GSP1246

Visão geral

Neste laboratório, você vai aprender a usar o BigQuery Machine Learning com modelos remotos (Gemini) em SQL para extrair palavras-chave, avaliar o sentimento dos clientes em avaliações feitas por eles e responder a essas avaliações com comandos zero-shot e few-shot.

O BigQuery é uma plataforma de análise de dados totalmente gerenciada e pronta para IA que ajuda a impulsionar o valor dos dados, funcionando com vários mecanismos, formatos e multicloud. Um dos principais recursos dele é o BigQuery Machine Learning, que permite criar e executar modelos de machine learning (ML) usando consultas SQL ou notebooks do Colab Enterprise.

Gemini é uma família de modelos de IA generativa desenvolvida pelo Google DeepMind, criada para casos de uso multimodais. A API Gemini dá acesso aos modelos do Gemini.

Além disso, você vai usar o modelo do Gemini para gerar resumos e extrair palavras-chave relevantes das imagens de avaliações de clientes.

Objetivos

Neste laboratório, você vai aprender a:

• Criar uma conexão de recurso do Cloud no BigQuery.
• Criar o conjunto de dados e as tabelas no BigQuery.
• Criar os modelos remotos do Gemini no BigQuery.
• Pedir que o Gemini analise palavras-chave e sentimentos (positivos ou negativos) em avaliações de clientes feitas em texto.
• Gerar um relatório com uma contagem de avaliações positivas e negativas.
• Responder às avaliações de clientes.
• Pedir que o Gemini extraia um resumo e palavras-chave de cada imagem de avaliação de cliente.

Configuração e requisitos

Antes de clicar no botão Começar o Laboratório

Leia estas instruções. Os laboratórios são cronometrados e não podem ser pausados. O timer é ativado quando você clica em Iniciar laboratório e mostra por quanto tempo os recursos do Google Cloud vão ficar disponíveis.

Este laboratório prático permite que você realize as atividades em um ambiente real de nuvem, e não em uma simulação ou demonstração. Você vai receber novas credenciais temporárias para fazer login e acessar o Google Cloud durante o laboratório.

Confira os requisitos para concluir o laboratório:

• Acesso a um navegador de Internet padrão (recomendamos o Chrome).

Observação: para executar este laboratório, use o modo de navegação anônima (recomendado) ou uma janela anônima do navegador. Isso evita conflitos entre sua conta pessoal e de estudante, o que poderia causar cobranças extras na sua conta pessoal.

• Tempo para concluir o laboratório: não se esqueça que, depois de começar, não será possível pausar o laboratório.

Observação: use apenas a conta de estudante neste laboratório. Se usar outra conta do Google Cloud, você poderá receber cobranças nela.

Como iniciar seu laboratório e fazer login no console do Google Cloud

1. Clique no botão Começar o laboratório. Se for preciso pagar por ele, uma caixa de diálogo vai aparecer para você selecionar a forma de pagamento. No painel Detalhes do Laboratório, à esquerda, você vai encontrar o seguinte:

   • O botão Abrir Console do Google Cloud
   • O tempo restante
   • As credenciais temporárias que você vai usar neste laboratório
   • Outras informações, se forem necessárias

2. Se você estiver usando o navegador Chrome, clique em Abrir console do Google Cloud ou clique com o botão direito do mouse e selecione Abrir link em uma janela anônima.

   O laboratório ativa os recursos e depois abre a página Fazer Login em outra guia.

   Dica: coloque as guias em janelas separadas lado a lado.

   Observação: se aparecer a caixa de diálogo Escolher uma conta, clique em Usar outra conta.

3. Se necessário, copie o Nome de usuário abaixo e cole na caixa de diálogo Fazer login.

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

   Você também encontra o nome de usuário no painel Detalhes do Laboratório.

4. Clique em Próxima.

5. Copie a Senha abaixo e cole na caixa de diálogo de Olá.

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

   Você também encontra a senha no painel Detalhes do Laboratório.

6. Clique em Próxima.

   Importante: você precisa usar as credenciais fornecidas no laboratório, e não as da sua conta do Google Cloud. Observação: se você usar sua própria conta do Google Cloud neste laboratório, é possível que receba cobranças adicionais.

