স্প্যানার, ভেক্টর অনুসন্ধান এবং সহ একটি পেটেন্ট অনুসন্ধান অ্যাপ তৈরি করুন; Gemini 1.0 Pro!

1. সংক্ষিপ্ত বিবরণ

বিভিন্ন শিল্প জুড়ে, প্রতিযোগিতামূলক পরিস্থিতি বোঝার, সম্ভাব্য লাইসেন্সিং বা অধিগ্রহণের সুযোগগুলি সনাক্ত করার এবং বিদ্যমান পেটেন্ট লঙ্ঘন এড়াতে পেটেন্ট গবেষণা একটি গুরুত্বপূর্ণ হাতিয়ার।

পেটেন্ট গবেষণা বিশাল এবং জটিল। প্রাসঙ্গিক উদ্ভাবন খুঁজে বের করার জন্য অসংখ্য প্রযুক্তিগত সারাংশ অনুসন্ধান করা একটি কঠিন কাজ। ঐতিহ্যবাহী কীওয়ার্ড-ভিত্তিক অনুসন্ধানগুলি প্রায়শই ভুল এবং সময়সাপেক্ষ। সারাংশগুলি দীর্ঘ এবং প্রযুক্তিগত, যার ফলে মূল ধারণাটি দ্রুত উপলব্ধি করা কঠিন হয়ে পড়ে। এর ফলে গবেষকরা মূল পেটেন্ট হারিয়ে ফেলতে পারেন অথবা অপ্রাসঙ্গিক ফলাফলের জন্য সময় নষ্ট করতে পারেন।

উদ্দেশ্য

এই কোডল্যাবে, আমরা স্প্যানার এবং জেমিনি ১.০ প্রো, এম্বেডিং এবং ভেক্টর অনুসন্ধান ব্যবহার করে পেটেন্ট অনুসন্ধানের প্রক্রিয়াটিকে দ্রুত, আরও স্বজ্ঞাত এবং অবিশ্বাস্যভাবে নির্ভুল করার জন্য কাজ করব।

তুমি কী তৈরি করবে

এই ল্যাবের অংশ হিসেবে, আপনি:

1. একটি স্প্যানার ইনস্ট্যান্স তৈরি করুন
2. গুগল পেটেন্টস পাবলিক ডেটাসেট লোড করুন
3. জেমিনি ১.০ প্রো মডেলের সাহায্যে টেক্সট এম্বেডিংয়ের জন্য একটি রিমোট মডেল তৈরি করুন
4. লোড করা ডেটাসেট থেকে জেনারেটিভ ইনসাইট তৈরি করুন
5. অন্তর্দৃষ্টি থেকে এম্বেডিং তৈরি করুন
6. ডেটাসেটের বিপরীতে সাদৃশ্য অনুসন্ধান কোয়েরি ইস্যু করুন

নিম্নলিখিত চিত্রটি তথ্য প্রবাহ এবং বাস্তবায়নের সাথে জড়িত পদক্ষেপগুলি উপস্থাপন করে।

আবশ্যকতা

• একটি ব্রাউজার, যেমন ক্রোম বা ফায়ারফক্স
• বিলিং সক্ষম করা একটি Google ক্লাউড প্রকল্প।

2. শুরু করার আগে

একটি প্রকল্প তৈরি করুন

1. গুগল ক্লাউড কনসোলে , প্রজেক্ট সিলেক্টর পৃষ্ঠায়, একটি গুগল ক্লাউড প্রজেক্ট নির্বাচন করুন বা তৈরি করুন।
2. আপনার ক্লাউড প্রোজেক্টের জন্য বিলিং সক্ষম আছে কিনা তা নিশ্চিত করুন। কোনও প্রোজেক্টে বিলিং সক্ষম আছে কিনা তা কীভাবে পরীক্ষা করবেন তা শিখুন।
3. আপনি ক্লাউড শেল ব্যবহার করবেন, এটি গুগল ক্লাউডে চলমান একটি কমান্ড-লাইন পরিবেশ যা bq সহ প্রিলোডেড আসে। গুগল ক্লাউড কনসোলের শীর্ষে অ্যাক্টিভেট ক্লাউড শেল ক্লিক করুন।

