GSP1246

Ringkasan

Di lab ini, Anda akan mempelajari cara menggunakan BigQuery Machine Learning dengan model jarak jauh (Gemini) di SQL untuk mengekstraksi kata kunci, menilai sentimen dalam ulasan pelanggan, dan merespons ulasan pelanggan dengan perintah zero-shot dan few-shot.

BigQuery adalah platform analisis data yang terkelola sepenuhnya dengan kemampuan AI untuk membantu Anda memaksimalkan nilai dari data Anda. Platform ini dirancang agar mendukung multi-engine, multi-format, dan multi-cloud. Salah satu fitur utamanya adalah BigQuery Machine Learning, yang memungkinkan Anda membuat dan menjalankan model machine learning (ML) menggunakan kueri SQL atau notebook Colab Enterprise.

Gemini adalah rangkaian model AI generatif yang dikembangkan oleh Google DeepMind dan dirancang untuk menangani kasus penggunaan multimodal. Gemini API menyediakan akses ke model Gemini.

Selain itu, Anda akan menggunakan model Gemini untuk membuat ringkasan dan mengekstrak kata kunci yang relevan dari gambar ulasan pelanggan.

Tujuan

Di lab ini, Anda akan mempelajari cara:

• Membuat koneksi Resource Cloud di BigQuery.
• Membuat set data dan tabel di BigQuery.
• Membuat model jarak jauh Gemini di BigQuery.
• Memerintahkan Gemini menganalisis kata kunci dan sentimen (positif atau negatif) pada ulasan pelanggan berbasis teks.
• Membuat laporan berisi jumlah ulasan positif dan negatif.
• Merespons ulasan pelanggan.
• Memerintahkan Gemini mengekstrak ringkasan dan kata kunci untuk setiap gambar ulasan pelanggan.

Penyiapan dan persyaratan

Sebelum mengklik tombol Start Lab

Baca petunjuk ini. Lab memiliki timer dan Anda tidak dapat menjedanya. Timer yang dimulai saat Anda mengklik Start Lab akan menampilkan durasi ketersediaan resource Google Cloud untuk Anda.

Lab interaktif ini dapat Anda gunakan untuk melakukan aktivitas lab di lingkungan cloud sungguhan, bukan di lingkungan demo atau simulasi. Untuk mengakses lab ini, Anda akan diberi kredensial baru yang bersifat sementara dan dapat digunakan untuk login serta mengakses Google Cloud selama durasi lab.

Untuk menyelesaikan lab ini, Anda memerlukan:

• Akses ke browser internet standar (disarankan browser Chrome).

Catatan: Gunakan jendela Samaran (direkomendasikan) atau browser pribadi untuk menjalankan lab ini. Hal ini akan mencegah konflik antara akun pribadi Anda dan akun siswa yang dapat menyebabkan tagihan ekstra pada akun pribadi Anda.

• Waktu untuk menyelesaikan lab. Ingat, setelah dimulai, lab tidak dapat dijeda.

Catatan: Hanya gunakan akun siswa untuk lab ini. Jika Anda menggunakan akun Google Cloud yang berbeda, Anda mungkin akan dikenai tagihan ke akun tersebut.

Cara memulai lab dan login ke Google Cloud Console

1. Klik tombol Start Lab. Jika Anda perlu membayar lab, dialog akan terbuka untuk memilih metode pembayaran. Di sebelah kiri ada panel Lab Details yang berisi hal-hal berikut:

   • Tombol Open Google Cloud console
   • Waktu tersisa
   • Kredensial sementara yang harus Anda gunakan untuk lab ini
   • Informasi lain, jika diperlukan, untuk menyelesaikan lab ini

2. Klik Open Google Cloud console (atau klik kanan dan pilih Open Link in Incognito Window jika Anda menjalankan browser Chrome).

   Lab akan menjalankan resource, lalu membuka tab lain yang menampilkan halaman Sign in.

