1. 개요
특허 연구는 방대하고 복잡합니다. 수많은 기술 초록을 살펴보고 관련 혁신을 찾는 것은 어려운 작업입니다. 기존의 키워드 기반 검색은 부정확하고 시간이 오래 걸리는 경우가 많습니다. 초록은 길고 기술적이므로 핵심 아이디어를 빠르게 파악하기 어렵습니다. 이로 인해 연구자가 주요 특허를 놓치거나 관련 없는 결과에 시간을 낭비할 수 있습니다.
이 혁명의 비결은 벡터 검색에 있습니다. 벡터 검색은 간단한 키워드 일치에 의존하는 대신 텍스트를 숫자 표현 (임베딩)으로 변환합니다. 이를 통해 사용된 특정 단어뿐만 아니라 쿼리의 의미를 기반으로 검색할 수 있습니다. 문헌 검색의 세계에서 이는 획기적인 변화입니다. 문서에 정확한 문구가 사용되지 않더라도 '웨어러블 심박수 모니터'에 대한 특허를 찾는다고 상상해 보세요.
과제: 최신 문헌 검색은 고유한 환경설정에 맞는 즉각적인 답변과 지능형 추천을 제공해야 합니다. 기존 검색 방법은 이러한 수준의 맞춤설정을 제공하지 못하는 경우가 많습니다.
솔루션: Google의 지식 기반 채팅 애플리케이션은 이 과제를 정면으로 해결합니다. 특허 데이터 세트에서 파생된 풍부한 기술 자료를 활용하여 고객의 의도를 파악하고, 지능적으로 응답하며, 매우 관련성이 높은 결과를 제공합니다.
빌드할 항목
이 실습 (2부)의 일부로 다음 작업을 실행합니다.
- Vertex AI Agent Builder 에이전트 빌드
- AlloyDB 도구를 에이전트와 통합
요구사항
2. 아키텍처
데이터 흐름: 시스템을 통해 데이터가 이동하는 방식을 자세히 살펴보겠습니다.
처리:
특허 데이터가 AlloyDB에 로드됩니다.
분석 엔진:
AlloyDB를 분석 엔진으로 사용하여 다음을 실행합니다.
- 컨텍스트 추출: 엔진은 AlloyDB 내에 저장된 데이터를 분석하여 특허 데이터 세트를 파악합니다.
- 임베딩 생성: 임베딩 (텍스트의 수학적 표현)은 사용자의 쿼리와 AlloyDB에 저장된 정보 모두에 대해 생성됩니다.
- 벡터 검색: 엔진은 쿼리 임베딩을 특허 초록의 임베딩과 비교하여 유사성 검색을 실행합니다. 이렇게 하면 사용자가 검색하는 컨텍스트와 가장 관련성이 높은 '최근접 이웃'이 식별됩니다.
응답 생성:
검증된 응답은 JSON 배열로 구조화되고 전체 엔진은 Agent Builder에서 호출되는 서버리스 Cloud Run 함수로 패키징됩니다.
위의 단계는 실습의 1부 에서 이미 다루었습니다.
Google의 스마트 특허 검색 어시스턴트를 구동하는 지식 기반 분석 엔진을 만드는 기술적 세부정보를 설명했습니다. 이제 Agent Builder의 마법을 활용하여 대화형 인터페이스에서 이 엔진을 구현하는 방법을 살펴보겠습니다. 2부를 시작하기 전에 엔드포인트 URL을 준비해 두세요. 다음 단계는 이 실습에서 다루는 내용입니다.
대화형 상호작용:
Agent Builder는 자연어 형식으로 사용자에게 응답을 제공하여 양방향 대화를 촉진합니다.
3. 시작하기 전에
프로젝트 만들기
- Google Cloud 콘솔의 프로젝트 선택기 페이지에서 Google Cloud 프로젝트를 선택하거나 만듭니다.
- Cloud 프로젝트에 결제가 사용 설정되어 있는지 확인합니다. 프로젝트에서 결제가 사용 설정되어 있는지 확인하는 방법을 알아보세요 .
- bq가 미리 로드되어 제공되는 Google Cloud에서 실행되는 명령줄 환경인 Cloud Shell을 사용합니다. Google Cloud 콘솔 상단에서 Cloud Shell 활성화 를 클릭합니다.
- Cloud Shell에 연결되면 다음 명령어를 사용하여 이미 인증되었고 프로젝트가 프로젝트 ID로 설정되어 있는지 확인합니다.
gcloud auth list
- Cloud Shell에서 다음 명령어를 실행하여 gcloud 명령어가 프로젝트를 알고 있는지 확인합니다.
gcloud config list project
- 프로젝트가 설정되지 않은 경우 다음 명령어를 사용하여 설정합니다.
gcloud config set project <YOUR_PROJECT_ID>
- 필요한 API를 사용 설정합니다. gcloud 명령어의 대안은 각 제품을 검색하거나 이 링크를 사용하여 콘솔을 통해 실행하는 것입니다.
