Loading...
No results found.

Apply your skills in Google Cloud console

Lab setup instructions and requirements
Protect your account and progress. Always use a private browser window and lab credentials to run this lab.

探索 BigQuery 的多模態向量搜尋功能

Lab 30 minutes universal_currency_alt 1 Credit show_chart Introductory
info This lab may incorporate AI tools to support your learning.
This content is not yet optimized for mobile devices.
For the best experience, please visit us on a desktop computer using a link sent by email.

GSP1334

Google Cloud 自學實驗室標誌

總覽

假設您想搜尋儲存在 Cloud Storage 的產品圖片目錄，判斷過去是否販售過類似產品，BigQuery 的向量搜尋功能正可派上用場！

BigQuery 是支援 AI 的全代管資料平台，可完美整合外部資料來源 (例如 Cloud Storage bucket 中的圖片中繼資料)，並連至遠端模型執行向量搜尋，協助使用者透過生成式 AI 提高資料分析工作流程效率。

向量搜尋是指根據語意 (而非確切比對關鍵字) 快速找出相似項目，適用於圖片、影片和文字等多種資料類型。這項功能會透過嵌入技術，用高維度數值向量來代表文字或圖片等實體。嵌入技術可將這些實體的語意編碼，方便做比較。這種做法的應用範圍相當廣，例如使用者能在商品目錄資料集或產品圖片目錄中，更高效地查找類似產品的歷來銷售資訊。

只要提供產品名稱或說明，即可對含有產品圖片中繼資料的 BigQuery 物件資料表執行向量搜尋，找出與搜尋字詞最相關的產品。這項工作流程將強大的 Vertex AI 整合至 BigQuery，讓您在 BigQuery 運用向量搜尋功能，分析多模態資料 (包括圖片和文字)，從中取得實用洞察資訊，提升決策能力。

在本實驗室中，您將大致瞭解 BigQuery 多模態向量搜尋功能的運作方式。首先，您必須授予某些權限，然後建立連至 BigQuery 嵌入模型的連線。接下來，您會呼叫模型來生成嵌入資料表，將代表產品圖片的向量儲存至 Cloud Storage bucket，最後再對儲存於 Cloud Storage 的產品圖片執行向量搜尋，讓系統根據圖片特徵和中繼資料，找出與搜尋字詞最相近的產品。

學習內容

在本實驗室中，您將瞭解如何執行下列工作：

  • 將 Identity and Access Management (IAM) 角色授予 BigQuery 服務帳戶。
  • 連至 BigQuery 的遠端嵌入模型。
  • 生成嵌入項目，並儲存於 BigQuery 資料表。
  • 對 Cloud Storage 中的產品圖片執行向量搜尋。

設定和需求

瞭解以下事項後，再點選「Start Lab」按鈕

請詳閱以下操作說明。實驗室活動會計時，且中途無法暫停。點選「Start Lab」後就會開始計時，顯示可使用 Google Cloud 資源的時間。

您將在真正的雲端環境完成實作實驗室活動，而不是模擬或示範環境。為此，我們會提供新的暫時憑證，供您在實驗室活動期間登入及存取 Google Cloud。

為了順利完成這個實驗室，請先確認：

  • 可以使用標準的網際網路瀏覽器 (Chrome 瀏覽器為佳)。
注意事項：請使用無痕模式 (建議選項) 或私密瀏覽視窗執行此實驗室，這可以防止個人帳戶和學員帳戶之間的衝突，避免個人帳戶產生額外費用。
  • 是時候完成實驗室活動了！別忘了，活動一旦開始將無法暫停。
注意事項：務必使用實驗室專用的學員帳戶。如果使用其他 Google Cloud 帳戶，可能會產生額外費用。

如何開始研究室及登入 Google Cloud 控制台

  1. 點選「Start Lab」按鈕。如果實驗室會產生費用，畫面上會出現選擇付款方式的對話方塊。左側的「Lab Details」窗格會顯示下列項目：

    • 「Open Google Cloud console」按鈕
    • 剩餘時間
    • 必須在這個研究室中使用的臨時憑證
    • 完成這個實驗室所需的其他資訊 (如有)

  2. 點選「Open Google Cloud console」；如果使用 Chrome 瀏覽器，也能按一下滑鼠右鍵，選取「在無痕視窗中開啟連結」。

    接著，實驗室會啟動相關資源，並開啟另一個分頁，顯示「登入」頁面。

    提示：您可以在不同的視窗中並排開啟分頁。

    注意：如果頁面中顯示「選擇帳戶」對話方塊，請點選「使用其他帳戶」。

  3. 如有必要，請將下方的 Username 貼到「登入」對話方塊。

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

    您也可以在「Lab Details」窗格找到 Username。

  4. 點選「下一步」。

  5. 複製下方的 Password，並貼到「歡迎使用」對話方塊。

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

    您也可以在「Lab Details」窗格找到 Password。

  6. 點選「下一步」。

    重要事項：請務必使用實驗室提供的憑證，而非自己的 Google Cloud 帳戶憑證。 注意：如果使用自己的 Google Cloud 帳戶來進行這個實驗室，可能會產生額外費用。

