GSP1209

Genel Bakış

Google Gen AI SDK, Google'ın üretken yapay zeka API hizmetlerine yönelik birleşik bir arayüz sunar. Bu SDK, üretken yapay zeka özelliklerini uygulamalara ve hizmetlere entegre etme sürecini basitleştirerek geliştiricilerin çeşitli görevler için Google'ın gelişmiş yapay zeka modellerinden faydalanmasını sağlar. Bu laboratuvarda, Google Gen AI SDK'yı inceleyerek yapay zeka hizmetlerine bağlanmayı, çeşitli istemler göndermeyi ve Gemini'dan gelen yanıtları kişiselleştirmeyi öğreneceksiniz. Ayrıca üretken yapay zekanın gücünden kendi projelerinizde yararlanabilmeniz için daha gelişmiş tekniklerle uygulamalı deneyim kazanacaksınız.

Hedefler

Bu laboratuvarda, Python için Google Gen AI SDK'yı kullanarak Gemini da dahil olmak üzere Google'ın üretken yapay zeka hizmetleriyle ve modelleriyle etkileşim kurmayı öğreneceksiniz. Bahsedeceğimiz konular:

• Gen AI SDK'yı yükleme
• Bir API hizmetine bağlanma
• Metin ve çok formatlı istemler gönderme
• Sistem talimatlarını ayarlama
• Model parametrelerini ve güvenlik filtrelerini yapılandırma
• Model etkileşimlerini yönetme (çok adımlı sohbet, içerik akışı, eşzamansız istekler)
• İleri seviye özellikleri kullanma (parça sayımı, bağlamı önbelleğe alma, işlev çağırma, toplu tahmin, metin yerleştirmeleri)

Ön koşullar

Bu laboratuvara başlamadan önce şunlar hakkında bilgi sahibi olmanız gerekir:

• Python'da temel programlama
• Genel API kavramları
• Vertex AI Workbench'te Jupyter not defterinde Python kodu çalıştırma

Kurulum ve şartlar

Laboratuvarı Başlat düğmesini tıklamadan önce

Buradaki talimatları okuyun. Laboratuvarlar süreli olduğundan duraklatılamaz. Start Lab'i (Laboratuvarı başlat) tıkladığınızda başlayan zamanlayıcı, Google Cloud kaynaklarının ne süreyle kullanımınıza açık durumda kalacağını gösterir.

Bu uygulamalı laboratuvarı kullanarak, laboratuvar etkinliklerini simülasyon veya demo ortamı yerine gerçek bir bulut ortamında gerçekleştirebilirsiniz. Bunu yapabilmeniz için size yeni, geçici kimlik bilgileri verilir. Bu kimlik bilgilerini laboratuvar süresince Google Cloud'da oturum açmak ve Google Cloud'a erişmek için kullanabilirsiniz.

Bu laboratuvarı tamamlamak için gerekenler:

• Standart bir internet tarayıcısına erişim (Chrome Tarayıcı önerilir)

Not: Bu laboratuvarı çalıştırmak için tarayıcıyı gizli modda (önerilen) veya gizli tarama penceresinde açın. Aksi takdirde, kişisel hesabınızla öğrenci hesabınız arasında oluşabilecek çakışmalar nedeniyle kişisel hesabınızdan ek ücret alınabilir.

• Laboratuvarı tamamlamak için yeterli süre (Laboratuvarlar başlatıldıktan sonra duraklatılamaz.)

Not: Bu laboratuvar için yalnızca öğrenci hesabını kullanın. Farklı bir Google Cloud hesabı kullanırsanız bu hesaptan ödeme alınabilir.

Laboratuvarınızı başlatma ve Google Cloud Console'da oturum açma

1. Laboratuvarı Başlat düğmesini tıklayın. Laboratuvar için ödeme yapmanız gerekiyorsa ödeme yöntemini seçebileceğiniz bir iletişim kutusu açılır. Soldaki "Laboratuvar ayrıntıları" panelinde şunlar yer alır:

   • "Google Cloud konsolunu aç" düğmesi
   • Kalan süre
   • Bu laboratuvarda kullanmanız gereken geçici kimlik bilgileri
   • Bu laboratuvarda ilerlemek için gerekebilecek diğer bilgiler

2. Google Cloud Console'u aç'ı tıklayın (veya Chrome Tarayıcı'yı kullanıyorsanız sağ tıklayıp Bağlantıyı gizli pencerede aç'ı seçin).

