Halaman ini diterjemahkan oleh Cloud Translation API.

Membangun Aplikasi di Era AI

1. Ringkasan

Di lab ini, Anda akan menggunakan produk AI generatif Google untuk membuat infrastruktur di Google Cloud dengan bantuan Gemini Cloud Assist, membuat kueri data BigQuery menggunakan fitur natural language to SQL dari Data Canvas, menulis kode di notebook Jupyter Colab Enterprise dan di Eclipse Theia (Visual Studio Code) dengan bantuan Gemini Code Assist, serta mengintegrasikan fitur penelusuran dan chat AI yang dibuat di Cloud Storage dan sumber dasar BigQuery di Vertex AI Agent Builder.

Tujuan kami adalah membuat situs resep dan memasak bernama AI Recipe Haven. Situs ini akan dibuat di Python dan Streamlit serta akan berisi dua halaman utama. Cooking Advice akan menghosting chatbot yang akan kita buat menggunakan Gemini dan sumber Vertex AI Agent Builder yang terikat dengan sekelompok buku resep, dan akan menawarkan saran memasak serta menjawab pertanyaan terkait memasak. Penelusuran Resep akan menjadi mesin telusur yang diberi makan oleh Gemini, kali ini didasarkan pada database resep BigQuery.

Jika Anda mengalami kesulitan dengan kode apa pun dalam latihan ini, solusi untuk semua file kode terletak di repo GitHub latihan pada cabang solution.

Tujuan

Di lab ini, Anda akan mempelajari cara melakukan tugas berikut:

Mengaktifkan dan menggunakan Gemini Cloud Assist
Membuat aplikasi penelusuran di Vertex AI Agent Builder untuk chatbot saran memasak
Memuat dan membersihkan data di notebook Colab Enterprise, dengan bantuan dari Gemini Code Assist
Membuat aplikasi penelusuran di Vertex AI Agent Builder untuk generator resep
Membuat bingkai aplikasi web Python dan Streamlit inti, dengan sedikit bantuan Gemini
Men-deploy aplikasi web ke Cloud Run
Menghubungkan halaman Cooking Advice ke aplikasi Agent Builder penelusuran buku resep kami
(Opsional) Menghubungkan halaman Penelusuran Resep ke aplikasi Agent Builder penelusuran resep
(Opsional) Menjelajahi aplikasi akhir

2. Prasyarat

Jika belum memiliki Akun Google, Anda harus membuat Akun Google.
- Gunakan akun pribadi, bukan akun kantor atau sekolah. Akun kerja dan sekolah mungkin memiliki batasan yang mencegah Anda mengaktifkan API yang diperlukan untuk lab ini.

3. Penyiapan project

Login ke Konsol Google Cloud.
Aktifkan penagihan di Konsol Cloud.
- Menyelesaikan lab ini akan menghabiskan biaya kurang dari $1 USD untuk resource Cloud.
- Anda dapat mengikuti langkah-langkah di akhir lab ini untuk menghapus resource guna menghindari tagihan lebih lanjut.
- Pengguna baru memenuhi syarat untuk Uji Coba Gratis senilai$300 USD.
- Menghadiri acara lab interaktif virtual? Kredit sebesar$5 USD mungkin tersedia.
Buat project baru atau pilih untuk menggunakan kembali project yang ada.
Konfirmasi bahwa penagihan diaktifkan di Project saya di Penagihan Cloud
- Jika project baru Anda bertuliskan Billing is disabled di kolom Billing account:
  1. Klik tiga titik di kolom Actions
  2. Klik Ubah penagihan
  3. Pilih akun penagihan yang ingin Anda gunakan
- Jika Anda menghadiri acara live, akun tersebut kemungkinan akan diberi nama Akun Penagihan Uji Coba Google Cloud Platform

4. Mengaktifkan dan menggunakan Gemini Cloud Assist

Dalam tugas ini, kita akan mengaktifkan dan menggunakan Gemini Cloud Assist. Saat bekerja di Konsol Google Cloud, Gemini Cloud Assist dapat menawarkan saran, membantu Anda membuat, mengonfigurasi, dan memantau infrastruktur Google Cloud, dan bahkan dapat menyarankan perintah gcloud dan menulis skrip Terraform.

Untuk mengaktifkan Cloud Assist agar dapat digunakan, klik kotak Penelusuran di bagian atas UI Konsol Cloud, lalu pilih Ask Gemini atau Ask Gemini for Cloud console.
Scroll ke bagian Required API di halaman dan Enable Gemini for Google Cloud API.
Jika Anda tidak langsung melihat antarmuka chat, klik Mulai chat. Mulailah dengan meminta Gemini untuk menjelaskan beberapa manfaat menggunakan Editor Cloud Shell. Luangkan waktu beberapa menit untuk mempelajari respons yang dihasilkan.
Selanjutnya, tanyakan manfaat Agent Builder dan bagaimana alat ini dapat membantu melandasi respons generatif.
Terakhir, mari kita lihat perbandingannya. Di jendela chat Gemini di Konsol Google Cloud, ajukan pertanyaan berikut:
```
What are the major steps to creating a search app grounded in a GCS data source using Vertex AI Agent builder?
```

5. Membuat aplikasi penelusuran di Vertex AI Agent Builder untuk chatbot saran memasak

Situs yang kita buat akan memiliki halaman saran memasak yang berisi chatbot yang dirancang untuk membantu pengguna menemukan jawaban atas pertanyaan terkait memasak. Fitur ini akan didukung oleh Gemini yang didasarkan pada sumber yang berisi 70 cookbook domain publik. Cookbook akan berfungsi sebagai sumber tepercaya yang digunakan Gemini saat menjawab pertanyaan.

