GSP1154

Übersicht

Vertex AI ist eine umfassende Machine-Learning-Entwicklungsplattform, die Funktionen für sowohl prädiktive als auch generative KI bietet. Mit Vertex AI können Sie prädiktive Machine-Learning-Modelle für Prognosen trainieren, bewerten und einsetzen. Außerdem haben Sie mithilfe der Plattform die Möglichkeit, generative KI-Modelle zur Inhaltserstellung kennenzulernen, abzustimmen und bereitzustellen. So versuchen Versicherungen beispielsweise ständig, die Effizienz in Bereichen wie der Schadensabwicklung und Risikobewertung zu erhöhen. Vertex AI Studio bietet eine leistungsstarke Möglichkeit, schnell Prototypen für auf generativer KI basierende Lösungen für solche Herausforderungen zu erstellen.

Mit Vertex AI Studio können Sie generative KI-Modelle schnell testen und anpassen, sodass Sie deren Funktionen in Ihren Anwendungen nutzen können. Die Lösung bietet zahlreiche Tools und Ressourcen, darunter eine intuitive Benutzeroberfläche, die den Einstieg in generative KI erleichtern, auch wenn Sie keine oder wenig Machine-Learning-Kenntnisse haben.

Dieses Lab führt Sie durch Vertex AI Studio. Hier können Sie das gesamte Potenzial hochmoderner, generativer KI-Modelle wie Gemini ausschöpfen. Im Rahmen des Labs unterstützen Sie eine Versicherung bei der Entwicklung eines Prototyps für einen Risikoanalyseassistenten. Sie erfahren, wie Sie aus einer Prompt-Idee eine einsatzbereite Anwendung machen, komplexe Prompts entwerfen, um bestimmte generative Ergebnisse zu erzielen, und multimodale Funktionen verwenden, um verschiedene Arten von Daten, einschließlich Bildern, zu analysieren – und das alles direkt in der Google Cloud Console. Für diese Kernaufgaben sind keine APIs oder Python SDKs erforderlich.

Lernziele

Aufgaben in diesem Lab:

• Anwendungen aus Prompts erstellen
• Effektive Prompts entwerfen
• Prompts entwickeln und verwalten
• Multimodale Prompts verwenden

Einrichtung und Anforderungen

Vor dem Klick auf „Start Lab“ (Lab starten)

Lesen Sie diese Anleitung. Labs sind zeitlich begrenzt und können nicht pausiert werden. Der Timer beginnt zu laufen, wenn Sie auf Lab starten klicken, und zeigt Ihnen, wie lange Google Cloud-Ressourcen für das Lab verfügbar sind.

In diesem praxisorientierten Lab können Sie die Lab-Aktivitäten in einer echten Cloud-Umgebung durchführen – nicht in einer Simulations- oder Demo-Umgebung. Dazu erhalten Sie neue, temporäre Anmeldedaten, mit denen Sie für die Dauer des Labs auf Google Cloud zugreifen können.

Für dieses Lab benötigen Sie Folgendes:

• Einen Standardbrowser (empfohlen wird Chrome)

Hinweis: Nutzen Sie den privaten oder Inkognitomodus (empfohlen), um dieses Lab durchzuführen. So wird verhindert, dass es zu Konflikten zwischen Ihrem persönlichen Konto und dem Teilnehmerkonto kommt und zusätzliche Gebühren für Ihr persönliches Konto erhoben werden.

• Zeit für die Durchführung des Labs – denken Sie daran, dass Sie ein begonnenes Lab nicht unterbrechen können.

Hinweis: Verwenden Sie für dieses Lab nur das Teilnehmerkonto. Wenn Sie ein anderes Google Cloud-Konto verwenden, fallen dafür möglicherweise Kosten an.

Lab starten und bei der Google Cloud Console anmelden

1. Klicken Sie auf Lab starten. Wenn Sie für das Lab bezahlen müssen, wird ein Dialogfeld geöffnet, in dem Sie Ihre Zahlungsmethode auswählen können. Auf der linken Seite befindet sich der Bereich „Details zum Lab“ mit diesen Informationen:

   • Schaltfläche „Google Cloud Console öffnen“
   • Restzeit
   • Temporäre Anmeldedaten für das Lab
   • Ggf. weitere Informationen für dieses Lab

2. Klicken Sie auf Google Cloud Console öffnen (oder klicken Sie mit der rechten Maustaste und wählen Sie Link in Inkognitofenster öffnen aus, wenn Sie Chrome verwenden).