   Tips: Atur tab di jendela terpisah secara berdampingan.

   Catatan: Jika Anda melihat dialog Choose an account, klik Use Another Account.

3. Jika perlu, salin Username di bawah dan tempel ke dialog Sign in.

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

   Anda juga dapat menemukan Username di panel Lab Details.

4. Klik Next.

5. Salin Password di bawah dan tempel ke dialog Welcome.

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

   Anda juga dapat menemukan Password di panel Lab Details.

6. Klik Next.

   Penting: Anda harus menggunakan kredensial yang diberikan lab. Jangan menggunakan kredensial akun Google Cloud Anda. Catatan: Menggunakan akun Google Cloud sendiri untuk lab ini dapat dikenai biaya tambahan.

7. Klik halaman berikutnya:

   • Setujui persyaratan dan ketentuan.
   • Jangan tambahkan opsi pemulihan atau autentikasi 2 langkah (karena ini akun sementara).
   • Jangan mendaftar uji coba gratis.

Setelah beberapa saat, Konsol Google Cloud akan terbuka di tab ini.

Catatan: Untuk mengakses produk dan layanan Google Cloud, klik Navigation menu atau ketik nama layanan atau produk di kolom Search.

Tugas 1. Membuat koneksi resource cloud dan memberikan peran IAM

Membuat koneksi resource cloud di BigQuery

Dalam tugas ini, Anda akan membuat koneksi resource Cloud di BigQuery agar Anda dapat bekerja dengan model Gemini dan Gemini. Anda juga akan memberikan izin IAM berupa suatu peran ke akun layanan koneksi resource cloud agar akun tersebut dapat mengakses layanan Agent Platform.

Membuka konsol BigQuery

1. Di Konsol Google Cloud, pilih Navigation menu > BigQuery.

Kotak pesan Welcome to BigQuery in the Cloud Console akan terbuka. Kotak pesan ini menyediakan link ke panduan memulai dan catatan rilis.

2. Klik Done.

Konsol BigQuery terbuka.

3. Beralihlah ke panel Explorer, klik + Add data, lalu di Search for data sources, ketik Agent Platform.

4. Klik hasil Agent Platform, lalu klik BigQuery Federation.

5. Pada daftar Connection type, pilih Agent Platform remote models, remote functions and Lakehouse (Cloud Resource).

6. Di kolom Connection ID, masukkan gemini_conn untuk koneksi Anda.

7. Untuk Location type, pilih Multi-region, lalu dari menu dropdown, pilih multi-region US.

8. Gunakan opsi default untuk setelan lainnya.

9. Klik Create connection.

10. Klik Go to connection.

11. Di panel Connection info, salin ID akun layanan ke file teks untuk digunakan dalam tugas berikutnya. Anda juga akan melihat koneksi ditambahkan di bagian External Connections project Anda di BigQuery Explorer.

Memberikan peran Agent Platform User ke akun layanan koneksi

1. Di konsol, pada Navigation menu, klik IAM & Admin.

2. Klik Grant Access.

3. Di kolom New principals, masukkan ID akun layanan yang Anda salin sebelumnya.

4. Di kolom Select a role, masukkan Agent Platform, lalu pilih peran Agent Platform User.

5. Klik Save.

   Hasilnya adalah akun layanan kini memiliki peran Agent Platform User.

Klik Periksa progres saya untuk memverifikasi tujuan. Membuat koneksi resource cloud dan memberikan peran IAM.

Tugas 2. Meninjau gambar dan file, serta memberikan peran IAM ke akun layanan

Dalam tugas ini, Anda akan meninjau set data dan file gambar, lalu memberikan izin IAM ke akun layanan koneksi resource cloud.

Meninjau file gambar dan set data ulasan pelanggan di Cloud Storage

Sebelum memulai tugas ini untuk memberikan izin ke akun layanan koneksi resource, tinjau set data dan file gambar.

