GSP1334

Ringkasan

Bayangkan Anda ingin menelusuri katalog gambar produk yang disimpan di Cloud Storage untuk menentukan apakah produk serupa pernah dijual sebelumnya. Anda dapat melakukannya dengan memanfaatkan penelusuran vektor di BigQuery.

BigQuery adalah platform data yang terkelola sepenuhnya dan berteknologi AI yang mendukung integrasi lancar sumber data eksternal (seperti metadata dari gambar di bucket Cloud Storage) dan koneksi ke model jarak jauh untuk penelusuran vektor guna meningkatkan alur kerja analisis data Anda dengan AI generatif.

Penelusuran vektor adalah metodologi yang dapat digunakan untuk menemukan item serupa dengan cepat berdasarkan makna semantiknya (bukan pencocokan kata kunci yang sama persis) dan dapat diterapkan ke banyak jenis data termasuk gambar, video, dan teks. Penelusuran vektor menggunakan embedding yang merupakan vektor numerik berdimensi tinggi yang merepresentasikan entity, seperti teks atau gambar. Embedding ini mengenkode semantik tentang entity tersebut untuk mempermudah perbandingan. Metodologi ini memiliki banyak aplikasi seperti kemampuan yang ditingkatkan untuk menelusuri histori penjualan item serupa dalam set data inventaris atau katalog gambar produk.

Dengan nama atau deskripsi produk, Anda dapat menggunakan penelusuran vektor pada tabel objek BigQuery yang berisi metadata untuk gambar produk dan mengidentifikasi produk yang paling terkait erat dengan istilah penelusuran Anda. Alur kerja ini mengintegrasikan kecanggihan Vertex AI ke dalam BigQuery untuk penelusuran vektor, yang memungkinkan Anda menganalisis data multimodal (termasuk gambar dan teks) di BigQuery untuk mengekstrak hasil analisis yang bisa ditindaklanjuti, sehingga meningkatkan kemampuan pengambilan keputusan.

Di lab ini, Anda akan mengenal cara kerja penelusuran vektor multimodal di BigQuery. Anda mulai dengan memberikan beberapa izin dan membuat koneksi ke model embedding di BigQuery. Kemudian, Anda memanggil model itu untuk membuat tabel embedding guna menyimpan representasi vektor gambar produk di bucket Cloud Storage. Terakhir, Anda menjalankan penelusuran vektor pada gambar produk yang disimpan di Cloud Storage untuk mengidentifikasi produk yang paling mirip dengan istilah penelusuran Anda berdasarkan fitur dan metadata gambar.

Yang akan Anda lakukan

Di lab ini, Anda akan mempelajari cara melakukan tugas-tugas berikut:

• Memberikan peran Identity and Access Management (IAM) ke akun layanan BigQuery.
• Membuat koneksi ke model embedding jarak jauh di BigQuery.
• Membuat embedding dan menyimpannya ke tabel di BigQuery.
• Menjalankan penelusuran vektor pada gambar produk di Cloud Storage.

Penyiapan dan persyaratan

Sebelum mengklik tombol Start Lab

Baca petunjuk ini. Lab memiliki timer dan Anda tidak dapat menjedanya. Timer yang dimulai saat Anda mengklik Start Lab akan menampilkan durasi ketersediaan resource Google Cloud untuk Anda.

Lab interaktif ini dapat Anda gunakan untuk melakukan aktivitas lab di lingkungan cloud sungguhan, bukan di lingkungan demo atau simulasi. Untuk mengakses lab ini, Anda akan diberi kredensial baru yang bersifat sementara dan dapat digunakan untuk login serta mengakses Google Cloud selama durasi lab.

Untuk menyelesaikan lab ini, Anda memerlukan:

• Akses ke browser internet standar (disarankan browser Chrome).

• Waktu untuk menyelesaikan lab. Ingat, setelah dimulai, lab tidak dapat dijeda.

Cara memulai lab dan login ke Google Cloud Console

1. Klik tombol Start Lab. Jika Anda perlu membayar lab, dialog akan terbuka untuk memilih metode pembayaran. Di sebelah kiri ada panel Lab Details yang berisi hal-hal berikut:

   • Tombol Open Google Cloud console
   • Waktu tersisa
   • Kredensial sementara yang harus Anda gunakan untuk lab ini
   • Informasi lain, jika diperlukan, untuk menyelesaikan lab ini

2. Klik Open Google Cloud console (atau klik kanan dan pilih Open Link in Incognito Window jika Anda menjalankan browser Chrome).

   Lab akan menjalankan resource, lalu membuka tab lain yang menampilkan halaman Sign in.

   Tips: Atur tab di jendela terpisah secara berdampingan.

   Catatan: Jika Anda melihat dialog Choose an account, klik Use Another Account.

