GSP1246

Présentation

Dans cet atelier, vous allez apprendre à utiliser BigQuery Machine Learning avec des modèles distants (Gemini) en SQL pour extraire des mots clés, évaluer les sentiments exprimés dans les avis clients et répondre aux avis clients avec des prompts zero-shot et few-shot.

BigQuery est une plate-forme d'analyse de données entièrement gérée et compatible avec l'IA, conçue pour être multimoteur, multiformat et multicloud. Elle vous aide à maximiser la valeur de vos données. BigQuery Machine Learning, l'une de ses fonctionnalités essentielles, vous permet de créer et d'exécuter des modèles de machine learning (ML) à l'aide de requêtes SQL ou avec des notebooks Colab Enterprise.

Gemini est une famille de modèles d'IA générative développés par Google DeepMind, et conçus pour les cas d'utilisation multimodaux. L'API Gemini vous donne accès aux modèles Gemini.

Vous allez également exploiter le modèle Gemini pour générer des résumés et extraire les mots clés pertinents d'images d'avis clients.

Objectifs

Dans cet atelier, vous allez apprendre à :

• créer une connexion à une ressource cloud dans BigQuery ;
• créer l'ensemble de données et les tables dans BigQuery ;
• créer les modèles distants Gemini dans BigQuery ;
• demander à Gemini d'analyser les mots clés et les sentiments (positifs ou négatifs) des avis clients textuels ;
• générer un rapport avec le nombre d'avis positifs et négatifs ;
• répondre aux avis clients ;
• demander à Gemini d'extraire un résumé et les mots clés pour chaque image d'avis client.

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).

Remarque : Ouvrez une fenêtre de navigateur en mode incognito (recommandé) ou de navigation privée pour effectuer cet atelier. Vous éviterez ainsi les conflits entre votre compte personnel et le compte temporaire de participant, qui pourraient entraîner des frais supplémentaires facturés sur votre compte personnel.

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

Remarque : Utilisez uniquement le compte de participant pour cet atelier. Si vous utilisez un autre compte Google Cloud, des frais peuvent être facturés à ce compte.

Démarrer l'atelier et se connecter à la console Google Cloud

1. Cliquez sur le bouton Démarrer l'atelier. Si l'atelier est payant, une boîte de dialogue s'affiche pour vous permettre de sélectionner un mode de paiement. Sur la gauche, vous trouverez le panneau "Détails concernant l'atelier", qui contient les éléments suivants :

   • Le bouton "Ouvrir la console Google Cloud"
   • Le temps restant
   • Les identifiants temporaires que vous devez utiliser pour cet atelier
   • Des informations complémentaires vous permettant d'effectuer l'atelier

2. Cliquez sur Ouvrir la console Google Cloud (ou effectuez un clic droit et sélectionnez Ouvrir le lien dans la fenêtre de navigation privée si vous utilisez le navigateur Chrome).

   L'atelier lance les ressources, puis ouvre la page "Se connecter" dans un nouvel onglet.

   Conseil : Réorganisez les onglets dans des fenêtres distinctes, placées côte à côte.

   Remarque : Si la boîte de dialogue Sélectionner un compte s'affiche, cliquez sur Utiliser un autre compte.

3. Si nécessaire, copiez le nom d'utilisateur ci-dessous et collez-le dans la boîte de dialogue Se connecter.

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

   Vous trouverez également le nom d'utilisateur dans le panneau "Détails concernant l'atelier".

4. Cliquez sur Suivant.

5. Copiez le mot de passe ci-dessous et collez-le dans la boîte de dialogue Bienvenue.

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

   Vous trouverez également le mot de passe dans le panneau "Détails concernant l'atelier".

6. Cliquez sur Suivant.

   Important : Vous devez utiliser les identifiants fournis pour l'atelier. Ne saisissez pas ceux de votre compte Google Cloud. Remarque : Si vous utilisez votre propre compte Google Cloud pour cet atelier, des frais supplémentaires peuvent vous être facturés.

7. Accédez aux pages suivantes :

   • Acceptez les conditions d'utilisation.
   • N'ajoutez pas d'options de récupération ni d'authentification à deux facteurs (ce compte est temporaire).
   • Ne vous inscrivez pas à des essais sans frais.