   Laboratuvar, kaynakları çalıştırır ve sonra "Oturum aç" sayfasını gösteren başka bir sekme açar.

   İpucu: Sekmeleri ayrı pencerelerde, yan yana açın.

   Not: Hesap seçin iletişim kutusunu görürseniz Başka bir hesap kullan'ı tıklayın.

3. Gerekirse aşağıdaki kullanıcı adını kopyalayıp Oturum açın iletişim kutusuna yapıştırın.

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

   Kullanıcı adını "Laboratuvar ayrıntıları" panelinde de bulabilirsiniz.

4. İleri'yi tıklayın.

5. Aşağıdaki şifreyi kopyalayıp Hoş geldiniz iletişim kutusuna yapıştırın.

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

   Şifreyi "Laboratuvar ayrıntıları" panelinde de bulabilirsiniz.

6. İleri'yi tıklayın.

   Önemli: Laboratuvarın sizinle paylaştığı giriş bilgilerini kullanmanız gerekir. Google Cloud hesabınızın kimlik bilgilerini kullanmayın. Not: Bu laboratuvarda kendi Google Cloud hesabınızı kullanabilmek için ek ücret ödemeniz gerekebilir.

7. Sonraki sayfalarda ilgili düğmeleri tıklayarak ilerleyin:

   • Hükümler ve koşulları kabul edin.
   • Geçici bir hesap kullandığınızdan kurtarma seçenekleri veya iki faktörlü kimlik doğrulama eklemeyin.
   • Ücretsiz denemelere kaydolmayın.

Birkaç saniye sonra Google Cloud konsolu bu sekmede açılır.

Not: Google Cloud ürün ve hizmetlerine erişmek için gezinme menüsünü tıklayın veya Arama alanına hizmetin veya ürünün adını yazın.

1. görev: Not defterini Vertex AI Workbench'te açın

1. Google Cloud Console'un gezinme menüsünde () Vertex AI > Workbench (Çalışma Alanı) seçeneğini tıklayın.

2. örneğini bulun ve JupyterLab'i aç düğmesini tıklayın.

Workbench örneğinizin JupyterLab arayüzü, yeni bir tarayıcı sekmesinde açılır.

2. görev: Not defterini ayarlayın

Not defterinizi açın, kitaplıklarınızı içe aktarın ve modelinizi seçin.

1. dosyasını açın.

2. Select Kernel (Çekirdek Seç) iletişim kutusunda, kullanılabilir çekirdekler listesinden Python 3'ü seçin.

3. Not defterinin şu bölümlerini inceleyin:

   • Get started (Kullanmaya başlama)
   • Use Google Gen AI SDK (Google Gen AI SDK'yı kullanma)
   • Connect to a generative AI API service (Üretken yapay zeka API hizmetiyle bağlantı kurma)

Project_ID (Proje kimliği) için , Location (Konum) için değişkenlerini kullanın.

Not: Colab only (Yalnızca Colab) olarak belirtilen not defteri hücrelerini atlayın. Not defteri hücrelerini çalıştırdığınızda 429 yanıtı alırsanız hücreyi tekrar çalıştırmadan önce 1 dakika bekleyin.

Hedefi doğrulamak için Check my progress'i (İlerleme durumumu kontrol et) tıklayın. Kitaplıkları içe aktarın ve not defterini ayarlayın

3. görev: Model ile etkileşim kurun

Vertex AI'daki tüm yapay zeka modelleri ve API'ler hakkında daha fazla bilgi için Google modelleri ve Model Garden'a göz atın.

Model seçme

• Not defterinin Choose a model (Model seçme) bölümündeki kod hücrelerini çalıştırın.

Metin istemleri gönderme

İstemlerinize yanıt oluşturmak için generate_content yöntemini kullanın. generate_content işlevine metin gönderebilir ve yanıtın metin içeriğini almak için .text özelliğini kullanabilirsiniz.