4. ক্লাউড শেলের সাথে সংযুক্ত হয়ে গেলে, আপনি নিম্নলিখিত কমান্ড ব্যবহার করে পরীক্ষা করতে পারবেন যে আপনি ইতিমধ্যেই প্রমাণীকরণপ্রাপ্ত এবং প্রকল্পটি আপনার প্রকল্প আইডিতে সেট করা আছে কিনা:

gcloud auth list

5. gcloud কমান্ড আপনার প্রকল্প সম্পর্কে জানে কিনা তা নিশ্চিত করতে ক্লাউড শেলে নিম্নলিখিত কমান্ডটি চালান।

gcloud config list project

6. যদি আপনার প্রকল্পটি সেট না করা থাকে, তাহলে এটি সেট করতে নিম্নলিখিত কমান্ডটি ব্যবহার করুন:

gcloud config set project <YOUR_PROJECT_ID>

7. কনসোলে অনুসন্ধান করে নিশ্চিত করুন যে Vertex AI এবং Spanner API গুলি সক্রিয় আছে। বিকল্পভাবে, আপনি Cloud Shell টার্মিনালে নিম্নলিখিত কমান্ডটিও ব্যবহার করতে পারেন:

gcloud services enable spanner.googleapis.com --project <<YOUR_PROJECT_ID>>
gcloud services enable aiplatform.googleapis.com --project <<YOUR_PROJECT_ID>>

আরেকটি বিকল্প হল এই লিঙ্কটি ব্যবহার করা।

gcloud কমান্ড এবং ব্যবহারের জন্য ডকুমেন্টেশন দেখুন।

৩. আপনার স্প্যানার ডাটাবেস প্রস্তুত করুন

আসুন একটি স্প্যানার ইনস্ট্যান্স, ডাটাবেস এবং টেবিল তৈরি করি যেখানে পেটেন্ট ডেটাসেট লোড করা হবে।

একটি স্প্যানার ইনস্ট্যান্স তৈরি করুন

1. spanner-vertex নামে একটি Spanner ইনস্ট্যান্স তৈরি করুন।

gcloud spanner instances create spanner-vertex \
--config=regional-us-central1 \
--description=spanner-vertex \
--nodes=1

একটি ডাটাবেস তৈরি করুন

1. গুগল ক্লাউড কনসোলে, স্প্যানার পৃষ্ঠাটি খুলুন।
2. তালিকা থেকে spanner-vertex ইনস্ট্যান্সটি নির্বাচন করুন।
3. ডাটাবেসের অধীনে, ডাটাবেস তৈরি করুন ক্লিক করুন।
4. ডাটাবেসের নামটি পেটেন্টে সেট করুন।
5. ডাটাবেস তৈরি করতে Create এ ক্লিক করুন।

একটি টেবিল তৈরি করুন

6. গুগল ক্লাউড কনসোলে, স্প্যানার পৃষ্ঠাটি খুলুন।
7. তালিকা থেকে spanner-vertex ইনস্ট্যান্সটি নির্বাচন করুন।
8. patents ডাটাবেস নির্বাচন করুন।
9. টেবিল ট্যাবের অধীনে, টেবিল তৈরি করুন এ ক্লিক করুন। স্প্যানার স্টুডিও পৃষ্ঠাটি খোলে।
10. নতুন SQL এডিটর ট্যাবে ক্লিক করে একটি নতুন ট্যাব খুলুন।
11. নিম্নলিখিত কোয়েরিটি চালান:

CREATE TABLE patents_data (
   id string(25), type string(25), number string(20), country string(2), date string(20), abstract string(300000), title string(100000),kind string(5), num_claims numeric, filename string(100), withdrawn numeric, 
) PRIMARY KEY (id);