Après quelques instants, la console Cloud s'ouvre dans cet onglet.

Remarque : Pour accéder aux produits et services Google Cloud, cliquez sur le menu de navigation ou saisissez le nom du service ou du produit dans le champ Recherche.

Tâche 1 : Créer la connexion à une ressource cloud et attribuer un rôle IAM

Créer la connexion à une ressource cloud dans BigQuery

Dans cette tâche, vous allez créer une connexion à une ressource cloud dans BigQuery pour pouvoir travailler avec les modèles Gemini. Vous allez également accorder des autorisations IAM au compte de service de la connexion à la ressource cloud en lui attribuant un rôle, afin de lui permettre d'accéder aux services Agent Platform.

Ouvrir la console BigQuery

1. Dans la console Google Cloud, sélectionnez le menu de navigation > BigQuery.

Le message Bienvenue sur BigQuery dans Cloud Console s'affiche. Il contient un lien vers le guide de démarrage rapide et les notes de version.

2. Cliquez sur OK.

La console BigQuery s'ouvre.

3. Accédez au volet Explorateur, cliquez sur + Ajouter des données, puis saisissez Agent Platform dans le champ Rechercher des sources de données.

4. Cliquez sur le résultat Agent Platform, puis sur Fédération BigQuery.

5. Dans la liste "Type de connexion", sélectionnez Modèles distants Agent Platform, fonctions à distance et Lakehouse (Ressource Cloud).

6. Dans le champ "ID de connexion", saisissez gemini_conn pour votre connexion.

7. Sélectionnez Multirégional comme Type d'emplacement, puis États-Unis dans le menu déroulant.

8. Utilisez les valeurs par défaut des autres paramètres.

9. Cliquez sur Créer une connexion.

10. Cliquez sur Accéder à la connexion.

11. Copiez l'ID de compte de service indiqué dans le volet "Informations de connexion" dans un fichier texte. Vous en aurez besoin à l'étape suivante. Vous verrez également que la connexion est ajoutée sous la section "Connexions externes" de votre projet dans l'explorateur BigQuery.

Attribuer le rôle d'utilisateur Agent Platform au compte de service de la connexion

1. Dans le menu de navigation de la console, cliquez sur IAM et administration.

2. Cliquez sur Accorder l'accès.

3. Dans le champ Nouveaux comptes principaux, saisissez l'ID de compte de service que vous avez copié précédemment.

4. Dans le champ "Sélectionner un rôle", saisissez Agent Platform, puis choisissez le rôle Utilisateur Agent Platform.

5. Cliquez sur Enregistrer.

   Le compte de service inclut désormais le rôle Utilisateur Agent Platform.

Cliquez sur Vérifier ma progression pour valider l'objectif. Créer la connexion à une ressource cloud et attribuer un rôle IAM

Tâche 2 : Examiner les images et les fichiers, et attribuer le rôle IAM au compte de service

Dans cette tâche, vous allez examiner l'ensemble de données et les fichiers image. Vous accorderez ensuite des autorisations IAM au compte de service de la connexion à la ressource cloud.

Examiner les fichiers image et l'ensemble de données d'avis clients sur Cloud Storage

Avant de commencer cette tâche, pour accorder des autorisations au compte de service de la connexion à la ressource, examinez l'ensemble de données et les fichiers image.

1. Dans la console, sélectionnez le menu de navigation (), puis Cloud Storage.

2. Cliquez sur Buckets, puis sélectionnez le bucket -bucket.

3. Dans le bucket, ouvrez le dossier gsp1246. Il contient deux éléments :

   • Le dossier images contient tous les fichiers image que vous allez analyser. Vous pouvez y accéder et prendre connaissance des fichiers image.
   • Le fichier customer_reviews.csv est l'ensemble de données qui contient les avis clients textuels.
   Remarque : Vous pouvez utiliser l'URL authentifiée pour chaque image et le fichier customer_reviews.csv pour télécharger et consulter chaque élément.

