สร้างแอป Helpdesk สำหรับพนักงานแบบไม่ต้องเขียนโค้ดด้วย Vertex AI Search

1. บทนำ

ใน Codelab นี้ คุณจะได้สร้างแอป Helpdesk สำหรับพนักงานแบบสากลโดยไม่ต้องใช้โค้ดโดยใช้ Vertex AI Search

สมมติว่าคุณทำงานที่ Cymbal ซึ่งเป็นบริษัทค้าปลีกระดับโลก พนักงานมักมีคำถาม เช่น "นโยบายการจองการเดินทางเพื่อธุรกิจคืออะไร" หรือ "เรามีรองเท้าผ้าใบมีสินค้าพร้อมจำหน่ายกี่คู่"

โดยปกติแล้ว คุณต้องลงชื่อเข้าใช้ระบบที่แตกต่างกันโดยสิ้นเชิงเพื่อค้นหาคำตอบเหล่านี้ นอกจากจะต้องจัดการกับระบบต่างๆ แล้ว คุณยังต้องอ่านข้อมูล HR ที่ไม่มีโครงสร้างจำนวนมาก หรือเรียกใช้พรอมต์ SQL ที่ซับซ้อนในข้อมูลทางการเงินที่มีโครงสร้างเพื่อรับคำตอบสำหรับคำถามของคุณ

ใน Codelab นี้ คุณจะได้สร้างแอปแบบรวมเดียวที่เชื่อมต่อกับชุดข้อมูลเหล่านี้ ซึ่งจะช่วยให้พนักงานได้รับคำตอบแบบสนทนาที่อิงตามข้อเท็จจริงสำหรับคำถามของตนเองโดยใช้ความสามารถของ Retrieval Augmented Generation (RAG) ของ Vertex AI

สิ่งที่คุณต้องดำเนินการ

ใน Codelab นี้ คุณจะได้ทำตามขั้นตอนต่อไปนี้

• ตั้งค่าแหล่งข้อมูล สร้างที่เก็บข้อมูล Cloud Storage สำหรับเอกสาร HR ที่ไม่มีโครงสร้าง และชุดข้อมูล BigQuery สำหรับข้อมูลทางการเงินที่มีโครงสร้าง
• กำหนดค่าพื้นที่เก็บข้อมูล สร้างที่เก็บข้อมูล Vertex AI Search ที่เชื่อมต่อกับแหล่งข้อมูล Cloud Storage และ BigQuery
• เชื่อมต่อแอป สร้างแอป Vertex AI Search และลิงก์ทั้ง 2 พื้นที่เก็บข้อมูลกับแอป
• ทดสอบแอป โต้ตอบกับอินเทอร์เฟซการค้นหาแบบรวมเพื่อยืนยันคำตอบที่มีพื้นฐานซึ่งสังเคราะห์ข้อมูลจากที่เก็บข้อมูลทั้ง 2 แห่ง
• ดูขั้นตอนถัดไป ดูตัวเลือกในการปรับแต่งโมเดล Generative AI และการติดตั้งใช้งานแอปค้นหา

สิ่งที่คุณต้องมี

• เว็บเบราว์เซอร์ เช่น Chrome
• โปรเจ็กต์ Google Cloud ที่เปิดใช้การเรียกเก็บเงิน
• ติดตั้ง Git ในเครื่องของคุณ

Codelab นี้เหมาะสำหรับนักพัฒนาแอปทุกระดับ

2. ก่อนเริ่มต้น

สร้างโปรเจ็กต์ Google Cloud และเปิดใช้ API ที่จำเป็น

1. ในคอนโซล Google Cloud ในหน้าตัวเลือกโปรเจ็กต์ ให้เลือกหรือสร้างโปรเจ็กต์ Google Cloud
2. ตรวจสอบว่าได้เปิดใช้การเรียกเก็บเงินสำหรับโปรเจ็กต์ที่อยู่ในระบบคลาวด์แล้ว ดูวิธีตรวจสอบว่าเปิดใช้การเรียกเก็บเงินในโปรเจ็กต์แล้วหรือไม่

บทบาท IAM ที่จำเป็น

Codelab นี้ถือว่าคุณมีบทบาทเจ้าของโปรเจ็กต์สำหรับโปรเจ็กต์ที่อยู่ในระบบคลาวด์ของ Google

