Übersicht

Generative KI ist eine Technologie, mit der Inhalte wie Text, Videos, Bilder und Code erstellt werden. Google Cloud bietet eine Vielzahl von Large Language Models (LLMs) und Tools, die Ihnen den Einstieg in generative KI erleichtern, z. B. Gemini und Vertex AI. Mit LLM-basierten Tools können Sie Inhalte für Ihre Websites erstellen und optimieren sowie eine dialogbasierte Suche hinzufügen. Außerdem können Sie die Auffindbarkeit von Webseiten fördern und die Navigation auf Ihrer Website verbessern.

Lernziele

In diesem Lab implementieren Sie eine Lösung zur Modernisierung einer Website und führen folgende Aufgaben aus:

• Die Inhaltserstellung mit generativer KI optimieren, um die Qualität und Effizienz von Inhalten auf der Website zu verbessern.
• Bilder zur Ergänzung der schriftlichen Inhalte auf der Website generieren.
• Inhalte nahtlos in eine gewünschte Sprache übersetzen.
• Die Suche nach Informationen durch Einbindung von Vertex AI Search auf Ihrer Website verbessern.

Einrichtung

Für jedes Lab werden Ihnen ein neues Google Cloud-Projekt und die entsprechenden Ressourcen für eine bestimmte Zeit kostenlos zur Verfügung gestellt.

1. Melden Sie sich über ein Inkognitofenster in Qwiklabs an.

2. Beachten Sie die Zugriffszeit (z. B. 1:15:00). Das Lab muss in dieser Zeit abgeschlossen werden.
   Es gibt keine Pausenfunktion. Sie können bei Bedarf neu starten, müssen dann aber von vorn beginnen.

3. Wenn Sie bereit sind, klicken Sie auf Lab starten.

4. Notieren Sie sich Ihre Anmeldedaten (Nutzername und Passwort). Mit diesen Daten melden Sie sich in der Google Cloud Console an.

5. Klicken Sie auf Google Console öffnen.

6. Klicken Sie auf Anderes Konto verwenden. Kopieren Sie den Nutzernamen und das Passwort für dieses Lab und fügen Sie beides in die entsprechenden Felder ein.
   Wenn Sie andere Anmeldedaten verwenden, tritt ein Fehler auf oder es fallen Kosten an.

7. Akzeptieren Sie die Nutzungsbedingungen und überspringen Sie die Seite zur Wiederherstellung der Ressourcen.

Cloud Shell aktivieren

Cloud Shell ist eine virtuelle Maschine, auf der Entwicklertools installiert sind. Sie bietet ein Basisverzeichnis mit 5 GB nichtflüchtigem Speicher und läuft auf Google Cloud. Cloud Shell bietet Ihnen Befehlszeilenzugriff auf Ihre Google Cloud-Ressourcen. gcloud ist das Befehlszeilentool für Google Cloud. Das Tool ist in Cloud Shell vorinstalliert und unterstützt die Tab-Vervollständigung.

1. Klicken Sie in der Google Cloud Console im Navigationsbereich auf Cloud Shell aktivieren ().

2. Klicken Sie auf Weiter.
   Die Bereitstellung und Verbindung mit der Umgebung dauert einen kleinen Moment. Wenn Sie verbunden sind, sind Sie auch authentifiziert und das Projekt ist auf Ihre PROJECT_ID eingestellt. Beispiel:

Beispielbefehle

• Namen für das aktive Konto angeben:

gcloud auth list

(Ausgabe)

Credentialed accounts: - <myaccount>@<mydomain>.com (active)

(Beispielausgabe)

Credentialed accounts: - google1623327_student@qwiklabs.net

• Projekt-ID angeben:

gcloud config list project

(Ausgabe)

[core] project = <project_ID>

(Beispielausgabe)

[core] project = qwiklabs-gcp-44776a13dea667a6

Aufgabe 1: Vertex AI API aktivieren

Bevor Sie Vertex AI verwenden können, müssen Sie die Vertex AI API aktivieren.

1. Führen Sie dazu den folgenden Befehl in Cloud Shell aus:

   gcloud services enable aiplatform.googleapis.com

2. Wenn Sie dazu aufgefordert werden, klicken Sie auf Autorisieren.

   Hinweis: Bevor Sie den Fortschritt überprüfen, warten Sie einige Sekunden, bis die API aktiviert ist.