   Im Lab werden Ressourcen aktiviert. Anschließend wird ein weiterer Tab mit der Seite „Anmelden“ geöffnet.

   Tipp: Ordnen Sie die Tabs nebeneinander in separaten Fenstern an.

   Hinweis: Wird das Dialogfeld Konto auswählen angezeigt, klicken Sie auf Anderes Konto verwenden.

3. Kopieren Sie bei Bedarf den folgenden Nutzernamen und fügen Sie ihn in das Dialogfeld Anmelden ein.

   {{{user_0.username | "Username"}}}

   Sie finden den Nutzernamen auch im Bereich „Details zum Lab“.

4. Klicken Sie auf Weiter.

5. Kopieren Sie das folgende Passwort und fügen Sie es in das Dialogfeld Willkommen ein.

   {{{user_0.password | "Password"}}}

   Sie finden das Passwort auch im Bereich „Details zum Lab“.

6. Klicken Sie auf Weiter.

   Wichtig: Sie müssen die für das Lab bereitgestellten Anmeldedaten verwenden. Nutzen Sie nicht die Anmeldedaten Ihres Google Cloud-Kontos. Hinweis: Wenn Sie Ihr eigenes Google Cloud-Konto für dieses Lab nutzen, können zusätzliche Kosten anfallen.

7. Klicken Sie sich durch die nachfolgenden Seiten:

   • Akzeptieren Sie die Nutzungsbedingungen.
   • Fügen Sie keine Wiederherstellungsoptionen oder Zwei-Faktor-Authentifizierung hinzu (da dies nur ein temporäres Konto ist).
   • Melden Sie sich nicht für kostenlose Testversionen an.

Nach wenigen Augenblicken wird die Google Cloud Console in diesem Tab geöffnet.

Hinweis: Wenn Sie auf Google Cloud-Produkte und ‑Dienste zugreifen möchten, klicken Sie auf das Navigationsmenü oder geben Sie den Namen des Produkts oder Dienstes in das Feld Suchen ein.

Aufgabe 1: Anwendungen aus Prompts erstellen

In dieser Aufgabe sehen Sie, wie schnell Sie eine Idee für einen auf generativer KI basierenden Assistenten mit Vertex AI Studio in einen funktionierenden Prototyp verwandeln können. Sie konzentrieren sich auf unseren Anwendungsfall für die Versicherungsbranche: Sie erstellen einen Prompt, der Versicherungsangestellten dabei hilft, Kundeninformationen für einen Risikoanalysebericht zusammenzufassen, und bereiten diesen Prompt dann als einfache Anwendung vor.

1. Wählen Sie in der Google Cloud Console im Navigationsmenü () die Option Vertex AI > Vertex AI Studio aus.

2. Klicken Sie oben links auf Neu > Chat. Dadurch gelangen Sie zur Seite mit dem Prompt-Editor.

Die Benutzeroberfläche enthält drei Hauptabschnitte:

• Systemanweisungen: Eine Reihe von Anweisungen, die vom Modell verarbeitet werden, bevor es Prompts verarbeitet. Eine Systemanweisung gilt für die gesamte Anfrage. Wenn sie im Prompt enthalten ist, wird sie über mehrere Runden in der Unterhaltung zwischen Nutzer und Modell beibehalten.
• Modelleinstellungen: In diesem Abschnitt können Sie Modelle auswählen (auch solche von Drittanbietern), Parameter konfigurieren, Tools wie die Fundierung verwenden und erweiterte Optionen festlegen.
• Prompt: In diesem Bereich können Sie einen Prompt entwerfen, der multimodale Funktionen nutzt.

3. Wenn die neue Seite mit dem unbenannten Prompt geladen ist, klicken Sie auf Unbenannte Aufforderung und benennen den Prompt in Insurance Risk Summary - Prototype um.

4. Geben Sie im Feld Systemanweisungen Folgendes ein, um dem KI-Assistenten eine für unser Versicherungsszenario relevante Rolle zuzuweisen:

   You are an expert AI assistant for an insurance underwriting department. Your primary goal is to help underwriters by accurately and concisely summarizing client information and highlighting potential risk factors. Maintain a professional and objective tone. Focus only on the information provided in the prompt. Do not invent details.

