Build a Patent Search Assistant with AlloyDB and Vertex AI Agent Builder – Part 2

1. Übersicht

Die Patentforschung ist umfangreich und komplex. Das Durchforsten unzähliger technischer Zusammenfassungen, um relevante Innovationen zu finden, ist eine gewaltige Aufgabe. Herkömmliche keywordbasierte Suchanfragen sind oft ungenau und zeitaufwendig. Zusammenfassungen sind lang und technisch, was es schwierig macht, die Kernidee schnell zu erfassen. Dies kann dazu führen, dass Forschende wichtige Patente fehlen oder Zeit für irrelevante Ergebnisse verschwenden.

Die geheime Zutat hinter dieser Revolution ist die Vektorsuche. Anstatt sich auf einen einfachen Keyword-Abgleich zu verlassen, wandelt die Vektorsuche Text in numerische Darstellungen (Einbettungen) um. So können wir nicht nur anhand der verwendeten Wörter, sondern auch anhand der Bedeutung der Suchanfrage suchen. In der Literatursuche ist das ein echter Gamechanger. Stellen Sie sich vor, Sie hätten ein Patent für einen „tragbaren Herzfrequenzmesser“. auch wenn nicht die genaue Wortgruppe im Dokument verwendet wird.

Die Herausforderung:Es wird erwartet, dass die Suche nach moderner Literatur sofortige Antworten und intelligente Empfehlungen liefert, die auf ihre individuellen Vorlieben abgestimmt sind. Herkömmliche Suchmethoden bieten ein solches Maß an Personalisierung oft nicht.

Die Lösung: Unsere KI-gestützte Chat-Anwendung löst diese Herausforderung. Dabei wird eine umfassende Wissensdatenbank aus Ihrem Patent-Dataset genutzt, um die Kundenabsicht zu verstehen, intelligent darauf zu reagieren und hochrelevante Ergebnisse zu liefern.

Aufgaben

In diesem Lab (Teil 2) lernen Sie Folgendes:

1. Vertex AI Agent Builder-Agent erstellen
2. AlloyDB-Tool in den Agent einbinden

Voraussetzungen

• Ein Browser wie Chrome oder Firefox
• Google Cloud-Projekt mit aktivierter Abrechnungsfunktion.

2. Architektur

Datenfluss: Sehen wir uns genauer an, wie Daten durch unser System fließen:

Datenaufnahme:

Patentdaten werden in AlloyDB geladen.

Analytics-Engine:

Wir verwenden AlloyDB als Analyse-Engine, um Folgendes auszuführen:

1. Kontextextraktion: Das System analysiert die in AlloyDB gespeicherten Daten, um den Datensatz mit Patenten zu verstehen.
2. Erstellung von Einbettungen: Einbettungen (mathematische Darstellungen von Text) werden sowohl für die Abfrage des Nutzers als auch für die in AlloyDB gespeicherten Informationen generiert.
3. Vektorsuche: Die Suchmaschine führt eine Ähnlichkeitssuche durch und vergleicht dabei die Einbettung der Suchanfrage mit den Einbettungen von Patentabstraktionen. So wird der relevanteste „Nächste Nachbar“ für den Kontext ermittelt, nach dem der Nutzer sucht.

Antworten generieren:

Die validierten Antworten sind in einem JSON-Array strukturiert und die gesamte Engine ist in eine serverlose Cloud Run-Funktion verpackt, die vom Agent Builder aufgerufen wird.

Die oben genannten Schritte werden bereits in Teil 1 des Labs behandelt.

Wir haben die technischen Details zur Erstellung einer wissensbasierten Analyse-Engine erläutert, die die Grundlage für unseren intelligenten Patentsuchassistenten bildet. Sehen wir uns nun an, wie wir die Magie von Agent Builder nutzen können, um diese Engine in einer Konversationsschnittstelle zum Leben zu erwecken. Halten Sie die Endpunkt-URL bereit, bevor Sie mit Teil 2 beginnen. In diesem Lab geht es um den nächsten Schritt:

Conversational Interaction:

Agent Builder präsentiert die Antworten den Nutzern in natürlicher Sprache, was einen Dialog zwischen ihnen ermöglicht.