เปิดใช้ API

1. ในคอนโซล Google Cloud ให้คลิกเปิดใช้งาน Cloud Shell: หากคุณไม่เคยใช้ Cloud Shell มาก่อน บานหน้าต่างจะปรากฏขึ้นเพื่อให้คุณเลือกเริ่ม Cloud Shell ในสภาพแวดล้อมที่เชื่อถือได้โดยมีหรือไม่มีการเพิ่มประสิทธิภาพ หากระบบขอให้คุณให้สิทธิ์ Cloud Shell ให้คลิกให้สิทธิ์
2. ใน Cloud Shell ให้เปิดใช้ API ที่จำเป็นทั้งหมด

   gcloud services enable \
     discoveryengine.googleapis.com \
     aiplatform.googleapis.com \
     bigquery.googleapis.com \
     storage.googleapis.com
   

3. โคลนที่เก็บ GitHub

คุณต้องมีไฟล์จำลองบางไฟล์เพื่อแสดงให้เห็นว่าการค้นหาทำงานอย่างไรในแอป Helpdesk สำหรับพนักงานของ Cymbal ในส่วนนี้ คุณจะโคลนที่เก็บ GitHub ไปยังเครื่องในเครื่องเพื่อรับไฟล์เหล่านี้ คุณจะอัปโหลดไฟล์เหล่านี้ไปยัง Google Cloud ในขั้นตอนต่อๆ ไปโดยใช้อินเทอร์เฟซ Cloud Console

1. ในเทอร์มินัลในเครื่อง ให้โคลนnext-26-sessionsที่เก็บ

   git clone https://github.com/GoogleCloudPlatform/next-26-sessions.git
   

2. ไปที่ไดเรกทอรีที่เก็บที่ดาวน์โหลดมาโดยใช้คำสั่งต่อไปนี้

   cd next-26-sessions/BRK1-063-the-knowledge-source/cymbal-employee-helpdesk
   

3. สำรวจไฟล์ที่ดาวน์โหลดในไดเรกทอรีนี้ คุณจะเห็นโฟลเดอร์ 2 โฟลเดอร์ ได้แก่ HR และ Finance
   • HR โฟลเดอร์นี้มีไฟล์ที่ไม่มีโครงสร้างจำนวนมาก เช่น ไฟล์ .doc, .txt และ .html คุณจะอัปโหลดไฟล์ HR ไปยัง Bucket ของ Cloud Storage
   • การเงิน โฟลเดอร์นี้มีไฟล์ .jsonl อยู่ 2 ไฟล์ คุณจะอัปโหลดไฟล์เหล่านี้ไปยังชุดข้อมูล BigQuery

4. สร้าง Bucket ของ Cloud Storage สำหรับไฟล์ที่ไม่มีโครงสร้าง

ในส่วนนี้ คุณจะสร้าง Bucket ของ Cloud Storage และอัปโหลดเอกสารในโฟลเดอร์ HR ที่ดาวน์โหลดในส่วนโคลนที่เก็บ GitHub Unstructured Data เช่น เอกสาร HR ในตัวอย่างนี้ ไม่ได้เป็นไปตามรูปแบบที่กำหนดไว้ล่วงหน้า และอาจรวมถึงไฟล์ข้อความ เอกสาร หรือเนื้อหามัลติมีเดีย

1. ใน Cloud Console ให้ไปที่หน้าที่เก็บข้อมูล
2. คลิกสร้าง
3. ในหน้าสร้างที่เก็บข้อมูล ให้ป้อนชื่อที่เก็บข้อมูล ชื่อต้องไม่ซ้ำกันทั่วโลก ตัวอย่างเช่น cymbal-app-hr-12
4. เก็บตัวเลือกเริ่มต้นไว้
5. คลิกสร้าง ระบบจะสร้าง Bucket และแสดงหน้ารายละเอียด Bucket หากไม่เห็นหน้ารายละเอียดที่เก็บข้อมูล ให้คลิกที่เก็บข้อมูลที่คุณเพิ่งสร้าง
6. ในหน้ารายละเอียดที่เก็บข้อมูล ให้คลิกอัปโหลด > อัปโหลดโฟลเดอร์ แล้วเลือกโฟลเดอร์ HR ที่คุณดาวน์โหลดในส่วนโคลนที่เก็บ GitHub
7. ยืนยันการอัปโหลด
8. ในหน้ารายละเอียด Bucket ให้คลิกโฟลเดอร์ HR เพื่อดูรายการไฟล์

