GSP517

Présentation

Dans un atelier challenge, vous devez suivre un scénario et effectuer une série de tâches. Aucune instruction détaillée n'est fournie : vous devez utiliser les compétences acquises au cours des ateliers du cours correspondant pour déterminer comment procéder par vous-même. Vous saurez si vous avez exécuté correctement les différentes tâches grâce au score calculé automatiquement (affiché sur cette page).

Lorsque vous participez à un atelier challenge, vous n'étudiez pas de nouveaux concepts Google Cloud. Vous allez approfondir les compétences précédemment acquises. Par exemple, vous devrez modifier les valeurs par défaut ou encore examiner des messages d'erreur pour corriger vous-même les problèmes.

Pour atteindre le score de 100 %, vous devez mener à bien l'ensemble des tâches dans le délai imparti.

Cet atelier est recommandé aux participants inscrits au cours Développer des applications d'IA générative avec Gemini et Streamlit. Êtes-vous prêt pour le challenge ?

Préparation

Avant de cliquer sur le bouton "Démarrer l'atelier"

Lisez ces instructions. Les ateliers sont minutés, et vous ne pouvez pas les mettre en pause. Le minuteur, qui démarre lorsque vous cliquez sur Démarrer l'atelier, indique combien de temps les ressources Google Cloud resteront accessibles.

Cet atelier pratique vous permet de suivre les activités dans un véritable environnement cloud, et non dans un environnement de simulation ou de démonstration. Des identifiants temporaires vous sont fournis pour vous permettre de vous connecter à Google Cloud le temps de l'atelier.

Pour réaliser cet atelier :

• Vous devez avoir accès à un navigateur Internet standard (nous vous recommandons d'utiliser Chrome).

• Vous disposez d'un temps limité. N'oubliez pas qu'une fois l'atelier commencé, vous ne pouvez pas le mettre en pause.

Scénario du challenge

Vous avez intégré Cymbal Health il y a quelques mois. Cymbal Health est un réseau de santé réputé du centre-est du Minnesota, dont l'objectif est de repenser et transformer la façon dont les soins de santé peuvent être dispensés. Cymbal Health propose un régime de santé qui regroupe couverture et soins médicaux afin de faciliter l'accès des patients à des soins de qualité pour un coût abordable.

Dans le cadre de ses services à valeur ajoutée, Cymbal Health souhaite améliorer le bien-être et la santé de ses clients en leur fournissant des conseils par le biais d'applications. L'un des domaines sur lesquels la structure souhaite se concentrer est l'amélioration de l'alimentation de ses clients.

En exploitant le potentiel de Gemini, un modèle multimodal permettant de générer du texte, des contenus audio, des images et des vidéos, Cymbal Health peut créer des applications qui émettent des recommandations de repas pour ses clients.

Prenons un exemple : votre équipe a travaillé à la création d'une application Chef basée sur l'IA, qui génère des recettes en fonction des préférences culinaires des clients, de leurs restrictions et allergies alimentaires, et des produits qu'ils ont généralement chez eux ou qu'ils peuvent acheter au supermarché. Votre objectif est de créer, tester et déployer une démonstration de faisabilité pour cette application Chef reposant sur le modèle Gemini, le framework Streamlit et Cloud Run. On vous a pour cela dressé la liste des tâches que l'on aimerait vous voir réaliser dans un environnement de bac à sable et dans un délai imparti.

Votre challenge

Vos tâches seront les suivantes :

• Utiliser cURL pour tester un prompt avec l'API
• Écrire le code Python du framework Streamlit et du prompt pour compléter chef.py
• Tester l'application
• Modifier le Dockerfile et transférer l'image Docker dans Artifact Registry
• Déployer l'application sur Cloud Run et la tester

Tâche 1 : utiliser cURL pour tester un prompt avec l'API

Avant de pouvoir commencer à créer l'application Chef dans Agent Platform, vous devez tester la connectivité avec l'API Gemini.

1. Dans la console Google Cloud, dans le menu de navigation (), cliquez sur Agent Platform > Notebooks > Workbench.

2. Recherchez l'instance , puis cliquez sur le bouton Ouvrir JupyterLab.

L'interface JupyterLab de votre instance Workbench s'ouvre dans un nouvel onglet de navigateur.

3. Dans l'explorateur de fichiers, ouvrez prompt.ipynb et sélectionnez le kernel TensorFlow 2-11 (Local) lorsque vous y êtes invité.

4. Modifiez prompt.ipynb : remplacez le prompt existant par le suivant afin de l'utiliser avec cURL, au niveau de la cellule 5.

