1. Ringkasan
Penelitian paten sangat luas dan kompleks. Memilah-milah abstrak teknis yang tak terhitung jumlahnya untuk menemukan inovasi yang relevan adalah tugas yang menantang. Penelusuran berbasis kata kunci tradisional sering kali tidak akurat dan menyita waktu. Abstraknya panjang dan teknis, sehingga sulit untuk memahami ide intinya dengan cepat. Hal ini dapat menyebabkan peneliti kehilangan paten kunci atau membuang waktu untuk hasil yang tidak relevan.
Resep rahasia di balik revolusi ini terletak pada Vector Search. Alih-alih mengandalkan pencocokan kata kunci sederhana, penelusuran vektor mengubah teks menjadi representasi numerik (embeddings). Dengan cara ini, kita dapat melakukan penelusuran berdasarkan arti kueri, bukan hanya berdasarkan kata-kata tertentu yang digunakan. Dalam dunia penelusuran literatur, hal ini membawa perubahan besar. Bayangkan menemukan paten untuk "monitor detak jantung yang dapat dipakai" meskipun frasa yang sama persis tidak digunakan dalam dokumen tersebut.
Tantangan: Penelusuran literatur modern diharapkan dapat memberikan jawaban cepat dan rekomendasi cerdas yang sesuai dengan preferensi unik mereka. Metode penelusuran tradisional sering kali gagal menyediakan tingkat personalisasi ini.
Solusi: Aplikasi chat berbasis pengetahuan kami mampu mengatasi tantangan ini secara langsung. Teknologi ini memanfaatkan basis pengetahuan lengkap yang berasal dari set data paten Anda untuk memahami niat pelanggan, merespons secara cerdas, dan memberikan hasil yang sangat relevan.
Yang akan Anda build
Sebagai bagian dari lab ini (Bagian 2), Anda akan:
- Membangun agen Vertex AI Agent Builder
- Mengintegrasikan alat AlloyDB dengan agen
Persyaratan
2. Arsitektur
Aliran Data: Mari kita lihat lebih dekat bagaimana data bergerak melalui sistem kita:
Proses transfer:
Data paten dimuat ke AlloyDB.
Mesin Analisis:
Kami akan menggunakan AlloyDB sebagai mesin analisis untuk melakukan hal berikut:
- Ekstraksi Konteks: Mesin menganalisis data yang disimpan dalam AlloyDB untuk memahami set data paten.
- Pembuatan Embedding: Embeddings (representasi matematika teks) dihasilkan untuk kueri pengguna dan informasi yang disimpan dalam AlloyDB.
- Penelusuran Vektor: Mesin melakukan penelusuran kemiripan, membandingkan penyematan kueri dengan embedding abstrak paten. Kategori ini mengidentifikasi "tetangga terdekat" yang paling relevan dalam konteks yang sedang dicari pengguna.
Pembuatan Respons:
Respons yang divalidasi disusun ke dalam array JSON dan seluruh mesin dikemas ke dalam Cloud Run Function serverless yang dipanggil dari Agent Builder.
Langkah-langkah di atas telah dibahas di bagian 1 lab.
Kita membahas detail teknis pembuatan mesin analisis berbasis pengetahuan yang mendukung asisten penelusuran paten cerdas kami. Sekarang, mari kita pelajari cara kami memanfaatkan keajaiban Agent Builder untuk mewujudkan mesin ini dalam antarmuka percakapan. Pastikan Anda sudah menyiapkan URL endpoint sebelum memulai bagian 2. Langkah selanjutnya yang akan kita bahas di lab ini:
Interaksi Percakapan:
Agent Builder menyajikan respons kepada pengguna dalam format natural language, yang memfasilitasi dialog dua arah.
3. Sebelum memulai
Membuat project
- Di Konsol Google Cloud, di halaman pemilih project, pilih atau buat project Google Cloud.
- Pastikan penagihan diaktifkan untuk project Cloud Anda. Pelajari cara memeriksa apakah penagihan diaktifkan pada sebuah project .
- Anda akan menggunakan Cloud Shell, yakni lingkungan command line yang berjalan di Google Cloud yang telah dilengkapi dengan bq. Klik Activate Cloud Shell di bagian atas Konsol Google Cloud.
- Setelah terhubung ke Cloud Shell, Anda harus memastikan bahwa Anda sudah diautentikasi dan project ditetapkan ke project ID Anda menggunakan perintah berikut:
gcloud auth list
- Jalankan perintah berikut di Cloud Shell untuk mengonfirmasi bahwa perintah gcloud mengetahui project Anda.
gcloud config list project
- Jika project Anda belum ditetapkan, gunakan perintah berikut untuk menetapkannya:
gcloud config set project <YOUR_PROJECT_ID>
- Mengaktifkan API yang diperlukan. Alternatif untuk perintah gcloud adalah melalui konsol dengan menelusuri setiap produk atau menggunakan link ini.