3. Jika perlu, salin Username di bawah dan tempel ke dialog Sign in.

   {{{user_0.username | "Username"}}}

   Anda juga dapat menemukan Username di panel Lab Details.

4. Klik Next.

5. Salin Password di bawah dan tempel ke dialog Welcome.

   {{{user_0.password | "Password"}}}

   Anda juga dapat menemukan Password di panel Lab Details.

6. Klik Next.

   Penting: Anda harus menggunakan kredensial yang diberikan lab. Jangan menggunakan kredensial akun Google Cloud Anda. Catatan: Menggunakan akun Google Cloud sendiri untuk lab ini dapat dikenai biaya tambahan.

7. Klik halaman berikutnya:

   • Setujui persyaratan dan ketentuan.
   • Jangan tambahkan opsi pemulihan atau autentikasi 2 langkah (karena ini akun sementara).
   • Jangan mendaftar uji coba gratis.

Setelah beberapa saat, Konsol Google Cloud akan terbuka di tab ini.

Catatan: Untuk mengakses produk dan layanan Google Cloud, klik Navigation menu atau ketik nama layanan atau produk di kolom Search.

Tugas 1. Memberikan peran IAM ke akun layanan BigQuery

Di lingkungan lab ini, beberapa resource telah dibuat sebelumnya, termasuk koneksi eksternal BigQuery bernama remote-models-connection dan tabel objek BigQuery bernama image_object_table. Dengan resource ini, Anda dapat mengakses dan mengkueri data tidak terstruktur di Cloud Storage seperti gambar. Setelah koneksi eksternal dibuat, akun layanan BigQuery juga dibuat secara otomatis, yang dapat digunakan untuk mengontrol akses ke resource.

Dalam tugas ini, Anda akan memberikan peran IAM tertentu ke akun layanan BigQuery yang dibuat otomatis untuk mengakses file gambar di Cloud Storage dan resource Vertex AI yang diperlukan untuk penelusuran vektor.

Membuka konsol BigQuery

1. Di Konsol Google Cloud, pilih Navigation menu > BigQuery.

Kotak pesan Welcome to BigQuery in the Cloud Console akan terbuka. Kotak pesan ini menyediakan link ke panduan memulai dan catatan rilis.

2. Klik Done.

Konsol BigQuery terbuka.

Mengidentifikasi akun layanan BigQuery yang dibuat secara otomatis

1. Perluas panah di samping project ID (), lalu perluas panah di samping Connections.

2. Klik koneksi bernama .remote-models-connection.

3. Di halaman Connection info, salin Service account ID untuk digunakan pada langkah berikutnya.

Misalnya: bqcx-1054723899402-whbp@gcp-sa-bigquery-condel.iam.gserviceaccount.com

Memberikan peran IAM ke akun layanan BigQuery

1. Di Konsol Google Cloud, pada Navigation menu (), pilih IAM & Admin > IAM.

2. Klik Grant access.

3. Untuk New principals, masukkan ID akun layanan yang Anda salin di bagian sebelumnya (seperti bqcx-1054723899402-whbp@gcp-sa-bigquery-condel.iam.gserviceaccount.com).

4. Untuk Select a role, filter Vertex AI User, lalu pilih dari hasilnya.

5. Klik Add another role.

6. Untuk Select a role, filter Storage Object Viewer, lalu pilih dari hasilnya.

7. Klik Save.

Klik Periksa progres saya untuk memverifikasi tujuan. Memberikan peran IAM ke akun layanan BigQuery

Tugas 2. Membuat model jarak jauh BigQuery

Setelah memberikan peran yang diperlukan ke akun layanan BigQuery, Anda dapat membuat model jarak jauh di BigQuery untuk mengakses fungsi Vertex AI seperti fitur AI generatif.

Dalam tugas ini, Anda menggunakan koneksi eksternal BigQuery bernama remote-models-connection untuk membuat model jarak jauh bernama embeddings_model yang terhubung ke model embedding yang tersedia di Vertex AI. Karena data gambar Anda disimpan di bucket Cloud Storage dalam format tidak terstruktur, sebaiknya Anda menetapkan model multimodal sebagai endpoint untuk menangani jenis data ini secara efektif.

1. Di Konsol Google Cloud, pada Navigation menu (), pilih BigQuery > Studio.

2. Di jendela SQL query, tempel kueri SQL berikut untuk membuat model jarak jauh BigQuery di set data BigQuery yang ada bernama products, lalu klik Run:

Klik Periksa progres saya untuk memverifikasi tujuan. Membuat model jarak jauh BigQuery

Tugas 3. Membuat tabel embedding untuk gambar yang tercantum dalam tabel objek

Setelah membuat model jarak jauh di BigQuery, langkah berikutnya adalah memanggil model untuk membuat embedding berdasarkan file gambar yang disimpan di Cloud Storage. Seperti yang disebutkan dalam Tugas 1, tabel objek bernama image_object_table telah dibuat sebelumnya untuk lingkungan lab ini dan dapat digunakan untuk mengkueri file gambar.