1. Di konsol, pilih Navigation menu (), lalu pilih Cloud Storage.

2. Klik Buckets, lalu pilih bucket -bucket.

3. Bucket ini berisi folder gsp1246. Buka folder tersebut. Anda akan melihat dua item di dalamnya:

   • Folder images berisi semua file gambar yang akan Anda analisis. Buka folder tersebut dan tinjau file gambar di dalamnya.
   • File customer_reviews.csv adalah set data yang berisi ulasan pelanggan berbasis teks.
   Catatan: Anda dapat menggunakan URL yang Diautentikasi untuk setiap gambar dan file customer_reviews.csv untuk mendownload serta meninjau setiap item.

Memberikan peran IAM Storage Object Admin ke akun layanan koneksi

Dengan memberikan izin IAM ke akun layanan koneksi resource sebelum mulai bekerja di BigQuery, Anda tidak akan mengalami error akses ditolak saat menjalankan kueri.

1. Kembali ke root bucket.

2. Klik tab Permissions.

3. Klik Grant Access.

4. Di kolom New principals, masukkan ID akun layanan yang Anda salin sebelumnya.

5. Di kolom Select a role, masukkan Storage Object, lalu pilih peran Storage Object Admin.

6. Klik Save.

   Hasilnya adalah akun layanan kini memiliki peran Storage Object Admin.

Klik Periksa progres saya untuk memverifikasi tujuan. Meninjau gambar dan file, serta memberikan peran IAM ke akun layanan.

Tugas 3. Membuat set data dan tabel di BigQuery

Dalam tugas ini, Anda akan membuat set data untuk project, tabel untuk ulasan pelanggan, dan tabel objek gambar.

Membuat set data

1. Di konsol, pilih Navigation menu (), lalu pilih BigQuery.

2. Beralihlah ke panel Explorer. untuk , pilih View actions () di samping Datasets, lalu pilih Create dataset.

   Anda membuat set data untuk menyimpan objek database, termasuk tabel dan model.

3. Di panel Create dataset, masukkan informasi berikut:

   Kolom	Nilai
   Dataset ID	gemini_demo
   Location type	pilih Multi-region
   Multi-region	pilih US

   Biarkan nilai default di kolom lain.

4. Klik Create dataset.

   Hasilnya adalah set data gemini_demo dibuat dan dicantumkan di bawah project Anda di BigQuery Explorer.

Membuat tabel untuk ulasan pelanggan

Untuk membuat tabel ulasan pelanggan, Anda akan menggunakan Kueri SQL.

1. Klik + untuk Membuat Kueri SQL baru.

2. Di editor kueri, tempel kueri di bawah.

   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']);

   Kueri ini menggunakan pernyataan LOAD DATA untuk memuat file customer_reviews.csv dari Cloud Storage ke Tabel BigQuery dengan nama kolom dan jenis data yang relevan.

3. Klik Run.

   Hasilnya adalah kueri diproses dan tabel customer_reviews dibuat dengan customer_review_id, customer_id, location_id, review_datetime, review_text, social_media_source, dan social_media_handle untuk setiap ulasan dalam set data.

4. Di panel Classic Explorer, klik tabel customer_reviews, lalu tinjau skema dan detailnya. Ajukan kueri pada tabel untuk meninjau kumpulan data.

Membuat tabel objek untuk gambar ulasan

Untuk membuat tabel objek, Anda akan menggunakan Kueri SQL.

1. Klik + untuk Membuat Kueri SQL baru.

2. Di editor kueri, tempel kueri di bawah.

   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. Jalankan Kueri.

   Hasilnya adalah tabel objek review_images ditambahkan ke set data gemini_demo dan dimuat dengan uri (lokasi penyimpanan cloud) setiap ulasan audio dalam set data sampel.