Attribuer le rôle IAM "Administrateur des objets Storage" au compte de service de la connexion

Vous allez attribuer les autorisations IAM requises au compte de service de la connexion à la ressource avant de commencer à travailler dans BigQuery. Vous vous assurez ainsi d'éviter les erreurs de type "accès refusé" lors de l'exécution des requêtes.

1. Revenez à la racine du bucket.

2. Cliquez sur l'onglet Autorisations.

3. Cliquez sur Accorder l'accès.

4. Dans le champ Nouveaux comptes principaux, saisissez l'ID de compte de service que vous avez copié précédemment.

5. Dans le champ "Sélectionner un rôle", saisissez Objets Storage, puis sélectionnez le rôle Administrateur des objets de l'espace de stockage.

6. Cliquez sur Enregistrer.

   Le compte de service inclut désormais le rôle d'administrateur des objets de l'espace de stockage.

Cliquez sur Vérifier ma progression pour valider l'objectif. Examiner les images et les fichiers, et attribuer le rôle IAM au compte de service

Tâche 3 : Créer l'ensemble de données et les tables dans BigQuery

Dans cette tâche, vous allez créer un ensemble de données pour le projet, la table pour les avis clients et la table d'objets image.

Créer l'ensemble de données

1. Dans la console, ouvrez le menu de navigation () et sélectionnez BigQuery.

2. Accédez au volet Explorateur. Pour , sélectionnez Afficher les actions () à côté d'Ensembles de données, puis Créer un ensemble de données.

   Vous créez un ensemble de données pour stocker des objets de bases de données, dont des tables et des modèles.

3. Dans le volet Créer un ensemble de données, saisissez les informations suivantes :

   Champ	Valeur
   ID de l'ensemble de données	gemini_demo
   Type d'emplacement	Sélectionnez Multirégional
   Emplacement multirégional	Sélectionnez États-Unis

   Conservez les valeurs par défaut dans les autres champs.

4. Cliquez sur Créer un ensemble de données.

   L'ensemble de données gemini_demo est désormais créé et se trouve en dessous de votre projet dans l'explorateur BigQuery.

Créer la table pour les avis clients

Pour créer la table des avis clients, vous allez utiliser une requête SQL.

1. Cliquez sur le signe + pour créer une requête SQL.

2. Dans l'éditeur de requête, collez la requête ci-dessous.

   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']);

   Cette requête utilise l'instruction LOAD DATA pour charger le fichier customer_reviews.csv à partir de Cloud Storage vers une table BigQuery avec les noms de colonne et les types de données indiqués.

3. Cliquez sur Exécuter.

   La requête est traitée et la table customer_reviews est créée avec customer_review_id, customer_id, location_id, review_datetime, review_text, social_media_source et social_media_handle pour chaque avis dans l'ensemble de données.

4. Dans le volet de l'explorateur classique, cliquez sur la table customer_reviews, et examinez le schéma et les détails. Vous pouvez interroger la table pour examiner les enregistrements.

Créer la table d'objets pour les images d'avis

Pour créer la table d'objets, vous allez utiliser une requête SQL.

1. Cliquez sur le signe + pour créer une requête SQL.

2. Dans l'éditeur de requête, collez la requête ci-dessous.

   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. Exécutez la requête.

   La table d'objets review_images est ajoutée à l'ensemble de données gemini_demo et chargée avec l'URI (l'emplacement Cloud Storage) de chaque avis audio dans l'exemple d'ensemble de données.

4. Dans l'explorateur classique, cliquez sur la table review_images, et examinez le schéma et les détails. Vous pouvez interroger la table pour examiner des enregistrements spécifiques.

Cliquez sur Vérifier ma progression pour valider l'objectif. Créer l'ensemble de données, les tables et la réservation d'emplacements dans BigQuery

Tâche 4 : Créer les modèles Gemini dans BigQuery

Maintenant que les tables sont créées, vous pouvez commencer à les utiliser. Dans cette tâche, vous allez créer un modèle pour Gemini dans BigQuery.