Klicken Sie auf Fortschritt prüfen. Die Vertex AI API wurde aktiviert.

Aufgabe 2: Websitecode herunterladen

In diesem Lab wird eine vordefinierte Websiteanwendung verwendet. Diese besteht aus Backend-APIs, die mit FastAPI erstellt wurden, und einem Frontend, das mit HTML, CSS und JavaScript erstellt wurde. In dieser Aufgabe laden Sie den Websitecode herunter und sehen sich den Code und die Dateistruktur an.

Websitecode herunterladen und ansehen

1. Laden Sie in Cloud Shell das Archiv des Websitecodes aus Cloud Storage herunter:

   gcloud storage cp gs://cloud-training/OCBL451/genai-website-mod-app.tar.gz

2. Extrahieren Sie den Inhalt des Archivs:

   tar -zxvf genai-website-mod-app.tar.gz

3. Klicken Sie in der Cloud Shell-Menüleiste auf Editor öffnen, um den Websitecode und die Dateistruktur anzusehen.

4. Erweitern Sie in der Navigationsleiste des Cloud Shell-Editors den Ordner genai-website-mod-app.

   Dieser Ordner enthält alle Dateien, die Sie zum Erstellen und Bereitstellen der Websiteanwendung benötigen. Hier ist eine Übersicht der Dateien und ihres Zwecks:

   Datei/Ordner	Beschreibung
   Dockerfile	Dockerfile zum Erstellen eines Containers für die Websiteanwendung mit Cloud Run
   config.toml	Zum Konfigurieren der Anwendung mit Variablen
   main.py	FastAPI-Haupteinstiegspunkt für die Websiteanwendung
   models/	Ordner mit den Datenmodellen, die von der Websiteanwendung verwendet werden
   routers/	FastAPI-API-Router für verschiedene Anwendungsfunktionen
   static/	Enthält statische Websiteassets wie CSS-, Bild- und JS-Dateien
   templates/	Jinja-Vorlagen für die Seiten der Websiteanwendung
   utils/	Module für die Dienstprogramme der Websiteanwendung
   views/	Zum Ansehen der Implementierungen der Websiteanwendung

   Hinweis: Sie müssen die Inhalte der Dateien nicht ansehen oder bearbeiten, es sei denn, dies wird in späteren Schritten des Labs angegeben.

Aufgabe 3: Vertex AI Search implementieren

In dieser Aufgabe implementieren Sie eine Suchfunktion für Ihre Website. Dazu erstellen Sie in Vertex AI eine Suchanwendung, mit der unstrukturierte Daten wie Blogposts durchsucht werden.

Suchanwendung erstellen

1. Klicken Sie in der Google Cloud Console auf das Navigationsmenü () und dann auf Agent Builder.

   Hinweis: Wenn Agent Builder nicht im Navigationsmenü aufgeführt ist, klicken Sie auf Alle Produkte ansehen. Scrollen Sie auf der Seite Alle Produkte zum Bereich Künstliche Intelligenz und klicken Sie dann auf Agent Builder.

2. Klicken Sie auf Weiter und API aktivieren.

3. Wenn Sie automatisch zur Seite Anwendung erstellen weitergeleitet werden, fahren Sie mit dem nächsten Schritt fort. Andernfalls klicken Sie auf Neue Anwendung.

4. Klicken Sie auf der Seite „Anwendung erstellen“ im Bereich Suche auf Ihrer Website auf die Option Erstellen.

5. Konfigurieren Sie auf der Seite Konfiguration eine Anwendung für die allgemeine Suche entsprechend der folgenden Einstellungen. Übernehmen Sie für die übrigen Einstellungen die jeweiligen Standardwerte:

   Attribut	Wert (eingeben oder auswählen)
   Name der Anwendung	my-search-app
   Externer Name Ihres Unternehmens oder Ihrer Organisation	my-company
   Standort der Anwendung	global (Global)

6. Klicken Sie auf Weiter.

Datenspeicher für die Suchanwendung erstellen

1. Klicken Sie auf der Seite Datenspeicher auf die Option Datenspeicher erstellen.

   Auf dieser Seite konfigurieren Sie die Suchanwendung mit Ihrer eigenen Datenquelle, die in den Suchergebnissen Ihrer Website verwendet werden soll.