5. Fügen Sie unten auf der Seite unter den Systemanweisungen Folgendes in den Prompt-Hauptbereich ein:

   Customer Notes for 'SafeHarbor Warehousing': "The applicant is seeking coverage for their 50,000 sq ft warehouse. The business is 5 years old. The building is a concrete tilt-up structure, originally built in 2010. They store a variety of non-hazardous dry goods. Fire safety measures include a full sprinkler system, a centrally monitored fire alarm, and documented annual inspections by a certified third party. Security measures include a 24/7 centrally monitored burglar alarm, comprehensive security camera coverage of the interior and exterior, a fully fenced perimeter, and nightly patrols by a contracted security guard service. The company reports no major property or liability losses in their 5-year history. They have specifically asked to ensure their new automated shelving and retrieval system, installed last month, is adequately covered under the policy." Your Task: 1. Briefly summarize the key details of the 'SafeHarbor Warehousing' business and its existing safety measures. 2. Based *only* on the notes provided, identify any immediate questions an underwriter should ask or potential risk factors they should consider further. Present the summary first, then the questions/risk factors as bullet points.

6. Im Abschnitt Modelleinstellungen:

   • Achten Sie darauf, dass das Modell ausgewählt ist. Sie können auf das Modell klicken, um es zu ändern.
   • Wählen Sie als Region Global aus, wenn dies noch nicht geschehen ist.

7. Klicken Sie auf die Pfeilschaltfläche Senden oder drücken Sie die Eingabetaste. Prüfen Sie die Antwort des Modells.

8. Klicken Sie neben dem Namen des Prompts auf Speichern.

9. Prüfen Sie im Dialogfeld Prompt speichern, ob die richtige Region () ausgewählt ist, und klicken Sie auf Speichern.

Hinweis: Es kann einige Minuten dauern, bis Ihr erster Prompt gespeichert ist.

10. Nachdem der Prompt gespeichert wurde, sehen wir uns an, wie aus diesem Entwurf der Prototyp einer Anwendung entstehen kann. Klicken Sie oben rechts auf der Seite auf Code.

11. Wählen Sie im angezeigten Menü Bereitstellen > Als Anwendung bereitstellen aus.

12. Gehen Sie im nun angezeigten Dialogfeld „In Cloud Run bereitstellen“ so vor:

• Wenn Sie aufgefordert werden, Dienste zu aktivieren (zum Beispiel Cloud Build API oder Cloud Run API), klicken Sie auf Erforderliche APIs aktivieren und warten Sie, bis sie aktiviert sind.

  • Aktivieren Sie die Option Bestätigung, um Ihre App öffentlich bereitzustellen.
  • Klicken Sie auf Anwendung erstellen.

13. Die Bereitstellung wird gestartet und kann einige Minuten dauern. Möglicherweise werden in der Benutzeroberfläche Statusaktualisierungen wie die folgenden angezeigt:

Hinweis: Die Bereitstellung kann beim ersten Versuch gelegentlich fehlschlagen. Das passiert in der Regel, wenn die zugrunde liegenden Berechtigungen für den Build-Dienst bei Beginn der Bereitstellung noch nicht vollständig übertragen wurden. Wenn im Dialogfeld Webanwendung verwalten der Status „Fehlgeschlagen“ angezeigt wird, führen Sie die folgenden Schritte aus:

1. Warten Sie etwa eine Minute, bis alle Dienste und Berechtigungen initialisiert wurden.
2. Klicken Sie im Dialogfeld „Webanwendung verwalten“ auf die Schaltfläche Anwendung aktualisieren.
3. Ein Bestätigungsfenster wird eingeblendet. Klicken Sie auf Bestätigen, um den Aktualisierungsvorgang zu starten.

14. Klicken Sie anschließend im Feld Webanwendung verwalten auf Schließen.

15. Klicken Sie noch einmal auf Code, um Ihre neu bereitgestellte Anwendung zu öffnen. Wählen Sie nun im Drop-down-Menü App öffnen aus. Ihre bereitgestellte GenAI-Anwendung wird in einem neuen Browsertab geöffnet.

16. Sie sollten jetzt eine Seite mit dem Titel Willkommen bei der Anwendung Vertex AI GenAI! sehen. Ihr Prompt-Titel Insurance Risk Summary - Prototype sollte angezeigt werden.