7. Acesse as próximas páginas:

   • Aceite os Termos e Condições.
   • Não adicione opções de recuperação nem autenticação de dois fatores (porque essa é uma conta temporária).
   • Não se inscreva em testes gratuitos.

Depois de alguns instantes, o console do Google Cloud será aberto nesta guia.

Observação: para acessar os produtos e serviços do Google Cloud, clique no Menu de navegação ou digite o nome do serviço ou produto no campo Pesquisar.

Tarefa 1: Criar a conexão do recurso do Cloud e conceder o papel do IAM

Criar a conexão do recurso do Cloud no BigQuery

Nesta tarefa, você vai criar uma conexão de recurso do Cloud no BigQuery para trabalhar com o Gemini e os modelos dele. Você também vai conceder permissões do IAM à conta de serviço dessa conexão por meio de um papel. Ela precisa disso para acessar os serviços da Vertex AI.

Abrir o console do BigQuery

1. No Console do Google Cloud, selecione o menu de navegação > BigQuery:

Você verá a caixa de mensagem Olá! Este é o BigQuery no Console do Cloud. Ela tem um link para o guia de início rápido e as notas de lançamento.

2. Clique em OK.

O console do BigQuery vai abrir.

3. No painel Explorador, clique em + Adicionar dados. Em Pesquisar fontes de dados, digite Vertex AI.

4. Clique no resultado Vertex AI e depois em Federação do BigQuery.

5. Na lista "Tipo de conexão", selecione Modelos remotos da Vertex AI, funções remotas e BigLake (recurso de nuvem).

6. No campo "ID da conexão", digite gemini_conn.

7. Em Tipo de local, selecione Multirregional e, no menu suspenso, selecione a opção multirregional EUA.

8. Mantenha os valores padrão nas outras configurações.

9. Clique em Criar conexão.

10. Clique em Acessar a conexão.

11. No painel de informações da conexão, copie o ID da conta de serviço para um arquivo de texto. Vamos usá-lo na próxima tarefa. Observe também que a conexão foi adicionada à seção "Conexões externas" do projeto no Explorador do BigQuery.

Conceder o papel de usuário da Vertex AI à conta de serviço da conexão

1. No console, acesse o menu de navegação e clique em IAM e admin.

2. Clique em Permitir acesso.

3. No campo Novos principais, digite o ID da conta de serviço que você copiou anteriormente.

4. No campo "Selecionar papel", digite Vertex AI e selecione o papel Usuário da Vertex AI.

5. Clique em Salvar.

   Agora, a conta de serviço tem o papel "Usuário da Vertex AI".

Clique em Verificar meu progresso para conferir o objetivo. Criar a conexão do recurso do Cloud e conceder o papel do IAM.

Tarefa 2: Analisar as imagens e os arquivos e conceder o papel do IAM à conta de serviço

Nesta tarefa, você vai analisar o conjunto de dados e os arquivos de imagem e conceder permissões do IAM à conta de serviço da conexão de recurso do Cloud.

Analisar os arquivos de imagem e o conjunto de dados com avaliações de clientes no Cloud Storage

Antes de tudo, você precisa analisar o conjunto de dados e os arquivos de imagem.

1. No console, clique no menu de navegação () e selecione Cloud Storage.

2. Clique em Buckets e selecione a opção -bucket.

3. O bucket contém a pasta gsp1246, que você precisa abrir. Nela, você vai encontrar dois itens:

   • A pasta images contém todos os arquivos de imagem que você vai analisar. Você pode acessar essa pasta quando quiser.
   • O arquivo customer_reviews.csv é o conjunto de dados que contém as avaliações de clientes feitas em texto.
   Observação: é possível usar o URL autenticado de cada imagem e o arquivo customer_reviews.csv para baixar e analisar cada item.

Conceder o papel de "Administrador de objetos do Storage" do IAM à conta de serviço da conexão

Ao conceder permissões do IAM à conta de serviço da conexão de recurso antes de começar a trabalhar no BigQuery, você evita erros de acesso negado ao executar consultas.