• Not defterinin Send text prompts (Metin istemleri gönderme) bölümündeki kod hücrelerini çalıştırın.

Çok formatlı istemler gönderme

İstem isteklerinize metin, PDF belgesi, resim, ses ve video ekleyip metin veya kod biçiminde yanıtlar alabilirsiniz.

Dosya URL'sini, modele yapılan istekte doğrudan Part.from_uri bölümünde de iletebilirsiniz.

• Not defterinin Send multimodal prompts (Çok formatlı istemler gönderme) bölümündeki kod hücrelerini çalıştırın.

Sistem talimatlarını ayarlama

Sistem talimatları, model davranışını kontrol etmenizi sağlar. Modele görevi anlaması, daha özelleştirilmiş yanıtlar vermesi ve kullanıcı etkileşimiyle ilgili kurallara uyması için ek bağlam sağlamak üzere sistem talimatı ayarlayın.

• Not defterinin Set system instruction (Sistem talimatlarını ayarlama) bölümündeki kod hücrelerini çalıştırın.

Hedefi doğrulamak için Check my progress'i (İlerleme durumumu kontrol et) tıklayın. Model ile etkileşim kurun

4. görev: Modeli yapılandırın ve kontrol edin

Model parametrelerini yapılandırma

Modelin yanıt oluşturma şeklini kontrol etmek için modele gönderdiğiniz her çağrıya parametre değerleri ekleyebilirsiniz. Daha fazla bilgi edinmek için Parametre değerleriyle deneme yapma başlıklı makaleye bakın.

• Not defterinin Configure model parameters (Model parametrelerini yapılandırma) bölümündeki kod hücrelerini çalıştırın.

Güvenlik filtrelerini yapılandırma

Gemini API, belirli içerik türlerini kısıtlamak veya bunlara izin vermek için birden fazla filtre kategorisi genelinde ayarlayabileceğiniz güvenlik filtreleri sağlar. Kullanım alanınıza göre ayarlamalar yapmak için bu filtreleri kullanabilirsiniz. Ayrıntılı bilgi için Güvenlik filtrelerini yapılandırma başlıklı makaleye bakın.

Modellere istek gönderdiğinizde içerik analiz edilir ve içeriğe güvenlik derecesi atanır. Bu örnekte olduğu gibi, model yanıtlarını yazdırarak oluşturulan içeriğin güvenlik derecelerini inceleyebilirsiniz:

• Not defterinin Configure safety filters (Güvenlik filtrelerini yapılandırma) bölümündeki kod hücrelerini çalıştırın.

Çok adımlı sohbet başlatma

Gemini API, serbest ve çok adımlı sohbetler yapmanıza olanak tanır.

• Not defterinin Start a multi-turn chat (Çok adımlı sohbet başlatma) bölümündeki kod hücrelerini çalıştırın.

Oluşturulan çıkışı kontrol etme

Gemini API'deki kontrollü oluşturma özelliği, model çıkışını yapılandırılmış bir biçimle sınırlamanıza olanak tanır. Şemaları Pydantic modelleri veya JSON dizesi olarak girebilirsiniz.

Yanıt şemasını Python sözlüğünde de tanımlayabilirsiniz. Yalnızca aşağıdaki alanları kullanabilirsiniz. Diğer tüm alanlar yoksayılır.

• enum
• items
• maxItems
• nullable
• properties
• required

Bu örnekte, modele ürün yorum verilerini analiz etme, temel varlıkları ayıklama, duygu sınıflandırması yapma (çoktan seçmeli), ek açıklama sağlama ve sonuçları JSON biçiminde çıkış olarak verme talimatı vereceksiniz.

• Not defterinin Control generated output (Oluşturulan çıkışı kontrol etme) bölümündeki kod hücrelerini çalıştırın.

Hedefi doğrulamak için Check my progress'i (İlerleme durumumu kontrol et) tıklayın. Modeli yapılandırın ve kontrol edin

5. görev: Model etkileşimini yönetin

İçerik akışı oluşturma

Varsayılan olarak, model tüm oluşturma işlemini tamamladıktan sonra yanıt verir. Yanıt oluşturulurken generate_content_stream yöntemini kullanarak yanıtı akış halinde görüntüleyebilirsiniz. Model, yanıtının tamamının oluşturulmasını beklemeden yanıtı parça parça döndürür.