৪. ডাটাবেসে পেটেন্ট তথ্য লোড করুন

BigQuery-তে Google Patents Public Datasets আমাদের ডেটাসেট হিসেবে ব্যবহার করা হবে। আমরা আমাদের Query চালানোর জন্য Spanner Studio ব্যবহার করব। Spanner-gemini-search সংগ্রহস্থলে insert_into_patents_data.sql স্ক্রিপ্ট রয়েছে যা আমরা পেটেন্ট ডেটা লোড করার জন্য চালাবো।

1. গুগল ক্লাউড কনসোলে, স্প্যানার পৃষ্ঠাটি খুলুন।
2. তালিকা থেকে spanner-vertex ইনস্ট্যান্সটি নির্বাচন করুন।
3. patents ডাটাবেস নির্বাচন করুন।
4. নেভিগেশন মেনুতে, Spanner Studio এ ক্লিক করুন। Explorer প্যানে আপনার ডাটাবেসের বস্তুর একটি তালিকা প্রদর্শিত হবে।
5. নতুন SQL এডিটর ট্যাবে ক্লিক করে একটি নতুন ট্যাব খুলুন।
6. এডিটরে insert_into_patents_data.sql স্ক্রিপ্ট থেকে insert query স্টেটমেন্টটি কপি করুন। এই ব্যবহারের দ্রুত ডেমোর জন্য আপনি ৫০-১০০টি insert স্টেটমেন্ট কপি করতে পারেন।
7. Run এ ক্লিক করুন। আপনার প্রশ্নের ফলাফল ফলাফল টেবিলে প্রদর্শিত হবে।

৫. জেমিনি ১.০ প্রো-এর জন্য রিমোট মডেল তৈরি করুন

পেটেন্ট ডেটা ডাটাবেসে লোড হওয়ার পর, আমরা একটি রিমোট মডেল তৈরি করব যা জেমিনি ১.০ প্রো ভার্টেক্স এআই মডেল ব্যবহার করে শিরোনাম এবং কীওয়ার্ডের একটি সংক্ষিপ্ত সেট তৈরি করবে।

স্প্যানার স্টুডিও এডিটরে নিম্নলিখিত DDL কমান্ডটি চালান:

1. নেভিগেশন মেনুতে, Spanner Studio এ ক্লিক করুন। Explorer প্যানে আপনার ডাটাবেসের বস্তুর একটি তালিকা প্রদর্শিত হবে।
2. নতুন SQL এডিটর ট্যাবে ক্লিক করে একটি নতুন ট্যাব খুলুন।
3. নিম্নলিখিত কোয়েরিটি চালান:

CREATE MODEL gemini_pro_model INPUT(
prompt STRING(MAX),
) OUTPUT(
content STRING(MAX),
) REMOTE OPTIONS (
endpoint = '//aiplatform.googleapis.com/projects/<<YOUR_PROJECT_ID>>/locations/us-central1/publishers/google/models/gemini-pro',
default_batch_size = 1
);

4. Run এ ক্লিক করুন। আপনার প্রশ্নের ফলাফল ফলাফল টেবিলে প্রদর্শিত হবে।

৬. টেক্সট এম্বেডিংয়ের জন্য রিমোট মডেল তৈরি করুন

পূর্ববর্তী ধাপের ফলাফলে একটি শিরোনাম এবং কীওয়ার্ড সমন্বিত একটি সমন্বিত সারাংশ অন্তর্ভুক্ত রয়েছে। আমরা এই প্রতিক্রিয়াটিকে এম্বেডিংয়ে রূপান্তর করব যা একটি কোয়েরি চালানোর সময় উপযুক্ত মিল তৈরি করতে আমাদের সাহায্য করবে। আমরা স্প্যানার থেকে দূরবর্তীভাবে Vertex AI থেকে Text Embedding Gecko 003 model ব্যবহার করব।