Gunakan kotak penelusuran Konsol Cloud untuk membuka Vertex AI. Dari Dasbor, klik Enable All Recommended APIs. Proses ini mungkin memerlukan waktu beberapa menit. Jika Anda mendapatkan kotak pop-up tentang Vertex AI API itu sendiri yang perlu diaktifkan, Aktifkan juga. Setelah API diaktifkan, Anda dapat melanjutkan ke langkah berikutnya.
Gunakan penelusuran untuk membuka Agent Builder, lalu Lanjutkan dan Aktifkan API.
Seperti yang disarankan Gemini dalam saran sebelumnya, membuat aplikasi penelusuran di Agent Builder dimulai dengan pembuatan sumber data yang kredibel. Saat pengguna melakukan penelusuran, Gemini akan memahami pertanyaan dan cara menyusun respons cerdas, tetapi akan mencari sumber yang berdasar untuk informasi yang digunakan dalam respons tersebut, bukan mengambil dari pengetahuan bawaannya.Dari menu sebelah kiri, buka Penyimpanan Data dan Buat Penyimpanan Data.
Buku masak domain publik yang kami gunakan untuk mendasarkan halaman saran memasak kami saat ini berada di bucket Cloud Storage dalam project eksternal. Pilih jenis sumber Cloud Storage.
Periksa, tetapi jangan ubah opsi default yang terkait dengan jenis informasi yang kita impor. Biarkan jenis impor ditetapkan ke Folder dan untuk jalur bucket, gunakan: labs.roitraining.com/labs/old-cookbooks, lalu Lanjutkan.
Beri nama penyimpanan data: old-cookbooks. Klik EDIT dan ubah ID menjadi old-cookbooks-id, lalu Create penyimpanan data.

Vertex AI Agent Builder mendukung beberapa jenis aplikasi, dan Data Store bertindak sebagai sumber tepercaya untuk setiap aplikasi. Aplikasi penelusuran cocok untuk penggunaan umum dan penelusuran. Aplikasi chat ditujukan untuk alur generatif dalam aplikasi chatbot/voicebot yang didukung Dataflow. Aplikasi rekomendasi membantu membuat mesin rekomendasi yang lebih baik. Selain itu, aplikasi Agen digunakan untuk membuat agen yang didukung GenAI. Pada akhirnya, Agen mungkin akan melayani kita dengan sebaik mungkin dalam hal yang ingin kita lakukan, tetapi karena produk ini saat ini sedang dalam pratinjau, kita akan tetap menggunakan jenis aplikasi Penelusuran.

Gunakan menu sebelah kiri untuk membuka Apps, lalu klik Create A New App.
Klik Buat di kartu Telusuri situs Anda. Beri nama aplikasi cookbook-search. Klik Edit dan tetapkan ID aplikasi ke cookbook-search-id. Tetapkan perusahaan ke Google, lalu klik Lanjutkan.
Periksa penyimpanan data old-cookbooks yang Anda buat beberapa langkah sebelumnya dan Buat Aplikasi Penelusuran.

Jika memeriksa tab Aktivitas, Anda mungkin akan melihat bahwa buku masak masih mengimpor dan mengindeks. Perlu waktu lebih dari 5 menit bagi Builder Agen untuk mengindeks ribuan halaman yang terdapat dalam 70 cookbook yang telah kita berikan. Saat aplikasi berfungsi, mari kita muat dan bersihkan beberapa data database resep untuk generator resep.

6. Memuat dan membersihkan data di notebook Colab Enterprise, dengan bantuan dari Gemini Code Assist

Google Cloud menawarkan beberapa cara utama untuk menggunakan notebook Jupyter. Kita akan menggunakan penawaran terbaru Google, Colab Enterprise. Beberapa dari Anda mungkin sudah mengenal produk Colab Google, yang biasa digunakan oleh individu dan organisasi yang ingin bereksperimen dengan notebook Jupyter di lingkungan gratis. Colab Enterprise adalah penawaran Google Cloud komersial yang terintegrasi sepenuhnya dengan produk cloud Google lainnya dan memanfaatkan sepenuhnya kemampuan keamanan dan kepatuhan lingkungan GCP.

Salah satu fitur yang ditawarkan Colab Enterprise adalah integrasi dengan Gemini Code Assist Google. Code Assist dapat digunakan di sejumlah editor kode yang berbeda dan dapat menawarkan saran serta saran inline yang lancar saat Anda membuat kode. Kita akan memanfaatkan asisten generatif ini saat kita menangani data resep.

Gunakan penelusuran untuk membuka Colab Enterprise, lalu klik Buat notebook. Jika Anda mendapatkan penawaran untuk bereksperimen dengan fitur Colab baru, tutup penawaran tersebut. Untuk mengaktifkan runtime, yaitu daya komputasi di balik notebook, klik Connect di sudut kanan atas notebook baru Anda.
Klik File > Rename untuk mengganti nama notebook menjadi Data Wrangling.
Klik + Teks untuk membuat kotak teks baru, dan gunakan panah atas untuk memindahkannya sehingga menjadi sel pertama di halaman.

Edit kotak teks dan masukkan:

# Data Wrangling

Import the Pandas library

Di blok kode di bawah blok teks yang baru saja Anda buat, mulai ketik imp dan Gemini Code Assist akan menyarankan sisa impor dalam warna abu-abu. Tekan tab untuk menerima saran.
```
import pandas as pd
```

Di bawah kotak kode impor, buat kotak teks lain dan masukkan:

Create a Pandas DataFrame from: gs://labs.roitraining.com/labs/recipes/recipe_dataset.csv. View the first few records.

