程式可以存取 Google Cloud API。按照提示授權 Cloud Shell：

gcloud auth application-default login

3. 設定 Google Cloud 專案 ID，以及 Google Cloud Storage bucket 的不重複名稱 (用於儲存原始資料)：

export PROJECT_ID=$(gcloud config get-value project)
export USER_BUCKET="cymbal-autos-${PROJECT_ID}"

gcloud config set project $PROJECT_ID

畫面會顯示類似以下的訊息：

Your active configuration is: [cloudshell-####]
Updated property [core/project]

啟用 API

在 Cloud Shell 中執行下列指令，啟用本程式碼研究室的所有必要 API：

gcloud services enable \
  aiplatform.googleapis.com \
  artifactregistry.googleapis.com \
  bigquery.googleapis.com \
  bigqueryconnection.googleapis.com \
  cloudbuild.googleapis.com \
  run.googleapis.com

執行成功後，您應該會看到類似下方的訊息：

Operation "operations/..." finished successfully.

3. 取得程式碼和設定資料

首先，請下載示範資產並設定環境變數。

1. 在 Cloud Shell 中複製 devrel-demos 存放區，然後前往專案目錄：

git clone https://github.com/GoogleCloudPlatform/devrel-demos.git
cd devrel-demos/data-analytics/cymbal-autos-multimodal

請務必從這個複製的目錄中執行所有後續的 gcloud 和 bq 指令。

2. 執行指令碼，將資料複製到您的環境。這個指令碼會將本機存放區資料集同步到您的個人 Cloud Storage bucket，並從公開 bucket 擷取車輛圖片：

chmod +x scripts/setup/*.sh
./scripts/setup/00_copy_data.sh

之後，您應該會看到類似以下的訊息：

Average throughput: 87.8MiB/s
Data copy complete!

3. 接著，請設定 BigQuery Cloud 資源連結。如要分析 Cloud Storage 中的非結構化圖片，並直接從 SQL 查詢呼叫 Agent Platform 模型，BigQuery 必須將 IAM 權限委派給基礎服務帳戶。這個指令碼會建立安全連線，並授予必要的 Vertex AI 使用者和服務使用情形消費者角色 (傳播時間約為一分鐘)：

./scripts/setup/01_setup_api_connection.sh

您應會看見類似以下的訊息：

Environment setup complete! Your BigQuery connection is ready.

4. 最後，建立初始 BigQuery 資料集並載入原始表格資料。這會建立 model_dev 資料集並填入起始資料表，在您編寫任何機器學習查詢之前，先設定基礎：

./scripts/setup/02_load_to_bq.sh

您應會看見類似以下的訊息：

=================================================================
BigQuery load complete!
=================================================================

4. 多模態視覺化擷取

在為車輛資訊評分前，您會從數百張原始相片中擷取結構化資料 (例如顏色、車身樣式或外觀損壞)。只要運用 ObjectRef 函式和 Agent Platform 中託管的 Gemini 模型，就能生成這些功能，完全不需要移動任何檔案或撰寫複雜的資料管道。這項擷取作業會直接為前端應用程式的「視覺條件」✨徽章提供資訊。

1. 在新瀏覽器分頁中開啟 BigQuery Studio。
2. 按一下「+ 撰寫新查詢」按鈕。在本程式碼研究室中，您會使用 SQL 編輯器與 SQL 程式碼互動。
3. 建構機器學習擷取器之前，可以先快速查看原始圖片。執行下列查詢，即可查看每個房源儲存在 Google Cloud Storage 中的圖片 URI 陣列：

SELECT auction_id, item_name, description, images 
FROM `model_dev.vehicle_metadata` LIMIT 5;

4. 現在，請在 BigQuery Studio SQL 編輯器中貼上下列 SQL，建立含有 image_ref 欄的新資料表。按一下「執行」。

CREATE OR REPLACE TABLE `model_dev.vehicle_multimodal` AS
SELECT 
  *,
  ARRAY(
    SELECT OBJ.FETCH_METADATA(OBJ.MAKE_REF(uri, 'us.conn')) 
    FROM UNNEST(images) AS uri
  ) AS image_ref
FROM `model_dev.vehicle_metadata`;

什麼是 OBJ.MAKE_REF？OBJ.MAKE_REF 函式可讓您直接從 BigQuery 資料表參照 Cloud Storage 中的物件。BigQuery 會將這視為另一個資料欄，可供操控或用於推論。