4. Di Classic Explorer, klik tabel review_images, lalu tinjau skema dan detailnya. Ajukan kueri pada tabel untuk meninjau kumpulan data tertentu.

Klik Periksa progres saya untuk memverifikasi tujuan. Membuat set data, tabel, dan reservasi slot di BigQuery.

Tugas 4. Membuat model Gemini di BigQuery

Setelah tabel dibuat, Anda dapat mulai menggunakannya. Dalam tugas ini, Anda akan membuat model untuk Gemini in BigQuery.

Membuat model Gemini Flash

1. Klik + untuk Membuat Kueri SQL baru.

2. Di editor kueri, tempel dan jalankan kueri di bawah.

   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}}}')

   Hasilnya adalah model gemini_flash dibuat dan ditambahkan ke set data gemini_demo di bagian model.

3. Di Classic Explorer, klik model gemini_flash, lalu tinjau detail dan skemanya.

Klik Periksa progres saya untuk memverifikasi tujuan. Membuat model Gemini di BigQuery.

Tugas 5. Memerintahkan Gemini menganalisis ulasan pelanggan untuk mengidentifikasi kata kunci dan sentimen

Dalam tugas ini, Anda akan menggunakan model Gemini untuk menganalisis setiap ulasan pelanggan guna mengidentifikasi kata kunci dan sentimen, baik positif maupun negatif.

Menganalisis ulasan pelanggan untuk mengidentifikasi kata kunci

1. Klik + untuk Membuat Kueri SQL baru.

2. Di editor kueri, tempel dan jalankan kueri di bawah.

   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)));

   Kueri ini mengambil ulasan pelanggan dari tabel customer_reviews, menyusun perintah untuk model gemini_flash guna mengidentifikasi kata kunci dalam setiap ulasan. Hasilnya kemudian disimpan dalam tabel baru customer_reviews_keywords.

   Tunggu sebentar. Model ini perlu waktu sekitar 30 detik untuk memproses kumpulan data ulasan pelanggan.

   Setelah selesai, hasilnya adalah tabel customer_reviews_keywords dibuat.

3. Di Classic Explorer, klik tabel customer_reviews_keywords, lalu tinjau skema dan detailnya.

4. Klik + untuk Membuat Kueri SQL baru.

5. Di editor kueri, tempel dan jalankan kueri di bawah.

   SELECT * FROM `gemini_demo.customer_reviews_keywords`

   Hasilnya adalah baris ditampilkan dari tabel customer_reviews_keywords dengan kolom ml_generate_text_llm_result berisi analisis kata kunci, social_media_source, review_text, customer_id, location_id, dan review_datetime.

Menganalisis ulasan pelanggan untuk mengidentifikasi sentimen positif dan negatif

1. Klik + untuk Membuat Kueri SQL baru.

2. Di editor kueri, tempel dan jalankan kueri di bawah.

   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)));

   Kueri ini mengambil ulasan pelanggan dari tabel customer_reviews, menyusun perintah untuk model gemini_flash guna mengklasifikasi sentimen setiap ulasan. Hasilnya disimpan dalam tabel baru customer_reviews_analysis agar dapat dianalisis lebih lanjut.

   Tunggu sebentar. Model ini perlu waktu sekitar 20 detik untuk memproses kumpulan data ulasan pelanggan.

   Setelah selesai, hasilnya adalah tabel customer_reviews_analysis dibuat.

3. Di Classic Explorer, klik tabel customer_reviews_analysis, lalu tinjau skema dan detailnya.

4. Klik + untuk Membuat Kueri SQL baru.

5. Di editor kueri, tempel dan jalankan kueri di bawah.

   SELECT * FROM `gemini_demo.customer_reviews_analysis` ORDER BY review_datetime

   Hasilnya adalah baris ditampilkan dari tabel customer_reviews_analysis dengan kolom ml_generate_text_llm_result berisi analisis sentimen, social_media_source, review_text, customer_id, location_id, dan review_datetime.