Buat dan edit blok kode lain. Sekali lagi, mulai ketik df = dan periksa kode yang dihasilkan Gemini Code Assistant. Jika Anda melihat droplist pelengkapan otomatis kata kunci Python di atas saran yang dihasilkan, tekan tombol escape untuk melihat kode yang disarankan berwarna abu-abu terang. Tekan lagi tab untuk menerima saran. Jika saran Anda tidak berisi panggilan fungsi head(), tambahkan.
```
df = pd.read_csv('gs://labs.roitraining.com/labs/recipes/recipe_dataset.csv')
df.head()
```
Klik sel kode pertama, tempat Anda mengimpor Pandas, dan gunakan menu Commands atau keyboard untuk menjalankan sel yang dipilih. Di keyboard, shift+enter akan menjalankan sel dan memindahkan fokus ke sel berikutnya, membuat sel jika diperlukan. Tunggu hingga sel dieksekusi sebelum melanjutkan.CATATAN: Anda akan melihat [ ] di sebelah kiri jika sel belum dieksekusi. Saat sel dieksekusi, Anda akan melihat animasi yang berputar dan berfungsi. Setelah sel selesai, angka akan muncul, seperti [13].
Jalankan sel yang memuat CSV ke dalam DataFrame. Tunggu hingga file dimuat dan periksa lima baris data pertama. Ini adalah data resep yang akan kita muat ke BigQuery dan pada akhirnya kita akan menggunakannya untuk mendasarkan generator resep.
Buat blok kode baru dan masukkan komentar di bawah. Setelah mengetik komentar, lanjutkan ke baris kode berikutnya dan Anda akan menerima saran df.columns. Terima, lalu jalankan sel.
```
# List the current DataFrame column names
```
Kami baru saja menunjukkan bahwa Anda benar-benar memiliki dua pilihan untuk mendapatkan bantuan dari Gemini Code Assist di notebook Jupyter: sel teks di atas sel kode, atau komentar di dalam sel kode itu sendiri. Komentar di dalam sel kode berfungsi dengan baik di notebook Jupyter, tetapi pendekatan ini juga akan berfungsi di IDE lain yang mendukung bantuan Gemini Code Google.
Mari kita lakukan pembersihan kolom kecil. Ganti nama kolom Unnamed: 0 menjadi id, dan link menjadi uri. Gunakan teknik perintah > kode pilihan Anda untuk membuat kode, lalu jalankan sel jika sudah puas.
```
# Rename the column 'Unnamed: 0' to 'id' and 'link' to 'uri'
df.rename(columns={'Unnamed: 0': 'id', 'link': 'uri'}, inplace=True)
```
Hapus kolom source dan NER, lalu gunakan head() untuk melihat beberapa baris pertama. Sekali lagi, minta bantuan Gemini. Jalankan dua baris terakhir dan periksa hasilnya.
```
# Remove the source and NER columns
df.drop(columns=['source', 'NER'], inplace=True)
df.head()
```
Mari kita lihat jumlah data dalam set data kita. Sekali lagi, mulailah dengan pilihan teknik perintah Anda dan lihat apakah Anda dapat meminta Gemini untuk membantu Anda membuat kode.
```
# Count the records in the DataFrame
df.shape # count() will also work
```
2,23 juta data mungkin lebih banyak resep daripada yang kita miliki waktunya. Proses pengindeksan di Agent Builder mungkin akan memakan waktu terlalu lama untuk latihan kita hari ini. Sebagai kompromi, mari kita ambil sampel 150.000 resep dan menggunakannya. Gunakan pendekatan perintah > kode untuk mengambil sampel dan menyimpannya dalam DataFrame baru bernama dfs (s untuk kecil).
```
# Sample out 150,000 records into a DataFrame named dfs
dfs = df.sample(n=150000)
```
Data sumber resep kami siap dimuat ke BigQuery. Sebelum melakukan pemuatan, mari kita buka BigQuery dan siapkan set data untuk menyimpan tabel. Di Konsol Google Cloud, gunakan Kotak Penelusuran untuk membuka BigQuery. Anda dapat mengklik kanan BigQuery dan membukanya di tab browser baru.
Jika belum terlihat, buka panel Gemini AI Chat menggunakan logo Gemini di kanan atas Cloud Console. Jika Anda diminta untuk mengaktifkan API lagi, tekan aktifkan atau muat ulang halaman. Jalankan perintah: What is a dataset used for in BigQuery? Setelah Anda menjelajahi pertanyaan respons, How can I create a dataset named recipe_data using the Cloud Console? Bandingkan hasilnya dengan beberapa langkah berikut.
Di panel BigQuery Explorer, klik menu View actions tiga titik di samping project ID Anda. Kemudian, pilih Create dataset.
Berikan set data dan ID recipe_data. Biarkan jenis lokasi tetap US dan klik Create Dataset. Jika Anda menerima error bahwa set data sudah ada, lanjutkan saja.Dengan set data yang dibuat di BigQuery, mari kita beralih kembali ke notebook dan melakukan penyisipan.
Beralihlah kembali ke notebook Pengolahan Data di Colab Enterprise. Di sel kode baru, buat variabel bernama project_id dan gunakan untuk menyimpan project ID Anda saat ini. Lihat di kiri atas petunjuk ini, di bawah tombol Akhiri Lab, dan Anda akan menemukan project ID saat ini. Anda juga dapat menemukannya di halaman beranda Cloud Console. Tetapkan nilai ke variabel project_id dan jalankan sel.
```
# Create a variable to hold the current project_id
project_id='YOUR_PROJECT_ID'
```
Gunakan pendekatan prompt > kode untuk membuat blok kode yang akan menyisipkan DataFrame dfs ke dalam tabel bernama recipes dalam set data yang baru saja kita buat recipe_data. Jalankan sel.
```
dfs.to_gbq(destination_table='recipe_data.recipes', project_id=project_id, if_exists='replace')
```

7. Membuat aplikasi penelusuran di Vertex AI Agent Builder untuk generator resep

Bagus, setelah tabel data resep dibuat, mari kita gunakan untuk membuat sumber data yang berdasar untuk generator resep. Pendekatan yang akan kita gunakan akan mirip dengan yang kita lakukan untuk chatbot memasak. Kita akan menggunakan Vertex AI Agent Builder untuk membuat Data Store, lalu menggunakannya sebagai sumber tepercaya untuk Aplikasi Penelusuran.