• Not defterinin Generate content stream (İçerik akışı oluşturma) bölümündeki kod hücrelerini çalıştırın.

Eşzamansız istekler gönderme

client.aio modülünü kullanarak eşzamansız istekler gönderebilirsiniz. Bu modül, client modülünde bulunan tüm benzer eşzamansız yöntemleri gösterir.

Örneğin, client.aio.models.generate_content, client.models.generate_content'in eşzamansız versiyonudur.

• Not defterinin Send asynchronous requests (Eşzamansız istekler gönderme) bölümündeki kod hücrelerini çalıştırın.

Parça sayma ve hesaplama

Gemini API'ye istek göndermeden önce giriş parçalarının sayısını hesaplamak için count_tokens yöntemini kullanabilirsiniz. Ayrıntılı bilgi için Parçaları listeleme ve sayma sayfasına bakın.

Parça sayma

• Not defterinin Count tokens (Parça sayma) bölümündeki kod hücrelerini çalıştırın.

Parça hesaplama

• Not defterinin Compute tokens (Parça hesaplama) bölümündeki kod hücrelerini çalıştırın.

Hedefi doğrulamak için Check my progress'i (İlerleme durumumu kontrol et) tıklayın. Model etkileşimini yönetin

6. görev: İleri seviye özellikler

İşlev çağırma

İşlev çağırma sayesinde, kullanıcının istemlerine yanıt vermek için kullanılabilecek bir dizi araç sağlayabilirsiniz. Kodunuzda bir işlevin açıklamasını oluşturup bu açıklamayı bir istekteki dil modeline geçirirsiniz. Modelin verdiği yanıt, açıklamaya uyan bir işlevin adını ve işlevi çağırmak için gereken bağımsız değişkenleri içerir.

İşlev çağırmayla ilgili daha fazla örnek için bu not defterine bakın.

• Not defterinin Function calling (İşlev çağırma) bölümündeki kod hücrelerini çalıştırın.

Hedefi doğrulamak için Check my progress'i (İlerleme durumumu kontrol et) tıklayın. İşlev çağırma

Bağlamı önbelleğe alma özelliğini kullanma

Bağlamı önbelleğe alma özelliği, sık kullanılan giriş parçalarını özel bir önbellekte depolamanıza ve sonraki isteklerde bunlara başvurmanıza olanak tanır. Bu sayede, modele aynı parça grubunu tekrar tekrar iletme ihtiyacı ortadan kalkar.

Not: Bağlamı önbelleğe alma özelliği, yalnızca sabit sürümleri olan kararlı modellerde (ör. gemini-2.0-flash-001) kullanılabilir. Sürümün sonundaki eki (ör. -001) eklemeniz gerekir.

Önbellek oluşturma

• Not defterinin Create a cache (Önbellek oluşturma) bölümündeki kod hücrelerini çalıştırın.

Önbelleği kullanma

• Not defterinin Use a cache (Önbelleği kullanma) bölümündeki kod hücrelerini çalıştırın.

Önbelleği silme

• Not defterinin Delete a cache (Önbelleği silme) bölümündeki kod hücrelerini çalıştırın.

Hedefi doğrulamak için Check my progress'i (İlerleme durumumu kontrol et) tıklayın. Bağlamı önbelleğe alma özelliğini kullanma

Toplu tahmin

Tek seferde tek bir giriş isteğinde bulunabileceğiniz online (eşzamanlı) yanıt alma yönteminden farklı olarak, Vertex AI'da Gemini API için toplu tahminler tek bir toplu istekle Gemini'a çok sayıda istek göndermenize olanak tanır. Ardından, model yanıtları Cloud Storage veya BigQuery'deki depolama çıkış konumuna eşzamansız olarak doldurulur.

Gecikmeye duyarlı olmayan çok sayıda giriş işlenirken, toplu tahminler genellikle online tahminlere göre daha verimli ve maliyet açısından daha uygundur.

