GSP1246

Übersicht

In diesem Lab erfahren Sie, wie Sie BigQuery Machine Learning mit Remote-Modellen (Gemini) in SQL anwenden, um Stichwörter zu extrahieren, das Kundensentiment in Kundenrezensionen zu bewerten und auf Kundenrezensionen mit Zero-Shot- und Few-Shot-Prompts zu antworten.

BigQuery ist eine vollständig verwaltete, KI-fähige Datenanalyseplattform, mit der Sie die Wertschöpfung aus Daten maximieren können. Sie ist als Multi-Engine-, Multiformat- und Multi-Cloud-Plattform konzipiert. Eine zentrale Funktion ist BigQuery Machine Learning. Damit können Sie ML-Modelle (Machine Learning) mithilfe von SQL-Abfragen oder Colab Enterprise-Notebooks erstellen und ausführen.

Gemini ist eine Reihe von generativen KI-Modellen, die von Google DeepMind entwickelt wurden und auf multimodale Anwendungsfälle ausgelegt sind. Die Gemini API bietet Zugriff auf die Gemini-Modelle.

Darüber hinaus können Sie mit einem Gemini-Modell Zusammenfassungen generieren und relevante Stichwörter aus Bildern von Kundenrezensionen extrahieren.

Ziele

Aufgaben in diesem Lab:

• Cloud-Ressourcenverbindung in BigQuery erstellen
• Dataset und Tabellen in BigQuery erstellen
• Gemini-Remote-Modelle in BigQuery erstellen
• Gemini auffordern, Stichwörter sowie positives und negatives Sentiment in textbasierten Kundenrezensionen zu analysieren
• Bericht mit der Anzahl positiver und negativer Rezensionen generieren
• Auf Kundenrezensionen antworten
• Gemini auffordern, eine Zusammenfassung und Stichwörter für Bilder von Kundenrezensionen zu extrahieren

Einrichtung und Anforderungen

Vor dem Klick auf „Start Lab“ (Lab starten)

Lesen Sie diese Anleitung. Labs sind zeitlich begrenzt und können nicht pausiert werden. Der Timer beginnt zu laufen, wenn Sie auf Lab starten klicken, und zeigt Ihnen, wie lange Google Cloud-Ressourcen für das Lab verfügbar sind.

In diesem praxisorientierten Lab können Sie die Lab-Aktivitäten in einer echten Cloud-Umgebung durchführen – nicht in einer Simulations- oder Demo-Umgebung. Dazu erhalten Sie neue, temporäre Anmeldedaten, mit denen Sie für die Dauer des Labs auf Google Cloud zugreifen können.

Für dieses Lab benötigen Sie Folgendes:

• Einen Standardbrowser (empfohlen wird Chrome)

Hinweis: Nutzen Sie den privaten oder Inkognitomodus (empfohlen), um dieses Lab durchzuführen. So wird verhindert, dass es zu Konflikten zwischen Ihrem persönlichen Konto und dem Teilnehmerkonto kommt und zusätzliche Gebühren für Ihr persönliches Konto erhoben werden.

• Zeit für die Durchführung des Labs – denken Sie daran, dass Sie ein begonnenes Lab nicht unterbrechen können.

Hinweis: Verwenden Sie für dieses Lab nur das Teilnehmerkonto. Wenn Sie ein anderes Google Cloud-Konto verwenden, fallen dafür möglicherweise Kosten an.

Lab starten und bei der Google Cloud Console anmelden

1. Klicken Sie auf Lab starten. Wenn Sie für das Lab bezahlen müssen, wird ein Dialogfeld geöffnet, in dem Sie Ihre Zahlungsmethode auswählen können. Auf der linken Seite befindet sich der Bereich „Details zum Lab“ mit diesen Informationen:

   • Schaltfläche „Google Cloud Console öffnen“
   • Restzeit
   • Temporäre Anmeldedaten für das Lab
   • Ggf. weitere Informationen für dieses Lab

2. Klicken Sie auf Google Cloud Console öffnen (oder klicken Sie mit der rechten Maustaste und wählen Sie Link in Inkognitofenster öffnen aus, wenn Sie Chrome verwenden).

   Im Lab werden Ressourcen aktiviert. Anschließend wird ein weiterer Tab mit der Seite „Anmelden“ geöffnet.

   Tipp: Ordnen Sie die Tabs nebeneinander in separaten Fenstern an.

   Hinweis: Wird das Dialogfeld Konto auswählen angezeigt, klicken Sie auf Anderes Konto verwenden.

3. Kopieren Sie bei Bedarf den folgenden Nutzernamen und fügen Sie ihn in das Dialogfeld Anmelden ein.

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

   Sie finden den Nutzernamen auch im Bereich „Details zum Lab“.