2. Wählen Sie Cloud Storage aus.

   Hinweis: Für dieses Lab wurden einige HTML-Dokumente, die Blogposts darstellen, in einem Cloud Storage-Bucket in Ihrem Projekt bereitgestellt.

3. Wählen Sie Ordner als Standardoption aus und klicken Sie auf Durchsuchen.

4. Klicken Sie auf , um den Inhalt des Cloud Storage-Buckets anzusehen.

5. Wählen Sie den Ordner blog_posts aus und klicken Sie auf Auswählen.

   Der gs://-URI zum Ordner wird eingefügt.

   

6. Lassen Sie die Standardoption Unstrukturierte Dokumente für die Art der importierten Daten ausgewählt und klicken Sie dann auf Weiter.

7. Geben Sie als Namen des Datenspeichers my-data-store ein.

8. Klicken Sie auf Erstellen.

9. Wählen Sie auf der Seite Datenspeicher den neu erstellten Datenspeicher aus. Klicken Sie dann auf Erstellen, um die Suchanwendung zu erstellen.

   

   Agent Builder beginnt nun, für Ihre Suchanwendung die HTML-Daten der Blogposts aus Ihrem Cloud Storage-Bucket aufzunehmen.

10. Wenn Sie den Status der Datenaufnahme sehen möchten, klicken Sie auf der Seite my-data-store-Daten auf den Tab Aktivität.

    In der Spalte Status wird der aktuelle Status angezeigt. Wenn der Importvorgang abgeschlossen ist, wird in der Spalte die Meldung Import abgeschlossen angezeigt.

    

    Hinweis: Der Importvorgang kann einige Minuten dauern. Warten Sie, bis der Datenimport abgeschlossen ist, bevor Sie mit dem nächsten Schritt fortfahren.

11. Wenn Sie prüfen möchten, ob die Dokumente erfolgreich importiert wurden, klicken Sie auf den Tab Dokumente.

Suchanwendung testen

Sie können sich eine Vorschau der Suchanwendung ansehen. Testen Sie dazu ihre Funktion in Agent Builder.

1. Klicken Sie im Navigationsmenü von Agent Builder auf Vorschau.

2. Geben Sie in das Suchfeld What is dollar cost averaging and how can it help me? (Was ist der Durchschnittskosteneffekt und wie kann er mir nützlich sein?) ein und drücken Sie die Eingabetaste.

   Die Anwendung generiert eine Antwort, die den Durchschnittskosteneffekt erklärt und Auszüge und Links zu den relevanten Dateien enthält, die aus Cloud Storage importiert wurden.

   Hinweis: Standardmäßig verwendet die Suchanwendung das Modell Gemini 1.5 Pro, um Suchantworten zu generieren. Sie können die Konfiguration der Suchanwendung auf der Seite Agent Builder > Konfigurationen in der Google Cloud Console aufrufen oder ändern.

Klicken Sie auf Fortschritt prüfen. Die Vertex AI Search-Anwendung wurde erstellt.

Aufgabe 4: Suche in die Websiteanwendung einbinden

Nachdem Sie die Suchanwendung erstellt haben, können Sie sie auf der Website oder in der Anwendung einbinden. In diesem Lab wird die Search API verwendet, um Aufrufe zu starten und Antworten zu erhalten, die auf der Website angezeigt werden. Sie können auch ein Such-Widget auf Ihrer Website einbetten, das automatisch eine Suchleiste und eine erweiterbare Suchoberfläche bereitstellt. Wenn Sie mehr über diese Option erfahren möchten, klicken Sie am Ende des Labs auf die Links, um die Dokumentation dazu aufzurufen.

In dieser Aufgabe konfigurieren Sie den Websitecode für die Einbindung in die Suchanwendung, die Sie in der vorherigen Aufgabe erstellt haben. Dann stellen Sie die Websiteanwendung zum Testen in Cloud Run bereit.