Créer le modèle Gemini Flash

1. Cliquez sur le signe + pour créer une requête SQL.

2. Dans l'éditeur de requête, collez la requête ci-dessous et exécutez-la.

   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}}}')

   Ce code crée le modèle gemini_flash. Celui-ci est ajouté à l'ensemble de données gemini_demo, dans la section des modèles.

3. Dans l'explorateur classique, cliquez sur le modèle gemini_flash, et examinez le schéma et les détails.

Cliquez sur Vérifier ma progression pour valider l'objectif. Créer les modèles Gemini dans BigQuery

Tâche 5 : Demander à Gemini d'analyser les mots clés et les sentiments des avis clients

Dans cette tâche, vous allez utiliser le modèle Gemini pour analyser les mots clés et le sentiment de chaque avis client, qu'il soit positif ou négatif.

Analyser les mots clés des avis clients

1. Cliquez sur le signe + pour créer une requête SQL.

2. Dans l'éditeur de requête, collez la requête ci-dessous et exécutez-la.

   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)));

   Cette requête récupère les avis clients de la table customer_reviews et crée des prompts demandant au modèle gemini_flash d'identifier les mots clés de chaque avis. Les résultats sont ensuite stockés dans une nouvelle table appelée customer_reviews_keywords.

   Patientez quelques instants. Le traitement des enregistrements d'avis clients par le modèle prend environ 30 secondes.

   Lorsque le modèle a terminé cette opération, la table customer_reviews_keywords est créée.

3. Dans l'explorateur classique, cliquez sur la table customer_reviews_keywords, et examinez le schéma et les détails.

4. Cliquez sur le signe + pour créer une requête SQL.

5. Dans l'éditeur de requête, collez la requête suivante et exécutez-la :

   SELECT * FROM `gemini_demo.customer_reviews_keywords`

   Les lignes de la table customer_reviews_keywords sont affichées avec la colonne ml_generate_text_llm_result contenant l'analyse des mots clés, et les colonnes social_media_source, review_text, customer_id, location_id et review_datetime incluses.

Analyser les avis clients pour déterminer si le sentiment est positif ou négatif

1. Cliquez sur le signe + pour créer une requête SQL.

2. Dans l'éditeur de requête, collez la requête ci-dessous et exécutez-la.

   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)));

   Cette requête récupère les avis clients de la table customer_reviews et crée des prompts demandant au modèle gemini_flash de classer le sentiment de chaque avis. Les résultats sont ensuite stockés dans une nouvelle table appelée customer_reviews_analysis, que vous pouvez utiliser ultérieurement pour réaliser des analyses approfondies.

   Patientez quelques instants. Le traitement des enregistrements d'avis clients par le modèle prend environ 20 secondes.

   Lorsque le modèle a terminé cette opération, la table customer_reviews_analysis est créée.

3. Dans l'explorateur classique, cliquez sur la table customer_reviews_analysis, et examinez le schéma et les détails.

4. Cliquez sur le signe + pour créer une requête SQL.

5. Dans l'éditeur de requête, collez la requête suivante et exécutez-la :

   SELECT * FROM `gemini_demo.customer_reviews_analysis` ORDER BY review_datetime

   Les lignes de la table customer_reviews_analysis sont affichées avec la colonne ml_generate_text_llm_result contenant l'analyse des sentiments, avec les colonnes social_media_source, review_text, customer_id, location_id et review_datetime incluses.

   Examinez quelques enregistrements. Vous remarquerez peut-être que le format de certains résultats, classés positifs ou négatifs, est incorrect. Ils peuvent par exemple contenir des caractères superflus, tels que des points ou des espaces en trop. Vous pouvez nettoyer les enregistrements en utilisant la vue ci-dessous.

Créer une vue pour nettoyer les enregistrements

1. Cliquez sur le signe + pour créer une requête SQL.

2. Dans l'éditeur de requête, collez la requête suivante et exécutez-la :

   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;

   La requête crée la vue cleaned_data_view, qui comprend les résultats d'analyse des sentiments, le texte de l'avis, le numéro client et l'ID de zone géographique. Puis, elle nettoie le résultat d'analyse des sentiments (positif ou négatif), mettant toutes les lettres en minuscules et supprimant les caractères superflus (comme les espaces en trop ou les points). La vue obtenue facilitera les analyses approfondies réalisées ultérieurement au cours de cet atelier.