  7. 按過後續的所有頁面：

    • 接受條款及細則。
    • 由於這是臨時帳戶，請勿新增救援選項或雙重驗證機制。
    • 請勿申請免費試用。

Google Cloud 控制台稍後會在這個分頁開啟。

注意：如要使用 Google Cloud 產品和服務，請點選「導覽選單」，或在「搜尋」欄位輸入服務或產品名稱。「導覽選單」圖示和搜尋欄位

工作 1：將 IAM 角色授予 BigQuery 服務帳戶

本實驗室的環境已預先建立多項資源，包括名為 remote-models-connection 的 BigQuery 外部連線和名為 image_object_table 的 BigQuery 物件資料表。您可以運用這些資源存取及查詢 Cloud Storage 中的非結構化資料，例如圖片。建立外部連線時，系統也自動產生了 BigQuery 服務帳戶，可供您控管資源的存取權。

在這項工作中，您要為自動產生的 BigQuery 服務帳戶授予特定 IAM 角色，才能存取 Cloud Storage 中的圖片檔案，以及執行向量搜尋所需的 Vertex AI 資源。

開啟 BigQuery 控制台

  1. 在 Google Cloud 控制台中，依序選取「導覽選單」>「BigQuery」。

接著，畫面中會顯示「歡迎使用 Cloud 控制台中的 BigQuery」訊息方塊，當中會列出快速入門導覽課程指南的連結和版本資訊。

  1. 點選「完成」。

BigQuery 控制台會隨即開啟。

找出自動產生的 BigQuery 服務帳戶

  1. 依序展開專案 ID 和「連線」旁邊的箭頭。

  2. 點選「.remote-models-connection」連線。

  3. 在「連線資訊」頁面，複製「服務帳戶 ID」，方便後續步驟使用。

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

將 IAM 角色授予 BigQuery 服務帳戶

  1. 前往 Google Cloud 控制台，然後依序點選「導覽選單」圖示 「導覽選單」圖示>「IAM 與管理」>「身分與存取權管理」。

  2. 點選「授予存取權」。

  3. 在「新增主體」部分，輸入您在前一節複製的服務帳戶 ID (例如 bqcx-1054723899402-whbp@gcp-sa-bigquery-condel.iam.gserviceaccount.com)。

  4. 在「選取角色」部分，將篩選條件設為「Vertex AI 使用者」，再從結果中選取該角色。

  5. 點選「新增其他角色」。

  6. 在「選取角色」部分，將篩選條件設為「Storage 物件檢視者」，再從結果中選取該角色。

  7. 點選「儲存」。

點選「Check my progress」，確認目標已達成。 將 IAM 角色授予 BigQuery 服務帳戶

工作 2：建立 BigQuery 遠端模型

您已將必要角色授予 BigQuery 服務帳戶，接著就能在 BigQuery 建立遠端模型，存取 Vertex AI 的生成式 AI 功能等。

在這項工作中，您將使用 remote-models-connection BigQuery 外部連線，建立 embeddings_model 遠端模型，並連至 Vertex AI 提供的嵌入模型。由於圖片資料是以非結構化格式儲存在 Cloud Storage bucket，最好將多模態模型指定為端點，以便有效處理這類資料。

  1. 在 Google Cloud 控制台，依序點選「導覽選單」圖示 「導覽選單」圖示 >「BigQuery」>「Studio」。

  2. 在 SQL 查詢視窗貼上下列 SQL 查詢，在現有的 products BigQuery 資料集中建立 BigQuery 遠端模型，然後點選「執行」：

CREATE OR REPLACE MODEL `{{{project_0.project_id | filled in at lab start}}}.products.embeddings_model` REMOTE WITH CONNECTION `{{{project_0.project_id | filled in at lab start}}}.{{{project_0.startup_script.bq_gcp_region | "BigQuery location"}}}.remote-models-connection` OPTIONS( ENDPOINT = '{{{project_0.startup_script.multi_modal_embedding_id | Multimodal embeddings model}}}' ); 注意：如果出現與服務帳戶權限 (已於前一項工作中指派) 相關的錯誤訊息，請稍候幾分鐘再重新執行查詢。

點選「Check my progress」，確認目標已達成。 建立 BigQuery 遠端模型

工作 3：為物件資料表列出的圖片建立嵌入資料表

在 BigQuery 建立遠端模型後，下一步就是呼叫模型，根據儲存在 Cloud Storage 的圖片檔案生成嵌入項目。如工作 1 所述，本實驗室環境已預先建立 image_object_table 物件資料表，您可以用來查詢圖片檔案。

在這項工作中，您將呼叫嵌入模型並針對 product_image_object_table 執行查詢，然後將結果儲存在名為 product_embeddings 的新資料表。執行查詢時，BigQuery 會將物件資料表中的資料提交至多模態嵌入模型，該模型就會傳回可用於向量搜尋的嵌入項目，協助找出語意相似的實體。