5. สร้างชุดข้อมูล BigQuery สำหรับไฟล์ที่มีโครงสร้าง

ในส่วนนี้ คุณจะสร้างชุดข้อมูล BigQuery และโหลดเอกสารในโฟลเดอร์ Finance ที่ดาวน์โหลดในส่วนโคลนที่เก็บ GitHub ลงในตารางใหม่ Structured Data เช่น เอกสารทางการเงินในตัวอย่างนี้ จะเป็นไปตามรูปแบบที่กำหนดไว้ล่วงหน้า เช่น ระเบียนในฐานข้อมูล

1. ใน Cloud Console ให้ไปที่หน้า BigQuery
2. ในแผงExplorer ให้คลิกชื่อโปรเจ็กต์ แล้วคลิกดูการดำเนินการ (จุดแนวตั้ง 3 จุด) > สร้างชุดข้อมูล
3. ในบานหน้าต่างสร้างชุดข้อมูล ให้ป้อนรหัสชุดข้อมูลเป็น cymbal_finance
4. เลือก US (multiple regions in United States) ในส่วนตำแหน่งข้อมูล
5. คงตัวเลือกเริ่มต้นไว้ แล้วคลิกสร้างชุดข้อมูล
6. ในบานหน้าต่าง Explorer ให้ขยายโปรเจ็กต์ แล้วคลิกชุดข้อมูล cymbal_finance
7. ในบานหน้าต่างรายละเอียดชุดข้อมูล ให้คลิกสร้างตาราง
8. ในหน้าสร้างตาราง ในส่วนแหล่งข้อมูล ให้ทำดังนี้
   1. สำหรับสร้างตารางจาก ให้เลือกอัปโหลด
   2. สำหรับเลือกไฟล์ ให้คลิกเรียกดู ไปที่โฟลเดอร์ Finance ที่คุณดาวน์โหลดมา แล้วเลือก cymbal_employee_finance.jsonl
   3. สำหรับรูปแบบไฟล์ ให้เลือก JSONL (JSON ที่คั่นด้วยการขึ้นบรรทัดใหม่)
9. ในส่วนปลายทาง ให้ป้อนชื่อตารางเป็น employee_finance
10. ในส่วนสคีมา ให้เลือกช่องทำเครื่องหมายตรวจหาอัตโนมัติ
11. คงการตั้งค่าเริ่มต้นอื่นๆ ไว้ แล้วคลิกสร้างตาราง
12. ทำขั้นตอนที่ 7 ถึง 11 ซ้ำเพื่อโหลดข้อมูลลงในตารางใหม่ ในขั้นตอนที่ 8b ให้เลือก product_inventory.jsonl และในขั้นตอนที่ 9 ให้ป้อน product_inventory เป็นชื่อตาราง หากไม่เห็นตารางในแผงรายละเอียดชุดข้อมูล ให้คลิกรีเฟรช
13. หากสร้างชุดข้อมูลและตารางทั้ง 2 ตารางเรียบร้อยแล้ว ชุดข้อมูลและตารางควรมีลักษณะดังรูปภาพต่อไปนี้

6. สร้างแอป Vertex AI Search

1. ไปที่หน้า Vertex AI Search ใน Cloud Console
2. ในไทล์Custom Search (ทั่วไป) ให้คลิกสร้าง
3. ในหน้าการกำหนดค่าแอป Search ให้ตรวจสอบว่าได้เลือกตัวเลือกฟีเจอร์รุ่น Enterprise และคำตอบแบบ Generative แล้ว
4. ตั้งชื่อแอป cymbal-employee-portal
5. ป้อนชื่อบริษัทเป็น Cymbal Corp
6. คงตำแหน่งของแอปเป็น global
7. คลิกต่อไป

7. สร้างและเชื่อมต่อพื้นที่เก็บข้อมูล

ในหน้าที่เก็บข้อมูล คุณจะสร้างที่เก็บข้อมูลที่จะเชื่อมต่อกับแอปได้ โดยคุณต้องสร้างที่เก็บข้อมูล 3 รายการ ได้แก่ ที่เก็บข้อมูล HR ที่ไม่มีโครงสร้าง 1 รายการ และที่เก็บข้อมูลทางการที่มีโครงสร้าง 2 รายการ