3. Vous pouvez interroger la vue avec la requête ci-dessous pour voir les lignes créées.

   SELECT * FROM `gemini_demo.cleaned_data_view` ORDER BY review_datetime

   Cette requête extrait toutes les données de la vue cleaned_data_view, puis les organise par ordre croissant en fonction de la date et de l'heure des avis.

Créer un rapport sur les nombres d'avis positifs et négatifs

1. Vous pouvez utiliser BigQuery pour créer un rapport sur les nombres d'avis positifs et négatifs avec un graphique à barres. Commencez avec la requête ci-dessous.

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

   Cette requête affiche les nombres d'avis positifs et négatifs.

2. Pour créer un rapport avec un graphique à barres sur ces nombres, cliquez sur GRAPHIQUE dans la section "Résultats de la requête" de BigQuery. BigQuery définit automatiquement la configuration du graphique avec le type de graphique "Barres". La colonne de sentiment (le sentiment prédit comme positif ou négatif) et la barre affichent le nombre.

Créer un nombre d'avis positifs et négatifs en fonction de la source de réseaux sociaux

1. Vous pouvez utiliser BigQuery pour lister le nombre d'avis positifs et négatifs par source de réseaux sociaux en utilisant la requête ci-dessous.

   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;

Cliquez sur Vérifier ma progression pour valider l'objectif. Demander à Gemini d'analyser les mots clés et les sentiments des avis clients

Tâche 6 : Répondre aux avis clients

Vous pouvez également utiliser Gemini pour répondre aux avis clients. Dans cette tâche, vous allez apprendre à créer une réponse marketing à l'aide d'un prompt zero-shot et une réponse du service client à l'aide d'un prompt few-shot, pour des avis spécifiques de la table customer_reviews.

Remarque : Pour plus d'informations, consultez la section sur les prompts zero-shot et few-shot dans la documentation de Google AI for Developers.

Réponse marketing

Le client avec le customer_id 5576 a répondu comme suit :

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.

Cet avis est clairement positif. Comment pouvez-vous utiliser pour répondre à ce client et le remercier pour son avis positif ?

1. Vous pouvez utiliser avec ces requêtes. Dans l'éditeur de requête, collez la requête ci-dessous et exécutez-la.

   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)));

   Cette requête est conçue pour analyser les avis clients de la table customer_reviews, spécifiquement ceux du "customer_id" 5576. Lorsque vous exécutez la requête, elle utilise Gemini pour générer des suggestions marketing basées sur le texte de l'avis, puis elle stocke les résultats dans une nouvelle table appelée customer_reviews_marketing. Cette table contiendra les données d'origine de l'avis avec les suggestions marketing générées, vous permettant de les analyser facilement et d'agir en conséquence.

2. Vous pouvez afficher les détails de la table customer_reviews_marketing en exécutant la requête SQL ci-dessous.

   SELECT * FROM `gemini_demo.customer_reviews_marketing`

   Notez que la colonne ml_generate_text_llm_result contient la réponse.

3. Vous pouvez en faciliter la lecture et agir sur la réponse en utilisant la requête SQL ci-dessous :

   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. Vous pouvez afficher les détails de la table en exécutant la requête SQL ci-dessous.

   SELECT * FROM `gemini_demo.customer_reviews_marketing_formatted`

   Observez la colonne marketing. Vous pouvez configurer une application pour qu'elle récupère automatiquement la réponse dans la colonne marketing, afin de joindre un fichier de bon de réduction de 10 % (sous forme de notification pour le compte du client dans l'application Data Beans). Le système peut également générer et envoyer directement un e-mail au client avec ces informations

Réponse du service client

Le client avec le customer_id 8844 a répondu comme suit :

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.

Cet avis est clairement négatif. Comment pouvez-vous utiliser Gemini pour répondre à ce client et informer les responsables du food truck de cette expérience afin de prendre les mesures nécessaires ?

1. Vous pouvez utiliser Gemini avec ces requêtes. Dans l'éditeur de requête, collez la requête ci-dessous et exécutez-la.