1. নেভিগেশন মেনুতে, Spanner Studio এ ক্লিক করুন। Explorer প্যানে আপনার ডাটাবেসের বস্তুর একটি তালিকা প্রদর্শিত হবে।
2. নতুন SQL এডিটর ট্যাবে ক্লিক করে একটি নতুন ট্যাব খুলুন।
3. নিম্নলিখিত কোয়েরিটি চালান:

CREATE MODEL text_embeddings INPUT(content STRING(MAX))
OUTPUT(
 embeddings
   STRUCT<
     statistics STRUCT<truncated BOOL, token_count FLOAT64>,
     values ARRAY<FLOAT64>>
)
REMOTE OPTIONS (
 endpoint = '//aiplatform.googleapis.com/projects/<<YOUR_PROJECT_ID>>/locations/us-central1/publishers/google/models/textembedding-gecko@003');

4. Run এ ক্লিক করুন। আপনার প্রশ্নের ফলাফল ফলাফল টেবিলে প্রদর্শিত হবে।

৭. পেটেন্ট অ্যাবস্ট্রাক্ট থেকে জেনারেটিভ ইনসাইট তৈরি করুন

আমরা জেনারেটিভ ইনসাইট সংরক্ষণ করার জন্য একটি patents_data_gemini টেবিল তৈরি করব যা আমরা পূর্বে তৈরি করা Gemini 1.5 Pro মডেল ব্যবহার করে তৈরি করব।

টেবিল তৈরি করুন

1. নেভিগেশন মেনুতে, Spanner Studio এ ক্লিক করুন। Explorer প্যানে আপনার ডাটাবেসের বস্তুর একটি তালিকা প্রদর্শিত হবে।
2. নতুন SQL এডিটর ট্যাবে ক্লিক করে একটি নতুন ট্যাব খুলুন।
3. নিম্নলিখিত কোয়েরিটি চালান:

CREATE TABLE patents_data_gemini (id string(100), gemini_response STRING(MAX)) PRIMARY KEY (id);

4. Run এ ক্লিক করুন। আপনার প্রশ্নের ফলাফল ফলাফল টেবিলে প্রদর্শিত হবে।

অন্তর্দৃষ্টি তৈরি করুন

টেবিলে জেনারেটিভ ইনসাইট পূরণ করার জন্য, ব্যাচ রাইট বা মিউটেশন পদ্ধতি ব্যবহার করে এমন একটি অ্যাপ্লিকেশন ব্যবহার করার পরামর্শ দেওয়া হচ্ছে। এই কোডল্যাবের জন্য, আমরা টেবিলটি পূরণ করার জন্য নিম্নলিখিত DDL কোয়েরিটি 4 বার পর্যন্ত চালাব।

INSERT INTO patents_data_gemini (id, gemini_response)
SELECT id, content as gemini_response
FROM ML.PREDICT(MODEL gemini_pro_model,
(select id, concat ('Identify the areas of work or keywords in this abstract', abstract) as prompt from patents_data b where id not in (select id from patents_data_gemini) limit 50
));

দ্রষ্টব্য: যদি আপনি এই ধাপে "Quota Exceeded" ত্রুটি পান (ছোট মার্জিন ফ্রি-ক্রেডিটের ক্ষেত্রেও এটি সম্ভব), তাহলে সন্নিবেশটি এড়িয়ে যাওয়ার চেষ্টা করুন এবং নীচের সমাধান বিভাগে শুধুমাত্র নির্বাচিত কোয়েরিটি চালান।

সমাধান বিভাগ:

SELECT id, content as gemini_response
FROM ML.PREDICT(MODEL gemini_pro_model,
(select id, concat ('Identify the areas of work or keywords in this abstract', abstract) as prompt from patents_data b limit 50
))

অন্তর্দৃষ্টি পর্যবেক্ষণ করুন

টেবিলটিতে 'Identify the areas of work or keywords in this abstract', প্রশ্নের প্রম্পটে তৈরি করা অন্তর্দৃষ্টি অন্তর্ভুক্ত রয়েছে।