สร้างที่เก็บข้อมูลสำหรับข้อมูลที่ไม่มีโครงสร้าง

1. ในหน้าที่เก็บข้อมูล ให้คลิกสร้างที่เก็บข้อมูล
2. สำหรับเลือกแหล่งข้อมูล ให้เลือกพื้นที่เก็บข้อมูลระบบคลาวด์
3. ในแผงนำเข้าข้อมูลจาก Cloud Storage ให้ไปที่การนำเข้าข้อมูลที่ไม่มีโครงสร้าง (การค้นหาเอกสารและ RAG) แล้วเลือกเอกสาร
4. คงตัวเลือกความถี่ในการซิงค์เป็นครั้งเดียว
5. สำหรับเลือกโฟลเดอร์หรือไฟล์ที่ต้องการนำเข้า ให้คลิกโฟลเดอร์
6. ในช่อง gs://... ให้ป้อนชื่อของ Bucket ที่คุณสร้างไว้ในส่วนสร้าง Bucket ของ Cloud Storage สำหรับไฟล์ที่ไม่มีโครงสร้าง เช่น หากชื่อที่เก็บข้อมูลคือ cymbal-app-hr-12 ให้ป้อนชื่อเป็น cymbal-app-hr-12/HR การนำเข้าจากโฟลเดอร์ HR จะช่วยให้มั่นใจได้ว่าจะมีเฉพาะเอกสาร HR เท่านั้นที่รวมอยู่ในที่เก็บข้อมูลนี้
7. คลิกต่อไป
8. ป้อนชื่อที่เก็บข้อมูลเป็น cymbal-hr
9. คลิกต่อไป
10. คงตัวเลือกสำหรับการกำหนดราคาทั่วไปไว้
11. คลิกสร้าง

หลังจากคลิกสร้าง ระบบจะนำคุณกลับไปที่หน้าที่เก็บข้อมูล

สร้างพื้นที่เก็บข้อมูลสำหรับ Structured Data

คุณจะสร้างที่เก็บข้อมูล 2 แห่งสำหรับ Structured Data จาก BigQuery ได้แก่ ที่เก็บหนึ่งสำหรับข้อมูลด้านการเงินของพนักงาน และอีกที่เก็บหนึ่งสำหรับสินค้าคงคลังของผลิตภัณฑ์

สร้างพื้นที่เก็บข้อมูลสำหรับข้อมูลด้านการเงินของพนักงาน

1. ในหน้าพื้นที่เก็บข้อมูล ให้คลิกสร้างพื้นที่เก็บข้อมูลอีกครั้ง
2. ในส่วนเลือกแหล่งข้อมูล ให้เลือก BigQuery
3. สําหรับStructured Data ให้เลือกตาราง BigQuery ที่มีสคีมาของคุณเอง
4. คงตัวเลือกความถี่ในการซิงค์เป็นครั้งเดียว
5. สำหรับเลือกตารางที่ต้องการนำเข้า ให้คลิกเรียกดู ในกล่องโต้ตอบเลือกเส้นทางที่เปิดขึ้น ให้เลือกตาราง employee_finance จากชุดข้อมูล cymbal_finance ในโปรเจ็กต์ คุณอาจเห็นตารางที่มีชื่อคล้ายกันจากโปรเจ็กต์อื่นๆ ดังนั้นโปรดตรวจสอบว่าคุณเลือกตารางจากโปรเจ็กต์ของคุณ
6. คลิกต่อไป
7. ดูหน้าสคีมาของรีวิวและกำหนดพร็อพเพอร์ตี้หลัก
8. คลิกต่อไป
9. ป้อนชื่อที่เก็บข้อมูลเป็น cymbal-finance
10. คลิกต่อไป
11. คงตัวเลือกสำหรับการกำหนดราคาทั่วไปไว้
12. คลิกสร้าง

หลังจากคลิกสร้าง ระบบจะนำคุณกลับไปที่หน้าที่เก็บข้อมูล

สร้างที่เก็บข้อมูลสำหรับข้อมูลสินค้าคงคลังของผลิตภัณฑ์

1. ในหน้าพื้นที่เก็บข้อมูล ให้คลิกสร้างพื้นที่เก็บข้อมูลอีกครั้ง
2. ในส่วนเลือกแหล่งข้อมูล ให้เลือก BigQuery
3. สําหรับStructured Data ให้เลือกตาราง BigQuery ที่มีสคีมาของคุณเอง
4. คงตัวเลือกความถี่ในการซิงค์เป็นครั้งเดียว
5. สำหรับเลือกตารางที่ต้องการนำเข้า ให้คลิกเรียกดู ในกล่องโต้ตอบเลือกเส้นทางที่เปิดขึ้น ให้เลือกตาราง product_inventory จากชุดข้อมูล cymbal_finance ในโปรเจ็กต์
6. คลิกต่อไป
7. ดูหน้าสคีมาของรีวิวและกำหนดพร็อพเพอร์ตี้หลัก
8. คลิกต่อไป
9. ป้อนชื่อที่เก็บข้อมูลเป็น cymbal-inventory
10. คลิกต่อไป
11. คงตัวเลือกสำหรับการกำหนดราคาทั่วไปไว้
12. คลิกสร้าง