Jika ada API yang terlewat, Anda selalu dapat mengaktifkannya selama implementasi.
Baca dokumentasi untuk mempelajari perintah gcloud dan penggunaannya.
Catatan Penting: Selain itu, pastikan Anda telah menyelesaikan BAGIAN 1 dari lab untuk menyelesaikannya.
4. Pembuatan Agen
Memperkenalkan Agent Builder
Agent Builder adalah alat canggih dengan sedikit kode yang mendukung kami untuk membuat agen percakapan dengan cepat dan efisien. API ini menyederhanakan proses desain alur dialog, mengintegrasikan pusat informasi, dan menghubungkan ke API eksternal. Dalam kasus ini, kita akan menggunakan Agent Builder untuk terhubung secara lancar dengan endpoint Cloud Function yang dibuat di Bagian 1, sehingga asisten penelusuran paten dapat mengakses basis pengetahuan paten kami dan merespons kueri pengguna secara cerdas.
Pastikan Anda telah membuat Fungsi Cloud Run pada Java yang dibuat di Bagian 1 menampilkan ARRAY JSON, bukan teks biasa.
Membangun agen
Mari kita mulai membuat agen baru ini untuk menjawab pertanyaan pengguna tentang produk pakaian.
- Mulai dengan login ke platform Agent Builder. Jika Anda diminta untuk mengaktifkan API, klik LANJUTKAN DAN AKTIFKAN API.
- Klik "BUAT APLIKASI" dan berikan nama deskriptif kepada agen Anda (mis., "Asisten Penelusuran Paten").
- Klik Jenis Aplikasi "Agen".
- kami. Beri agen nama deskriptif seperti "Asisten Penelusuran Paten" dan tetapkan region sebagai us-central1
- Masukkan detail untuk agen:
- Ubah Nama Agen menjadi "Patent Search Agent".
- Tambahkan "Sasaran" di bawah:
You are a professional intelligent patent search agent! Your job is to help the customer find patents matching the context of their search text.
- Simpan pada tahap ini dan kosongkan petunjuk untuk saat ini.
- Kemudian klik Tools dari menu navigasi dan klik CREATE.
Masukkan Nama Alat: Alat Penelusuran Paten
Jenis: OpenAPI
Masukkan Deskripsi Alat:
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.
Masukkan Skema — OpenAPI dalam format YAML:
Ini adalah bagian tempat kita menggunakan endpoint backend untuk menjalankan agen. Salin spesifikasi OpenAPI di bawah ini dan ganti placeholder URL (dalam tanda kurung siku) dengan endpoint Cloud Function Anda:
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.
Biarkan konfigurasi lain tetap pada nilai defaultnya, lalu klik "Save".
- Kembali ke Agen pada tahap ini karena kita ingin menambahkan "Tool" konfigurasi ke "Petunjuk". Tambahkan di bawah ke placeholder petunjuk (Ingat, indentasi penting dalam menentukan alur):
- 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.
Pastikan alat "Alat Penelusuran Paten" dipilih di "Available Tools" bagian, lalu simpan kembali agen tersebut.
5. Menguji Agen
Di panel kanan, Anda akan melihat bagian Agen Pratinjau yang memungkinkan Anda menguji agen.
Seperti yang terlihat pada screenshot di bawah, saya telah menyapa sebagai pengguna dan memulai chat dengan permintaan "Mencocokkan paten untuk ide pelacak kebugaran":
Berikut adalah respons JSON:
Ini adalah hasil JSON mentah dari Cloud Function yang memproses Penelusuran Kemiripan AlloyDB. Selesai. Kita sudah siap dengan agen itu sekarang.
6. Deployment dan Integrasi
Setelah puas dengan agen, Anda dapat dengan mudah men-deploy-nya ke berbagai saluran menggunakan integrasi Agent Builder. Anda dapat menyematkannya di situs, mengintegrasikannya dengan platform pesan populer, atau bahkan membuat aplikasi seluler khusus. Kita juga dapat menggunakan Agent Builder API langsung di aplikasi klien web, yang telah dibahas di blog ini.
7. Pembersihan
Agar tidak menimbulkan biaya pada akun Google Cloud Anda untuk resource yang digunakan dalam posting ini, ikuti langkah-langkah berikut:
8. Selamat
Selamat! Dengan mengintegrasikan kecanggihan mesin analisis kami yang dibuat khusus dengan antarmuka intuitif Agent Builder, kami telah menciptakan asisten penelusuran literatur cerdas yang canggih agar penelusuran literatur menjadi mudah diakses, efisien, dan benar-benar didasarkan pada makna. Dengan menggabungkan kemampuan AlloyDB, Vertex AI, dan Vector Search, kami telah melakukan lompatan besar ke depan dalam membuat penelusuran kontekstual dan vektor mudah diakses, efisien, benar-benar berbasis makna, serta agenic.