Jika mau, Anda dapat meminta Gemini di Konsol Google Cloud untuk mengingatkan Anda tentang langkah-langkah untuk membuat aplikasi penelusuran Agent Builder, atau Anda dapat mengikuti langkah-langkah yang tercantum di bawah.

Gunakan Penelusuran untuk membuka Agent Builder. Buka Penyimpanan Data dan Buat Penyimpanan Data. Kali ini, Pilih jenis BigQuery Data Store.
Di sel pilihan tabel, tekan Browse dan telusuri recipes. Pilih tombol pilihan di samping tabel Anda. Jika Anda melihat resep dari project qwiklabs-gcp-... lainnya, pastikan untuk Memilih resep yang Anda miliki.CATATAN: Jika Anda mengklik recipes, bukan memilih tombol pilihan di sampingnya, tindakan ini akan membuka tab baru di browser dan mengarahkan Anda ke halaman ringkasan tabel di BigQuery. Cukup tutup tab browser dan pilih tombol pilihan di Builder Agen.
Periksa, tetapi jangan ubah opsi default lainnya, lalu Lanjutkan.
Di halaman peninjauan skema, periksa konfigurasi default awal, tetapi jangan ubah apa pun. Lanjutkan
Beri nama datastore recipe-data. Edit ID datastore dan tetapkan ke recipe-data-id. Buat Penyimpanan Data.
Buka Apps menggunakan menu navigasi sebelah kiri, lalu Create A New App.
Klik Buat di kartu Telusuri situs Anda. Beri nama aplikasi recipe-search, lalu klik EDIT untuk menetapkan ID ke recipe-search-id. Tetapkan nama perusahaan ke Google dan Lanjutkan.
Kali ini, periksa sumber data recipe-data. Buat aplikasi.

Perlu waktu beberapa saat untuk mengindeks tabel database. Meskipun demikian, mari kita bereksperimen dengan Kanvas Data baru BigQuery dan lihat apakah kita dapat menemukan satu atau dua resep yang menarik.

Gunakan kotak penelusuran untuk membuka BigQuery. Di bagian atas BigQuery Studio, klik panah bawah di samping tab paling kanan, lalu pilih Kanvas data. Tetapkan region ke us-central1.
Klik Telusuri data. Di kotak penelusuran Kanvas data, telusuri recipes, tekan Enter/Return untuk menelusuri, lalu klik tombol Tambahkan ke kanvas di samping nama tabel Anda.
Representasi visual tabel resep Anda akan dimuat ke kanvas Data BigQuery. Anda dapat menjelajahi skema tabel, melihat pratinjau data dalam tabel, dan memeriksa detail lainnya. Di bawah representasi tabel, klik Kueri.
Kanvas akan memuat dialog kueri BigQuery yang kurang lebih biasa dengan satu tambahan: di atas jendela kueri terdapat kotak teks yang dapat Anda gunakan untuk meminta bantuan Gemini. Mari kita lihat apakah kita dapat menemukan beberapa resep kue dalam contoh kita. Jalankan perintah berikut (dengan mengetik teks dan menekan Enter/Return untuk memicu pembuatan SQL):
```
Please select the title and ingredients for all the recipes with a title that contains the word cake.
```
Lihat SQL yang dihasilkan. Setelah Anda puas, Jalankan kueri.
Tidak terlalu buruk! Jangan ragu untuk bereksperimen dengan beberapa perintah dan kueri lain sebelum melanjutkan. Saat bereksperimen, coba perintah yang kurang spesifik untuk melihat mana yang berhasil dan mana yang tidak. Sebagai contoh, perintah ini:
```
Do I have any chili recipes?
```
(Jangan lupa untuk menjalankan kueri baru) Menampilkan daftar resep cabai, tetapi tidak menyertakan bahan-bahannya hingga saya mengubahnya menjadi:
```
Do I have any chili recipes?  Please include their title and ingredients.
```
(Ya, saya mengucapkan tolong saat meminta. Mama saya pasti akan sangat bangga.)Saya melihat bahwa salah satu resep cabai berisi jamur, dan siapa yang menginginkannya dalam cabai? Saya meminta Gemini untuk membantu mengecualikan resep tersebut.
```
Do I have any chili recipes?  Please include their title and ingredients, and ignore any recipes with mushrooms as an ingredient.
```

8. Membuka Cloud Shell Editor

Buka Cloud Shell Editor
Jika terminal tidak muncul di bagian bawah layar, buka:
- Klik menu tiga garis
- Klik Terminal
- Klik New Terminal
Di terminal, tetapkan project Anda dengan perintah ini:
- Format:
```
gcloud config set project [PROJECT_ID]
```
- Contoh:
```
gcloud config set project lab-project-id-example
```
- Jika Anda tidak dapat mengingat project ID:
  - Anda dapat mencantumkan semua project ID dengan:
```
gcloud projects list | awk '/PROJECT_ID/{print $2}'
```
Jika diminta untuk memberikan otorisasi, klik Authorize untuk melanjutkan.
Anda akan melihat pesan ini:
```
Updated property [core/project].
```
Jika Anda melihat WARNING dan ditanya Do you want to continue (Y/N)?, berarti Anda mungkin salah memasukkan project ID. Tekan N, tekan Enter, lalu coba jalankan kembali perintah gcloud config set project.

9. Mengaktifkan API

Di terminal, aktifkan API:

gcloud services enable \
  compute.googleapis.com \
  sqladmin.googleapis.com \
  run.googleapis.com \
  artifactregistry.googleapis.com \
  cloudbuild.googleapis.com \
  networkconnectivity.googleapis.com \
  servicenetworking.googleapis.com \
  cloudaicompanion.googleapis.com

Jika diminta untuk memberikan otorisasi, klik Authorize untuk melanjutkan. Klik untuk memberikan otorisasi pada Cloud Shell

Pemrosesan perintah ini mungkin memerlukan waktu beberapa menit, tetapi pada akhirnya akan menampilkan pesan berhasil seperti ini:

Operation "operations/acf.p2-73d90d00-47ee-447a-b600" finished successfully.