17. Geben Sie im Abschnitt Chatbot im Eingabefeld „Nachricht eingeben…“ unten eine neue Testnachricht ein. Beispiel:

    New Customer Inquiry: "Applicant 'Coastal Goods Delivery' has a fleet of 10 delivery vans, all equipped with GPS and telematics. They operate within a 100-mile radius of their depot. Drivers undergo annual safety training. They had one minor fender bender last year, no injuries, $1500 damages. What are the primary risk considerations?" Please summarize key points and identify potential risks.

18. Klicken Sie auf die Pfeilschaltfläche, um Ihre Nachricht an die Anwendung zu senden.

19. Sehen Sie sich die Antwort Ihrer bereitgestellten Anwendung an. Sie sollte Ihre Eingabe basierend auf der Logik und den Systemanweisungen verarbeiten, die Sie in Vertex AI Studio definiert haben.

Hinweis: Wie aus der Warnung auf der Anwendungsseite zu entnehmen ist, erlaubt diese Anwendung standardmäßig nicht authentifizierten Zugriff. In einer Produktionsumgebung würden Sie die entsprechenden Sicherheitseinstellungen konfigurieren. Für dieses Lab ist die Standardeinstellung ausreichend.

20. Sie haben jetzt den gesamten Aufgabenzyklus abgeschlossen:
    • Sie haben einen Prompt in Vertex AI Studio erstellt.
    • Sie haben ihn als serverlose Anwendung mit wenigen Klicks über Cloud Run bereitgestellt.
    • Sie haben Ihr generatives KI-Modell direkt geöffnet und über eine Weboberfläche damit interagiert. Dies zeigt, wie schnell sich mit Vertex AI Studio ein Prototyp erstellen und auf generativer KI basierende Funktionen bereitstellen lassen.

Klicken Sie auf Fortschritt prüfen.

Mit Vertex AI Studio eine Prompt-Anwendung erstellen

Aufgabe 2: Effektive Prompts entwerfen

In Aufgabe 1 haben Sie den Prototyp eines ersten Prompts erstellt. Jetzt werden Sie sich eingehender mit der Optimierung von Prompts befassen, um präzisere, kontrolliertere und nützlichere Ausgaben der generativen Modelle zu erhalten. Das ist eine der wichtigsten Fähigkeiten im Prompt Engineering. Sie bleiben beim Thema Versicherungen und versuchen, bestimmte Informationen aus einem Schadensdokument zu extrahieren oder die Qualität der Zusammenfassung zu verbessern.

Informationen zu den verschiedenen Arten von Prompts finden Sie in diesem Leitfaden.

Zero-Shot-Prompts

Sie beginnen mit der Erstellung eines neuen Prompts, um sich das Prompt-Design genauer anzusehen.

1. Achten Sie darauf, dass Sie sich im Hauptbereich von Vertex AI Studio befinden. Wenn Ihre bereitgestellte Anwendung aus Aufgabe 1 geöffnet ist, schließen Sie diesen Browsertab, um zur Google Cloud Console zurückzukehren.

2. Klicken Sie oben links auf Neu > Chat. Dadurch gelangen Sie zu einer neuen Seite mit dem Prompt-Editor.

3. Klicken Sie auf Unbenannte Aufforderung und benennen Sie sie in Insurance Claim Data Extraction um.

4. Machen Sie sich mit dem Szenario für diesen Abschnitt vertraut: Versicherungssachverständige erhalten oft unstrukturierte Notizen oder E‑Mails zu einem neuen Versicherungsfall und müssen schnell wichtige Informationen extrahieren, um sie in das System zur Schadensabwicklung einzugeben.

5. Geben Sie im Feld Systemanweisungen Folgendes ein:

   You are an AI assistant specializing in parsing and extracting specific data points from unstructured insurance claim notifications. Your goal is to identify and list key information accurately. If a piece of information is not found, clearly state "Not found". Output the extracted information in a key: value format, with each key on a new line.

6. Fügen Sie im Prompt-Hauptbereich das folgende Beispiel einer unstrukturierten Schadensmeldung ein:

   Claim Notification Received: "Hi team, just got a call from Mrs. Eleanor Vance, policy #POL458892. She reported a kitchen fire that occurred on May 12th, 2025, around 3 PM. The main damage seems to be to the oven and surrounding cabinets. She mentioned smoke damage in the kitchen and dining area too. She thinks the total damage might be around $7,500. Her contact is 555-0123. No injuries reported, thankfully." Extract the following: - Policy Number - Claimant Name - Date of Loss - Time of Loss - Type of Loss - Brief Description of Damage - Estimated Loss Amount - Injuries Reported

7. Im Abschnitt Modelleinstellungen:

   • Wählen Sie das Modell aus.
   • Setzen Sie die Temperatur auf 0.1, um eine eher sachliche, weniger kreative Extraktion zu erzielen.
   • Legen Sie als Tokenausgabelimit eine angemessene Zahl wie 1024 fest.
   • Vergewissern Sie sich, dass als Region die Option Global ausgewählt ist.