4. Klicken Sie auf Weiter.

5. Kopieren Sie das folgende Passwort und fügen Sie es in das Dialogfeld Willkommen ein.

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

   Sie finden das Passwort auch im Bereich „Details zum Lab“.

6. Klicken Sie auf Weiter.

   Wichtig: Sie müssen die für das Lab bereitgestellten Anmeldedaten verwenden. Nutzen Sie nicht die Anmeldedaten Ihres Google Cloud-Kontos. Hinweis: Wenn Sie Ihr eigenes Google Cloud-Konto für dieses Lab nutzen, können zusätzliche Kosten anfallen.

7. Klicken Sie sich durch die nachfolgenden Seiten:

   • Akzeptieren Sie die Nutzungsbedingungen.
   • Fügen Sie keine Wiederherstellungsoptionen oder Zwei-Faktor-Authentifizierung hinzu (da dies nur ein temporäres Konto ist).
   • Melden Sie sich nicht für kostenlose Testversionen an.

Nach wenigen Augenblicken wird die Google Cloud Console in diesem Tab geöffnet.

Hinweis: Wenn Sie auf Google Cloud-Produkte und ‑Dienste zugreifen möchten, klicken Sie auf das Navigationsmenü oder geben Sie den Namen des Produkts oder Dienstes in das Feld Suchen ein.

Aufgabe 1: Cloud-Ressourcenverbindung erstellen und IAM-Rolle zuweisen

Cloud-Ressourcenverbindung in BigQuery erstellen

In dieser Aufgabe erstellen Sie eine Cloud-Ressourcenverbindung in BigQuery, um mit Gemini und Gemini-Modellen arbeiten zu können. Außerdem gewähren Sie dem Dienstkonto der Cloud-Ressourcenverbindung anhand einer Rolle IAM-Berechtigungen, um Zugriff auf Vertex AI-Dienste zu ermöglichen.

Die BigQuery Console öffnen

1. Klicken Sie in der Google Cloud Console im Navigationsmenü auf BigQuery.

Zuerst wird das Fenster Willkommen bei BigQuery in der Cloud Console geöffnet, das neben allgemeinen Informationen auch einen Link zur Kurzanleitung und zu den Versionshinweisen enthält.

2. Klicken Sie auf Fertig.

Die BigQuery Console wird geöffnet.

3. Klicken Sie im Bereich Explorer auf + Daten hinzufügen und geben Sie in Nach Datenquellen suchen den Text Vertex AI ein.

4. Klicken Sie auf das Ergebnis Vertex AI und dann auf BigQuery Federation.

5. Wählen Sie in der Liste „Verbindungstyp“ die Option Vertex AI-Remote-Modelle, Remote-Funktionen und BigLake (Cloud-Ressource) aus.

6. Geben Sie für die Verbindung im Feld „Verbindungs-ID“ gemini_conn ein.

7. Wählen Sie als Standorttyp die Option Multiregional und dann USA (multiregional) aus.

8. Verwenden Sie für die anderen Optionen jeweils die Standardeinstellung.

9. Klicken Sie auf Verbindung erstellen.

10. Klicken Sie auf Zur Verbindung.

11. Kopieren Sie im Bereich „Verbindungsinformationen“ die Dienstkonto-ID für die nächste Aufgabe in eine Textdatei. Die Verbindung ist ebenfalls im BigQuery Explorer Ihres Projekts im Abschnitt „Externe Verbindungen“ zu finden.

Dem Dienstkonto der Verbindung die Rolle „Vertex AI User“ gewähren

1. Klicken Sie in der Console im Navigationsmenü auf IAM und Verwaltung.

2. Klicken Sie auf Zugriff gewähren.

3. Geben Sie im Feld Neue Hauptkonten die Dienstkonto-ID ein, die Sie zuvor kopiert haben.

4. Wählen Sie im Feld „Rolle auswählen“ die Option Vertex AI und dann Vertex AI User aus.

5. Klicken Sie auf Speichern.

   Die Dienstkonto-ID beinhaltet nun die Rolle „Vertex AI User“.

Klicken Sie auf Fortschritt prüfen. Cloud-Ressourcenverbindung erstellen und IAM-Rolle zuweisen

Aufgabe 2: Bilder und Dateien prüfen und dem Dienstkonto eine IAM-Rolle zuweisen

In dieser Aufgabe prüfen Sie das Dataset und die Bilddateien. Anschließend gewähren Sie dem Dienstkonto der Cloud-Ressourcenverbindung IAM-Berechtigungen.

Bilddateien und Dataset der Kundenrezensionen in Cloud Storage prüfen

Bevor Sie in dieser Aufgabe dem Dienstkonto der Cloud-Ressourcenverbindung Berechtigungen gewähren, prüfen Sie das Dataset und die Bilddateien.

1. Klicken Sie in der Console im Navigationsmenü () auf Cloud Storage.

2. Klicken Sie auf Buckets und wählen Sie den Bucket aus.

3. Der Bucket enthält den Ordner gsp1246. Öffnen Sie diesen Ordner. Er enthält zwei Elemente:

   • Im Ordner images sind alle Bilddateien enthalten, die Sie analysieren werden. Sie können auf den Ordner „images“ zugreifen und die Bilddateien ansehen.
   • Die Datei customer_reviews.csv ist das Dataset mit den textbasierten Kundenrezensionen.
   Hinweis: Sie können die Authentifizierungs-URL nutzen, um die Bilder und die Datei „customer_reviews.csv” herunterzuladen und anzusehen.

Dem Dienstkonto der Verbindung die IAM-Rolle „Storage Object Admin“ gewähren

Gewähren Sie dem Dienstkonto der Ressourcenverbindung IAM-Berechtigungen, bevor Sie mit der Arbeit in BigQuery beginnen. Dadurch können Sie Fehler des Typs „Zugriff verweigert“ vermeiden.

1. Kehren Sie zum Stammverzeichnis des Buckets zurück.

2. Klicken Sie auf Berechtigungen.

3. Klicken Sie auf Zugriff gewähren.

4. Geben Sie im Feld Neue Hauptkonten die Dienstkonto-ID ein, die Sie zuvor kopiert haben.

5. Geben Sie im Feld „Rolle auswählen“ Storage Object ein und wählen Sie die Rolle Storage Object Admin aus.

6. Klicken Sie auf Speichern.

   Das Dienstkonto verfügt nun über die Rolle „Storage Object Admin“.

Klicken Sie auf Fortschritt prüfen. Bilder und Dateien prüfen und dem Dienstkonto eine IAM-Rolle zuweisen

Aufgabe 3: Dataset und Tabellen in BigQuery erstellen

In dieser Aufgabe erstellen Sie ein Dataset für das Projekt, die Tabelle für Kundenrezensionen und die Bildobjekttabelle.

Dataset erstellen

1. Wählen Sie in der Console das Navigationsmenü () und dann BigQuery aus.

2. Wählen Sie im Bereich Explorer unter die Option Aktionen ansehen () und dann Dataset erstellen aus.

   Sie erstellen ein Dataset, um Datenbankobjekte zu speichern, einschließlich Tabellen und Modelle.

3. Geben Sie im Bereich Dataset erstellen folgende Informationen ein:

   Feld	Wert
   Dataset-ID	gemini_demo
   Standorttyp	Multiregional auswählen
   Multiregional	US auswählen

   Übernehmen Sie für alle anderen Felder die Standardeinstellung.

4. Klicken Sie auf Dataset erstellen.

   Das Dataset gemini_demo ist nun erstellt und unter Ihrem Projekt im BigQuery Explorer aufgeführt.

Tabelle für Kundenrezensionen erstellen

Zum Erstellen der Tabelle für Kundenrezensionen führen Sie eine SQL-Abfrage durch.

1. Klicken Sie auf das Symbol +, um eine neue SQL-Abfrage zu erstellen.

2. Kopieren Sie die folgende Abfrage und fügen Sie sie in den Abfrageeditor ein.

   LOAD DATA OVERWRITE gemini_demo.customer_reviews (customer_review_id INT64, customer_id INT64, location_id INT64, review_datetime DATETIME, review_text STRING, social_media_source STRING, social_media_handle STRING) FROM FILES ( format = 'CSV', uris = ['gs://{{{project_0.project_id|set at lab start}}}-bucket/gsp1246/customer_reviews.csv']);

   Diese Abfrage nutzt die Anweisung LOAD DATA, um die Datei customer_reviews.csv aus Cloud Storage in eine BigQuery-Tabelle mit den angegebenen Spaltennamen und Datentypen zu laden.

3. Klicken Sie auf Ausführen.

   Die Abfrage ist nun ausgeführt und die Tabelle customer_reviews ist für die Rezensionen im Dataset mit folgenden Spalten erstellt: customer_review_id, customer_id, location_id, review_datetime, review_text, social_media_source und social_media_handle.

4. Klicken Sie im Bereich „Explorer“ auf die Tabelle customer_reviews und prüfen Sie das Schema und die Details. Sie können die Tabelle auch abfragen, um sich Einträge anzusehen.

Objekttabelle für Rezensionsbilder erstellen

Zum Erstellen der Objekttabelle verwenden Sie eine SQL-Abfrage.

1. Klicken Sie auf das Symbol +, um eine neue SQL-Abfrage zu erstellen.

2. Kopieren Sie die folgende Abfrage und fügen Sie sie in den Abfrageeditor ein.

   CREATE OR REPLACE EXTERNAL TABLE `gemini_demo.review_images` WITH CONNECTION `us.gemini_conn` OPTIONS ( object_metadata = 'SIMPLE', uris = ['gs://{{{project_0.project_id|set at lab start}}}-bucket/gsp1246/images/*'] );

3. Führen Sie die Abfrage aus.

   Die Objekttabelle review_images wurde nun zum Dataset gemini_demo hinzugefügt und mit dem URI, also dem Cloud Storage-Standort, der Audiorezensionen in das Beispiel-Dataset geladen.

4. Klicken Sie im Explorer auf die Tabelle review_images und prüfen Sie das Schema und die Details. Sie können die Tabelle auch abfragen, um sich einzelne Einträge anzusehen.

Klicken Sie auf Fortschritt prüfen. Dataset, Tabellen und Slot-Reservierung in BigQuery erstellen

Aufgabe 4: Gemini-Modelle in BigQuery erstellen

Nachdem die Tabellen erstellt sind, können Sie nun mit ihnen arbeiten. In dieser Aufgabe erstellen Sie ein Modell für Gemini in BigQuery.

Gemini Flash-Modell erstellen

1. Klicken Sie auf das Symbol +, um eine neue SQL-Abfrage zu erstellen.

2. Kopieren Sie folgende Abfrage, fügen Sie sie in den Abfrageeditor ein und führen Sie sie aus.

   CREATE OR REPLACE MODEL `gemini_demo.gemini_flash` REMOTE WITH CONNECTION `us.gemini_conn` OPTIONS (endpoint = '{{{project_0.startup_script.gemini_flash_model_id | model_id | disablehighlight}}}')

   Das Modell gemini_flash ist nun erstellt und zum Dataset gemini_demo im Abschnitt „Modelle“ hinzugefügt.

3. Klicken Sie im Explorer auf das Modell gemini_flash und prüfen Sie die Details und das Schema.

Klicken Sie auf Fortschritt prüfen. Gemini-Modelle in BigQuery erstellen

Aufgabe 5: Gemini prompten, Kundenrezensionen in Bezug auf Stichwörter und Sentiment zu analysieren

In dieser Aufgabe analysieren Sie mit dem Gemini-Modell Kundenrezensionen in Bezug auf Stichwörter und positives sowie negatives Sentiment.

Kundenrezensionen in Bezug auf Stichwörter analysieren

1. Klicken Sie auf das Symbol +, um eine neue SQL-Abfrage zu erstellen.

2. Kopieren Sie folgende Abfrage, fügen Sie sie in den Abfrageeditor ein und führen Sie sie aus.

   CREATE OR REPLACE TABLE `gemini_demo.customer_reviews_keywords` AS ( SELECT ml_generate_text_llm_result, social_media_source, review_text, customer_id, location_id, review_datetime FROM ML.GENERATE_TEXT( MODEL `gemini_demo.gemini_flash`, ( SELECT social_media_source, customer_id, location_id, review_text, review_datetime, CONCAT( 'For each review, provide keywords from the review. Answer in JSON format with one key: keywords. Keywords should be a list.', review_text) AS prompt FROM `gemini_demo.customer_reviews` ), STRUCT( 0.2 AS temperature, TRUE AS flatten_json_output)));

   Diese Abfrage übernimmt Kundenrezensionen aus der Tabelle customer_reviews und erstellt Prompts für das Modell gemini_flash, um Stichwörter in den jeweiligen Rezensionen zu ermitteln. Die Ergebnisse werden dann in der neuen Tabelle customer_reviews_keywords gespeichert.

   Warten Sie nun bitte einen Moment. Es kann ca. 30 Sekunden dauern, bis das Modell die Einträge der Kundenrezensionen verarbeitet hat.

   Wenn die Verarbeitung abgeschlossen ist, ist die Tabelle customer_reviews_keywords erstellt.

3. Klicken Sie im Explorer auf die Tabelle customer_reviews_keywords und sehen Sie sich das Schema und die Details an.

4. Klicken Sie auf das Symbol +, um eine neue SQL-Abfrage zu erstellen.

5. Kopieren Sie folgende Abfrage, fügen Sie sie in den Abfrageeditor ein und führen Sie sie aus:

   SELECT * FROM `gemini_demo.customer_reviews_keywords`

   Damit werden Zeilen aus der Tabelle customer_reviews_keywords angezeigt. Dabei enthält die Spalte ml_generate_text_llm_result die Stichwort-Analyse, einschließlich der Spalten social_media_source, review_text, customer_id, location_id und review_datetime.

Kundenrezensionen in Bezug auf positives und negatives Sentiment analysieren

1. Klicken Sie auf das Symbol +, um eine neue SQL-Abfrage zu erstellen.

2. Kopieren Sie folgende Abfrage, fügen Sie sie in den Abfrageeditor ein und führen Sie sie aus.

   CREATE OR REPLACE TABLE `gemini_demo.customer_reviews_analysis` AS ( SELECT ml_generate_text_llm_result, social_media_source, review_text, customer_id, location_id, review_datetime FROM ML.GENERATE_TEXT( MODEL `gemini_demo.gemini_flash`, ( SELECT social_media_source, customer_id, location_id, review_text, review_datetime, CONCAT( 'Classify the sentiment of the following text as positive or negative.', review_text, "In your response don't include the sentiment explanation. Remove all extraneous information from your response, it should be a boolean response either positive or negative.") AS prompt FROM `gemini_demo.customer_reviews` ), STRUCT( 0.2 AS temperature, TRUE AS flatten_json_output)));

   Diese Abfrage übernimmt Kundenrezensionen aus der Tabelle customer_reviews und erstellt Prompts für das Modell gemini_flash, um das Sentiment der Rezensionen zu klassifizieren. Die Ergebnisse werden in der neuen Tabelle customer_reviews_analysis gespeichert, in der Sie sie später analysieren können.

   Warten Sie nun bitte einen Moment. Es kann ca. 20 Sekunden dauern, bis das Modell die Einträge der Kundenrezensionen verarbeitet hat.

   Wenn die Verarbeitung abgeschlossen ist, ist die Tabelle customer_reviews_analysis erstellt.

3. Klicken Sie im Explorer auf die Tabelle customer_reviews_analysis und prüfen Sie das Schema und die Details.

4. Klicken Sie auf das Symbol +, um eine neue SQL-Abfrage zu erstellen.

5. Kopieren Sie folgende Abfrage, fügen Sie sie in den Abfrageeditor ein und führen Sie sie aus:

   SELECT * FROM `gemini_demo.customer_reviews_analysis` ORDER BY review_datetime

   Damit werden Zeilen aus der Tabelle customer_reviews_analysis angezeigt. Dabei enthält die Spalte ml_generate_text_llm_result die Sentimentanalyse, einschließlich der Spalten social_media_source, review_text, customer_id, location_id und review_datetime.

   Sehen Sie sich einige der Einträge an. Es kann sein, dass einige Ergebnisse für positiv und negativ nicht korrekt formatiert sind, da sie überflüssige Zeichen wie Punkte oder zusätzliche Leerzeichen enthalten. Anhand folgender Ansicht können Sie die Einträge bereinigen.

Ansicht zur Bereinigung der Einträge erstellen

1. Klicken Sie auf das Symbol +, um eine neue SQL-Abfrage zu erstellen.

2. Kopieren Sie folgende Abfrage, fügen Sie sie in den Abfrageeditor ein und führen Sie sie aus:

   CREATE OR REPLACE VIEW gemini_demo.cleaned_data_view AS SELECT REPLACE(REPLACE(REPLACE(LOWER(ml_generate_text_llm_result), '.', ''), ' ', ''), '\n', '') AS sentiment, REGEXP_REPLACE(REGEXP_REPLACE(REGEXP_REPLACE(social_media_source, r'Google(\+|\sReviews|\sLocal|\sMy\sBusiness|\sreviews|\sMaps)?', 'Google'), 'YELP', 'Yelp'), r'SocialMedia1?', 'Social Media') AS social_media_source, review_text, customer_id, location_id, review_datetime FROM gemini_demo.customer_reviews_analysis;

   Als Ergebnis der Abfrage wird die Ansicht cleaned_data_view mit den Sentimentergebnissen, dem Rezensionstext, der Kundennummer und der Standort-ID erstellt. Dann werden in den positiven und negativen Sentimentergebnissen alle Buchstaben in Kleinbuchstaben umgewandelt und überflüssige Leerzeichen und Punkte entfernt. Mit der erstellten Ansicht lässt sich die Analyse in späteren Schritten dieses Labs einfacher durchführen.

3. Mit folgender Abfrage lassen sich die erstellten Zeilen anzeigen:

   SELECT * FROM `gemini_demo.cleaned_data_view` ORDER BY review_datetime

   Ziel der Abfrage ist das Abrufen aller Daten aus der Ansicht cleaned_data_view und deren Anordnung in aufsteigender Reihenfolge nach Datum und Uhrzeit der Rezensionen.

Bericht mit der Anzahl positiver und negativer Rezensionen erstellen

1. Sie können mit BigQuery ein Balkendiagramm erstellen, das die Anzahl der positiven und negativen Rezensionen anzeigt. Beginnen Sie mit folgender Abfrage.

   SELECT sentiment, COUNT(*) AS count FROM `gemini_demo.cleaned_data_view` WHERE sentiment IN ('positive', 'negative') GROUP BY sentiment;

   Als Ergebnis wird die Anzahl der positiven und negativen Rezensionen dargestellt.

2. Um das Balkendiagramm für diese Werte zu erstellen, klicken Sie im Abschnitt der Abfrageergebnisse von BigQuery auf DIAGRAMM. BigQuery konfiguriert das Diagramm automatisch und legt den Diagrammtyp sowie die Spalte „Sentiment“ fest mit dem als positiv bzw. negativ vorhergesagten Sentiment. Der Balken gibt die jeweilige Anzahl wieder.

Anzahl positiver und negativer Rezensionen nach sozialen Medien ermitteln

1. Sie können in BigQuery mit folgender Abfrage die Anzahl der positiven und negativen Rezensionen nach sozialen Medien anzeigen lassen.

   SELECT sentiment, social_media_source, COUNT(*) AS count FROM `gemini_demo.cleaned_data_view` WHERE sentiment IN ('positive') OR sentiment IN ('negative') GROUP BY sentiment, social_media_source ORDER BY sentiment, count;

Klicken Sie auf Fortschritt prüfen. Gemini prompten, Kundenrezensionen in Bezug auf Stichwörter und Sentiment zu analysieren

Aufgabe 6: Auf Kundenrezensionen antworten

Sie können mit Gemini auch auf Kundenrezensionen antworten. In dieser Aufgabe lernen Sie, wie Sie eine Marketingantwort mit Zero-Shots-Prompts und eine Kundenserviceantwort mit Few-Shots-Prompts für bestimmte Rezensionen aus der Tabelle customer_reviews erstellen.

Hinweis: Weitere Informationen finden Sie in der Dokumentation von Google AI for Developers unter Zero-Shot- und Few-Shot-Prompts im Vergleich.

Marketingantwort

Der Kunde mit der customer_id 5576 hat folgendermaßen geantwortet:

The location was clean and inviting. I also like that there is a variety of seating because sometimes I want to cuddle up with my coffee and read and other times I prefer a tall chair and table so I can work on projects.

Das ist eine eindeutig positive Rezension. Wie kann man nutzen, um diesem Kunden zu antworten und weitere Anreize zu schaffen?

1. Sie können dazu mit folgenden Abfragen verwenden. Kopieren Sie folgende Abfrage, fügen Sie sie in den Abfrageeditor ein und führen Sie sie aus.

   CREATE OR REPLACE TABLE `gemini_demo.customer_reviews_marketing` AS ( SELECT ml_generate_text_llm_result, social_media_source, review_text, customer_id, location_id, review_datetime FROM ML.GENERATE_TEXT( MODEL `gemini_demo.gemini_flash`, ( SELECT social_media_source, customer_id, location_id, review_text, review_datetime, CONCAT( 'You are a marketing representative. How could we incentivise this customer with this positive review? Provide a single response, and should be simple and concise, do not include emojis. Answer in JSON format with one key: marketing. Marketing should be a string.', review_text) AS prompt FROM `gemini_demo.customer_reviews` WHERE customer_id = 5576 ), STRUCT( 0.2 AS temperature, TRUE AS flatten_json_output)));

   Diese Abfrage soll Kundenrezensionen in der Tabelle customer_reviews analysieren, insbesondere jene des Kunden mit der Kundennummer 5576. Wenn Sie die Abfrage ausführen, werden mit Gemini Marketingvorschläge auf Basis des Rezensionstexts generiert und die Ergebnisse in einer neuen Tabelle namens customer_reviews_marketing. gespeichert. Diese Tabelle enthält die ursprünglichen Rezensionsdaten sowie die generierten Marketingvorschläge, mit denen Sie Analysen und entsprechende Maßnahmen einfach ausführen können.

2. Die Details der Tabelle customer_reviews_marketing können Sie durch Ausführen der folgenden SQL-Abfrage aufrufen.

   SELECT * FROM `gemini_demo.customer_reviews_marketing`

   Beachten Sie, dass die Spalte ml_generate_text_llm_result die Antwort enthält.

3. Mit folgender SQL-Abfrage erhalten Sie besser lesbare Antworten und können den Antworten entsprechende Maßnahmen ausführen:

   CREATE OR REPLACE TABLE `gemini_demo.customer_reviews_marketing_formatted` AS ( SELECT review_text, JSON_QUERY(RTRIM(LTRIM(results.ml_generate_text_llm_result, " ```json"), "```"), "$.marketing") AS marketing, social_media_source, customer_id, location_id, review_datetime FROM `gemini_demo.customer_reviews_marketing` results )

4. Die Details der Tabelle lassen sich durch Ausführen der folgenden SQL-Abfrage aufrufen.

   SELECT * FROM `gemini_demo.customer_reviews_marketing_formatted`

   Beachten Sie die Spalte marketing. Es kann eine Anwendung geschrieben werden, mit der im Kundenkonto der Data Beans-App ein 10 %-Rabattgutschein als Benachrichtigung an die Antwort aus der marketing-Spalte angehängt wird. Alternativ kann eine E-Mail an den Kunden mit den genannten Inhalten generiert wird.