   I am a Chef. I need to create Japanese recipes for customers who want low sodium meals. However, I do not want to include recipes that use ingredients associated with a peanuts food allergy. I have ahi tuna, fresh ginger, and edamame in my kitchen and other ingredients. The customer wine preference is red. Please provide some for meal recommendations. For each recommendation include preparation instructions, time to prepare and the recipe title at the beginning of the response. Then include the wine paring for each recommendation. At the end of the recommendation provide the calories associated with the meal and the nutritional facts.

5. Exécutez toutes les cellules et observez les résultats.

6. Enregistrez prompt.ipynb.

Une fois que les résultats sont satisfaisants, validez l'objectif.

Cliquez sur Vérifier ma progression pour valider l'objectif. Utiliser cURL pour tester un prompt avec l'API

Tâche 2 : écrire le code Python du framework Streamlit et du prompt pour compléter chef.py

Dans cette tâche, vous allez cloner un dépôt GitHub et télécharger le fichier chef.py. Vous allez ensuite ajouter le code du framework Streamlit dans le fichier chef.py pour indiquer la préférence en termes de vin, afin de compléter l'interface utilisateur de l'application. Vous allez également inclure un prompt Gemini personnalisé (semblable à celui de la tâche 1, mais avec des variables).

1. À l'aide de Cloud Shell, clonez ce dépôt à partir du répertoire par défaut :

   git clone https://github.com/GoogleCloudPlatform/generative-ai.git

2. Accédez au répertoire gemini-streamlit-cloudrun :

   cd generative-ai/gemini/sample-apps/gemini-streamlit-cloudrun

3. Indiquez les dépendances dans le fichier requirements.txt :

   google-cloud-logging Important : Toutes les tâches de cet atelier challenge doivent être effectuées dans ce répertoire. Vous devez télécharger le fichier chef.py et le modifier dans ce répertoire, sinon il ne pourra pas accéder au framework Streamlit. Si vous ne respectez pas cette consigne, vous ne pourrez pas non plus le tester dans Cloud Shell (tâche 3), ni créer le conteneur Docker (tâche 4), ni déployer et tester celui-ci dans Cloud Run (tâche 5).

4. Téléchargez le fichier chef.py à l'aide de la commande suivante :

   gsutil cp {{{project_0.startup_script.python_file_path|Chef Python file path}}} .

5. Ouvrez le fichier chef.py dans l'éditeur Cloud Shell et examinez le code :

   Remarque : Le fichier chef.py inclut déjà le code d'interface utilisateur du framework Streamlit pour les variables "cuisine", "dietary_preference", "allergy", "ingredient_1", "ingredient_2" et "ingredient_3". Examinez ce code d'interface avant de passer à l'étape suivante.

6. Remplacez GCP_PROJECT_ID par et GEMINI_FLASH_MODEL_ID par .

7. Ajoutez une case d'option dans le framework Streamlit pour la variable "wine". Incluez les options "Rouge", "Blanc" et "Aucun".

8. Enregistrez le fichier chef.py.

9. Ajoutez le nouveau prompt Gemini indiqué ci-dessous dans le code Python :

   prompt = f"""I am a Chef. I need to create {cuisine} \n recipes for customers who want {dietary_preference} meals. \n However, don't include recipes that use ingredients with the customer's {allergy} allergy. \n I have {ingredient_1}, \n {ingredient_2}, \n and {ingredient_3} \n in my kitchen and other ingredients. \n The customer's wine preference is {wine} \n Please provide some for meal recommendations. For each recommendation include preparation instructions, time to prepare and the recipe title at the beginning of the response. Then include the wine paring for each recommendation. At the end of the recommendation provide the calories associated with the meal and the nutritional facts. """

10. Enregistrez le fichier chef.py.

Une fois que vous êtes satisfait du code de prompt Gemini que vous avez ajouté dans chef.py, importez le fichier dans le bucket -generative-ai en exécutant la commande ci-dessous dans Cloud Shell. Dans la console Cloud, cliquez sur Ouvrir le terminal pour ouvrir la session dans Cloud Shell.

Cliquez sur Vérifier ma progression pour valider l'objectif. Écrire le code Python du framework Streamlit et du prompt pour compléter chef.py

Tâche 3 : tester l'application

Dans cette tâche, vous allez utiliser le terminal dans Cloud Shell pour exécuter et tester votre application.

Vérifiez que vous vous trouvez toujours dans generative-ai/gemini/sample-apps/gemini-streamlit-cloudrun.

1. Configurez l'environnement virtuel Python et installez les dépendances.

2. Définissez les variables d'environnement PROJECT (sur votre ID de projet) et REGION (sur la région que vous utilisez dans l'environnement de l'atelier).