Websiteanwendung konfigurieren

Die Websiteanwendung wurde mit FastAPI erstellt, einem Webframework zum Erstellen von APIs in Python. Der Ordner genai-website-mod-app/routers enthält die Router-API-Implementierungen für verschiedene Websitefunktionen wie Suchen.

1. Rufen Sie im Cloud Shell-Editor den Ordner genai-website-mod-app/routers auf und öffnen Sie die Datei vertex_search.py.

   Diese Datei enthält den Code, der die Search API-Aufrufe mithilfe des discoveryengine-Moduls aus dem Cloud Client SDK für Python implementiert. Der Code verwendet außerdem tomllib, ein Modul in Python, das Konfigurationsdateien parst.

2. Sehen Sie sich den Code in der Funktion trigger_first_search() an.

   Diese Funktion richtet den Aufruf der Discovery Engine API über den Pfad projects/{project_id}/locations/{datastore_location}/collections/default_collection/dataStores/{datastore_id} ein, der Pfadparameter enthält.

3. Wenn Sie Werte für die Pfadparameter angeben möchten, bearbeiten Sie im Ordner genai-website-mod-app die Datei config.toml.

4. Ersetzen Sie im Bereich [global] die Werte der Konfigurationsattribute wie angegeben:

   Bereich	Attribut	Wert
   global	project_id
   global	Standort
   global	datastore_id	Siehe nächster Schritt

5. Ersetzen Sie den Wert des Konfigurationsattributs datastore_id durch den Wert der Datenspeicher-ID Ihrer Suchanwendung:

   a. Um den Wert von datastore_id zu erhalten, rufen Sie in der Google Cloud Console Agent Builder auf und wählen Sie Daten aus.

   b. Kopieren Sie den Wert für die Datenspeicher-ID von my-data-store und fügen Sie ihn in die Datei config.toml ein.

6. Ersetzen Sie die zusätzlichen Konfigurationsattribute in den entsprechenden Konfigurationsbereichen wie angegeben:

   Bereich	Attribut	Wert
   Imagen	bucket_name
   Blog	image_bucket
   Blog	blog_bucket

7. Speichern Sie die Änderungen in der Datei.

Aufgabe 5: Website in Cloud Run erstellen, bereitstellen und testen

Cloud Run ist eine verwaltete Computing-Plattform, mit der Sie Anwendungscontainer auf der skalierbaren Infrastruktur von Google ausführen können.

In dieser Aufgabe erstellen Sie die Websiteanwendung und stellen sie in Cloud Run bereit. Außerdem testen Sie die Suchfunktion, die Sie auf der Website eingebunden haben.

Umgebung einrichten

1. Sie müssen sich im Verzeichnis der Websiteanwendung befinden:

   cd ~/genai-website-mod-app

2. Legen Sie Umgebungsvariablen für die Projekt-ID, die Region und den Anwendungsdienst der Website fest:

   PROJECT_ID=$(gcloud config get-value project) REGION={{{project_0.default_region|set at lab start}}} SERVICE_NAME='webmod-svc' # Name of your Cloud Run service. echo "PROJECT_ID=${PROJECT_ID}" echo "REGION=${REGION}" echo "SERVICE_NAME=${SERVICE_NAME}"

Anwendung in Cloud Run erstellen und bereitstellen

1. Führen Sie den folgenden Befehl aus, um Ihre Anwendung zu erstellen und in Cloud Run bereitzustellen:

   gcloud run deploy „$SERVICE_NAME“ \ --port 8080 \ --source . \ --allow-unauthenticated \ --region $REGION \ --project $PROJECT_ID

2. Um das Docker-Repository für Artifact Registry zu erstellen, geben Sie Y ein.

   Nachdem der Dienst bereitgestellt wurde, wird in der Befehlsausgabe eine URL zum Dienst erstellt.

Suchfunktion der Website testen

1. Wenn Sie Ihre Anwendung in Cloud Run testen möchten, rufen Sie die Cloud Run-Dienst-URL der Websiteanwendung in einem separaten Browsertab oder ‑fenster auf.

2. Geben Sie in das Suchfeld What is dollar cost averaging and how can it help me? (Was ist der Durchschnittskosteneffekt und wie kann er mir nützlich sein?) ein und drücken Sie die Eingabetaste.