1. Retorne à raiz do bucket.

2. Clique em Permissões.

3. Clique em Permitir acesso.

4. No campo Novos principais, digite o ID da conta de serviço que você copiou anteriormente.

5. No campo de seleção de papel, digite Objeto do Storage e selecione o papel Administrador de objetos do Storage.

6. Clique em Salvar.

   Agora, a conta de serviço tem o papel de Administrador de objetos do Storage.

Clique em Verificar meu progresso para conferir o objetivo. Analisar as imagens e os arquivos e conceder o papel do IAM à conta de serviço.

Tarefa 3: Criar o conjunto de dados e as tabelas no BigQuery

Nesta tarefa, você vai criar um conjunto de dados para o projeto, a tabela de avaliações de clientes e a tabela de objetos de imagem.

Criar o conjunto de dados

1. No console, clique no menu de navegação () e selecione BigQuery.

2. No painel Explorador, em , selecione Ver ações () e Criar conjunto de dados.

   Ao criar um conjunto de dados, você armazena objetos do banco de dados, incluindo tabelas e modelos.

3. No painel Criar conjunto de dados, digite as seguintes informações:

   Campo	Valor
   ID do conjunto de dados	gemini_demo
   Tipo de local	Selecione Multirregional.
   Multirregional	Selecione EUA.

   Deixe os demais campos com os valores padrão.

4. Clique em Criar conjunto de dados.

   Como resultado, o conjunto de dados gemini_demo é criado e listado no projeto, no Explorador do BigQuery.

Criar a tabela de avaliações de clientes

Para criar a tabela de avaliações de clientes, você vai usar uma consulta SQL.

1. Clique em + para criar uma consulta SQL.

2. No editor de consultas, cole a consulta abaixo.

   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']);

   Essa consulta usa a instrução LOAD DATA para enviar o arquivo customer_reviews.csv do Cloud Storage para uma tabela do BigQuery, com os nomes de coluna e tipos de dados fornecidos.

3. Clique em Executar.

   A consulta é processada e a tabela customer_reviews é criada com customer_review_id, customer_id, location_id, review_datetime, review_text, social_media_source e social_media_handle para cada avaliação no conjunto de dados.

4. No Explorador, clique na tabela customer_reviews e confira o esquema e os detalhes. Você pode consultar a tabela para analisar os registros.

Criar a tabela de objetos para as imagens das avaliações

Para criar a tabela de objetos, você vai usar uma consulta SQL.

1. Clique em + para criar uma consulta SQL.

2. No editor de consultas, cole a consulta abaixo.

   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. Execute a consulta.

   A tabela de objetos review_images é adicionada ao conjunto de dados gemini_demo e carregada com o URI (o local no Cloud Storage) de cada avaliação feita por áudio no conjunto de dados de amostra.

4. No Explorador, clique na tabela review_images e analise o esquema e os detalhes. Você pode consultar a tabela para analisar registros específicos.

Clique em Verificar meu progresso para conferir o objetivo. Criar o conjunto de dados, as tabelas e a reserva de slot no BigQuery.

Tarefa 4: Criar os modelos do Gemini no BigQuery

Agora que as tabelas foram criadas, você pode começar a trabalhar com elas. Nesta tarefa, você vai criar um modelo para o Gemini 2.0 Flash no BigQuery.

Criar o modelo Gemini 2.0 Flash

1. Clique em + para criar uma consulta SQL.

2. No editor de consultas, cole e execute o texto abaixo.

   CREATE OR REPLACE MODEL `gemini_demo.gemini_2_0_flash` REMOTE WITH CONNECTION `us.gemini_conn` OPTIONS (endpoint = 'gemini-2.0-flash')

   O modelo gemini_2_0_flash é criado e adicionado ao conjunto de dados gemini_demo na seção de modelos.

3. No Explorador, clique no modelo gemini_2_0_flash e analise os detalhes e o esquema dele.

Clique em Verificar meu progresso para conferir o objetivo. Criar os modelos do Gemini no BigQuery.

Tarefa 5: Pedir que o Gemini analise as avaliações de clientes em busca de palavras-chave e sentimentos

Nesta tarefa, você vai usar o modelo do Gemini para analisar cada avaliação de cliente em busca de palavras-chave e sentimentos positivos ou negativos.

Analisar as avaliações de clientes em busca de palavras-chave

1. Clique em + para criar uma consulta SQL.

2. No editor de consultas, cole e execute o texto abaixo.

   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_2_0_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)));

   Essa consulta recebe as avaliações de clientes na tabela customer_reviews e cria comandos para o modelo gemini_2_0_flash identificar palavras-chave em cada avaliação. Em seguida, os resultados são armazenados em uma nova tabela, chamada customer_reviews_keywords.

   Aguarde um pouco. O modelo leva cerca de 30 segundos para processar os registros das avaliações de clientes.

   Depois disso, a tabela customer_reviews_keywords é criada.

3. No Explorador, clique na tabela customer_reviews_keywords e analise o esquema e os detalhes.

4. Clique em + para criar uma consulta SQL.

5. No editor de consultas, cole e execute o texto abaixo.

   SELECT * FROM `gemini_demo.customer_reviews_keywords`

   As linhas da tabela customer_reviews_keywords são exibidas com a coluna ml_generate_text_llm_result que contém a análise de palavras-chave, além das colunas social_media_source, review_text, customer_id, location_id e review_datetime.

Analisar as avaliações de clientes em busca de sentimentos positivos e negativos

1. Clique em + para criar uma consulta SQL.

2. No editor de consultas, cole e execute o texto abaixo.

   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_2_0_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)));

   Essa consulta recebe as avaliações de clientes na tabela customer_reviews e cria comandos para que o modelo gemini_2_0_flash classifique o sentimento de cada avaliação. Em seguida, os resultados são armazenados em uma nova tabela customer_reviews_analysis para uso em análises posteriores.

   Aguarde um pouco. O modelo leva cerca de 20 segundos para processar os registros das avaliações de clientes.

   Depois disso, a tabela customer_reviews_analysis é criada.

3. No Explorador, clique na tabela customer_reviews_analysis e analise o esquema e os detalhes dela.

4. Clique em + para criar uma consulta SQL.

5. No editor de consultas, cole e execute o texto abaixo.

   SELECT * FROM `gemini_demo.customer_reviews_analysis` ORDER BY review_datetime

   As linhas da tabela customer_reviews_analysis são exibidas com a coluna ml_generate_text_llm_result que contém a análise de sentimento, além das colunas social_media_source, review_text, customer_id, location_id e review_datetime.

   Confira alguns dos registros. Observe que alguns dos resultados positivos e negativos podem não estar formatados corretamente, contendo caracteres estranhos, como pontos ou espaços extras. Você pode limpar os registros usando a visualização abaixo.

Criar uma visualização para limpar os registros

1. Clique em + para criar uma consulta SQL.

2. No editor de consultas, cole e execute o texto abaixo.

   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;

   A consulta cria a visualização cleaned_data_view e inclui os resultados do sentimento, o texto da avaliação, o ID do cliente e o ID do local. Em seguida, ela analisa o resultado do sentimento (positivo ou negativo) para garantir que todas as letras sejam minúsculas e que caracteres estranhos, como pontos ou espaços extras, sejam removidos. A visualização resultante vai facilitar as análises em outras etapas deste laboratório.

3. Use a consulta abaixo com a visualização para conferir as linhas criadas.

   SELECT * FROM `gemini_demo.cleaned_data_view` ORDER BY review_datetime

   Essa consulta foi projetada para buscar todos os dados da visualização cleaned_data_view e organizá-los em ordem crescente com base na data e na hora das avaliações.

Criar um relatório de contagem de avaliações positivas e negativas

1. Você pode usar o BigQuery para criar um relatório de gráfico de barras que conta as avaliações positivas e negativas. Comece com a consulta abaixo.

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

   O resultado mostra as contagens de avaliações positivas e negativas.

2. Para criar o relatório de gráfico de barras dessas contagens, clique em GRÁFICO na seção "Resultados da consulta" do BigQuery. O BigQuery vai definir automaticamente a configuração do gráfico: o tipo será um gráfico de barras, a coluna será o sentimento (previsto como positivo ou negativo) e a barra vai mostrar a contagem.

Criar uma contagem de avaliações positivas e negativas por fonte de rede social

1. Você pode usar a consulta abaixo para que o BigQuery liste a contagem de avaliações positivas e negativas por fonte de rede social.

   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;

Clique em Verificar meu progresso para conferir o objetivo. Pedir que o Gemini analise as avaliações de clientes em busca de palavras-chave e sentimentos.

Tarefa 6: Responder às avaliações de clientes

Você também pode usar o Gemini para responder a avaliações de clientes. Nesta tarefa, você vai aprender a criar uma resposta de marketing usando comandos zero-shot e uma resposta de atendimento ao cliente usando comandos few-shot. Elas serão baseadas em avaliações específicas na tabela customer_reviews.

Observação: veja mais informações em Diferenças entre os comandos zero-shot e de poucos disparos (few-shot), na documentação da IA do Google para desenvolvedores.

Resposta de marketing

O cliente com o customer_id 5576 informou o seguinte:

O local estava limpo e era convidativo. Também gostei das várias opções de lugares para sentar, porque às vezes quero me aconchegar com meu café e ler um livro e outras vezes prefiro uma cadeira em uma mesa alta para trabalhar.

Essa avaliação é claramente positiva. Como você pode usar o Gemini 2.0 Flash para responder a esse cliente e agradecê-lo pela avaliação positiva?

1. Use o Gemini 2.0 Flash com estas consultas para fazer isso. No editor de consultas, cole e execute o texto abaixo.

   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_2_0_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)));

   Essa consulta foi criada para analisar avaliações de clientes da tabela customer_reviews, em especial aquelas do cliente com o ID 5576. Quando você executa a consulta, ela usa o Gemini para gerar sugestões de marketing com base no texto da avaliação e armazena os resultados em uma nova tabela chamada customer_reviews_marketing. Essa tabela vai conter os dados da avaliação original e as sugestões de marketing geradas para que você possa analisá-las e tomar medidas com facilidade.

2. Veja detalhes da tabela customer_reviews_marketing executando a consulta SQL abaixo.

   SELECT * FROM `gemini_demo.customer_reviews_marketing`

   Observe que a coluna ml_generate_text_llm_result contém a resposta.

3. Execute a consulta SQL abaixo para facilitar a leitura e a tomada de ações com base na resposta:

   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. Depois, execute a consulta SQL abaixo para conferir os detalhes da tabela.

   SELECT * FROM `gemini_demo.customer_reviews_marketing_formatted`

   Observe a coluna marketing. É possível criar um código que vai usar a resposta na coluna marketing e anexar o arquivo do cupom de 10% de desconto como uma notificação para a conta do cliente no app da Data Beans ou como um e-mail que é enviado a ele.

Resposta do atendimento ao cliente

O cliente com o customer_id 8844 respondeu o seguinte:

Tive uma experiência muito decepcionante nessa cafeteria. O atendimento foi péssimo, a equipe estava desatenta e tratando os clientes mal e nós esperamos muito tempo para receber nossos pedidos. A comida era bem meia boca: café fraco e doces velhos. A cafeteria também estava muito cheia e barulhenta, o que atrapalhou nosso momento de descanso. Para piorar ainda mais, era tudo muito caro. Eu não recomendaria esse lugar a ninguém.

Essa é claramente uma avaliação negativa. Como usar o Gemini para responder a esse cliente e notificar a cafeteria sobre a experiência que ele teve, para corrigir o problema?

1. Você pode usar o Gemini com estas consultas para fazer isso. No editor de consultas, cole e execute o texto abaixo.

   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_2_0_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)));

   Essa consulta foi projetada para automatizar as respostas do atendimento ao cliente. Ela usa o Gemini para analisar as avaliações de clientes e gerar respostas e planos de ação apropriados. Esse é um exemplo excelente de como o Google Cloud pode ser usado para melhorar o atendimento ao cliente e as operações comerciais. Quando a consulta é executada, a tabela customer_reviews_cs_response é criada.

2. Depois, execute a consulta SQL abaixo para conferir os detalhes da tabela.

   SELECT * FROM `gemini_demo.customer_reviews_cs_response`

   Observe que a coluna ml_generate_text_llm_result contém a resposta e as ações como duas chaves.

3. Você pode facilitar a leitura usando a consulta SQL abaixo para criar uma nova tabela customer_reviews_cs_response_formatted e separar a resposta e as ações nela em duas colunas:

   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. Depois, execute a consulta SQL abaixo para conferir os detalhes da tabela.

   SELECT * FROM `gemini_demo.customer_reviews_cs_response_formatted`

   Observe que os campos de resposta e ações foram criados. Você pode desenvolver dois apps: um para responder ao cliente e avisá-lo de que o feedback foi recebido e outro para notificar o local, que poderá tomar medidas para melhorar o atendimento.

Clique em Verificar meu progresso para conferir o objetivo. Responder às avaliações de clientes.

Tarefa 7: Pedir que o Gemini forneça palavras-chave e resumos para cada imagem

Nesta tarefa, você vai usar o Gemini para analisar imagens e gerar palavras-chave e resumos.

Analisar as imagens com o modelo Gemini 2.0 Flash

1. Clique em + para criar uma consulta SQL.

2. No editor de consultas, cole e execute o texto abaixo.

   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_2_0_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)));

   Aguarde um pouco. O modelo leva cerca de 3 minutos até a conclusão.

   Quando o modelo terminar de processar a imagem, a tabela review_images_results será criada.

3. No Explorador, clique na tabela review_image_results e analise o esquema e os detalhes dela.

4. Clique em + para criar uma consulta SQL.

5. No editor de consultas, cole e execute o texto abaixo.

   SELECT * FROM `gemini_demo.review_images_results`

   O resultado mostra as linhas de cada imagem de avaliação com o URI (o local da imagem de avaliação no Cloud Storage) e um resultado JSON com o resumo e as palavras-chave do modelo Gemini Vision.

   Você pode usar a próxima consulta para recuperar esses resultados de uma forma mais legível por humanos.

6. Clique em + para criar uma consulta SQL.

7. No editor de consultas, cole e execute o texto abaixo.

   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 )

   A tabela review_images_results_formatted é criada.

8. Você pode usar a consulta abaixo com a tabela para conferir as linhas criadas.

   SELECT * FROM `gemini_demo.review_images_results_formatted`

   Observe como os resultados da coluna URI permanecem os mesmos, mas o JSON foi convertido nas colunas "summary" e "keywords" para cada linha.

Clique em Verificar meu progresso para conferir o objetivo. Pedir que o Gemini forneça resumos e palavras-chave das imagens de avaliações de clientes.

Parabéns!

Você criou a conexão de recurso do Cloud no BigQuery. Você também criou um conjunto de dados, tabelas e modelos para pedir que o Gemini analise o sentimento nas avaliações de clientes, com um relatório sobre as contagens de avaliações positivas e negativas. Em seguida, você usou comandos zero-shot e few-shot com o Gemini para responder a essas avaliações. Por fim, você usou o modelo Gemini para analisar imagens e gerar resumos e palavras-chave.

Próximas etapas / Saiba mais

• Introdução ao BigQuery ML
• Escalonamento do machine learning com o mecanismo de inferência do BigQuery ML – Blog (em inglês)
• Modelos do Gemini
• IA generativa

Treinamento e certificação do Google Cloud

Esses treinamentos ajudam você a aproveitar as tecnologias do Google Cloud ao máximo. Nossas aulas incluem habilidades técnicas e práticas recomendadas para ajudar você a alcançar rapidamente o nível esperado e continuar sua jornada de aprendizado. Oferecemos treinamentos que vão do nível básico ao avançado, com opções de aulas virtuais, sob demanda e por meio de transmissões ao vivo para que você possa encaixá-las na correria do seu dia a dia. As certificações validam sua experiência e comprovam suas habilidades com as tecnologias do Google Cloud.

Manual atualizado em 21 de agosto de 2025

Laboratório testado em 21 de agosto de 2025

Copyright 2025 Google LLC. Todos os direitos reservados. Google e o logotipo do Google são marcas registradas da Google LLC. Todos os outros nomes de produtos e empresas podem ser marcas registradas das respectivas empresas a que estão associados.