10. Membuat bingkai aplikasi web Python dan Streamlit inti, dengan sedikit bantuan Gemini

Setelah pengindeksan penyimpanan data Vertex AI Agent Builder dan aplikasi penelusuran hampir siap diluncurkan, mari kita mulai membangun aplikasi web.

Kita akan memanfaatkan Gemini Code Assist saat bekerja. Untuk informasi selengkapnya tentang cara menggunakan Gemini Code Assist di Visual Studio Code, lihat dokumentasi di sini

Di terminal Cloud Shell Editor, jalankan perintah ini untuk meng-clone repositori aplikasi resep.
```
git clone https://github.com/haggman/recipe-app
```
Jalankan perintah ini untuk membuka folder aplikasi di Cloud Shell Editor.
```
cloudshell open-workspace recipe-app/
```
Sebelum menjelajahi folder yang di-clone dan mulai mengerjakan aplikasi web, kita harus membuat plugin Cloud Code editor login ke Google Cloud dan mengaktifkan Gemini. Mari kita lakukan sekarang. Di kiri bawah editor, klik Cloud Code - Sign in. Jika Anda tidak melihat link, tunggu sebentar dan periksa lagi.
Jendela terminal akan menampilkan URL yang panjang. Buka URL di browser dan jalankan langkah-langkah untuk memberikan akses Cloud Code ke lingkungan Google Cloud Anda. Pada dialog terakhir, Salin kode verifikasi dan tempelkan kembali ke jendela terminal yang menunggu di tab browser Cloud Shell Editor Anda.
Setelah beberapa saat, link Cloud Code di kiri bawah editor akan berubah menjadi Cloud Code - No Project. Klik link baru untuk memilih project. Palet perintah akan terbuka di bagian atas editor. Klik Select a Google Cloud project, lalu pilih project Anda. Setelah beberapa saat, link di kiri bawah editor akan diperbarui untuk menampilkan project ID Anda. Hal ini menunjukkan bahwa Cloud Code berhasil dilampirkan ke project yang sedang Anda kerjakan.
Dengan Cloud Code yang terhubung ke project Anda, sekarang Anda dapat mengaktifkan Gemini Code Assist. Di kanan bawah antarmuka editor, klik logo Gemini yang dicoret. Panel Chat Gemini akan terbuka di sebelah kiri editor. Klik Select a Google Cloud Project. Saat palet perintah terbuka, pilih project Anda. Jika Anda telah mengikuti langkah-langkah dengan benar (dan Google belum mengubah apa pun), sekarang Anda akan melihat jendela chat Gemini yang aktif.
Bagus, dengan konfigurasi terminal, chat Gemini, dan Cloud Code yang sudah siap, buka tab Explorer dan luangkan waktu beberapa menit untuk menjelajahi file dalam project saat ini.

Di Explorer, buka file requirements.txt untuk diedit. Beralih ke panel chat Gemini dan tanyakan:

From the dependencies specified in the requirements.txt file, what type of application are we building?

Jadi, kita sedang membuat aplikasi web interaktif menggunakan Python dan Streamlit yang berinteraksi dengan Vertex AI dan Discovery Engine. Bagus. Untuk saat ini, mari kita fokus pada komponen aplikasi web. Seperti yang dikatakan Gemini, Streamlit adalah framework untuk mem-build aplikasi web berbasis data di Python. Sekarang tanyakan:
```
Does the current project's folder structure seem appropriate for a Streamlit app?
```
Di sinilah Gemini cenderung mengalami masalah. Gemini dapat mengakses file yang saat ini Anda buka di editor, tetapi tidak dapat melihat seluruh project. Coba tanyakan hal ini:
```
Given the below, does the current project's file and folder structure seem appropriate for a Streamlit app?
- build.sh
- Home.py
- requirements.txt
- pages
-- Cooking_Advice.py
-- Recipe_Search.py
```
Mendapatkan jawaban yang lebih baik?
Mari kita dapatkan informasi selengkapnya tentang Streamlit:
```
What can you tell me about Streamlit?
```
Bagus, jadi kita dapat melihat bahwa Gemini menawarkan ringkasan yang bagus, termasuk kelebihan dan kekurangannya.
Jika ingin mengeksplorasi kekurangannya, Anda dapat bertanya:
```
What are the major downsides or shortcomings?
```
Perhatikan, kita tidak perlu mengatakan, "dari Streamlit", karena chat Gemini bersifat percakapan (multi-giliran). Gemini tahu apa yang kita bicarakan karena kita sedang dalam sesi chat. Jika Anda ingin menghapus histori chat Gemini, gunakan ikon tempat sampah di bagian atas jendela chat kode Gemini.

11. Men-deploy aplikasi web ke Cloud Run

Bagus, kita sudah memiliki struktur aplikasi inti, tetapi apakah semuanya akan berfungsi? Lebih baik lagi, di mana kita harus menghostingnya di Google Cloud?

Di jendela chat Gemini, tanyakan:

If I containerize this application, what compute technologies in Google Cloud would be best for hosting it?