3. Prüfen Sie, ob die Suchergebnisse zurückgegeben und auf der Website angezeigt werden.

   Hinweis: Das Suchergebnis enthält eine KI-Antwort. Sie wird aus den Inhalten der HTML-Dateien im Datenspeicher generiert, den Sie aus Cloud Storage für die Suchanwendung bereitgestellt haben. Gelegentlich werden in den Links zu den Suchergebnissen keine Snippets angezeigt, obwohl sie auf den entsprechenden Blogpost verweisen. Hinweis: Die von der Website verwendeten Blogpostdateien werden als JSON-Dateien in einem separaten production-Ordner in Ihrem Cloud Storage-Bucket gespeichert. Die Websiteanwendung verwendet EditorJS, um diese Dateien als HTML für die Anzeige auf der Website zu rendern.

4. Stellen Sie eine Anschlussfrage. Geben Sie dazu Can you use dollar cost averaging with ETFs? (Kann ich den Durchschnittskosteneffekt bei ETFs anwenden?) in das Suchfeld ein und drücken Sie die Eingabetaste.

5. Überprüfen Sie, ob die Suchergebnisse eine Antwort auf die Anschlussfrage sowie relevante Links zu den Blogposts enthalten.

Klicken Sie auf Fortschritt prüfen. Die Webanwendung wurde in Cloud Run bereitgestellt.

Aufgabe 6: Websiteinhalte mit generativer KI bearbeiten

Mit den auf generativer KI basierenden Tools von Google können Sie Websitetexte oder ‑inhalte erstellen und bearbeiten. In dieser Aufgabe verwenden Sie als Bearbeiter von Websiteinhalten diese Tools, um die Text- und Bildinhalte der in diesem Lab verwendeten Website zu aktualisieren.

Code für Bildgenerierung überprüfen

Die Websiteanwendung verwendet die Imagen API in Vertex AI, um Bilder zu generieren und zu aktualisieren.

1. Öffnen Sie im Cloud Shell-Editor die Konfigurationsdatei config.toml.

2. Überprüfen Sie die Konfigurationsattribute im Bereich [imagen]. In diesem Bereich werden die Attribute für das Modell definiert, die für die Bildgenerierung und für Bildunterschriften verwendet werden, sowie einige zusätzliche Attribute.

3. Öffnen Sie im Cloud Shell-Editor die Datei routers/vertex_imagen.py.

   In dieser Datei sind die verschiedenen Funktionen für Bildunterschriften und die Bildbearbeitung sowie ihre API-Routen definiert.

4. Die Funktionen werden in der Datei utils/imagen.py implementiert. Öffnen Sie diese Datei im Cloud Shell-Editor.

5. Rufen Sie die Funktion generate_image() auf:

   Diese Funktion verwendet die vertexai.preview.vision_models.ImageGenerationModel-Klasse aus dem vertexai-Paket im Python SDK.

   Diese Funktion lädt zuerst das Modell für die Bildgenerierung und generiert dann ein Bild. Dazu ruft sie die Funktion generate_images() auf dem Modell auf und übergibt den Text-Prompt und andere Parameter.

Bildinhalt aktualisieren

Als Nächstes aktualisieren Sie ein Bild in einem der Blogposts auf der Website.

1. Klicken Sie oben rechts auf der Cymbal Investments-Website auf Alle Blogs.

   Eine Seite mit sechs Blogposts wird auf der Website angezeigt.

   Hinweis: Wenn die ersten Blogposts standardmäßig ausgewählt sind, klicken Sie auf der Seite auf eine beliebige Stelle, um die Auswahl aufzuheben.

2. Klicken Sie auf den Link, um sich den ersten Blogpost anzusehen: Unleashing the Techie Within: A Journey to FIRE.

   Die Seite des Blogposts enthält eine Kopfzeile, ein Bild und Textabsätze.