দ্রষ্টব্য: যদি আপনি INSERT DDL এর পরিবর্তে উপরের সমাধান বিভাগের কোয়েরিটি চালান, তাহলে এই অংশটি এড়িয়ে যান এবং পরিবর্তে এই পৃষ্ঠায় শেষ SELECT কোয়েরিটি চালান।

অন্তর্দৃষ্টির ফলাফল যাচাই করার জন্য নিম্নলিখিত কোয়েরিটি চালান:

select title, abstract, gemini_response from patents_data a inner join patents_data_gemini b
on a.id = b.id;

নিম্নলিখিত ফলাফল দেখা যায়:

দ্রষ্টব্য: যদি আপনি ওয়ার্কারাউন্ড সেকশন কোয়েরিটি রান করে থাকেন, তাহলে উপরের সিলেক্ট কোয়েরিতে থাকা টেবিলের নামটি ওয়ার্কারাউন্ড সেকশনের কোয়েরি দিয়ে প্রতিস্থাপন করুন। তাহলে আপনি নীচেরটি রান করবেন:

select title, abstract, gemini_response from patents_data a inner join (SELECT id, content as gemini_response
FROM ML.PREDICT(MODEL gemini_pro_model,
(select id, concat ('Identify the areas of work or keywords in this abstract', abstract) as prompt from patents_data b limit 50
))) b
on a.id = b.id;

ফলাফলটি উপরের ফলাফলের স্ক্রিনশটের মতোই হওয়া উচিত।

৮. জেনারেটেড ইনসাইটগুলির জন্য এম্বেডিং তৈরি করুন

আমাদের টেবিলে অন্তর্দৃষ্টি পূরণ করার পর, আমরা এখন এই অন্তর্দৃষ্টিগুলি ব্যবহার করে এম্বেডিং তৈরি করতে পারি। এই এম্বেডিংগুলি আমাদের সঠিক কীওয়ার্ড মিলের উপর নির্ভর না করে, ধারণাগত মিলের উপর ভিত্তি করে ফলাফল তৈরি করতে সহায়তা করে।

দ্রষ্টব্য: যদি আপনি আগের ধাপে ওয়ার্কঅ্যারাউন্ড সেকশন কোয়েরিটি চালিয়ে থাকেন, তাহলে আপনি এটি এড়িয়ে যেতে পারেন এবং এই ধাপেও ওয়ার্কঅ্যারাউন্ড সেকশন কোয়েরিতে যেতে পারেন।

এম্বেডিং তৈরি করতে নিম্নলিখিত কোয়েরিটি চালান:

1. নেভিগেশন মেনুতে, Spanner Studio এ ক্লিক করুন। Explorer প্যানে আপনার ডাটাবেসের বস্তুর একটি তালিকা প্রদর্শিত হবে।
2. নতুন SQL এডিটর ট্যাবে ক্লিক করে একটি নতুন ট্যাব খুলুন।
3. patents_data_embeddings টেবিল তৈরি করতে নিম্নলিখিত কোয়েরিটি চালান।

CREATE TABLE patents_data_embeddings (id string(100), patents_embeddings ARRAY<FLOAT64>) PRIMARY KEY (id);

4. Run এ ক্লিক করুন। আপনার প্রশ্নের ফলাফল ফলাফল টেবিলে প্রদর্শিত হবে।
5. এম্বেডিং তৈরি করতে নিম্নলিখিত কোয়েরিটি চালান।

INSERT INTO patents_data_embeddings (id, patents_embeddings)
SELECT id, embeddings.values as patents_embeddings
FROM ML.PREDICT(MODEL text_embeddings,
(SELECT id, gemini_response as content FROM patents_data_gemini));

6. Run এ ক্লিক করুন। আপনার প্রশ্নের ফলাফল ফলাফল টেবিলে প্রদর্শিত হবে।

ফলাফল পর্যবেক্ষণ করুন

টেবিলটিতে শিরোনাম এবং বিমূর্ত পাঠ্যের জন্য তৈরি এম্বেডিং অন্তর্ভুক্ত রয়েছে।

ফলাফল যাচাই করার জন্য নিম্নলিখিত কোয়েরিটি চালান:

select title, abstract, b.patents_embeddings from patents_data a inner join patents_data_embeddings b
on a.id = b.id;