หลังจากคลิกสร้าง ระบบจะนำคุณกลับไปที่หน้าที่เก็บข้อมูล

8. เชื่อมต่อที่เก็บข้อมูลกับแอป

ตอนนี้คุณควรเห็นที่เก็บข้อมูล 3 แห่งในรายการในหน้าที่เก็บข้อมูล ได้แก่ cymbal-hr (ไม่มีโครงสร้าง), cymbal-finance (มีโครงสร้าง) และ cymbal-inventory (มีโครงสร้าง) หากต้องการเชื่อมต่อที่เก็บข้อมูลเหล่านี้กับแอป ให้ทำตามขั้นตอนต่อไปนี้

1. ในหน้าพื้นที่เก็บข้อมูล ให้เลือกพื้นที่เก็บข้อมูลทั้ง 3 รายการที่คุณเพิ่งสร้าง ได้แก่ cymbal-hr, cymbal-finance และ cymbal-inventory ตรวจสอบว่าคุณเลือกที่เก็บข้อมูลทั้ง 3 แห่งก่อนดำเนินการต่อ
2. คลิกต่อไป
3. คงตัวเลือกสำหรับการกำหนดราคาทั่วไปไว้
4. คลิกสร้าง

9. ทดสอบแอปพอร์ทัลสำหรับพนักงานของ Cymbal

1. ในแอป cymbal-employee-portal ให้คลิกดูตัวอย่าง
2. ในช่องค้นหาที่นี่ ให้ป้อนคำถามต่อไปนี้

   What are the stipends that I get as an employee of Cymbal located in London?
   

3. ป้อนคำถามที่เกี่ยวข้องกับสินค้าคงคลังของผลิตภัณฑ์

   How many units of sneakers do we have in stock?
   

4. ป้อนคำถามอื่น

   What is the stipend for an executive in Cymbal?
   

สังเกตว่าแอปค้นหาดึงข้อมูลจากหลายแหล่งเพื่อสร้างคำตอบได้อย่างไร แอปจะค้นหาทั้งข้อมูลทางการเงินที่มีโครงสร้างซึ่งจัดเก็บไว้ใน BigQuery และเอกสาร HR ที่ไม่มีโครงสร้างใน Cloud Storage เพื่อตอบคำถามเหล่านี้

ซึ่งแสดงให้เห็นถึงประสิทธิภาพของ Vertex AI Search ในการสังเคราะห์คำตอบจากรูปแบบข้อมูลต่างๆ และพื้นที่เก็บข้อมูลที่แตกต่างกันให้เป็นประสบการณ์การใช้งานที่สอดคล้องกัน

นอกจากนี้ คุณยังปรับแต่งโมเดล AI เพื่อให้คำตอบที่แม่นยำและเฉพาะโดเมนมากยิ่งขึ้นได้ด้วย ดูข้อมูลเพิ่มเติมเกี่ยวกับการปรับแต่งประสบการณ์ Generative AI ได้ที่เอกสารประกอบรับคำตอบและติดตามผล

10. ตัวเลือกสำหรับการติดตั้งใช้งานแอป

แม้ว่าการติดตั้งใช้งานแอปพลิเคชันกับผู้ใช้ปลายทางจะอยู่นอกขอบเขตของ Codelab นี้ แต่การทราบว่าสิ่งนี้แปลเป็นสถานการณ์จริงได้อย่างไรก็เป็นประโยชน์ คุณมีตัวเลือกหลายอย่างในการผสานรวมแอป Vertex AI Search เข้ากับเวิร์กโฟลว์ขององค์กร ดังนี้

• วิดเจ็ตเว็บที่สร้างไว้ล่วงหน้า คุณสามารถฝังอินเทอร์เฟซการค้นหาหรือแชทที่พร้อมใช้งานลงในอินทราเน็ตหรือหน้าเว็บที่มีอยู่ของบริษัทได้โดยตรงโดยใช้แท็ก script HTML วิธีนี้เป็นวิธีที่เร็วที่สุดในการแสดงแอปต่อผู้ใช้
• การผสานรวม API ที่กำหนดเอง หากต้องการควบคุมประสบการณ์ของผู้ใช้ได้อย่างเต็มที่ คุณสามารถใช้ Vertex AI Search REST API หรือไลบรารีของไคลเอ็นต์ (เช่น Python, Node.js หรือ Java) เพื่อสร้างส่วนหน้าแบบกำหนดเองตั้งแต่ต้น