5. 查看您剛建立的新 image_ref ObjectRef 欄。新資料表現在有 ObjectRef 資料欄，可對圖片本身執行權限。執行下列查詢即可查看：

SELECT auction_id, item_name, description, image_ref 
FROM `model_dev.vehicle_multimodal` LIMIT 5;

6. 現在請使用 AI.GENERATE 和 AI.CLASSIFY 分析圖片。AI.GENERATE 會提示 Gemini 擷取狀況分數和一句話的損壞摘要，而 AI.CLASSIFY 則會嚴格分類車輛的車身樣式和顏色。

SQL 中的提示工程：請注意下方查詢中提供的 output_schema => 'condition INT64, description_summary STRING' 字串。這會指示 Gemini 模型傳回結構化 JSON，BigQuery 會將其原生轉換為具型別的資料欄。

執行下列查詢，將這些洞察資料擷取到專屬的特徵資料表中。這項作業大約需要 3 分鐘。

CREATE OR REPLACE TABLE `model_dev.vehicle_vision_features` AS
WITH generated_data AS (
   SELECT
   auction_id,
   AI.GENERATE(
     prompt => ('Rate the condition of this car on a scale from 0-100. Output a 1 sentence description of any glaring red flags', image_ref),
     output_schema => 'condition INT64, description_summary STRING'
   ).* EXCEPT(full_response,status)
 FROM
   `model_dev.vehicle_multimodal`
),

-- Object-centric Classifications
classified_data AS (
 SELECT
   auction_id,
   AI.CLASSIFY(
     ('What type of automobile is this?', image_ref[0]),
     categories => ['Truck', 'Sedan', 'SUV']) AS body_style,
   AI.CLASSIFY(
     ('Color of the exterior of the automobile', image_ref[0]),
     categories => ['Black', 'White', 'Silver', 'Gray', 'Red', 'Blue', 'Brown', 'Green', 'Beige', 'Gold']) AS color,
   AI.CLASSIFY(
     ('Color of the interior of the automobile', image_ref[0]),
     categories => ['Black', 'Gray', 'Beige', 'Tan', 'Brown', 'White', 'Red']) AS interior
 FROM `model_dev.vehicle_multimodal`
)

-- Join the AI insights back together into the final feature table
SELECT
 g.auction_id,
 g.condition,
 g.description_summary,
 c.body_style,
 c.color,
 c.interior
FROM generated_data g
JOIN classified_data c ON g.auction_id = c.auction_id;

7. 如要自行查看生成的特徵，請執行下列查詢，或直接查看下方的螢幕截圖：

SELECT auction_id, condition, description_summary, body_style, color, interior FROM `model_dev.vehicle_vision_features` LIMIT 5;

本節重點：您直接從 BigQuery 存取原始圖片，並使用 Gemini 模型擷取結構化視覺特徵，不必移動任何檔案。

5. 使用 XGBoost 進行預測定價

如要判斷車輛是否物超所值，必須先取得公允市價的可靠基準。您不必將資料擷取到本機指令碼或筆記本來訓練模型，而是可以使用標準 SQL，直接在 BigQuery 內訓練 XGBoost 模型。這項價格預測會驅動前端應用程式的📈 公允市場價值邏輯。

1. 返回「BigQuery Studio」分頁。
2. 首先，請查看訓練資料集。與可交易車輛物件不同，這個 synthetic_cars 資料表包含 10 萬筆歷來銷售資料，可用於訓練模型。執行這項快速查詢來一探究竟：

SELECT
  *
FROM
  `model_dev.synthetic_cars`
LIMIT 10;

3. 現在，請執行下列 SQL，訓練 XGBoost 迴歸模型。這個模型會從這 10 萬筆歷史記錄中，瞭解里程數、年份、廠牌和外觀狀況等屬性如何影響價格：

CREATE OR REPLACE MODEL `model_dev.car_price_model`
OPTIONS(
  MODEL_TYPE = 'BOOSTED_TREE_REGRESSOR',
  INPUT_LABEL_COLS = ['selling_price'],
  MAX_ITERATIONS = 15,
  TREE_METHOD = 'HIST'
) AS
SELECT
  * EXCEPT(vin, sale_date, market_value, seller)
FROM
  `model_dev.synthetic_cars`;