নিম্নলিখিত ফলাফল দেখা যায়:

সমাধান বিভাগ :

যদি আপনি অন্যান্য ধাপে সমাধানের অংশটি করে থাকেন, তাহলে এই কোয়েরিটি ব্যবহার করুন:

select title, abstract, b.patents_embeddings from patents_data a inner join 
(SELECT id, embeddings.values as patents_embeddings
FROM ML.PREDICT(MODEL text_embeddings,
(SELECT id, gemini_response as content FROM (SELECT id, content as gemini_response
FROM ML.PREDICT(MODEL gemini_pro_model,
(select id, concat ('Identify the areas of work or keywords in this abstract', abstract) as prompt from patents_data b limit 50
)))))) b
on a.id = b.id;

এর ফলে উপরের স্ক্রিনশটে দেখানো ফলাফলের মতো একই ফলাফল পাওয়া উচিত।

৯. ভেক্টর অনুসন্ধানের জন্য প্রস্তুত হোন

এখন যেহেতু আমরা টেক্সট এম্বেডিং তৈরি করেছি, তাই আমরা আমাদের ওয়েব অ্যাপ্লিকেশনটিকে সাদৃশ্য ভেক্টর অনুসন্ধানের জন্য প্রস্তুত করতে পারি। এই কোডল্যাবে, আমরা একটি ওয়েব অ্যাপ্লিকেশন তৈরি করছি যাতে K-Nearest Neighbors Similarity Search ক্ষমতার উপর ভিত্তি করে অনুসন্ধান ফলাফল দেওয়ার জন্য যুক্তি অন্তর্ভুক্ত রয়েছে। অনুসন্ধান ফলাফলগুলি কীভাবে প্রদর্শিত হবে তা কল্পনা করার জন্য আপনি একটি অনুসন্ধান অ্যাপের সাথে এই প্রস্তুত ডেটাসেটটি ব্যবহার করতে পারেন।

আমাদের কোডল্যাবের জন্য, আমরা একটি নমুনা কোয়েরি চালাব যা একটি প্রম্পট অনুসন্ধান করবে, প্রসঙ্গের উপর ভিত্তি করে ফলাফল তৈরি করবে এবং ফলাফলগুলিকে 10 টি এন্ট্রিতে সীমাবদ্ধ করবে।

নিম্নলিখিত কোয়েরিটি চালান:

1. নেভিগেশন মেনুতে, Spanner Studio এ ক্লিক করুন। Explorer প্যানে আপনার ডাটাবেসের বস্তুর একটি তালিকা প্রদর্শিত হবে।
2. নতুন SQL এডিটর ট্যাবে ক্লিক করে একটি নতুন ট্যাব খুলুন।
3. patents_data_embeddings টেবিল তৈরি করতে নিম্নলিখিত কোয়েরিটি চালান।

SELECT a.id, a.title, a.abstract, 'A new Natural Language Processing related Machine Learning Model' search_text, COSINE_DISTANCE(c.patents_embeddings,
(SELECT embeddings.values
FROM ML.PREDICT(
MODEL text_embeddings,
(SELECT 'A new Natural Language Processing related Machine Learning Model' as content)))) as distance
FROM patents_data a inner join patents_data_gemini b on a.id = b.id
inner join patents_data_embeddings c on a.id = c.id
ORDER BY distance
LIMIT 10;

