Membangun Asisten Penelusuran Paten dengan AlloyDB dan Vertex AI Agent Builder - Bagian 2

1. Ringkasan

Riset 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.

Rahasia di balik revolusi ini terletak pada Penelusuran Vektor. 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 Anda menemukan paten untuk "pemantau detak jantung yang dapat dipakai" meskipun frasa persisnya tidak digunakan dalam dokumen.

Tantangan: Penelusuran literatur modern diharapkan dapat memberikan jawaban instan dan rekomendasi cerdas yang sesuai dengan preferensi unik mereka. Metode penelusuran tradisional sering kali tidak dapat memberikan personalisasi tingkat ini.

Solusi: Aplikasi chat berbasis pengetahuan kami mampu mengatasi tantangan ini secara langsung. Layanan ini memanfaatkan pusat informasi yang lengkap yang berasal dari set data paten Anda untuk memahami intent pelanggan, merespons dengan cerdas, dan memberikan hasil yang sangat relevan.

Yang akan Anda build

Sebagai bagian dari lab ini (Bagian 2), Anda akan:

1. Membangun agen Vertex AI Agent Builder
2. Mengintegrasikan alat AlloyDB dengan agen

Persyaratan

• Browser, seperti Chrome atau Firefox
• Project Google Cloud dengan penagihan diaktifkan.

2. Arsitektur

Alur Data: Mari kita pelajari lebih lanjut cara data bergerak melalui sistem kita:

Proses transfer:

Data paten dimuat ke AlloyDB.

Mesin Analisis:

Kita akan menggunakan AlloyDB sebagai mesin analisis untuk melakukan hal berikut:

1. Ekstraksi Konteks: Mesin menganalisis data yang disimpan dalam AlloyDB untuk memahami set data paten.
2. Pembuatan Embedding: Embedding (representasi matematika teks) dibuat untuk kueri pengguna dan informasi yang disimpan di AlloyDB.
3. Penelusuran Vektor: Mesin melakukan penelusuran kemiripan, membandingkan penyematan kueri dengan embedding abstrak paten. Hal ini mengidentifikasi "tetangga terdekat" yang paling relevan dengan konteks yang ditelusuri 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 memanfaatkan keajaiban Agent Builder untuk menghidupkan mesin ini dalam antarmuka percakapan. Pastikan Anda sudah menyiapkan URL endpoint sebelum memulai bagian 2. Langkah berikutnya adalah hal yang akan kita bahas dalam lab ini:

Interaksi Percakapan:

Agent Builder menyajikan respons kepada pengguna dalam format natural language, yang memfasilitasi dialog dua arah.

3. Sebelum memulai

Membuat project

1. Di Konsol Google Cloud, di halaman pemilih project, pilih atau buat project Google Cloud.
2. Pastikan penagihan diaktifkan untuk project Cloud Anda. Pelajari cara memeriksa apakah penagihan telah diaktifkan pada suatu project.
3. Anda akan menggunakan Cloud Shell, lingkungan command line yang berjalan di Google Cloud yang telah dilengkapi dengan bq. Klik Aktifkan Cloud Shell di bagian atas konsol Google Cloud.

4. Setelah terhubung ke Cloud Shell, Anda akan memeriksa bahwa Anda sudah diautentikasi dan project ditetapkan ke project ID Anda menggunakan perintah berikut:

gcloud auth list

5. Jalankan perintah berikut di Cloud Shell untuk mengonfirmasi bahwa perintah gcloud mengetahui project Anda.

gcloud config list project

6. Jika project Anda belum ditetapkan, gunakan perintah berikut untuk menetapkannya:

gcloud config set project <YOUR_PROJECT_ID>

7. 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 lab untuk menyelesaikan ini.

4. Pembuatan Agen

Memperkenalkan Agent Builder

Builder Agen adalah alat yang andal dan hanya memerlukan sedikit kode yang memungkinkan kita 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 memiliki Fungsi Java Cloud Run yang dibuat di Bagian 1 yang menampilkan JSON ARRAY, bukan teks biasa.

Mem-build agen

Mari kita mulai membuat agen baru ini untuk menjawab pertanyaan pengguna tentang produk pakaian.

1. Mulai dengan login ke platform Agent Builder. Jika Anda diminta untuk mengaktifkan API, lanjutkan dan klik LANJUTKAN DAN AKTIFKAN API.
2. Klik "BUAT APLIKASI" dan beri nama deskriptif untuk agen Anda (misalnya, "Patent Search Assistant").
3. Klik Jenis Aplikasi "Agen".

4. kami. Beri agen nama deskriptif seperti "Asisten Penelusuran Paten" dan tetapkan region sebagai us-central1
5. Masukkan detail untuk agen:
6. Ubah Nama Agen menjadi "Patent Search Agent".
7. 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.

3. Simpan pada tahap ini dan kosongkan petunjuk untuk saat ini.
4. Kemudian, klik Alat dari menu navigasi, lalu klik BUAT.

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:

Di sinilah kita menggunakan endpoint backend untuk mendukung 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".

7. Kembali ke Agen pada tahap ini karena kita ingin menambahkan konfigurasi "Alat" ke "Petunjuk" agen. Tambahkan kode di bawah ke placeholder petunjuk (Ingat, indent 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 daftar "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 dapat Anda lihat pada screenshot di bawah, saya telah menyapa sebagai pengguna dan memulai chat dengan permintaan "Paten yang cocok untuk ide pelacak kebugaran apa pun":

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 secara langsung di aplikasi klien web, yang telah kita bahas 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:

1. Di konsol Google Cloud, buka Manage
2. halaman referensi.
3. Dalam daftar project, pilih project yang ingin Anda hapus, lalu klik Delete.
4. Pada dialog, ketik project ID, lalu klik Shut down untuk menghapus project.

8. Selamat

Selamat! Dengan mengintegrasikan kecanggihan mesin analisis yang dibuat khusus dengan antarmuka intuitif Agent Builder, kami telah membuat asisten penelusuran literatur yang cerdas untuk membuat penelusuran literatur lebih mudah diakses, efisien, dan benar-benar berorientasi pada makna. Dengan menggabungkan kemampuan AlloyDB, Vertex AI, dan Penelusuran Vektor, kami telah melakukan lompatan besar dalam membuat penelusuran kontekstual dan vektor menjadi mudah diakses, efisien, benar-benar berbasis makna, dan bersifat agen.