   Lihat beberapa kumpulan data. Anda mungkin mendapati beberapa hasil ulasan positif dan negatif mungkin memiliki format yang tidak tepat, misalnya berisi karakter yang tidak relevan seperti titik atau spasi berlebih. Anda dapat membuat tampilan bersih kumpulan data tersebut dengan cara berikut.

Membuat tabel virtual untuk membersihkan kumpulan data

1. Klik + untuk Membuat Kueri SQL baru.

2. Di editor kueri, tempel dan jalankan kueri di bawah.

   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;

   Kueri ini membuat tabel virtual cleaned_data_view dan menyertakan hasil sentimen, teks ulasan, ID pelanggan, serta ID lokasi. Kueri ini kemudian mengambil hasil sentimen (positif atau negatif) dan menerapkan huruf kecil untuk semua teks, serta menghapus karakter yang tidak relevan seperti spasi atau titik berlebih. Tabel virtual yang dihasilkan akan memudahkan analisis lebih lanjut pada langkah berikutnya di lab ini.

3. Anda dapat mengajukan kueri di bawah pada tabel virtual untuk melihat baris yang dibuat.

   SELECT * FROM `gemini_demo.cleaned_data_view` ORDER BY review_datetime

   Kueri ini didesain untuk mengambil semua data dari tabel virtual cleaned_data_view, lalu menyusunnya dalam urutan menaik berdasarkan tanggal dan waktu ulasan.

Membuat laporan jumlah ulasan positif dan negatif

1. Anda dapat menggunakan BigQuery untuk membuat laporan diagram batang yang memperlihatkan jumlah ulasan positif dan negatif. Mulai dengan kueri di bawah.

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

   Hasilnya adalah jumlah ulasan positif dan negatif ditampilkan.

2. Untuk membuat laporan diagram batang yang memperlihatkan jumlah ini, klik CHART di bagian Query results di BigQuery. BigQuery akan otomatis menetapkan konfigurasi diagram, yaitu jenis diagram Batang, serta kolom sentimen (prediksi sentimen positif atau negatif) dan batang yang menampilkan jumlah sentimen.

Menghitung ulasan positif dan negatif berdasarkan sumber media sosial

1. Anda dapat menggunakan BigQuery untuk membuat daftar yang berisi hitungan ulasan positif dan negatif per sumber media sosial menggunakan kueri di bawah.

   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;

Klik Periksa progres saya untuk memverifikasi tujuan. Memerintahkan Gemini menganalisis ulasan pelanggan untuk mengidentifikasi kata kunci dan sentimen.

Tugas 6. Merespons ulasan pelanggan

Anda juga dapat menggunakan Gemini untuk merespons ulasan pelanggan. Dalam tugas ini, Anda akan mempelajari cara membuat respons pemasaran menggunakan zero-shot dan respons layanan pelanggan menggunakan few-shot pada ulasan tertentu dalam tabel customer_reviews.

Catatan: Buka perintah zero-shot vs. few-shot dalam dokumentasi AI Google untuk Developer guna mengetahui informasi selengkapnya.

Respons pemasaran

Pelanggan dengan customer_id 5576 merespons:

Lokasinya bersih dan menarik. Saya juga suka beragam pilihan tempat duduk yang disediakan. Kadang-kadang saya ingin bersantai sambil minum kopi dan membaca, atau memilih kursi dan meja yang tinggi agar bisa mengerjakan tugas.

Ulasan ini jelas positif. Bagaimana cara menggunakan untuk merespons pelanggan ini dan mengapresiasinya karena memberikan ulasan positif tersebut?