3. Wenn Sie den Seiteninhalt bearbeiten möchten, klicken Sie unten rechts auf Bearbeiten ().

4. Bewegen Sie den Mauszeiger auf das Bild. Klicken Sie dann links neben dem Bild auf Zum Abstimmen klicken ().

5. Wählen Sie im Menü Zum Abstimmen klicken die Option Generieren aus.

   

6. Geben Sie unter der Bildunterschrift für Prompt den folgenden Text ein: An image of a retired man and woman sitting on a beach enjoying the sunset (Ein Bild von einem Rentnerpaar, das am Strand sitzt und den Sonnenuntergang genießt). Klicken Sie auf Generieren.

7. Scrollen Sie auf der Seite nach oben und warten Sie, bis das Bild generiert wurde.

   Es wird ein neues Bild generiert, das dann in Ihren Cloud Storage-Bucket für Bilder hochgeladen wird. Die Seite des Blogposts wird mit diesem neuen Bild aktualisiert.

Inhalte übersetzen

Mit Textgenerierungsmodellen können Sie ganze Webseiten oder nur Teile von Inline-Text übersetzen. In dieser Unteraufgabe übersetzen Sie den Inline-Text auf der Blogseite der Website.

1. Öffnen Sie im Cloud Shell-Editor die Datei routers/vertex_llm.py.

   In dieser Datei sind die verschiedenen Funktionen zum Bearbeiten und Übersetzen von Webseiten sowie ihre API-Routen definiert.

2. Scrollen Sie zum Ende der Quelldatei und sehen Sie sich den Code für die Funktion ai_translate_inline() an.

   Diese Funktion erstellt einen Prompt mithilfe des Konfigurationsattributs ai_translate_inline_prompt, des vom Nutzer ausgewählten Textes und der vom Nutzer angegebenen Zielsprache. Dann wird die Funktion llm_generate_gemini() aufgerufen, um eine Antwort aus dem Modell zu generieren.

   Hier ist der Wert des Konfigurationsattributs ai_translate_inline_prompt aus der Datei config.toml:

   You are an award winning writer. INSTRUCTIONS: 1. You are given a piece of text as INPUT_TEXT 2. You are also given a target language as TARGET_LANGUAGE. 3. You should translate the INPUT_TEXT into the TARGET_LANGUAGE. 4. Strictly output only the translated text. Do not add any other explanation. Do not output the answer in \"\" (double or single quotes) INPUT_TEXT:

3. Wenn Sie sich die Funktion llm_generate_gemini() ansehen möchten, öffnen Sie die Datei utils/vertex_llm_utils.py.

   Diese Funktion verwendet die vertexai.generative_models.GenerativeModel-Klasse aus dem vertexai-Paket im Python SDK.

   Diese Funktion lädt zuerst das gemini‑1.5‑pro-Modell und generiert dann eine Antwort. Dazu wird die Funktion generate_content() auf dem Modell aufgerufen und der Text-Prompt und andere Parameter übergeben.

4. Achten Sie darauf, dass Sie sich auf der Blogseite Ihrer Website im Bearbeitungsmodus befinden. Falls das nicht der Fall ist, klicken Sie rechts unten auf Bearbeiten ().

5. Wählen Sie einen beliebigen Textabsatz aus und klicken Sie dann auf das Übersetzungstool:

   

6. Geben Sie im Prompt-Feld für die Sprache den Wert Französisch ein und klicken Sie dann auf Senden.

   Nach einigen Sekunden wird der Text des Absatzes in die von Ihnen angegebene Sprache übersetzt und inline auf der Seite ersetzt.

Websitetext (Textinhalt) aktualisieren

Sie können auch ein generatives Modell verwenden, um den Textinhalt Ihrer Website zu optimieren.

1. Sehen Sie sich in der Datei routers/vertex_llm.py die Funktion ai_refine_text() an.

   Diese Funktion erstellt einen Prompt mithilfe des Konfigurationsattributs ai_refine_prompt, des vom Nutzer ausgewählten Textes aus dem Websiteinhalt und der Anleitungen für die Nutzereingabe.

   Hier ist der Wert des Konfigurationsattributs ai_refine_prompt aus der Datei config.toml:

   You are an award winning writer. INSTRUCTIONS: 1. You are given a piece of text as INPUT_TEXT 2. You are also given a style or tone or instructions as REFINE_PROMPT. 3. You should modify or refine INPUT_TEXT in the tone or style of REFINE_PROMPT. 4. Strictly output only the refined text. Do not add any other explanation. Do not output the answer in \"\" (double or single quotes) INPUT TEXT:

2. Achten Sie darauf, dass Sie sich auf der Blogseite Ihrer Website im Bearbeitungsmodus befinden. Falls das nicht der Fall ist, klicken Sie rechts unten auf Bearbeiten ().