Dalam tugas ini, Anda memanggil model embedding untuk dijalankan di product_image_object_table dan menyimpan hasilnya dalam tabel baru bernama product_embeddings. Saat menjalankan kueri, BigQuery mengirimkan data dalam tabel objek ke model embedding multimodal, yang menampilkan embedding yang dapat digunakan untuk penelusuran vektor guna menemukan entity yang secara semantik mirip.

1. Di jendela SQL query, jalankan kueri SQL berikut untuk membuat tabel embedding:

2. Di jendela SQL query, jalankan kueri berikut untuk meninjau data dalam tabel embedding baru:

Klik Periksa progres saya untuk memverifikasi tujuan. Membuat tabel embedding untuk gambar yang tercantum dalam tabel objek

Tugas 4. Menjalankan penelusuran vektor pada gambar produk di Cloud Storage

Seperti yang disampaikan dalam ringkasan lab ini, penelusuran vektor di BigQuery memungkinkan Anda menggunakan embedding yang dihitung (yaitu vektor numerik) untuk menemukan objek yang memiliki kesamaan semantik. Secara khusus, penelusuran vektor menggunakan metrik jarak yang merepresentasikan jarak antara vektor dalam ruang embedding untuk membandingkan dan memberinya peringkat berdasarkan kemiripan. Di BigQuery, fungsi penelusuran vektor mendukung tiga jenis jarak, termasuk Euclidean (jenis default), kosinus, dan perkalian titik.

Dalam tugas ini, Anda menggunakan kesamaan kosinus (yaitu kosinus sudut antara dua vektor) untuk mengidentifikasi 3 gambar produk yang paling mirip di Google Cloud Storage dengan frasa penelusuran tertentu: colorful sweaters for women.

• Di jendela SQL query, jalankan kueri berikut yang menggunakan fungsi VECTOR_SEARCH untuk menelusuri tabel embedding produk dan menemukan gambar yang paling mirip dengan istilah penelusuran yang diberikan:

Meninjau gambar yang paling cocok di Cloud Storage

[Opsional] Untuk melihat gambar tertentu yang telah ditampilkan sebagai kecocokan tertinggi, Anda dapat membuka bucket Cloud Storage, lalu membuka setiap gambar.

1. Di Konsol Google Cloud, dari Navigation menu (), pilih Cloud Storage > Buckets.

2. Klik bucket bernama , lalu klik nama gambar (seperti Onesie.jpg).

3. Klik Authenticated URL untuk melihat gambar (seperti https://storage.cloud.google.com/qwiklabs-gcp-04-dc2812426125/Onesie.jpg).

Klik Periksa progres saya untuk memverifikasi tujuan. Menjalankan penelusuran vektor pada gambar produk di Cloud Storage

Selamat!

Di lab ini, Anda telah mengenal penelusuran vektor di BigQuery dan menggunakannya untuk menemukan gambar di Cloud Storage yang paling relevan dengan istilah penelusuran yang diinginkan.

Langkah berikutnya/Pelajari lebih lanjut

• Untuk mengetahui informasi selengkapnya tentang tabel objek di BigQuery, tinjau dokumentasi berjudul Membuat tabel objek.

• Untuk mempelajari lebih mendalam embedding vektor, tinjau kursus berjudul Penelusuran Vektor dan Embedding.

• Untuk mendapatkan pengalaman praktik lainnya terkait embedding dan penelusuran vektor di BigQuery, pelajari lab dalam kursus berjudul Menerapkan Penelusuran Vektor Multimodal dengan BigQuery.

Sertifikasi dan pelatihan Google Cloud

...membantu Anda mengoptimalkan teknologi Google Cloud. Kelas kami mencakup keterampilan teknis dan praktik terbaik untuk membantu Anda memahami dengan cepat dan melanjutkan proses pembelajaran. Kami menawarkan pelatihan tingkat dasar hingga lanjutan dengan opsi on demand, live, dan virtual untuk menyesuaikan dengan jadwal Anda yang sibuk. Sertifikasi membantu Anda memvalidasi dan membuktikan keterampilan serta keahlian Anda dalam teknologi Google Cloud.

Manual Terakhir Diperbarui pada 16 Maret 2026

Lab Terakhir Diuji pada 16 Maret 2026

Hak cipta 2026 Google LLC. Semua hak dilindungi undang-undang. Google dan logo Google adalah merek dagang dari Google LLC. Semua nama perusahaan dan produk lain mungkin adalah merek dagang masing-masing perusahaan yang bersangkutan.