喝杯咖啡：在 BigQuery 中訓練這個 XGBoost 模型通常需要約 5 到 7 分鐘才能完成。

4. 如要預測目前進行中的車輛刊登價格，你必須先將所有相關輸入特徵集中在一處。執行這項 SQL，將結構化車輛中繼資料與您剛產生的視覺化擷取特徵合併：

CREATE OR REPLACE TABLE `model_dev.vehicle_prediction_features` AS
SELECT
  meta.auction_id,
  meta.model_year,
  meta.make,
  meta.model,
  meta.mileage,
  meta.transmission_type,
  meta.state,
  COALESCE(vision.body_style, 'Unknown') AS body_style,
  COALESCE(vision.condition, 50) AS condition,
  COALESCE(meta.color, vision.color, 'Unknown') AS color,
  COALESCE(vision.interior, 'Unknown') AS interior
FROM `model_dev.vehicle_metadata` meta
LEFT JOIN `model_dev.vehicle_vision_features` vision 
  ON meta.auction_id = vision.auction_id;

5. 最後，預測每個持續進行的車輛刊登的公允市場價值。執行下列查詢，將匯總特徵饋送至新訓練的模型，並將數值輸出內容儲存至安全的預測資料表：

CREATE OR REPLACE TABLE `model_dev.vehicle_price_predictions` AS
SELECT 
  auction_id,
  ROUND(predicted_selling_price, 2) AS predicted_market_value
FROM ML.PREDICT(
  MODEL `model_dev.car_price_model`,
  (SELECT * FROM `model_dev.vehicle_prediction_features`)
);

什麼是 ML.PREDICT？ML.PREDICT 函式會將訓練完成的模型套用至新資料，以產生預測結果。直接在 SQL 中執行這項函式時，BigQuery 會自動在資料集之間擴充推論運算，避免維護外部推論端點的額外負擔。

6. 現在請驗證模型的輸出內容。執行這項快速查詢，即可預覽即時車輛資訊的預測市場價值：

SELECT * FROM `model_dev.vehicle_price_predictions` LIMIT 5;

本節重點：您使用 10 萬筆交易樣本訓練 XGBoost 迴歸模型，並執行批次推論，預測資料集中每個有效車輛刊登的公允市場價值。

6. 語意嵌入和真實性偵測

在本節中，您將執行兩個不同的嵌入管道，為車輛市集啟用智慧功能：

1. 多模態圖片搜尋：將原始車輛相片轉換為向量空間，讓使用者以自然語言搜尋 (例如「可靠的工作用卡車」)。
2. 文字嵌入和相似度搜尋：將車輛說明文字轉換為向量嵌入，然後使用 VECTOR_SEARCH 比較現有刊登資訊與已知的潛在詐騙或車迷個人資料。系統會據此計算買家在應用程式中看到的 🔍 真實性分數。

什麼是 VECTOR_SEARCH？VECTOR_SEARCH 函式會計算高維度向量之間的語意距離。直接在 GoogleSQL 查詢中執行近似最鄰近相似度搜尋。

1. 首先，你需要為車輛產品資訊生成多模態嵌入。使用 gemini-embedding-2-preview 模型時，您可以將圖片和文字輸入至完全相同的嵌入內容。雖然這個模型完全有能力同時處理多種模態，但在這個特定案例中，我們只會嵌入車輛圖片。這項功能可為前端應用程式的「語意搜尋」列提供支援，讓買家使用自然語言 (例如「可靠的皮卡車」) 快速擷取相符的房源。執行這項查詢，使用 AI.EMBED 生成多模態向量：

CREATE OR REPLACE TABLE `model_dev.vehicle_images_embedded` AS
SELECT
  auction_id,
  AI.EMBED(
    STRUCT(image_ref),
    endpoint => 'gemini-embedding-2-preview').result AS multimodal_embedding
FROM `model_dev.vehicle_multimodal`
WHERE ARRAY_LENGTH(image_ref) > 0;

2. 接著，您會檢查先前載入的風險設定檔資料。請注意，這份清單包含已知的詐騙類型，以及正當的愛好者範例房源資訊。執行這項查詢即可查看基準設定檔：

SELECT profile_id, profile_type, description
FROM `model_dev.seller_risk_profiles`;

3. 現在，請將這些原始風險說明轉換為向量嵌入。您可以運用專門的文字嵌入模型 (text-embedding-005)，嚴格評估剛才預覽的文字。貼上下列 SQL，然後按一下「執行」，即可嵌入基準設定檔：

