1. Ringkasan
Riset paten sangat luas dan kompleks. Menyaring banyak abstrak teknis untuk menemukan inovasi yang relevan adalah tugas yang sulit. Penelusuran berbasis kata kunci tradisional sering kali tidak akurat dan memakan waktu. Abstraknya panjang dan teknis, sehingga sulit untuk memahami inti ide dengan cepat. Hal ini dapat menyebabkan peneliti melewatkan paten penting atau membuang waktu untuk hasil yang tidak relevan.
Rahasia di balik revolusi ini terletak pada Penelusuran Vektor. Alih-alih mengandalkan pencocokan kata kunci sederhana, penelusuran vektor mengubah teks menjadi representasi numerik (embedding). Hal ini memungkinkan kami melakukan penelusuran berdasarkan makna kueri, bukan hanya kata-kata tertentu yang digunakan. Dalam dunia penelusuran literatur, ini adalah terobosan baru. Bayangkan Anda menemukan paten untuk "pemantau detak jantung yang dapat dikenakan" meskipun frasa persisnya tidak digunakan dalam dokumen.
Tantangan: Penelusuran literatur modern diharapkan memberikan jawaban instan dan rekomendasi cerdas yang sesuai dengan preferensi unik mereka. Metode penelusuran tradisional sering kali tidak dapat memberikan tingkat personalisasi ini.
Solusi: Aplikasi chat berbasis pengetahuan kami mengatasi tantangan ini secara langsung. Fitur ini memanfaatkan pusat informasi lengkap yang berasal dari set data paten Anda untuk memahami niat pelanggan, merespons secara cerdas, dan memberikan hasil yang sangat relevan.
Yang akan Anda build
Sebagai bagian dari lab ini (Bagian 2), Anda akan:
- Membangun agen Vertex AI Agent Builder
- Mengintegrasikan alat AlloyDB dengan agen
Persyaratan
2. Arsitektur
Alur Data: Mari kita lihat lebih dekat cara data bergerak melalui sistem kami:
Penyerapan:
Data paten dimuat ke AlloyDB.
Mesin Analisis:
Kita akan menggunakan AlloyDB sebagai mesin analisis untuk melakukan hal berikut:
- Ekstraksi Konteks: Mesin menganalisis data yang disimpan dalam AlloyDB untuk memahami set data paten.
- Pembuatan Embedding: Embedding (representasi matematika dari teks) dibuat untuk kueri pengguna dan informasi yang disimpan di AlloyDB.
- Vector Search: Mesin telusur melakukan penelusuran kesamaan, membandingkan embedding kueri dengan embedding abstrak paten. Hal ini mengidentifikasi "tetangga terdekat" yang paling relevan dengan konteks yang ditelusuri pengguna.
Pembuatan Respons:
Respons yang divalidasi disusun ke dalam array JSON dan seluruh mesin dikemas ke dalam Fungsi Cloud Run serverless yang dipanggil dari Agent Builder.
Langkah-langkah di atas sudah dibahas di bagian 1 lab.
Kami membahas detail teknis pembuatan mesin analisis berbasis pengetahuan yang mendukung asisten penelusuran paten pintar kami. Sekarang, mari kita pelajari cara memanfaatkan keajaiban Agent Builder untuk mewujudkan mesin ini dalam antarmuka percakapan. Pastikan Anda telah menyiapkan URL endpoint sebelum memulai bagian 2. Langkah berikutnya adalah yang akan kita bahas di lab ini:
Interaksi Percakapan:
Agent Builder menyajikan respons kepada pengguna dalam format natural language, sehingga memfasilitasi dialog dua arah.
3. Sebelum memulai
Membuat project
- Di Konsol Google Cloud, di halaman pemilih project, pilih atau buat project Google Cloud.
- Pastikan penagihan diaktifkan untuk project Cloud Anda. Pelajari cara memeriksa apakah penagihan telah diaktifkan pada suatu project .
- Anda akan menggunakan Cloud Shell, lingkungan command line yang berjalan di Google Cloud yang telah dilengkapi dengan bq. Klik Activate Cloud Shell di bagian atas konsol Google Cloud.
- Setelah terhubung ke Cloud Shell, Anda dapat memeriksa bahwa Anda sudah diautentikasi dan project sudah ditetapkan ke project ID Anda menggunakan perintah berikut:
gcloud auth list
- Jalankan perintah berikut di Cloud Shell untuk mengonfirmasi bahwa perintah gcloud mengetahui project Anda.
gcloud config list project
- Jika project Anda belum ditetapkan, gunakan perintah berikut untuk menetapkannya:
gcloud config set project <YOUR_PROJECT_ID>
- Mengaktifkan API yang diperlukan. Alternatif untuk perintah gcloud adalah melalui konsol dengan menelusuri setiap produk atau menggunakan link ini.
Jika ada API yang terlewat, Anda dapat mengaktifkannya selama proses penerapan.
Baca dokumentasi untuk mempelajari perintah gcloud dan penggunaannya.
Catatan Penting: Selain itu, pastikan Anda telah menyelesaikan BAGIAN 1 lab untuk menyelesaikan bagian ini.