หมายเหตุ: โปรดดูรายละเอียดเพิ่มเติมเกี่ยวกับการฝัง UI ในเอกสารประกอบการเพิ่มวิดเจ็ต Search

11. ล้างข้อมูล

หากต้องการหลีกเลี่ยงการเรียกเก็บเงินอย่างต่อเนื่องในบัญชี Google Cloud ให้ลบทรัพยากรที่สร้างขึ้นระหว่าง Codelab นี้

1. ไปที่หน้า Vertex AI Search ใน Cloud Console
2. คลิกดูแอปที่มีอยู่
3. สำหรับแอป cymbal-employee-portal ให้คลิกจุดแนวตั้ง 3 จุดเพื่อดูเพิ่มเติม แล้วคลิกลบ
4. ทำตามข้อความแจ้งบนหน้าจอเพื่อยืนยันการลบ
5. หากต้องการลบที่เก็บข้อมูล ให้คลิกที่เก็บข้อมูลในแผงการนำทางด้านซ้ายของคอนโซล
6. ลบที่เก็บข้อมูล cymbal-hr, cymbal-finance และ cymbal-inventory โดยทำดังนี้
   1. สำหรับcymbal-hrที่เก็บข้อมูล ให้คลิกจุดแนวตั้ง 3 จุดเพื่อเพิ่มเติม แล้วคลิกลบ
   2. ทำตามข้อความแจ้งบนหน้าจอเพื่อยืนยันการลบ
   3. สำหรับcymbal-financeที่เก็บข้อมูล ให้คลิกจุดแนวตั้ง 3 จุดเพื่อเพิ่มเติม แล้วคลิกลบ
   4. ทำตามข้อความแจ้งบนหน้าจอเพื่อยืนยันการลบ
   5. สำหรับcymbal-inventoryที่เก็บข้อมูล ให้คลิกจุดแนวตั้ง 3 จุดเพื่อเพิ่มเติม แล้วคลิกลบ
   6. ทำตามข้อความแจ้งบนหน้าจอเพื่อยืนยันการลบ
7. ไปที่หน้าที่เก็บข้อมูล แล้วลบที่เก็บข้อมูลที่คุณสร้างขึ้น (เช่น cymbal-app-hr-12)
8. ไปที่หน้า BigQuery แล้วลบชุดข้อมูล cymbal_finance

12. ขอแสดงความยินดี

ภารกิจสำเร็จ คุณสร้างประสบการณ์การค้นหาระดับองค์กรแบบรวมโดยใช้ Vertex AI Search ได้สำเร็จแล้ว

การเชื่อมช่องว่างระหว่างข้อมูลองค์กรที่ไม่มีโครงสร้างใน Cloud Storage กับบันทึกที่มีโครงสร้างจาก BigQuery ทำให้คุณได้เครื่องมือที่มีประสิทธิภาพซึ่งสามารถให้เหตุผลทางธุรกิจที่ซับซ้อนได้โดยไม่ต้องเขียนโค้ดแมชชีนเลิร์นนิงแม้แต่บรรทัดเดียว

สิ่งที่คุณได้เรียนรู้

• การนำเข้า: วิธีนำเข้าเอกสารที่ไม่มีโครงสร้างจาก Cloud Storage และ Structured Data จาก BigQuery ไปยัง Vertex AI Search
• การค้นหาที่จัดเก็บข้อมูลหลายรายการ วิธีค้นหาแอปค้นหาที่ใช้ที่เก็บข้อมูลหลายรายการเพื่อสังเคราะห์คำตอบแบบรวมจากทั้งข้อมูลที่มีโครงสร้างและไม่มีโครงสร้าง
• การปรับแต่ง วิธีปรับแต่งโมเดล Generative AI เพื่อให้คำตอบที่แม่นยำและเฉพาะโดเมนมากขึ้น
• ตัวเลือกการติดตั้งใช้งาน วิธีต่างๆ ในการผสานรวมความสามารถในการให้เหตุผลนี้เข้ากับแอปพลิเคชันในโลกแห่งความเป็นจริงโดยใช้วิดเจ็ตที่สร้างไว้ล่วงหน้าหรือ API ที่กำหนดเอง

เอกสารอ้างอิง

• เอกสารประกอบของ Vertex AI Search