CREATE OR REPLACE TABLE `model_dev.seller_risk_profiles_embedded` AS
SELECT 
  profile_id, 
  description AS content, 
  profile_type, 
  AI.EMBED(description, endpoint => 'text-embedding-005').result AS text_embedding
FROM `model_dev.seller_risk_profiles`;

4. 接著，為實際的即時車輛商品目錄生成可比較的嵌入內容。執行這項查詢，將每輛車的原始 HTML 說明轉換為向量空間，以便與基準設定檔進行比較：

CREATE OR REPLACE TABLE `model_dev.vehicle_descriptions_embedded` AS
SELECT 
  auction_id,
  description AS content,
  AI.EMBED(description, endpoint => 'text-embedding-005').result AS text_embedding
FROM `model_dev.vehicle_metadata`
WHERE description IS NOT NULL;

5. 最後，執行向量搜尋，計算即時房源與基準設定檔之間的語意距離。執行下列 SQL 進行對應。數學距離越小，表示房源與已知詐騙群組的相似度越高；距離越大，則表示說明內容合法。

CREATE OR REPLACE TABLE `model_dev.vehicle_authenticity_scores` AS
SELECT 
  scam_search.query.auction_id,
  CAST(
    GREATEST(0.0, LEAST(100.0, ROUND((MIN(scam_search.distance) - 0.33) / 0.12 * 100.0))) 
    AS INT64
  ) AS authenticity_score
FROM VECTOR_SEARCH(
  TABLE `model_dev.seller_risk_profiles_embedded`,
  'text_embedding',
  (
      SELECT text_embedding, auction_id 
      FROM `model_dev.vehicle_descriptions_embedded`
  ),
  top_k => 15,
  distance_type => 'COSINE'
) AS scam_search
WHERE scam_search.base.profile_type = 'scam'
GROUP BY 1;

為什麼要調整數學運算？您可能會注意到計算結果 (MIN(scam_search.distance) - 0.33) / 0.12 * 100.0。由於所有房源描述的項目 (車輛) 在實體上非常相似，因此基本餘弦距離自然會介於 0.33 和 0.45 之間。查詢會以數學方式將微小的 0.12 變異數延展為乾淨的 0 到 100 authenticity_score，前端應用程式處理起來會容易許多。

這個表格的內容可能如下所示：

本節回顧：您已為前端搜尋列生成多模態嵌入內容，並直接在 BigQuery 中使用向量搜尋，根據已知的詐騙設定檔評估原始 HTML 文字資訊。

7. 生成式交易評分

您現在已透過多種不同的機器學習技術，產生結構化資料集，所有作業完全在 BigQuery 中完成：視覺化擷取、XGBoost 模型 (用於預測公允市場價值) 和向量搜尋嵌入。

最後一個步驟是將這些 AI 信號合併為整合式檢視畫面，做為前端應用程式的最終交易分數。

1. 首先，請將原始中繼資料與 AI 擷取的視覺特徵、預測價格輸出內容和語意真實性分數合併。執行下列 SQL：

CREATE OR REPLACE TABLE `model_dev.vehicle_features_enhanced` AS
SELECT
  meta.auction_id,
  meta.item_name,
  meta.model_year,
  meta.make,
  meta.model,
  meta.mileage,
  meta.current_bid,
  meta.listing_url,
  meta.transmission_type,
  meta.description,
  meta.state,
  COALESCE(vision.body_style, 'Unknown') AS body_style,
  COALESCE(vision.condition, 50) AS condition,
  COALESCE(meta.color, vision.color, 'Unknown') AS color,
  COALESCE(vision.interior, 'Unknown') AS interior,
  COALESCE(scam.authenticity_score, 100) AS authenticity_score,
  vision.description_summary,
  prices.predicted_market_value
FROM `model_dev.vehicle_metadata` meta
LEFT JOIN `model_dev.vehicle_vision_features` vision 
  ON meta.auction_id = vision.auction_id
LEFT JOIN `model_dev.vehicle_price_predictions` prices
  ON meta.auction_id = prices.auction_id
LEFT JOIN `model_dev.vehicle_authenticity_scores` scam
  ON meta.auction_id = scam.auction_id;

2. 接著，系統會結合四種不同的 AI 信號，計算出 0 到 100 分的交易分數。這項公式會平衡價值、品質和風險，找出最合適的房源：
   • 價格分數 (40%)：評估與公允市場價值相比的節省金額。
   • 影像分數 (30%)：先前相片分析的洞察資料。
   • 真實性分數 (15%)：詐騙風險評估。
   • 狀況分數 (15%)：透過 AI.SCORE 從賣家說明即時推斷。
   執行下列查詢：