Ingat, jika belum bekerja di IDE, Anda juga dapat menggunakan Google Cloud Assist. Buka Konsol Google Cloud, lalu buka Gemini Cloud Assist dan ajukan pertanyaan:
```
If I have a containerized web application, where would be the best place to run it in Google Cloud?
```
Apakah kedua kumpulan saran tersebut sama? Apakah Anda setuju/tidak setuju dengan salah satu saran tersebut? Ingat, Gemini adalah asisten AI Generatif, dan seperti asisten manusia, Anda tidak akan selalu setuju dengan semua yang dikatakannya. Namun, memiliki bantuan tersebut selalu di sisi Anda saat Anda bekerja di Google Cloud dan di editor kode dapat membuat Anda jauh lebih efisien.
Untuk aplikasi web dalam container stateless berumur pendek, Cloud Run akan menjadi pilihan yang tepat. Di jendela chat Gemini pada editor kode Anda, coba perintah:
```
What steps would be required to run this application in Cloud Run?
```
Sepertinya hal pertama yang perlu kita lakukan adalah membuat Dockerfile. Dengan menggunakan editor, buat file bernama Dockerfile di root folder project Anda. Pastikan Anda tidak menempatkannya secara tidak sengaja di folder halaman. Buka file untuk diedit.
Mari kita gunakan panel chat Gemini samping untuk membuat Dockerfile. Gunakan perintah seperti di bawah ini. Saat hasilnya ditampilkan di chat, gunakan + di samping ikon salin tepat di atas Dockerfile yang disarankan untuk menyisipkan kode yang disarankan ke dalam Dockerfile.
```
Create a Dockerfile for the application in the current folder. The dependencies are defined in requirements.txt and I want you to use the Python 3 slim bookworm base image.
```
Gemini tidak selalu menampilkan respons yang sama untuk perintah yang sama. Saat pertama kali meminta Dockerfile kepada Gemini, saya mendapatkan file yang sama persis dengan yang akan saya sarankan untuk Anda gunakan. Baru saja saya menerima saran:
```
# Base image
FROM python:3-bookworm-slim

# Set working directory
WORKDIR /app

# Install dependencies
RUN apt-get update && apt-get install -y \
    build-essential \
    libpq-dev \
    gcc \
    python3-dev \
    && rm -rf /var/lib/apt/lists/*

# Install pip and virtualenv
RUN pip install --upgrade pip virtualenv

# Create virtual environment
RUN python3 -m venv venv

# Activate virtual environment
WORKDIR /app/venv/bin
RUN . activate

# Install Streamlit and libraries from requirements.txt
RUN pip install -r requirements.txt

# Copy application files
COPY . /app

# Expose port 8501 for Streamlit
EXPOSE 8501

# Start Streamlit app
CMD ["streamlit", "run", "main.py"]
```
Itu adalah Dockerfile yang luar biasa. Saya akan menyederhanakannya sedikit. Kita tidak memerlukan bagian apt-get karena semua yang diperlukan untuk Python sudah ada dalam image dasar kita. Selain itu, menggunakan lingkungan virtual di penampung Python akan membuang-buang ruang, jadi saya akan menghapusnya. Perintah expose tidak sepenuhnya diperlukan, tetapi tidak masalah. Selain itu, kode ini mencoba memulai main.py yang tidak saya miliki.

Di folder recipe-app, buat file bernama Dockerfile dan tempelkan konten berikut:

FROM python:3.11-slim-bookworm

WORKDIR /app

COPY requirements.txt .
RUN pip install --no-cache-dir --upgrade pip && \
    pip install --no-cache-dir -r requirements.txt

COPY . .

CMD ["streamlit", "run", "Home.py"]

Gemini dapat beroperasi melalui jendela chat, tetapi juga dapat berfungsi langsung di file kode Anda menggunakan komentar, seperti yang kita gunakan di notebook Data Wrangling, dan juga dapat dipanggil menggunakan Control+i di Windows atau Command+i di Mac. Klik di suatu tempat di Dockerfile, aktifkan Gemini menggunakan perintah Command+i / Control+i yang sesuai.
Pada perintah, masukkan perintah di bawah. Periksa dan Setujui perubahan.
```
Please comment the current file.
```
Keren, bukan? Berapa kali Anda harus bekerja dengan kode orang lain, hanya untuk membuang waktu mendapatkan pemahaman dasar tentang pekerjaan mereka tanpa komentar sebelum Anda dapat mulai membuat perubahan. Gemini siap membantu Anda.
Sekarang, tanyakan Gemini cara menggunakan Cloud Run untuk mem-build dan men-deploy image baru bernama recipe-web-app dari Dockerfile di folder saat ini.
```
How could I use gcloud to build a new Cloud Run service named recipe-web-app from the current directory?
```

Mari kita build dan deploy aplikasi. Di jendela terminal, jalankan perintah gcloud run deploy

gcloud run deploy recipe-web-app \
    --allow-unauthenticated \
    --source=. \
    --region=us-central1 \
    --port=8501

Jika Anda melihat perintah yang meminta untuk membuat repositori Artifact Registry, tekan enter/return

Deploying from source requires an Artifact Registry Docker repository to store built containers. A repository
named cloud-run-source-deploy in region us-central1 will be created.

Do you want to continue (Y/n)?

Jika Anda melihat proses build, pertama-tama proses ini akan mem-build repo docker Artifact Registry. Kemudian, Cloud Build akan digunakan untuk membuat image container dari Dockerfile di folder lokal. Terakhir, image docker akan di-deploy ke layanan Cloud Run baru. Di akhir skrip, Anda akan mendapatkan URL pengujian Cloud Run untuk digunakan.

Buka link yang ditampilkan di tab baru browser Anda. Luangkan waktu sejenak untuk mempelajari struktur dan halaman aplikasi. Bagus, sekarang kita perlu memasang hook di fungsi AI generatif.

12. Menghubungkan halaman Cooking Advice ke aplikasi Agent Builder penelusuran buku resep kami

Kita memiliki framework untuk menjalankan aplikasi web, tetapi kita perlu menghubungkan dua halaman kerja ke dua aplikasi penelusuran Vertex AI Agent Builder. Mari kita mulai dengan Saran Memasak.