3. Exécutez l'application chef.py et testez-la.

Une fois que vous avez testé l'application dans Cloud Shell et que vous avez vérifié qu'elle fonctionne comme prévu, sans erreur, validez l'objectif.

Cliquez sur Vérifier ma progression pour valider l'objectif. Tester l'application

Tâche 4 : modifier le Dockerfile et transférer l'image Docker dans Artifact Registry

Dans cette tâche, vous allez modifier l'exemple de Dockerfile pour utiliser votre fichier chef.py et transférer l'image Docker dans Artifact Registry.

1. Utilisez l'éditeur Cloud Shell pour modifier le Dockerfile afin d'utiliser chef.py, puis enregistrez le fichier.

2. Dans Cloud Shell, définissez les variables d'environnement suivantes.

   Variable	Valeur
   AR_REPO	chef-repo
   SERVICE_NAME	chef-streamlit-app

   Remarque : Nous vous recommandons de combiner cette commande et les deux suivantes en une seule commande, car la création du dépôt Artifact Registry et l'envoi du build à Cloud Build prennent environ huit minutes.

3. Créez le dépôt Artifact Registry à l'aide de la commande gcloud artifacts repositories create en spécifiant les paramètres suivants.

   Paramètre	Valeur
   repo name	$AR_REPO
   location	$REGION
   repository format	Docker

4. Envoyez le build à l'aide de la commande gcloud builds submit en spécifiant les paramètres suivants.

   Paramètre	Valeur
   tag	"$REGION-docker.pkg.dev/$PROJECT/$AR_REPO/$SERVICE_NAME"

5. Attendez que l'exécution de la commande soit terminée.

Une fois la commande exécutée, validez l'objectif.

Cliquez sur Vérifier ma progression pour valider l'objectif. Modifier le Dockerfile et transférer l'image Docker dans Artifact Registry

Tâche 5 : déployer l'application sur Cloud Run et la tester

Dans cette tâche, vous allez déployer l'application (en tant qu'artefact Docker) sur Cloud Run, puis la tester tandis qu'elle est en cours d'exécution à partir du point de terminaison du service Cloud Run.

1. Dans Cloud Shell, déployez l'application (en tant qu'artefact Docker) à l'aide de la commande gcloud run deploy en spécifiant les valeurs de paramètres suivantes :

   Paramètre	Valeur
   port	8080
   image	"$REGION-docker.pkg.dev/$PROJECT/$AR_REPO/$SERVICE_NAME"
   flag	--allow-unauthenticated
   region	REGION
   platform	managed
   project	PROJECT
   set-env-vars	PROJECT=$PROJECT,REGION=$REGION

   Remarque : L'invite "Voulez-vous activer ces API pour continuer (cela prendra quelques minutes) ?" peut s'afficher. Dans ce cas, sélectionnez "Y" (oui).

   Le déploiement prend quelques minutes. Une fois l'opération terminée, l'URL du service Cloud Run s'affiche. Vous pouvez y accéder dans le navigateur pour visualiser l'application Cloud Run que vous venez de déployer.

2. Testez l'application en utilisant le lien fourni.

Une fois que vous avez testé l'application exécutée sur Cloud Run, validez l'objectif.

Cliquez sur Vérifier ma progression pour valider l'objectif. Déployer l'application sur Cloud Run et la tester

Félicitations !

En suivant cet atelier challenge, vous avez validé vos compétences concernant le développement d'applications d'IA générative avec Gemini. Vous avez également appris à les mettre en pratique dans une application Chef basée sur l'IA.

Étapes suivantes et informations supplémentaires

• Consultez la documentation sur l'IA générative sur Agent Platform.
• Découvrez l'IA générative sur la chaîne YouTube Google Cloud Tech.
• Dépôt officiel de l'IA générative Google Cloud
• Exemples de notebook Gemini

Formations et certifications Google Cloud

Les formations et certifications Google Cloud vous aident à tirer pleinement parti des technologies Google Cloud. Nos cours portent sur les compétences techniques et les bonnes pratiques à suivre pour être rapidement opérationnel et poursuivre votre apprentissage. Nous proposons des formations pour tous les niveaux, à la demande, en salle et à distance, pour nous adapter aux emplois du temps de chacun. Les certifications vous permettent de valider et de démontrer vos compétences et votre expérience en matière de technologies Google Cloud.

Dernière mise à jour du manuel : 24 octobre 2025

Dernier test de l'atelier : 24 octobre 2025

Copyright 2026 Google LLC. Tous droits réservés. Google et le logo Google sont des marques de Google LLC. Tous les autres noms d'entreprises et de produits peuvent être des marques des entreprises auxquelles ils sont associés.