8. Klicken Sie auf die Pfeil-Schaltfläche Senden. Sehen Sie sich die Ausgabe an. Dieser erste Versuch ohne explizite Beispiele wird als Zero-Shot-Prompting bezeichnet.

Few-Shot-Prompting

Oft kann die Leistung des Modells durch die Bereitstellung einiger Beispiele (Few-Shot-Prompting) erheblich verbessert werden, insbesondere wenn eine bestimmte Formatierung oder differenziertere Extraktion gewünscht ist.

1. Klicken Sie oben links auf Neu > Chat.

2. Klicken Sie unten im Bereich Prompt auf die Schaltfläche +.

3. Wählen Sie im Pop-up-Menü Beispiel aus.

Daraufhin wird ein neues Fenster geöffnet, in dem Sie Beispiele für Prompts hinzufügen können.

4. Gehen Sie im angezeigten Bereich „Beispiele“ so vor:

   • Fügen Sie als EINGABE Ihres ersten Beispiels die folgende unstrukturierte Notiz ein:
   Claim Notification Received: "Email from John Sterling (policy POL77521) re: water damage at his shop. Happened sometime last night, May 10th, 2025. A pipe burst in the ceiling. Stockroom is flooded, some damage to inventory. He's not sure on the cost yet, maybe $5k-$10k? No one was there, so no injuries." Extract the following: - Policy Number - Claimant Name - Date of Loss - Time of Loss - Type of Loss - Brief Description of Damage - Estimated Loss Amount - Injuries Reported
   • Fügen Sie als AUSGABE Ihres ersten Beispiels die folgende perfekt formatierte Extraktion ein:
   Policy Number: POL77521 Claimant Name: John Sterling Date of Loss: May 10th, 2025 Time of Loss: Night Type of Loss: Water damage Brief Description of Damage: Pipe burst in ceiling, stockroom flooded, some damage to inventory. Estimated Loss Amount: $5,000 - $10,000 Injuries Reported: No
   • Klicken Sie auf Beispiele hinzufügen, um dieses Beispiel zu speichern und zum Haupt-Prompt zurückzukehren.

5. Systemanweisungen erneut hinzufügen: Da die Systemanweisungen beim Löschen des Prompts ebenfalls gelöscht wurden, fügen Sie sie im Feld „Systemanweisungen“ wieder ein:

   You are an AI assistant specializing in parsing and extracting specific data points from unstructured insurance claim notifications. Your goal is to identify and list key information accurately. If a piece of information is not found, clearly state "Not found". Output the extracted information in a key: value format, with each key on a new line.

6. Neue Eingabe und den Prompt angeben:

   • Fügen Sie im Bereich mit der Bezeichnung {Input} Wert hier eingeben die ursprüngliche Schadensmeldung von Eleanor Vance ein, die das Modell jetzt verarbeiten soll:
   Claim Notification Received: "Hi team, just got a call from Mrs. Eleanor Vance, policy #POL458892. She reported a kitchen fire that occurred on May 12th, 2025, around 3 PM. The main damage seems to be to the oven and surrounding cabinets. She mentioned smoke damage in the kitchen and dining area too. She thinks the total damage might be around $7,500. Her contact is 555-0123. No injuries reported, thankfully."

7. Geben Sie im Bereich Prompt schreiben (unter dem Eingabefeld) die Anweisung für das Modell ein. Dadurch weiß das Modell, was es mit dem (Eingabe-)Text tun soll, und kann sich an den Beispielen orientieren. Geben Sie Folgendes ein:

   Extract the following data points from the provided claim notification: - Policy Number - Claimant Name - Date of Loss - Time of Loss - Type of Loss - Brief Description of Damage - Estimated Loss Amount - Injuries Reported

8. Im Abschnitt Modelleinstellungen:

   • Wählen Sie das Modell aus.
   • Setzen Sie die Temperatur auf 0.1, um eine eher sachliche, weniger kreative Extraktion zu erzielen.
   • Legen Sie als Tokenausgabelimit eine angemessene Zahl wie 1024 fest.
   • Vergewissern Sie sich, dass als Region die Option Global ausgewählt ist.