4. Run এ ক্লিক করুন। আপনার প্রশ্নের ফলাফল ফলাফল টেবিলে প্রদর্শিত হবে।

দ্রষ্টব্য: যদি আপনি সমাধান বিভাগে কোয়েরিগুলি ব্যবহার করে থাকেন, তাহলে প্রথম দিকের কোনও ইনসার্ট স্টেটমেন্টে কোটা ত্রুটির কারণে, আপনি অন্যান্য সমস্ত ধাপ এড়িয়ে যেতে পারেন এবং স্প্যানার ডাটাবেসে ভেক্টর এম্বেডিংয়ে নিকটতম প্রতিবেশী অনুসন্ধানের ফলাফলগুলি পর্যবেক্ষণ করতে সরাসরি নীচের কোয়েরিটি চালাতে পারেন:

SELECT a.id, a.title, a.abstract, 'A new Natural Language Processing related Machine Learning Model' search_text, COSINE_DISTANCE(c.patents_embeddings,
(SELECT embeddings.values
FROM ML.PREDICT(
MODEL text_embeddings,
(SELECT 'A new Natural Language Processing related Machine Learning Model' as content)))) as distance
FROM patents_data a inner join (SELECT id, embeddings.values as patents_embeddings
FROM ML.PREDICT(MODEL text_embeddings,
(SELECT id, gemini_response as content FROM (SELECT id, content as gemini_response
FROM ML.PREDICT(MODEL gemini_pro_model,
(select id, concat ('Identify the areas of work or keywords in this abstract', abstract) as prompt from patents_data b 
)))))) c on a.id = c.id
ORDER BY distance
LIMIT 2;

ফলাফল পর্যবেক্ষণ করুন

আমাদের প্রম্পটের জন্য সবচেয়ে কাছের ১০টি মিল খুঁজে পেতে আগের কোয়েরিটি COSINE_DISTANCE পদ্ধতি ব্যবহার করে।

নিম্নলিখিত ফলাফল দেখা যায়:

যে ফলাফলগুলি তৈরি হয় তা প্রাসঙ্গিকভাবে কোয়েরির অংশ ছিল এমন প্রম্পটের বেশ কাছাকাছি।

১০. পরিষ্কার করা

এই পোস্টে ব্যবহৃত রিসোর্সের জন্য আপনার Google ক্লাউড অ্যাকাউন্টে চার্জ এড়াতে, এই পদক্ষেপগুলি অনুসরণ করুন:

1. গুগল ক্লাউড কনসোলে, রিসোর্স পরিচালনা পৃষ্ঠায় যান।
2. প্রকল্পের তালিকায়, আপনি যে প্রকল্পটি মুছতে চান তা নির্বাচন করুন এবং তারপরে মুছুন ক্লিক করুন। আপনি যদি প্রকল্পটি মুছতে না চান, তবে স্প্যানারে আপনার তৈরি করা উদাহরণটি মুছুন।
3. ডায়ালগে, প্রজেক্ট আইডি টাইপ করুন, এবং তারপর প্রজেক্টটি মুছে ফেলতে Shut down এ ক্লিক করুন।

১১. অভিনন্দন

অভিনন্দন! আপনি স্প্যানারের অন্তর্নির্মিত ভেক্টর অনুসন্ধান ব্যবহার করে একটি সাদৃশ্য অনুসন্ধান সফলভাবে সম্পন্ন করেছেন। এছাড়াও, আপনি দেখেছেন যে এসকিউএল ব্যবহার করে সরাসরি জেনারেটিভ এআই কার্যকারিতা প্রদানের জন্য এম্বেডিং এবং এলএলএম মডেলগুলির সাথে কাজ করা কতটা সহজ।

এরপর কী?

স্প্যানারের নিকটতম প্রতিবেশী (KNN ভেক্টর অনুসন্ধান) বৈশিষ্ট্য সম্পর্কে আরও জানুন এখানে: https://cloud.google.com/spanner/docs/find-k-nearest-neighbors

স্প্যানারের ভার্টেক্সএআই ইন্টিগ্রেশন ব্যবহার করে SQL এর মাধ্যমে অনলাইন ভবিষ্যদ্বাণী কীভাবে করবেন সে সম্পর্কে আপনি এখানে আরও পড়তে পারেন: https://cloud.google.com/spanner/docs/ml