API가 누락된 경우 구현 과정에서 언제든지 사용 설정할 수 있습니다.
gcloud 명령어 및 사용법은 문서를 참조하세요.
중요 참고사항: 이 실습을 완료하려면 실습의 1부도 완료해야 합니다.
4. 에이전트 만들기
Agent Builder 소개
Agent Builder는 대화형 에이전트를 빠르고 효율적으로 만들 수 있는 강력한 로우 코드 도구입니다. 대화 흐름 설계, 기술 자료 통합, 외부 API 연결 프로세스를 간소화합니다. 이 경우 Agent Builder를 사용하여 1부에서 빌드한 Cloud 함수 엔드포인트에 원활하게 연결하여 특허 검색 어시스턴트가 특허 기술 자료에 액세스하고 사용자 쿼리에 지능적으로 응답할 수 있도록 합니다.
1부에서 만든 자바 Cloud Run 함수가 일반 텍스트 대신 JSON 배열을 반환 하는지 확인합니다.
에이전트 빌드
의류 제품에 대한 사용자 질문에 답변하는 이 새 에이전트를 만들어 보겠습니다.
- Agent Builder 플랫폼에 로그인하여 시작합니다. API를 활성화하라는 메시지가 표시되면 계속 및 API 활성화를 클릭합니다.
- '앱 만들기'를 클릭하고 에이전트에 설명이 포함된 이름 (예: '특허 검색 어시스턴트')을 지정합니다.
- 앱 유형 '에이전트'를 클릭합니다.
- . 에이전트에 "특허 검색 어시스턴트"와 같은 설명이 포함된 이름을 지정하고 리전을 us-central1로 설정합니다.
- 에이전트 세부정보를 입력합니다.
- 에이전트 이름을 "특허 검색 에이전트"로 변경합니다.
- 아래 '목표'를 추가합니다.
You are a professional intelligent patent search agent! Your job is to help the customer find patents matching the context of their search text.
- 이 시점에서 저장하고 지금은 안내를 비워 둡니다.
- 그런 다음 탐색 메뉴에서 도구를 클릭하고 만들기를 클릭합니다.
도구 이름 입력: 특허 검색 도구
유형: OpenAPI
도구 설명 입력:
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.
스키마 입력 — YAML 형식의 OpenAPI:
이 부분에서는 백엔드 엔드포인트를 사용하여 에이전트를 구동합니다. 아래 OpenAPI 사양을 복사하고 URL 자리표시자 (꺾쇠괄호로 묶음)를 Cloud 함수 엔드포인트로 바꿉니다.
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.
다른 구성은 기본값으로 두고 '저장'을 클릭합니다.
- 이 시점에서 에이전트의 '안내'에 '도구' 구성을 추가하려고 하므로 에이전트로 돌아갑니다. 아래 내용을 안내 자리표시자에 추가합니다 (흐름을 정의할 때 들여쓰기가 중요함).
- 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.
'사용 가능한 도구' 섹션에서 '특허 검색 도구' 도구가 선택되어 있는지 확인한 다음 에이전트를 다시 저장합니다.
5. 에이전트 테스트
오른쪽 창에 에이전트를 테스트할 수 있는 에이전트 미리보기 섹션이 표시됩니다.
아래 스크린샷에서 볼 수 있듯이 사용자로 인사하고 "피트니스 트래커 아이디어와 일치하는 특허"를 요청하여 채팅을 시작했습니다.
다음은 JSON 응답입니다.
AlloyDB 유사성 검색을 처리하는 Cloud 함수의 원시 JSON 결과입니다. 작업이 끝났습니다. 이제 에이전트가 모두 설정되었습니다.
6. 설치 및 통합
에이전트가 만족스러우면 Agent Builder의 통합을 사용하여 다양한 채널에 쉽게 배포할 수 있습니다. 웹사이트에 삽입하거나, 인기 있는 메시징 플랫폼과 통합하거나, 전용 모바일 앱을 만들 수도 있습니다. 이 블로그에서 다룬 것처럼 웹 클라이언트 애플리케이션에서 Agent Builder API를 직접 사용할 수도 있습니다.
7. 삭제
이 게시물에서 사용한 리소스의 비용이 Google Cloud 계정에 청구되지 않도록 하려면 다음 단계를 수행하세요.
8. 축하합니다
축하합니다. 맞춤 빌드 분석 엔진의 강력한 기능과 Agent Builder의 직관적인 인터페이스를 통합하여 문헌 검색을 접근 가능하고, 효율적이며, 진정으로 의미 기반으로 만드는 데 도움이 되는 지능형 문헌 검색 어시스턴트를 만들었습니다. AlloyDB, Vertex AI, 벡터 검색의 기능을 결합하여 컨텍스트 및 벡터 검색을 접근 가능하고, 효율적이며, 진정으로 의미 기반으로 만들고 에이전트화하는 데 큰 진전을 이루었습니다.