9. Klicken Sie noch einmal auf die Pfeilschaltfläche Senden. Vergleichen Sie diese neue Ausgabe mit dem vorherigen Zero-Shot-Versuch. Prüfen Sie, ob sich die Accuracy oder Formatierung aufgrund des Few-Shot-Beispiels und der strukturierten Eingabemethode deutlich verbessert hat.

Mit Prompt-Konfigurationen experimentieren

Jetzt sehen Sie sich an, wie sich verschiedene Parameter in den Modelleinstellungen auf die Antwort des Modells auswirken können. Dafür muss der Prompt „Insurance Claim Data Extraction“ mit dem Few-Shot-Beispiel aktiv sein.

Hinweis: Der Prompt „Insurance Claim Data Extraction“ ist auf Accuracy und Struktur ausgelegt. Wenn Sie sehen möchten, wie Parameter wie Temperatur und Top‑P funktionieren, ist es besser, einen kreativen Prompt zu verwenden.

Erstellen Sie zuerst einen neuen Prompt für diese Tests:

1. Klicken Sie oben links auf Neu > Chat.

2. Geben Sie dem Prompt den Titel Insurance Story.

3. Fügen Sie Folgendes in das Prompt-Textfeld ein:

Write the *first paragraph* of a short story about a homeowner who just used a futuristic AI insurance app to file a claim. The claim was for a bizarre and unexpected incident.

Jetzt probieren Sie verschiedene Modelleinstellungen aus.

Mit Modelleinstellungen experimentieren

1. Mit der Temperatur experimentieren:

   • Erklärung: Die Temperatur bestimmt den Grad der Zufälligkeit. Niedrigere Werte (zum Beispiel 0.0–0.2) können die Ausgabe fokussierter und deterministischer machen. Höhere Werte (zum Beispiel 1.5–2.0) führen zu vielfältigeren oder kreativeren Antworten.
   • Test: Ändern Sie die Temperatur auf 1.5. Klicken Sie auf Senden und beobachten Sie die Änderungen. Stellen Sie dann die Temperatur wieder auf 0.1 ein, verwenden Sie denselben Prompt und klicken Sie noch einmal auf Senden.

2. Mit dem Tokenausgabelimit experimentieren:

   • Erklärung: Damit wird die maximale Anzahl an Tokens (Wortteilen) festgelegt, die das Modell für seine Antwort generieren kann.
   • Test: Legen Sie das Tokenausgabelimit auf eine sehr kleine Zahl wie 500 fest. Verwenden Sie denselben Prompt, klicken Sie auf Senden und sehen Sie sich die abgeschnittene Ausgabe an. Setzen Sie das Limit auf die maximale (Standard-)Länge 65535 zurück.

3. Mit Top-P experimentieren:

   • Erklärung: Mit Top-P (Nucleus Sampling) kann ebenfalls der Grad der Zufälligkeit gesteuert werden. Es werden nur die wahrscheinlichsten Tokens berücksichtigt, deren kombinierte Wahrscheinlichkeit den Top-P-Wert übersteigt. Bei einem Wert von 1.0 werden alle Tokens berücksichtigt. Wenn Sie den Top-P-Wert verringern (zum Beispiel auf 0.8), wird die Ausgabe fokussierter, ähnlich wie bei einer niedrigeren Temperatur.
   • Test: Setzen Sie die Temperatur auf 0.1 (oder etwas höher, zum Beispiel auf 0.5, um den Top-P-Effekt besser beobachten zu können) und Top-P auf 0.8. Verwenden Sie denselben Prompt und klicken Sie auf Senden. Legen Sie dann Top‑P auf 1.0 fest, verwenden Sie denselben Prompt und klicken Sie auf Senden. Achten Sie auf kleine Unterschiede.