Toplu girişler hazırlama

Toplu istek girişi, modelinize tahmin için gönderilecek öğeleri belirtir.

Gemini için toplu isteklerde, BigQuery depolama kaynakları ve Cloud Storage kaynakları kabul edilir. Toplu giriş biçimleri hakkında daha fazla bilgiyi Toplu metin oluşturma sayfasında bulabilirsiniz.

Bu laboratuvarda, örnek olarak Cloud Storage kullanılmıştır. Cloud Storage girişi için aşağıdaki şartlar geçerlidir:

• Dosya biçimi: JSON Lines (JSONL)
• Bölge: us-central1
• Hizmet hesabı için uygun okuma izinleri

Bir modele gönderdiğiniz her istek, modelin nasıl yanıt üreteceğini kontrol eden parametreler içerebilir. Parametre değerleriyle denemeler yapma sayfasından, Gemini parametreleri hakkında daha fazla bilgi edinebilirsiniz.

batch_requests_for_multimodal_input_2.jsonl adlı giriş JSONL dosyasında yer alan örnek isteklerden biri aşağıda verilmiştir:

{"request":{"contents": [{"role": "user", "parts": [{"text": "List objects in this image."}, {"file_data": {"file_uri": "gs://cloud-samples-data/generative-ai/image/office-desk.jpeg", "mime_type": "image/jpeg"}}]}],"generationConfig":{"temperature": 0.4}}}

• Not defterinin Prepare batch inputs (Toplu girişler hazırlama) bölümündeki kod hücrelerini çalıştırın.

Toplu çıkış konumu hazırlama

Toplu tahmin görevi tamamlandığında çıkış, isteğinizde belirttiğiniz konumda saklanır.

• Konum, Cloud Storage veya BigQuery URI öneki şeklindedir (ör. gs://path/to/output/data veya bq://projectId.bqDatasetId).

• Belirtilmemişse Cloud Storage kaynağı için gs://STAGING_BUCKET/gen-ai-batch-prediction, BigQuery kaynağı için ise bq://PROJECT_ID.gen_ai_batch_prediction.predictions_TIMESTAMP kullanılır.

Bu laboratuvarda, çıkış konumu için örnek olarak bir Cloud Storage paketi kullanılmıştır.

Cloud Storage paketinizin URI'sini BUCKET_URI'de belirtebilirsiniz. Belirtilmezse gs://PROJECT_ID-TIMESTAMP biçiminde yeni bir Cloud Storage paketi oluşturulur.

• Not defterinin Prepare batch output location (Toplu çıkış konumu hazırlama) bölümündeki kod hücrelerini çalıştırın.

Toplu tahmin isteği gönderme

Toplu tahmin isteği göndermek için kaynak model kimliğini, giriş kaynağını ve Vertex AI'ın toplu tahmin sonuçlarını depoladığı çıkış konumunu belirtmeniz gerekir.

Daha fazla bilgi için Toplu tahmin API'si sayfasını inceleyin. Ayrıca şu adresten durumu konsolda da kontrol edebilirsiniz: https://console.cloud.google.com/vertex-ai/batch-predictions

• Not defterinin Send a batch prediction request (Toplu tahmin isteği gönderme) bölümündeki kod hücrelerini çalıştırın.

Not: Toplu tahmininizin tamamlanması birkaç dakika sürebilir.

Toplu tahmin sonuçlarını alma

Toplu tahmin görevi tamamlandığında tahminin çıkışı, isteğinizde belirttiğiniz konumda saklanır. Çıkışa batch_job.dest.bigquery_uri veya batch_job.dest.gcs_uri alanları üzerinden de ulaşabilirsiniz.