   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)));

   Cette requête sert à automatiser les réponses du service client en utilisant Gemini pour analyser les avis clients et générer des réponses et des plans d'action appropriés. Cet exemple illustre parfaitement comment Google Cloud peut améliorer le service client et rendre les opérations commerciales plus efficaces. Une fois la requête exécutée, la table customer_reviews_cs_response est créée.

2. Vous pouvez afficher les détails de la table en exécutant la requête SQL ci-dessous.

   SELECT * FROM `gemini_demo.customer_reviews_cs_response`

   Notez que la colonne ml_generate_text_llm_result contient la réponse et les actions, représentées par deux clés distinctes.

3. Vous pouvez en faciliter la lecture en utilisant la requête SQL ci-dessous pour séparer la réponse et les actions en deux colonnes dans une nouvelle table appelée customer_reviews_cs_response_formatted :

   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. Vous pouvez afficher les détails de la table en exécutant la requête SQL ci-dessous.

   SELECT * FROM `gemini_demo.customer_reviews_cs_response_formatted`

   Notez que les champs de réponse et d'actions sont désormais créés. Vous pouvez générer deux applications distinctes : une pour répondre au client et l'autre pour l'établissement. Celui-ci pourra ainsi prendre des mesures pour s'améliorer, et le client sera informé que son commentaire a été reçu.

Cliquez sur Vérifier ma progression pour valider l'objectif. Répondre aux avis clients

Tâche 7 : Demander à Gemini de fournir des mots clés et des résumés pour chaque image

Dans cette tâche, vous allez utiliser Gemini pour analyser les images et générer des mots clés et des résumés.

Analyser les images avec le modèle

1. Cliquez sur le signe + pour créer une requête SQL.

2. Dans l'éditeur de requête, collez la requête ci-dessous et exécutez-la.

   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)));

   Patientez quelques instants. L'exécution de cette opération prend environ trois minutes.

   Lorsque le modèle a fini de traiter l'image, la table review_images_results est créée.

3. Dans l'explorateur classique, cliquez sur la table review_image_results, et examinez le schéma et les détails.

4. Cliquez sur le signe + pour créer une requête SQL.

5. Dans l'éditeur de requête, collez la requête suivante et exécutez-la :

   SELECT * FROM `gemini_demo.review_images_results`

   Cette requête affiche les lignes de chaque image d'avis avec l'URI (l'emplacement Cloud Storage de l'image d'avis) et un résultat JSON incluant le résumé et les mots clés fournis par le modèle Gemini Vision.

   Vous pouvez récupérer ces résultats dans un format plus lisible en utilisant la requête suivante.

6. Cliquez sur le signe + pour créer une requête SQL.

7. Dans l'éditeur de requête, collez la requête suivante et exécutez-la :

   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 )

   Cette requête crée la table review_images_results_formatted.

8. Vous pouvez interroger la table avec la requête ci-dessous pour voir les lignes créées.

   SELECT * FROM `gemini_demo.review_images_results_formatted`

   Notez que les résultats de la colonne d'URI restent les mêmes, mais que le JSON est désormais converti en colonnes de résumé et de mots clés pour chaque ligne.

Cliquez sur Vérifier ma progression pour valider l'objectif. Demander à Gemini de fournir des résumés et des mots clés pour les images d'avis clients

Félicitations !

Vous avez créé une connexion à une ressource cloud dans BigQuery. Vous avez également créé un ensemble de données, des tables et des modèles pour demander à Gemini d'analyser le sentiment des avis clients, avec un rapport sur les nombres d'avis positifs et négatifs. Vous avez ensuite utilisé des prompts zero-shot et few-shot avec Gemini pour répondre à ces avis. Pour finir, vous avez exploité le modèle Gemini pour analyser des images, et générer des résumés et des mots clés.

Étapes suivantes et informations supplémentaires

• Présentation de BigQuery ML
• Article de blog sur le scaling du machine learning avec le moteur d'inférence de BigQuery ML
• Modèles Gemini
• IA générative

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 : 20 novembre 2025

Dernier test de l'atelier : 20 novembre 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.