4. Sehen Sie sich kurz die anderen Einstellungen im Bereich „Modelleinstellungen“ unter Erweitert an:

   • Einstellungen für Sicherheitsfilter: Diese sind standardmäßig aktiviert, um schädliche Inhalte zu blockieren. In diesem Lab verwenden Sie die Standardeinstellungen.
   • Budget für Denkprozesse: Dieser Parameter gibt dem Modell die Anzahl der Tokens vor, die es beim Generieren einer Antwort verwenden darf. Eine höhere Tokenanzahl ermöglicht in der Regel detailliertere Überlegungen, was für die Bewältigung komplexerer Aufgaben von Vorteil sein kann. Die Standardeinstellung ist Automatisch, aber Sie können auch Aus oder Manuell auswählen. Wenn „Manuell“ festgelegt ist, stoppt das Modell die Analyse, sobald das angegebene Tokenlimit erreicht ist. Sie können für einfachere Aufgaben ein niedrigeres Limit und für komplexere Aufgaben ein höheres Limit festlegen.
   • Strukturierte Ausgabe: Das Modell wird gezwungen, eine Antwort zu generieren, die einem vordefinierten Schema wie JSON entspricht.
   • Fundierung: Google: Das Modell wird mit der Google Suche oder Google Maps verbunden, sodass es mit öffentlich zugänglichen Echtzeitinformationen antworten kann.
   • Fundierung: Ihre Daten: Damit kann das Modell Informationen aus Ihren eigenen Datenquellen wie Vertex AI Search oder RAG Engine abrufen, um kontextbezogene Fragen zu beantworten.

Klicken Sie auf Fortschritt prüfen.

Prompt Engineering in Vertex AI Studio

Aufgabe 3: Prompts entwickeln und verwalten

Wenn Sie einen funktionierenden Prompt haben, können Sie mit Änderungen an den Anweisungen oder Modellkonfigurationen experimentieren, um zu sehen, ob sich die Antwort verbessern lässt. Die Funktion „Vergleichen“ in Vertex AI Studio wurde dafür entwickelt. In diesem Abschnitt verwenden Sie den Prompt, den Sie gerade erstellt haben.

1. Klicken Sie oben links auf Neu > Chat. Dadurch gelangen Sie zu einer neuen Seite mit dem Prompt-Editor.

2. Geben Sie diesem neuen Prompt den Namen Insurance Risk Factor Identification.

3. Erstellen Sie diesen einfachen Basis-Prompt:

   • Geben Sie im Feld Systemanweisungen Folgendes ein:
   You are an insurance risk analyst assistant. Your task is to identify potential risk factors from a given scenario. Be concise.
   • Fügen Sie im Prompt-Hauptbereich Folgendes ein:
   Scenario: "The applicant, 'The Fiery Grill,' is a new upscale restaurant specializing in wood-fired oven pizzas and open-flame grilling. They have installed a brand new, custom-built fire suppression system for their cooking area, but it has not yet been certified by a third party. The restaurant plans to feature live acoustic music on weekend evenings and has a small, raised stage area. They also want to offer valet parking." Based on this scenario, list three primary risk factors an underwriter should consider.
   • Gehen Sie im Abschnitt Konfiguration rechts so vor:
     • Wählen Sie das Modell aus.
     • Setzen Sie den Wert für Temperatur auf 0.2.
     • Vergewissern Sie sich, dass als Region die Option Global ausgewählt ist.

4. Klicken Sie auf die Pfeil-Schaltfläche Senden. Sehen Sie sich die erste Antwort des Modells an.

5. Falls Ihr Prompt nicht automatisch gespeichert wurde, klicken Sie auf Speichern.

6. Wenn der Prompt Insurance Risk Factor Identification und die dazugehörige Antwort angezeigt werden, klicken Sie rechts oben neben dem Namen des Prompts auf das Dreipunkt-Menü und wählen Sie Vergleichen aus.

Hinweis: Wenn Ohne Speichern beenden angezeigt wird, klicken Sie auf Weiter.

7. Der Bereich Vergleichen wird geöffnet. Ihr Prompt Insurance Risk Factor Identification, seine Konfigurationen und die letzte Antwort werden auf der Seite zweimal angezeigt, damit Sie verschiedene Versionen mit Unterschieden bei Modelleinstellungen und Systemanweisungen einfach vergleichen können.

Durch Änderungen der Systemanweisungen vergleichen

Sehen wir uns nun an, wie sich die Änderung der Anweisungen auf die Ausgabe für Ihren Prompt auswirkt.

1. Bearbeiten Sie im Feld Systemanweisungen für den Prompt auf der rechten Seite die vorhandenen Systemanweisungen für den rechten Prompt. Ergänzen Sie sie durch Folgendes:

You are an expert insurance risk analyst assistant. