Создайте базу знаний для ИИ-агента, используя SQL (BigQuery + Gemini).

GCP credit → https://goo.gle/handson-ep2-lab1 Код-лаборатория и исходный код → https://goo.gle/scholar Машинное обучение в BigQuery → https://goo.gle/3O5squw Знаете ли вы, что модель Gemini можно вызывать напрямую из SQL-запроса в BigQuery? В этой практической код-лаборатории Айо и Энни делают именно это и используют для решения реальной задачи: преобразования неструктурированного текста в чистые структурированные данные в больших масштабах. Это первый эпизод нашей многосерийной программы, в которой мы создаем полностью функциональный, работающий с данными ИИ-агент на Google Cloud. 🛠️ Что мы рассматриваем: Загрузка необработанных текстовых файлов из облачного хранилища в качестве внешних таблиц BigQuery Использование BQML.GENERATE_TEXT для отправки запросов в Gemini внутри SQL Анализ и структурирование выходных данных LLM с использованием функций JSON в BigQuery Создание чистого, пригодного для запросов набора данных, готового для последующих конвейеров ИИ. Этот шаблон невероятно эффективен для любой команды, работающей с огромным количеством неструктурированных документов и желающей сделать их пригодными для запросов без использования ресурсоемкого ETL-конвейера. Разделы: 0:00 - Введение 1:44 - Получение кредита GCP 2:40 - Обзор проекта данных 4:31 - Настройка проекта 15:00 - Введение в извлечение, загрузку и преобразование ELT 18:09 - Загрузка данных 26:24 - Внешняя таблица BigQuery 33:52 [BQML] Генерация машинного обучения в BigQuery Смотрите больше практических уроков по ИИ → https://goo.gle/HowToWithGemini 🔔 Подпишитесь на Google Cloud Tech → https://goo.gle/GoogleCloudTech #Gemini #GoogleCloud Спикеры: Айо Адедеджи, Энни Ванг Упомянутые продукты: Gemini, BigQuery