3. Vorbereitung

Projekt erstellen

1. Wählen Sie in der Google Cloud Console auf der Seite für die Projektauswahl ein Google Cloud-Projekt aus oder erstellen Sie eines.
2. Die Abrechnung für das Cloud-Projekt muss aktiviert sein. Hier erfahren Sie, wie Sie prüfen, ob die Abrechnung für ein Projekt aktiviert ist.
3. Sie verwenden Cloud Shell, eine in Google Cloud ausgeführte Befehlszeilenumgebung mit vorinstalliertem bq. Klicken Sie oben in der Google Cloud Console auf „Cloud Shell aktivieren“.

4. Nachdem Sie eine Verbindung zu Cloud Shell hergestellt haben, prüfen Sie mit dem folgenden Befehl, ob Sie bereits authentifiziert sind und das Projekt auf Ihre Projekt-ID festgelegt ist:

gcloud auth list

5. Führen Sie in Cloud Shell den folgenden Befehl aus, um zu prüfen, ob der gcloud-Befehl Ihr Projekt kennt.

gcloud config list project

6. Wenn Ihr Projekt nicht festgelegt ist, verwenden Sie den folgenden Befehl, um es festzulegen:

gcloud config set project <YOUR_PROJECT_ID>

7. Aktivieren Sie die erforderlichen APIs. Alternativ können Sie in der Console nach den einzelnen Produkten suchen oder diesen Link verwenden.

Wenn eine API nicht verfügbar ist, können Sie sie jederzeit während der Implementierung aktivieren.

Weitere Informationen zu gcloud-Befehlen und deren Verwendung finden Sie in der Dokumentation.

Wichtiger Hinweis:Sie müssen außerdem TEIL 1 des Labs abgeschlossen haben.

4. Agent-Erstellung

Einführung in Agent Builder

Agent Builder ist ein leistungsstarkes Low-Code-Tool, mit dem wir schnell und effizient dialogorientierte Kundenservicemitarbeiter erstellen können. Sie vereinfacht das Entwerfen von Dialogflüssen, die Einbindung von Wissensdatenbanken und die Verbindung zu externen APIs. In unserem Fall verwenden wir Agent Builder, um eine nahtlose Verbindung zum Cloud Function-Endpunkt herzustellen, den wir in Teil 1 erstellt haben. So kann unser Patentrechercheur auf unsere Patentdatenbank zugreifen und intelligent auf Nutzeranfragen reagieren.

Achten Sie darauf, dass die in Teil 1 erstellte Java-Cloud Run-Funktion ein JSON-ARRAY anstelle von Nur-Text zurückgibt.

Agent erstellen

Erstellen wir zuerst diesen neuen Agenten, der Nutzerfragen zu Bekleidungsprodukten beantworten soll.

1. Melden Sie sich zuerst auf der Agent Builder-Plattform an. Wenn Sie aufgefordert werden, die API zu aktivieren, klicken Sie auf WEITER UND API AKTIVIEREN.
2. Klicken Sie auf „APP ERSTELLTEN“ und geben Sie Ihrem Bot einen aussagekräftigen Namen, z. B. „Patentsuchassistent“).
3. Klicken Sie auf den App-Typ „Kundenservicemitarbeiter“.

4. Geben Sie Ihrem Agenten einen aussagekräftigen Namen wie Patent Search Assistant und legen Sie die Region als us-central1 fest.
5. Geben Sie die Details für den Kundenservicemitarbeiter ein:
6. Ändern Sie den Namen des Bevollmächtigten in Patent Search Agent.
7. Fügen Sie das folgende Zielvorhaben hinzu:

You are a professional intelligent patent search agent! Your job is to help the customer find patents matching the context of their search text.

3. Speichern Sie die Seite und lassen Sie die Anleitung vorerst leer.
4. Klicken Sie dann im Navigationsmenü auf „Tools“ und dann auf „ERSTELLEN“.

Tool-Name eingeben: Google Patentsuche

Typ: OpenAPI

Tool-Beschreibung eingeben:

This tool refers to the dataset in the backend as the context information for product inventory. It takes as input the user's search text summarized by the agent and matches with the most appropriate list of items and returns as an array of items.