3. Wählen Sie einen beliebigen Textabsatz aus und klicken Sie dann auf das Tool zum Optimieren von Text:

   

4. Wenn Sie den Ton des ausgewählten Textes formaler und eindringlicher gestalten möchten, geben Sie in das Feld für den Stil formal impactful ein. Dieser Wert wird dem Prompt als REFINE_PROMPT-String vor dem Aufrufen des Modells angehängt.

5. Klicken Sie auf Senden.

   Nach einigen Sekunden wird vom Modell eine Antwort generiert und in einem umrahmten Feld unter dem Originaltext auf der Seite angezeigt.

6. Sehen Sie sich den aktualisierten Textabsatz an und klicken Sie auf Ersetzen.

7. Klicken Sie oben auf der Seite auf Speichern, um die Änderungen auf der Blogseite zu speichern.

8. Wenn Sie sich den endgültigen Wert des Prompts ansehen möchten, wählen Sie im Navigationsmenü () der Google Cloud Console Logging > Log-Explorer aus.

   Hinweis: Wenn Logging nicht im Navigationsmenü aufgeführt ist, klicken Sie auf Alle Produkte ansehen. Scrollen Sie auf der Seite Alle Produkte zum Bereich Beobachtbarkeit und klicken Sie dann auf Logging.

9. Wenn Sie die relevanten Logeinträge hervorheben möchten, klicken Sie in der Menüleiste „Ergebnisse“ auf Aktionen > In Ergebnissen hervorheben.

10. Geben Sie für In Ergebnissen hervorheben die Option REFINE_PROMPT ein.

    

Klicken Sie auf Fortschritt prüfen. Änderungen wurden an den Inhalten der Website vorgenommen.

Lab beenden

Wenn Sie das Lab abgeschlossen haben, klicken Sie auf Lab beenden. Qwiklabs entfernt daraufhin die von Ihnen genutzten Ressourcen und bereinigt das Konto.

Anschließend erhalten Sie die Möglichkeit, das Lab zu bewerten. Wählen Sie die entsprechende Anzahl von Sternen aus, schreiben Sie einen Kommentar und klicken Sie anschließend auf Senden.

Die Anzahl der Sterne hat folgende Bedeutung:

• 1 Stern = Sehr unzufrieden
• 2 Sterne = Unzufrieden
• 3 Sterne = Neutral
• 4 Sterne = Zufrieden
• 5 Sterne = Sehr zufrieden

Wenn Sie kein Feedback geben möchten, können Sie das Dialogfeld einfach schließen.

Verwenden Sie für Feedback, Vorschläge oder Korrekturen den Tab Support.

Das wars! Sie haben das Lab erfolgreich abgeschlossen.

Folgende Aufgaben haben Sie ausgeführt:

• Sie haben eine allgemeine Suchanwendung mit Vertex AI erstellt und getestet.
• Sie haben die Vertex AI Search-Anwendung auf einer Website eingebunden.
• Sie haben mit der Imagen API ein Bild auf der Website generiert und aktualisiert.
• Sie haben mit dem Vertex AI TextGenerationModel den Text auf einer Seite übersetzt und optimiert.
• Sie haben die Websiteanwendung in Cloud Run bereitgestellt und getestet.

Diese Funktionen bieten Ihnen die Möglichkeit, einen Ablauf zum Aktualisieren von Websiteinhalten zu erstellen. Ihre Änderungen können Sie zur Überprüfung und Veröffentlichung in einem externen Speicher wie Cloud Storage sichern.

Weitere Informationen

• Vertex AI
• Gemini
• Such-Widget auf einer Webseite einfügen
• Artifact Registry
• Cloud Run

© 2024 Google LLC. Alle Rechte vorbehalten. Google und das Google-Logo sind Marken von Google LLC. Alle anderen Unternehmens- und Produktnamen können Marken der jeweils mit ihnen verbundenen Unternehmen sein.