1. Anda dapat menggunakan dengan kueri ini untuk melakukannya. Di editor kueri, tempel dan jalankan kueri di bawah.

   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)));

   Kueri ini didesain untuk menganalisis ulasan pelanggan dari tabel customer_reviews, khususnya ulasan dari ID pelanggan 5576. Saat dijalankan, kueri tersebut menggunakan Gemini untuk membuat saran pemasaran berdasarkan teks ulasan, lalu menyimpan hasilnya dalam tabel baru bernama customer_reviews_marketing. Tabel ini akan berisi data ulasan asli beserta saran pemasaran yang dihasilkan, sehingga Anda dapat menganalisis dan menindaklanjutinya secara mudah.

2. Anda dapat melihat detail tabel customer_reviews_marketing dengan menjalankan kueri SQL di bawah.

   SELECT * FROM `gemini_demo.customer_reviews_marketing`

   Perhatikan bahwa kolom ml_generate_text_llm_result berisi respons.

3. Anda dapat memudahkan pembacaan kolom ini dan menindaklanjuti respons menggunakan Kueri SQL di bawah:

   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. Anda dapat melihat detail tabel dengan menjalankan Kueri SQL di bawah.

   SELECT * FROM `gemini_demo.customer_reviews_marketing_formatted`

   Perhatikan kolom marketing. Aplikasi dapat dibuat untuk mengambil respons di kolom marketing dan melampirkan file kupon diskon 10% sebagai notifikasi untuk akun pelanggan yang bersangkutan dalam aplikasi data bean, atau email juga dapat dibuat dengan lampiran tersebut untuk pelanggan yang bersangkutan.

Respons layanan pelanggan

Pelanggan dengan customer_id 8844 merespons:

Saya punya pengalaman yang sangat mengecewakan dengan penjual kopi ini. Pelayanannya jelek sekali. Stafnya kasar dan tidak cekatan, penyiapan makanan dan minumannya lama. Makanannya tidak enak, kopinya kurang terasa, dan kuenya sudah bau angin. Kedainya sendiri sangat sempit dan berisik, sehingga sulit bersantai dan menikmati waktu di sana. Yang paling parah adalah harganya sangat mahal, jadi pengalaman saya tambah tidak bagus. Tentu saja saya tidak akan merekomendasikan tempat ini kepada siapa pun.

Ulasan ini jelas negatif. Sebagai tindak lanjut, bagaimana cara menggunakan Gemini untuk merespons pelanggan ini dan memberi tahu kedai kopi itu mengenai pengalaman pelanggan tersebut?

1. Anda dapat menggunakan Gemini dengan kueri ini untuk melakukannya. Di editor kueri, tempel dan jalankan kueri di bawah.

   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)));

   Kueri ini didesain untuk mengotomatiskan respons layanan pelanggan menggunakan Gemini untuk menganalisis ulasan pelanggan serta membuat respons dan rencana tindakan yang sesuai. Hal ini merupakan contoh bagus tentang manfaat Google Cloud untuk memperbaiki kualitas layanan pelanggan dan meningkatkan operasi bisnis. Jika kueri dijalankan, hasilnya adalah tabel customer_reviews_cs_response dibuat.

2. Anda dapat melihat detail tabel dengan menjalankan Kueri SQL di bawah.

   SELECT * FROM `gemini_demo.customer_reviews_cs_response`

   Perhatikan bahwa kolom ml_generate_text_llm_result berisi respons dan tindakan sebagai dua kunci.

3. Anda dapat mempermudah pembacaan kolom ini menggunakan Kueri SQL di bawah untuk memisahkan respons dan tindakan menjadi dua kolom dalam tabel baru bernama 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. Anda dapat melihat detail tabel dengan menjalankan Kueri SQL di bawah.

   SELECT * FROM `gemini_demo.customer_reviews_cs_response_formatted`

   Perhatikan bahwa kolom respons dan tindakan kini dibuat. Anda dapat membuat aplikasi terpisah untuk merespons pelanggan dan cabang kedai kopi yang dimaksud agar cabang tersebut mengambil tindakan untuk meningkatkan kualitas layanan, dan pelanggan akan diberi tahu bahwa masukannya telah diterima.