  1. 在 SQL 查詢視窗，執行下列 SQL 查詢來建立嵌入資料表：
CREATE OR REPLACE TABLE `{{{project_0.project_id | filled in at lab start}}}.products.product_embeddings` AS SELECT *, REGEXP_EXTRACT(uri, r'[^/]+$') as product_name FROM ML.GENERATE_EMBEDDING ( MODEL `{{{project_0.project_id | filled in at lab start}}}.products.embeddings_model`, TABLE `{{{project_0.project_id | filled in at lab start}}}.products.image_object_table` );
  1. 在 SQL 查詢視窗執行下列查詢，查看新嵌入資料表中的資料：
SELECT * FROM `{{{project_0.project_id | filled in at lab start}}}.products.product_embeddings`;

點選「Check my progress」，確認目標已達成。 為物件資料表列出的圖片建立嵌入資料表

工作 4：對 Cloud Storage 中的產品圖片執行向量搜尋

本實驗室的總覽中曾提過，BigQuery 的向量搜尋功能可讓您使用計算出的嵌入項目 (即數值向量)，找出語意相似的物件。具體來說，這項功能會使用距離指標 (代表嵌入空間中各向量間的距離) 來比較物件，再依相似度排名。BigQuery 的向量搜尋函式支援三種距離類型，包括歐幾里得距離 (預設)、餘弦距離和點積距離。

在這項工作中，您將根據餘弦相似度 (即兩個向量夾角的餘弦值)，從 Google Cloud Storage 找出與指定搜尋詞組 (「色彩鮮明的女士毛衣」) 最相似的前 3 張產品圖片。

  • 在 SQL 查詢視窗執行下列查詢，使用 VECTOR_SEARCH 函式搜尋產品嵌入資料表，找出與搜尋字詞最相似的圖片：
SELECT base.uri, base.product_name, base.content_type, distance FROM VECTOR_SEARCH(TABLE products.product_embeddings,'ml_generate_embedding_result', ( SELECT ml_generate_embedding_result AS embedding_col FROM ML.GENERATE_EMBEDDING ( MODEL `products.embeddings_model`, (SELECT 'colorful sweaters for women' AS content), STRUCT(TRUE AS flatten_json_output) ) ), TOP_K => 3, DISTANCE_TYPE => 'COSINE' );

查看 Cloud Storage 中最相符的圖片

[選用] 如要查看相符程度最高的特定圖片，請前往 Cloud Storage bucket 並開啟每張圖片。

  1. 在 Google Cloud 控制台，依序點選「導覽選單」圖示 「導覽選單」圖示 >「Cloud Storage」>「bucket」。

  2. 依序點選 bucket > 圖片名稱 (例如 Onesie.jpg)。

  3. 點選「已通過驗證的網址」即可查看該圖片 (例如 https://storage.cloud.google.com/qwiklabs-gcp-04-dc2812426125/Onesie.jpg)。

點選「Check my progress」，確認目標已達成。 對 Cloud Storage 中的產品圖片執行向量搜尋

恭喜！

在本實驗室中，您已大致瞭解 BigQuery 的向量搜尋功能，並實際練習尋找 Cloud Storage 中與指定搜尋字詞最相關的圖片。

後續步驟/瞭解詳情

Google Cloud 教育訓練與認證

協助您瞭解如何充分運用 Google Cloud 的技術。我們的課程會介紹專業技能和最佳做法，讓您可以快速掌握要領並持續進修。我們提供從基本到進階等級的訓練課程，並有隨選、線上和虛擬課程等選項，方便您抽空參加。認證可協助您驗證及證明自己在 Google Cloud 技術方面的技能和專業知識。

使用手冊上次更新日期：2026 年 3 月 16 日

實驗室上次測試日期：2026 年 3 月 16 日

Copyright 2026 Google LLC 保留所有權利。Google 和 Google 標誌是 Google LLC 的商標，其他公司和產品名稱則有可能是其關聯公司的商標。

Before you begin

  1. Labs create a Google Cloud project and resources for a fixed time
  2. Labs have a time limit and no pause feature. If you end the lab, you'll have to restart from the beginning.
  3. On the top left of your screen, click Start lab to begin

Use private browsing

  1. Copy the provided Username and Password for the lab
  2. Click Open console in private mode

Sign in to the Console

  1. Sign in using your lab credentials. Using other credentials might cause errors or incur charges.
  2. Accept the terms, and skip the recovery resource page
  3. Don't click End lab unless you've finished the lab or want to restart it, as it will clear your work and remove the project

This content is not currently available

We will notify you via email when it becomes available

Great!

We will contact you via email if it becomes available

One lab at a time

Confirm to end all existing labs and start this one

Use private browsing to run the lab

Using an Incognito or private browser window is the best way to run this lab. This prevents any conflicts between your personal account and the Student account, which may cause extra charges incurred to your personal account.