Schema eingeben – OpenAPI im YAML-Format:

In diesem Teil verwenden wir den Back-End-Endpunkt zur Unterstützung des Agents. Kopieren Sie die folgende OpenAPI-Spezifikation und ersetzen Sie den URL-Platzhalter (in spitzen Klammern) durch Ihren Cloud Functions-Endpunkt:

openapi: 3.0.0
info:
  title: Patent Search API
  version: v1
servers:
  - url: YOUR_CLOUDFUNCTION_ENDPOINT_URL
paths:
  /patent-search:
    post:
      summary: Search for patents using a text query.
      requestBody:
        content:
          application/json:
            schema:
              type: object
              properties:
                search:
                  type: string
                  description: The text query to search for patents.
                  example: A new Natural Language Processing related Machine Learning Model
      responses:
        '200':
          description: Successful search response with a JSON array of matching patents.
          content:
            application/json:
              schema:
                type: array
                items:
                  type: object
                  properties:
                    result:
                      type: string
                      description: Patent title.
        '400':
          description: Invalid request body.
        '500':
          description: Internal server error.

Belassen Sie die anderen Konfigurationen bei den Standardwerten und klicken Sie auf „Speichern“.

7. Kehren Sie jetzt zum Agenten zurück, da wir die Konfiguration „Tool“ den „Anweisungen“ des Agenten hinzufügen möchten. Fügen Sie dem Platzhalter für die Anleitung Folgendes hinzu. Denken Sie daran, dass die Einzüge wichtig sind, um den Ablauf zu definieren:

- Greet the users, then ask how you can help them today.
- Summarize the user's request and ask them to confirm that you understood correctly.
    - If necessary, seek clarifying details.
- Use ${TOOL:Patent Search Tool} to help the user with their task.
- Return the response from the ${TOOL:Patent Search Tool} to the user in a well formed string.
- Thank the user for their business and say goodbye.

Achten Sie darauf, dass im Bereich „Verfügbare Tools“ das Tool „Patent Search Tool“ ausgewählt ist, und speichern Sie den Bot dann noch einmal.

5. Agent testen

Im rechten Bereich sollten Sie den Abschnitt „Preview Agent“ sehen, in dem Sie den Agent testen können.

Wie Sie im Screenshot unten sehen können, habe ich mich als Nutzer begrüßt und meinen Chat mit einer Anfrage nach „Abgleich eines Patents für jede Idee von Fitness-Trackern“ begonnen:

Das ist die JSON-Antwort:

Dies ist das JSON-Rohergebnis der Cloud Functions-Funktion, die die AlloyDB-Ähnlichkeitssuche verarbeitet. Fertig! Wir sind jetzt mit dem Kundenservicemitarbeiter verbunden.

6. Bereitstellung und Integration

Wenn Sie mit dem Agent zufrieden sind, können Sie ihn mithilfe der Integrationen von Agent Builder ganz einfach in verschiedenen Kanälen bereitstellen. Sie können sie in Ihre Website einbetten, in beliebte Kommunikationsplattformen integrieren oder sogar eine dedizierte mobile App erstellen. Wir können die Agent Builder API auch direkt in unseren Webclient-Anwendungen verwenden. Mehr dazu erfahren Sie in diesem Blog.

7. Bereinigen

Mit den folgenden Schritten vermeiden Sie, dass Ihrem Google Cloud-Konto die in diesem Beitrag verwendeten Ressourcen in Rechnung gestellt werden:

1. Gehen Sie in der Google Cloud Console zur Seite Verwalten .
2. Ressourcen.
3. Wählen Sie in der Projektliste das Projekt aus, das Sie löschen möchten, und klicken Sie auf Löschen.
4. Geben Sie im Dialogfeld die Projekt-ID ein und klicken Sie auf Beenden, um das Projekt zu löschen.

8. Glückwunsch

Glückwunsch! Durch die Integration der Leistungsfähigkeit unserer eigens entwickelten Analyse-Engine in die intuitive Benutzeroberfläche von Agent Builder haben wir einen intelligenten Assistenten für die Literatursuche entwickelt, der die Literatursuche zugänglich, effizient und wirklich bedeutungsorientiert macht. Durch die Kombination der Funktionen von AlloyDB, Vertex AI und Vektorsuche haben wir einen großen Schritt nach vorne gemacht, um kontextbezogene und Vektorsuchen zugänglich, effizient, wirklich sinnvoll und handlungsorientiert zu machen.