Antwort des Kundenservice

Der Kunde mit der customer_id 8844 hat folgendermaßen geantwortet:

I had a very disappointing experience at this coffee truck. The service was terrible - the staff were rude and inattentive, and we had to wait a long time for our food and drinks. The food itself was mediocre at best - the coffee was weak and the pastries were stale. The shop itself was also very cramped and noisy, making it difficult to relax and enjoy our time there. To top it all off, the prices were very high, making the whole experience even worse. I would definitely not recommend this place to anyone.

Das ist eine eindeutig negative Rezension. Wie kann man diesem Kunden mithilfe von Gemini antworten und das Lokal entsprechend informieren, um auf die Beschwerde zu reagieren?

1. Sie können dazu folgende Gemini-Abfragen verwenden. Kopieren Sie folgende Abfrage, fügen Sie sie in den Abfrageeditor ein und führen Sie sie aus.

   CREATE OR REPLACE TABLE `gemini_demo.customer_reviews_cs_response` AS ( SELECT ml_generate_text_llm_result, social_media_source, review_text, customer_id, location_id, review_datetime FROM ML.GENERATE_TEXT( MODEL `gemini_demo.gemini_flash`, ( SELECT social_media_source, customer_id, location_id, review_text, review_datetime, CONCAT( 'How would you respond to this customer review? If the customer says the coffee is weak or burnt, respond stating "thank you for the review we will provide your response to the location that you did not like the coffee and it could be improved." Or if the review states the service is bad, respond to the customer stating, "the location they visited has been notified and we are taking action to improve our service at that location." From the customer reviews provide actions that the location can take to improve. The response and the actions should be simple, and to the point. Do not include any extraneous or special characters in your response. Answer in JSON format with two keys: Response, and Actions. Response should be a string. Actions should be a string.', review_text) AS prompt FROM `gemini_demo.customer_reviews` WHERE customer_id = 8844 ), STRUCT( 0.2 AS temperature, TRUE AS flatten_json_output)));

   Mit dieser Abfrage sollen Kundenserviceantworten mithilfe von Gemini automatisiert, Kundenrezensionen analysiert und geeignete Antworten sowie Maßnahmen generiert werden. Dieses Beispiel veranschaulicht exemplarisch, wie sich Kundenservice und geschäftliche Abläufe mit Google Cloud optimieren lassen. Mit Ausführung der Abfrage wird die Tabelle customer_reviews_cs_response erstellt.

2. Die Details der Tabelle lassen sich durch Ausführen der folgenden SQL-Abfrage aufrufen.

   SELECT * FROM `gemini_demo.customer_reviews_cs_response`

   Beachten Sie, dass die Spalte ml_generate_text_llm_result die Antwort und die Maßnahmen als zwei verschiedene Schlüssel enthält.

3. Mithilfe folgender SQL-Abfrage können Sie die Tabelle übersichtlicher gestalten. So werden Antwort und Maßnahmen in zwei Spalten einer neuen Tabelle namens customer_reviews_cs_response_formatted aufgeteilt:

   CREATE OR REPLACE TABLE `gemini_demo.customer_reviews_cs_response_formatted` AS ( SELECT review_text, JSON_QUERY(RTRIM(LTRIM(results.ml_generate_text_llm_result, " ```json"), "```"), "$.Response") AS Response, JSON_QUERY(RTRIM(LTRIM(results.ml_generate_text_llm_result, " ```json"), "```"), "$.Actions") AS Actions, social_media_source, customer_id, location_id, review_datetime FROM `gemini_demo.customer_reviews_cs_response` results )

4. Die Details der Tabelle lassen sich durch Ausführen der folgenden SQL-Abfrage aufrufen.

   SELECT * FROM `gemini_demo.customer_reviews_cs_response_formatted`

   Hinweis: Für Antwort und Maßnahmen sind nun entsprechende Felder vorhanden. Sie können verschiedene Anwendungen erstellen, um dem Kunden und dem Lokal zu antworten. So können Maßnahmen zur Verbesserung veranlasst werden und der Kunde wird über den Eingang seines Feedbacks informiert.

Klicken Sie auf Fortschritt prüfen. Auf Kundenrezensionen antworten

Aufgabe 7: Gemini prompten, Stichwörter und Zusammenfassungen für jedes Bild bereitzustellen

In dieser Aufgabe analysieren Sie anhand von Gemini Bilder und generieren Stichwörter sowie Zusammenfassungen.