CREATE OR REPLACE TABLE `model_dev.marketplace_listings` AS
WITH score_elements AS (
  SELECT 
    *,
    -- 1. SELLER DESCRIPTION SCORE (use AI.SCORE on seller description)
      AI.SCORE(
        FORMAT("Rate the vehicle condition (0-100) based ONLY on this text: '%s'", description)
    ) AS description_score,

    -- 2. PRICE SCORE
    -- Higher impact for underpricing, lower impact for overpricing.
    CAST(LEAST(100.0, GREATEST(0.0, 
      75.0 + (
        IF((predicted_market_value - current_bid) > 0, 
           ((predicted_market_value - current_bid) / NULLIF(predicted_market_value, 0)) * 250.0,
           ((predicted_market_value - current_bid) / NULLIF(predicted_market_value, 0)) * 40.0
        )
      )
    )) AS INT64) AS price_score
  FROM `model_dev.vehicle_features_enhanced`
),
final_calcs AS (
  SELECT 
    *,
    
    -- 3. Combine scores: Price (40%), Condition (30%), Description (15%), Authenticity (15%)
    ROUND(
      (
        (price_score * 0.40) + 
        (CAST(condition AS INT64) * 0.30) + 
        (COALESCE(description_score, 50) * 0.15) + 
        (CAST(authenticity_score AS INT64) * 0.15)
      )
      -- Authenticity penalty for scores below 50.
      * (IF(CAST(authenticity_score AS INT64) < 50, 0.20, 1.05)) 
    ) AS raw_score
  FROM score_elements
)
SELECT 
  * EXCEPT(raw_score),
  
  -- 4. Set floor values: low authenticity scores drop to 10; others floor at 35.
  CAST(GREATEST(
    (IF(CAST(authenticity_score AS INT64) < 50, 10, 35)), 
    LEAST(100, raw_score)
  ) AS INT64) AS deal_score
FROM final_calcs;

為確保建議內容品質優良，查詢會套用兩個特定邏輯層：

1. 真實性閘道：如果房源遭到標記為「高風險」(分數低於 50)，系統會自動將總交易分數調降 80%，避免宣傳可疑房源。
2. 「隱藏寶石」最佳化：公式會使用分段邏輯，積極獎勵節省的金額，同時對加價較寬容，確保即使車輛狀況良好但價格過高，仍可獲得「一般」排名。

注意：結果會以表格形式具體化，避免在每次載入前端網頁時重新執行 LLM。

產生的資料表 model_dev.marketplace_listings 包含 deal_score 等欄位，以及 price_score 和 authenticity_score。

3. 如要自行查看交易分數，請執行下列查詢，或直接參閱下方的螢幕截圖：

SELECT item_name, model_year, authenticity_score, predicted_market_value, price_score, deal_score FROM `model_dev.marketplace_listings`

本節重點：您結合了預測價格、視覺化功能和真實性分數，以及賣家說明，為每個商品資訊計算出單一的特惠分數。

8. 部署前端應用程式

現在可以啟動前端應用程式。這樣一來，您就能搜尋車輛資訊的庫存，並與剛建立的 AI 生成洞察資料互動，例如交易分數。

將 AI 分數匯出至前端

React 前端會依賴本機 JSON 酬載，快速載入初始網頁。如要為市集提供支援，請從 BigQuery 擷取最終的生成式交易分數，然後將這些分數重新注入 Next.js 專案。

1. 確認環境已準備就緒。如果 Cloud Shell 工作階段逾時，或是您前往其他資料夾，請執行下列指令返回專案根目錄，並還原環境變數：

cd ~/devrel-demos/data-analytics/cymbal-autos-multimodal && \
export PROJECT_ID=$(gcloud config get-value project) && \
export USER_BUCKET="cymbal-autos-${PROJECT_ID}"

2. 執行提供的 Python 指令碼，查詢最終的 BigQuery 檢視畫面，並將新的交易分數合併至應用程式的基礎資料儲存庫：

python3 scripts/setup/08_export_frontend_data.py

你會收到類似以下的確認訊息：

💾 Updated local file: app/src/data/cars.json

將應用程式部署至 Cloud Run

資料擴充作業完成後，您可以使用 Cloud Run 將 Next.js 前端應用程式部署至公開網際網路。這個網站提供現代化介面，包含交易評分、互動式圖片輪播，以及可即時查詢 BigQuery 的動態混合語意搜尋列。