Biarkan tab Cloud Shell Editor tetap terbuka. Di konsol Google Cloud, gunakan penelusuran untuk membuka Chat di Vertex AI.
Di panel halaman setelan sebelah kanan, tetapkan model ke gemini-1.5-flash-002. Geser batas token output hingga maksimum agar model dapat menampilkan jawaban yang lebih panjang jika diperlukan. Buka Setelan Filter Keselamatan. Tetapkan Ujaran kebencian, Konten seksual vulgar, dan Konten pelecehan ke Blokir sebagian. Tetapkan Konten berbahaya ke Blokir beberapa dan Simpan. Kami menetapkan Konten Berbahaya sedikit lebih rendah karena berbicara tentang pisau dan memotong dapat disalahartikan oleh Gemini sebagai kekerasan.
Geser tombol untuk mengaktifkan Pembumian, lalu klik Sesuaikan. Tetapkan sumber grounding ke penelusuran Vertex AI dan untuk jalur datastore, gunakan kode berikut. Ubah YOUR_PROJECT_ID menjadi project ID yang ditemukan di dekat tombol Akhiri Lab dalam petunjuk ini, lalu Simpan setelan pentanahan
```
projects/YOUR_PROJECT_ID/locations/global/collections/default_collection/dataStores/old-cookbooks-id
```
CATATAN: Jika Anda mendapatkan error, berarti Anda tidak mengubah project ID ke project ID yang sebenarnya, atau Anda mungkin melewatkan langkah saat mengubah ID Data Store Builder Agen cookbook lama. Periksa Agent Builder > Data Stores > old-cookbooks untuk mengetahui ID Data store yang sebenarnya.
Uji beberapa pesan chat. Mungkin mulai dengan hal berikut. Coba beberapa lainnya jika Anda mau.
```
How can I tell if a tomato is ripe?
```
Model berfungsi, sekarang mari kita bereksperimen dengan kode. Klik Hapus Percakapan agar percakapan kita tidak menjadi bagian dari kode, lalu klik Dapatkan Kode.
Di bagian atas jendela kode, tekan Buka Notebook agar kita dapat bereksperimen dan meningkatkan kualitas kode di Colab Enterprise sebelum mengintegrasikannya ke dalam aplikasi.
Luangkan waktu beberapa menit untuk memahami kode. Mari kita buat beberapa perubahan untuk menyesuaikannya dengan keinginan kita. Sebelum memulai, jalankan sel kode pertama untuk terhubung ke komputasi dan menginstal AI Platform SDK. Setelah blok berjalan, Anda akan diminta untuk memulai ulang sesi. Harap buat kunci tersebut.
Beralihlah ke kode yang kita ambil dari Vertex AI Studio. Ubah nama metode multiturn_generate_content menjadi start_chat_session.
Scroll ke panggilan metode model = GenerativeModel(. Kode yang ada menentukan generation_config dan safety_settings, tetapi tidak benar-benar menggunakannya. Ubah pembuatan GenerativeModel agar menyerupai:
```
model = GenerativeModel(
    "gemini-1.5-flash-002",
    tools=tools,
    generation_config=generation_config,
    safety_settings=safety_settings,
)
```

Terakhir, tambahkan baris terakhir ke metode, tepat di bawah chat = model.start_chat(), sehingga fungsi menampilkan objek chat. Fungsi yang sudah selesai akan terlihat seperti di bawah.CATATAN: JANGAN SALIN kode ini ke notebook Anda. Ini hanya sebagai pemeriksaan stabilitas.

def start_chat_session():
    vertexai.init(project="qwiklabs-gcp-02-9a7298ceaaec", location="us-central1")
    tools = [
        Tool.from_retrieval(
            retrieval=grounding.Retrieval(
                source=grounding.VertexAISearch(datastore="projects/qwiklabs-gcp-02-9a7298ceaaec/locations/global/collections/default_collection/dataStores/old-cookbooks-id"),
            )
        ),
    ]
    model = GenerativeModel(
        "gemini-1.5-flash-002",
        tools=tools,
        generation_config=generation_config,
        safety_settings=safety_settings,
    )
    chat = model.start_chat()
    return chat

Scroll ke bagian bawah sel kode dan ubah baris terakhir yang memanggil fungsi lama sehingga memanggil nama fungsi baru dan menyimpan objek yang ditampilkan dalam variabel chat. Setelah Anda puas dengan perubahan yang dilakukan, jalankan sel.
```
chat = start_chat_session()
```
Buat sel kode baru dan tambahkan komentar # Use chat to invoke Gemini and print out the response. Berpindahlah ke baris berikutnya dan ketik resp, lalu Gemini akan otomatis menyelesaikan blok untuk Anda. Perbarui perintah ke How can I tell if a tomato is ripe?. Menjalankan sel
```
response = chat.send_message("How can I tell if a tomato is ripe?")
print(response)
```
Itu adalah responsnya, tetapi bagian yang benar-benar kita inginkan adalah kolom text bertingkat tersebut. Ubah blok kode untuk hanya mencetak bagian tersebut, seperti:
```
response = chat.send_message("How can I tell if a tomato is ripe?")
print(response.candidates[0].content.parts[0].text)
```
Baik, setelah kita memiliki kode chat yang berfungsi, mari kita integrasikan ke dalam aplikasi web. Salin semua konten sel kode yang membuat fungsi start_chat_session (kita tidak akan memerlukan sel pengujian). Jika mengklik sel, Anda dapat mengklik menu tiga titik di pojok kanan atas dan menyalin dari sana
Beralihlah ke tab Cloud Shell Editor dan buka pages\Cooking_Advice.py untuk diedit.

Temukan komentar:

#
# Add the code you copied from your notebook below this message
#

Tempel kode yang disalin tepat di bawah komentar Tambahkan kode. Bagus, sekarang kita memiliki bagian yang mendorong mesin chat melalui panggilan yang di-ground ke Gemini. Sekarang, mari kita integrasikan ke Streamlit.