Klik Periksa progres saya untuk memverifikasi tujuan. Merespons ulasan pelanggan.

Tugas 7. Memerintahkan Gemini membuat daftar kata kunci dan ringkasan untuk setiap gambar

Dalam tugas ini, Anda akan menggunakan Gemini untuk menganalisis gambar sehingga menghasilkan kata kunci dan ringkasan.

Menganalisis gambar dengan model

1. Klik + untuk Membuat Kueri SQL baru.

2. Di editor kueri, tempel dan jalankan kueri di bawah.

   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)));

   Tunggu sebentar. Model ini perlu waktu sekitar 3 menit untuk menyelesaikan proses.

   Setelah selesai, hasilnya adalah tabel review_images_results dibuat.

3. Di Classic Explorer, klik tabel review_image_results, lalu tinjau skema dan detailnya.

4. Klik + untuk Membuat Kueri SQL baru.

5. Di editor kueri, tempel dan jalankan kueri di bawah.

   SELECT * FROM `gemini_demo.review_images_results`

   Hasilnya adalah baris untuk setiap gambar ulasan ditampilkan dengan uri (lokasi gambar ulasan di Cloud Storage) dan hasil JSON yang mencakup ringkasan dan kata kunci model Gemini Vision.

   Anda dapat mengambil hasil ini dengan cara yang lebih dapat dibaca manusia menggunakan kueri berikutnya.

6. Klik + untuk Membuat Kueri SQL baru.

7. Di editor kueri, tempel dan jalankan kueri di bawah.

   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 )

   Hasilnya adalah tabel review_images_results_formatted dibuat.

8. Anda dapat mengajukan kueri di bawah pada tabel untuk melihat baris yang dibuat.

   SELECT * FROM `gemini_demo.review_images_results_formatted`

   Perhatikan bahwa hasil kolom uri tetap sama, tetapi JSON kini diubah menjadi kolom ringkasan dan kata kunci untuk setiap baris.

Klik Periksa progres saya untuk memverifikasi tujuan. Memerintahkan Gemini membuat daftar kata kunci dan ringkasan untuk gambar ulasan pelanggan.

Selamat!

Anda berhasil membuat koneksi resource cloud di BigQuery. Anda juga membuat set data, tabel, dan model untuk memerintahkan Gemini menganalisis sentimen pada ulasan pelanggan dan menghasilkan laporan jumlah ulasan positif dan negatif. Kemudian Anda menggunakan perintah zero-shot dan few-shot dengan Gemini untuk merespons ulasan ini. Terakhir, Anda menggunakan model Gemini untuk menganalisis gambar serta membuat ringkasan dan kata kunci.

Langkah berikutnya untuk belajar lebih lanjut

• Pengantar BigQuery ML
• Menskalakan machine learning dengan mesin inferensi BigQuery ML - Blog
• Model Gemini
• AI Generatif

Sertifikasi dan pelatihan Google Cloud

...membantu Anda mengoptimalkan teknologi Google Cloud. Kelas kami mencakup keterampilan teknis dan praktik terbaik untuk membantu Anda memahami dengan cepat dan melanjutkan proses pembelajaran. Kami menawarkan pelatihan tingkat dasar hingga lanjutan dengan opsi on demand, live, dan virtual untuk menyesuaikan dengan jadwal Anda yang sibuk. Sertifikasi membantu Anda memvalidasi dan membuktikan keterampilan serta keahlian Anda dalam teknologi Google Cloud.

Manual Terakhir Diperbarui: 20 November 2025

Lab Terakhir Diuji: 20 November 2025

Hak cipta 2026 Google LLC. Semua hak dilindungi undang-undang. Google dan logo Google adalah merek dagang dari Google LLC. Semua nama perusahaan dan produk lain mungkin adalah merek dagang masing-masing perusahaan yang bersangkutan.