Bilder mit dem -Modell analysieren

1. Klicken Sie auf das Symbol +, um eine neue SQL-Abfrage zu erstellen.

2. Kopieren Sie folgende Abfrage, fügen Sie sie in den Abfrageeditor ein und führen Sie sie aus.

   CREATE OR REPLACE TABLE `gemini_demo.review_images_results` AS ( SELECT uri, ml_generate_text_llm_result FROM ML.GENERATE_TEXT( MODEL `gemini_demo.gemini_flash`, TABLE `gemini_demo.review_images`, STRUCT( 0.2 AS temperature, 'For each image, provide a summary of what is happening in the image and keywords from the summary. Answer in JSON format with two keys: summary, keywords. Summary should be a string, keywords should be a list.' AS PROMPT, TRUE AS FLATTEN_JSON_OUTPUT)));

   Warten Sie nun bitte einen Moment. Es dauert etwa 3 Minuten, bis das Modell den Vorgang abgeschlossen hat.

   Wenn das Modell das Bild verarbeitet hat, ist die Tabelle review_images_results erstellt.

3. Klicken Sie im Explorer auf die Tabelle review_image_results und sehen Sie sich das Schema und die Details an.

4. Klicken Sie auf das Symbol +, um eine neue SQL-Abfrage zu erstellen.

5. Kopieren Sie folgende Abfrage, fügen Sie sie in den Abfrageeditor ein und führen Sie sie aus:

   SELECT * FROM `gemini_demo.review_images_results`

   Nun werden Zeilen für jedes Rezensionsbild mit dem URI (dem Cloud Storage-Standort des Rezensionsbildes) angezeigt sowie eine JSON-Ausgabe mit der Zusammenfassung und den Stichwörtern des Gemini Vision-Modells.

   Mit folgender Abfrage lassen sich die Ergebnisse in übersichtlicher Form darstellen.

6. Klicken Sie auf das Symbol +, um eine neue SQL-Abfrage zu erstellen.

7. Kopieren Sie folgende Abfrage, fügen Sie sie in den Abfrageeditor ein und führen Sie sie aus:

   CREATE OR REPLACE TABLE `gemini_demo.review_images_results_formatted` AS ( SELECT uri, JSON_QUERY(RTRIM(LTRIM(results.ml_generate_text_llm_result, " ```json"), "```"), "$.summary") AS summary, JSON_QUERY(RTRIM(LTRIM(results.ml_generate_text_llm_result, " ```json"), "```"), "$.keywords") AS keywords FROM `gemini_demo.review_images_results` results )

   Nun ist die Tabelle review_images_results_formatted erstellt.

8. Mit folgender Abfrage lassen sich die erstellten Tabellenreihen visualisieren.

   SELECT * FROM `gemini_demo.review_images_results_formatted`

   Beachten Sie, dass sich die ausgegebene URI-Spalte nicht verändert, die JSON-Ausgabe aber in die Zusammenfassungs- und Stichwort-Spalten konvertiert wird.

Klicken Sie auf Fortschritt prüfen. Gemini prompten, Stichwörter und Zusammenfassungen für jedes Bild bereitzustellen

Das wars! Sie haben das Lab erfolgreich abgeschlossen.

Sie haben eine Cloud-Ressourcenverbindung in BigQuery erstellt. Außerdem haben Sie ein Dataset, Tabellen und Modelle erstellt, um Gemini aufzufordern, das Sentiment von Kundenrezensionen zu analysieren. Sie haben auch einen Bericht mit der Anzahl positiver und negativer Rezensionen erstellt. Anschließend haben Sie mit Zero-Shot- und Few-Shot-Prompts auf diese Rezensionen geantwortet. Schließlich haben Sie mit dem Gemini-Modell Bilder analysiert und Zusammenfassungen sowie Stichwörter generiert.

Weitere Informationen

• Einführung in BigQuery ML
• Maschinelles Lernen mit der Inferenz-Engine von BigQuery ML skalieren – Blog
• Gemini-Modelle
• Generative KI

Google Cloud-Schulungen und -Zertifizierungen

In unseren Schulungen erfahren Sie alles zum optimalen Einsatz unserer Google Cloud-Technologien und können sich entsprechend zertifizieren lassen. Unsere Kurse vermitteln technische Fähigkeiten und Best Practices, damit Sie möglichst schnell mit Google Cloud loslegen und Ihr Wissen fortlaufend erweitern können. Wir bieten On-Demand-, Präsenz- und virtuelle Schulungen für Anfänger wie Fortgeschrittene an, die Sie individuell in Ihrem eigenen Zeitplan absolvieren können. Mit unseren Zertifizierungen weisen Sie nach, dass Sie Experte im Bereich Google Cloud-Technologien sind.

Anleitung zuletzt am 29. Oktober 2025 aktualisiert

Lab zuletzt am 29. Oktober 2025 getestet

© 2025 Google LLC. Alle Rechte vorbehalten. Google und das Google-Logo sind Marken von Google LLC. Alle anderen Unternehmens- und Produktnamen können Marken der jeweils mit ihnen verbundenen Unternehmen sein.