Örnek çıkış:

{"status": "", "processed_time": "2024-11-13T14:04:28.376+00:00", "request": {"contents": [{"parts": [{"file_data": null, "text": "List objects in this image."}, {"file_data": {"file_uri": "gs://cloud-samples-data/generative-ai/image/gardening-tools.jpeg", "mime_type": "image/jpeg"}, "text": null}], "role": "user"}], "generationConfig": {"temperature": 0.4}}, "response": {"candidates": [{"avgLogprobs": -0.10394711927934126, "content": {"parts": [{"text": "Here's a list of the objects in the image:\n\n* **Watering can:** A green plastic watering can with a white rose head.\n* **Plant:** A small plant (possibly oregano) in a terracotta pot.\n* **Terracotta pots:** Two terracotta pots, one containing the plant and another empty, stacked on top of each other.\n* **Gardening gloves:** A pair of striped gardening gloves.\n* **Gardening tools:** A small trowel and a hand cultivator (hoe). Both are green with black handles."}], "role": "model"}, "finishReason": "STOP"}], "modelVersion": "gemini-2.0-flash-001@default", "usageMetadata": {"candidatesTokenCount": 110, "promptTokenCount": 264, "totalTokenCount": 374}}}

• Not defterinin Retrieve batch prediction results (Toplu tahmin sonuçlarını alma) bölümündeki kod hücrelerini çalıştırın.

Hedefi doğrulamak için Check my progress'i (İlerleme durumumu kontrol et) tıklayın. Toplu tahmin sonuçlarını alma

Metin yerleştirmeleri alma

embed_content yöntemini kullanarak bir metin snippet'ini metin yerleştirme olarak alabilirsiniz. Tüm modeller varsayılan olarak 768 boyutlu bir çıkış üretir. Ancak bazı modeller, kullanıcılara 1 ile 768 arasında bir çıkış boyutu seçme seçeneği sunar. Ayrıntılar için Vertex AI metin yerleştirmeleri API'si sayfasını inceleyin.

• Not defterinin Get text embeddings (Metin yerleştirmeleri alma) bölümündeki kod hücrelerini çalıştırın.

Hedefi doğrulamak için Check my progress'i (İlerleme durumumu kontrol et) tıklayın. Metin yerleştirmeleri alma

Tebrikler!

Tebrikler! Google Gen AI SDK'yı başarıyla incelediniz. Yapay zeka hizmetlerine bağlanmayı, çeşitli istemler göndermeyi ve Gemini modelinden gelen yanıtları kişiselleştirmeyi öğrendiniz. Ayrıca etkileşimleri yönetme, bağlamı önbelleğe alma ve hatta yerleştirmelerle çalışma gibi daha ileri tekniklerle ilgili uygulamalı deneyim kazandınız. Artık kendi projeleriniz için üretken yapay zekanın gücünden yararlanmaya hazırsınız.

Sonraki adımlar / Daha fazla bilgi

Gemini hakkında daha fazla bilgi edinmek için aşağıdaki kaynakları inceleyin:

• Gemini'a Genel Bakış
• Vertex AI'da Üretken Yapay Zeka Belgeleri
• YouTube'da Üretken Yapay Zeka
• Vertex AI Tarif Defteri, üretken yapay zeka için özenle seçilmiş çok sayıda aranabilir not defteri içerir.
• Google Cloud Üretken Yapay Zeka deposundaki diğer not defterlerine ve örneklere göz atın.

Google Cloud eğitimi ve sertifikası

...Google Cloud teknolojilerinden en iyi şekilde yararlanmanıza yardımcı olur. Derslerimizde teknik becerilere odaklanırken en iyi uygulamalara da yer veriyoruz. Gerekli yetkinlik seviyesine hızlıca ulaşmanız ve öğrenim maceranızı sürdürebilmeniz için sizlere yardımcı olmayı amaçlıyoruz. Temel kavramlardan ileri seviyeye kadar farklı eğitim programlarımız mevcut. Ayrıca, yoğun gündeminize uyması için talep üzerine sağlanan, canlı ve sanal eğitim alternatiflerimiz de var. Sertifikasyonlar ise Google Cloud teknolojilerindeki becerilerinizi ve uzmanlığınızı doğrulamanıza ve kanıtlamanıza yardımcı oluyor.

Kılavuzun Son Güncellenme Tarihi: 5 Mayıs 2025

Laboratuvarın Son Test Edilme Tarihi: 5 Mayıs 2025

Telif Hakkı 2025 Google LLC. Tüm hakları saklıdır. Google ve Google logosu, Google LLC şirketinin ticari markalarıdır. Diğer tüm şirket ve ürün adları ilişkili oldukları şirketlerin ticari markaları olabilir.