4. Pembuatan Agen
Memperkenalkan Agent Builder
Agent Builder adalah alat low-code yang canggih dan memungkinkan kita membuat agen percakapan dengan cepat dan efisien. Hal ini menyederhanakan proses merancang alur dialog, mengintegrasikan pusat informasi, dan menghubungkan ke API eksternal. Dalam kasus ini, kita akan menggunakan Agent Builder untuk terhubung dengan lancar ke endpoint Cloud Function yang kita buat di Bagian 1, sehingga asisten penelusuran paten kita dapat mengakses pusat informasi paten dan merespons kueri pengguna secara cerdas.
Pastikan Anda telah membuat Java Cloud Run Function di Bagian 1 yang menampilkan ARRAY JSON, bukan teks biasa.
Membangun agen
Mari mulai membuat agen baru ini untuk menjawab pertanyaan pengguna tentang produk pakaian.
- Mulailah dengan login ke platform Agent Builder. Jika Anda diminta untuk mengaktifkan API, lanjutkan dan klik CONTINUE AND ACTIVATE THE API.
- Klik "CREATE APP" dan beri agen Anda nama deskriptif (misalnya, "Patent Search Assistant").
- Klik App Type "Agent".
- . Beri agen Anda nama deskriptif seperti "Patent Search Assistant" dan tetapkan region sebagai us-central1
- Masukkan detail agen:
- Ubah Nama Agen menjadi "Patent Search Agent".
- Tambahkan "Sasaran" di bawah:
You are a professional intelligent patent search agent! Your job is to help the customer find patents matching the context of their search text.
- Simpan pada tahap ini dan biarkan petunjuk kosong untuk saat ini.
- Kemudian, klik Alat dari menu navigasi, lalu klik BUAT.
Masukkan Nama Alat: Alat Penelusuran Paten
Type: OpenAPI
Masukkan Deskripsi Alat:
This tool refers to the dataset in the backend as the context information for product inventory. It takes as input the user's search text summarized by the agent and matches with the most appropriate list of items and returns as an array of items.
Masukkan Skema — OpenAPI dalam format YAML:
Di bagian ini, kita menggunakan endpoint backend untuk mendukung agen. Salin spesifikasi OpenAPI di bawah dan ganti placeholder URL (yang diapit tanda kurung sudut) dengan endpoint Cloud Function Anda:
openapi: 3.0.0
info:
title: Patent Search API
version: v1
servers:
- url: YOUR_CLOUDFUNCTION_ENDPOINT_URL
paths:
/patent-search:
post:
summary: Search for patents using a text query.
requestBody:
content:
application/json:
schema:
type: object
properties:
search:
type: string
description: The text query to search for patents.
example: A new Natural Language Processing related Machine Learning Model
responses:
'200':
description: Successful search response with a JSON array of matching patents.
content:
application/json:
schema:
type: array
items:
type: object
properties:
result:
type: string
description: Patent title.
'400':
description: Invalid request body.
'500':
description: Internal server error.
Biarkan konfigurasi lainnya pada nilai defaultnya, lalu klik "Simpan".
- Kembali ke Agen pada tahap ini karena kita ingin menambahkan konfigurasi "Alat" ke "Petunjuk" agen. Tambahkan di bawah ke placeholder petunjuk (Ingat, indentasi penting dalam menentukan alur):
- Greet the users, then ask how you can help them today.
- Summarize the user's request and ask them to confirm that you understood correctly.
- If necessary, seek clarifying details.
- Use ${TOOL:Patent Search Tool} to help the user with their task.
- Return the response from the ${TOOL:Patent Search Tool} to the user in a well formed string.
- Thank the user for their business and say goodbye.
Pastikan alat "Patent Search Tool" dipilih di bagian "Available Tools", lalu simpan agen lagi.
5. Menguji Agen
Di panel sebelah kanan, Anda akan melihat bagian Preview Agent yang memungkinkan Anda menguji agen.
Seperti yang dapat Anda lihat di screenshot di bawah, saya telah menyapa sebagai pengguna dan memulai percakapan dengan permintaan "Mencocokkan paten untuk ide pelacak kebugaran apa pun":
Berikut adalah respons JSON:
Ini adalah hasil JSON mentah dari Cloud Function yang memproses Penelusuran Kemiripan AlloyDB. Selesai! Sekarang kita sudah siap dengan agen.
6. Deployment dan Integrasi
Setelah merasa puas dengan agen, Anda dapat dengan mudah men-deploy-nya ke berbagai saluran menggunakan integrasi Agent Builder. Anda dapat menyematkannya di situs, mengintegrasikannya dengan platform pesan populer, atau bahkan membuat aplikasi seluler khusus. Kita juga dapat menggunakan Agent Builder API secara langsung di aplikasi klien web, yang telah kita bahas dalam blog ini.
7. Pembersihan
Agar tidak menimbulkan biaya pada akun Google Cloud Anda untuk resource yang digunakan dalam posting ini, ikuti langkah-langkah berikut:
8. Selamat
Selamat! Dengan mengintegrasikan kecanggihan mesin analisis buatan khusus kami dengan antarmuka Agent Builder yang intuitif, kami telah menciptakan asisten penelusuran literatur cerdas yang membuat penelusuran literatur dapat diakses, efisien, dan benar-benar berbasis makna. Dengan menggabungkan kemampuan AlloyDB, Vertex AI, dan Vector Search, kita telah membuat lompatan besar dalam membuat penelusuran kontekstual dan vektor dapat diakses, efisien, benar-benar berbasis makna, dan berorientasi pada agen.