Temukan bagian kode yang diberi komentar tepat di bawah komentar:

#
# Here's the code to setup your session variables
# Uncomment this block when instructed
#

Hapus komentar bagian kode ini (Hingga bagian Setup done, let's build the page UI berikutnya) dan pelajari. Fungsi ini membuat atau mengambil variabel sesi chat dan histori.
Selanjutnya, kita perlu mengintegrasikan fungsi histori dan chat ke dalam UI. Scroll kode hingga Anda menemukan komentar di bawah.
```
#
# Here's the code to create the chat interface
# Uncomment the below code when instructed
#
```
Hapus komentar di bagian kode lainnya di bawah komentar dan luangkan waktu untuk mempelajarinya. Jika mau, soroti dan minta Gemini untuk menjelaskan fungsinya.
Bagus, sekarang mari kita build aplikasi dan men-deploynya. Saat URL muncul kembali, luncurkan aplikasi dan coba halaman Cooking Advisor. Mungkin tanyakan tentang tomat yang sudah matang, atau bot tahu cara yang baik untuk menyiapkan kubis Brussel.
```
gcloud run deploy recipe-web-app \
    --allow-unauthenticated \
    --source=. \
    --region=us-central1 \
    --port=8501
```

Keren, bukan? Penasihat memasak AI pribadi Anda :-)

13. (Opsional) Menghubungkan halaman Penelusuran Resep ke aplikasi Agent Builder penelusuran resep

Saat menghubungkan halaman Cooking Advice ke sumbernya yang di-grounding, kami melakukannya secara langsung menggunakan Gemini API. Untuk Penelusuran Resep, mari kita hubungkan langsung ke aplikasi penelusuran Vertex AI Agent Builder.

Di Cloud Shell Editor, buka halaman pages/Recipe_Search.py untuk mengedit. Selidiki struktur halaman.
Di bagian atas file, tetapkan project ID Anda.
Periksa fungsi search_sample. Kode ini kurang lebih berasal langsung dari dokumentasi Discovery Engine di sini. Anda dapat menemukan salinan yang berfungsi di notebook ini di sini.Satu-satunya perubahan yang saya buat adalah menampilkan response.results, bukan hanya hasilnya. Tanpa ini, jenis nilai yang ditampilkan adalah objek yang dirancang untuk memuat hasil secara berurut, dan itu adalah sesuatu yang tidak kita perlukan untuk aplikasi dasar.
Scroll ke bagian paling akhir file dan hapus komentar di seluruh bagian di bawah Here are the first 5 recipes I found.
Tandai seluruh bagian yang baru saja Anda hapus komentarnya, lalu buka chat Gemini Code. Tanyakan, Explain the highlighted code. Jika Anda tidak memilih apa pun, Gemini dapat menjelaskan seluruh file. Jika Anda menandai bagian dan meminta Gemini untuk menjelaskan, memberi komentar, atau meningkatkannya, Gemini akan melakukannya.Luangkan waktu sejenak untuk membaca penjelasannya. Menggunakan notebook Colab Enterprise adalah cara yang bagus untuk mempelajari Gemini API sebelum Anda mengintegrasikannya ke dalam aplikasi. Hal ini sangat membantu dalam mempelajari beberapa API yang lebih baru yang mungkin tidak didokumentasikan sebaik mungkin.
Di jendela terminal editor, jalankan build.sh untuk men-deploy aplikasi akhir. Tunggu hingga versi baru di-deploy sebelum melanjutkan ke langkah berikutnya.

14. (Opsional) Menjelajahi aplikasi akhir

Luangkan waktu beberapa menit untuk menjelajahi aplikasi akhir.

Di konsol Google Cloud, gunakan penelusuran untuk membuka Cloud Run, lalu klik recipe-web-app.
Temukan URL pengujian aplikasi (di bagian atas) dan buka di tab browser baru.
Halaman beranda aplikasi akan muncul. Perhatikan tata letak dan navigasi dasar yang disediakan oleh Streamlit, dengan file python dari folder pages ditampilkan sebagai pilihan navigasi, dan Home.py dimuat sebagai halaman beranda. Buka halaman Cooking Advice.
Setelah beberapa saat, antarmuka chat akan muncul. Sekali lagi, perhatikan tata letak inti yang bagus yang disediakan oleh Streamlit.

Coba beberapa pertanyaan terkait memasak dan lihat cara kerja bot. Seperti:

Do you have any advice for preparing broccoli?

How about a classic chicken soup recipe?

Tell me about meringue.

Sekarang, mari kita cari satu atau dua resep. Buka halaman Penelusuran Resep dan coba beberapa penelusuran. Seperti:
```
Chili con carne

Chili, corn, rice

Lemon Meringue Pie

A dessert containing strawberries
```

15. Selamat!

Anda telah membuat aplikasi yang memanfaatkan aplikasi Vertex AI Agent Builder. Selama prosesnya, Anda telah mempelajari Gemini Cloud Assist, Gemini Code Assist, dan fitur bahasa alami ke SQL di Data Canvas BigQuery. Hebat!

Pembersihan

Cloud SQL tidak memiliki paket gratis dan akan menagih Anda jika Anda terus menggunakannya. Anda dapat menghapus project Cloud untuk menghindari tagihan tambahan.

Meskipun Cloud Run tidak mengenakan biaya saat layanannya tidak digunakan, Anda mungkin tetap ditagih atas penyimpanan image container di Artifact Registry. Menghapus project Cloud akan menghentikan penagihan untuk semua resource yang digunakan dalam project tersebut.

Jika mau, hapus project:

gcloud projects delete $GOOGLE_CLOUD_PROJECT

Anda juga dapat menghapus resource yang tidak diperlukan dari disk cloudshell. Anda dapat:

Hapus direktori project codelab:
```
rm -rf ~/task-app
```
Peringatan! Tindakan berikutnya ini tidak dapat diurungkan. Jika ingin menghapus semua yang ada di Cloud Shell untuk mengosongkan ruang, Anda dapat menghapus seluruh direktori beranda. Pastikan semua yang ingin Anda simpan disimpan di tempat lain.
```
sudo rm -rf $HOME
```