1. 在 Cloud Shell 中，前往所複製存放區的 app/ 目錄。這點非常重要，因為留在根目錄會導致建構失敗。

cd app

2. 使用 Cloud Run 將應用程式部署為無伺服器容器。這項指令會將 PROJECT_ID 做為環境變數傳遞，讓 Next.js API 知道要查詢哪個 BigQuery 專案：

gcloud run deploy cymbal-autos-frontend \
  --source . \
  --region us-west1 \
  --allow-unauthenticated \
  --min-instances 1 \
  --set-env-vars PROJECT_ID=$PROJECT_ID \
  --project $PROJECT_ID

傳遞 --min-instances 1 可防止冷啟動。這項功能可讓 Next.js API 路由保持運作，因此在查詢 BigQuery 時，語意搜尋列會立即回應。

3. 部署完成後，終端機會輸出安全的服務網址。內容如下所示：

Service URL: https://cymbal-autos-frontend-[YOUR-PROJECT-NUMBER].us-west1.run.app/

如要部署正式版，強烈建議使用 Identity-Aware Proxy (IAP) 保護 Cloud Run 服務，確保只有授權使用者可以存取應用程式。這項功能會新增以身分為依據的中央安全防護層，可驗證每個要求的使用者身分和環境，不必對應用程式程式碼進行複雜的變更。

9. 探索 Cymbal Autos 應用程式

前端容器已推送至 Cloud Run，現在可以測試應用程式了。

注意：由於交易分數是根據多模態模型發出的信號計算，且模擬車輛資訊資料具有一定程度的程序生成特性，因此您的具體交易分數和搜尋結果可能會與下方螢幕截圖略有不同。

1. 造訪網站：開啟 Cloud Run 傳回的安全服務網址。

2. 執行語意搜尋：嘗試搜尋抽象概念，例如「可靠的貨車，可拖曳且能越野」。Next.js 應用程式會將原始文字轉換為多模態向量嵌入，並對 BigQuery 觸發即時 VECTOR_SEARCH，將您的想法對應至車輛生態系統。

注意：清單會依語意相似度排序。

3. 查看結果：BigQuery 會計算抽象概念與車輛特徵之間的確切數學距離，並傳回最接近的語意比對結果。

4. 深入瞭解詳細資料：按一下任一車輛，即可開啟完整刊登資料。
5. 檢查 AI 信號：捲動詳細資料，查看您稍早在實驗室中產生的原始機器學習分數：
   • 📈 公允市場價值：XGBoost 模型預測的基準價格。
   • ✨ 外觀狀況：Gemini 模型擷取的實體損壞程度評估。
   • 🔍 認證分數：認證向量指標可區分合法賣家和潛在詐騙者。

10. 清理

如要避免系統持續向您的 Google Cloud 帳戶收取本程式碼研究室所用資源的費用，您可以刪除為本程式碼研究室建立的整個 Google Cloud 專案，也可以執行下列自動終止指令碼。

1. 從 Cloud Shell 終端機返回包含目錄的根目錄：

cd ..

2. 執行下方的清除指令碼。這會清空 Google Cloud Storage bucket、捨棄 model_dev BigQuery 資料集、刪除 BigQuery 連線，以及刪除 Cloud Run 服務。

chmod +x scripts/cleanup/teardown.sh
./scripts/cleanup/teardown.sh

11. 恭喜

恭喜！您已成功建立智慧車輛市集。您使用 BigQuery 將非結構化資料分析、預測模型和 AI 整合功能整合到單一工作區。

目前所學內容

• 如何使用 ObjectRef 將 BigQuery 連結至非結構化 Cloud Storage 圖片
• 如何使用 BigQuery 和 AI.GENERATE 和 AI.CLASSIFY 函式等 Gemini 模型，從相片中擷取車輛屬性
• 如何使用 BigQuery ML 預測車輛價格
• 如何嵌入車輛說明並執行 VECTOR_SEARCH，找出潛在的詐騙車輛資訊
• 如何使用 AI.SCORE 即時評估非結構化資料，並將結果納入全面的交易分數
• 如何匯出資料，並將 Next.js Marketplace 應用程式部署至 Cloud Run

後續步驟

• 瞭解 BigQuery 提供的全方位生成式 AI 函式
• 進一步瞭解如何使用 GoogleSQL 建立預測模型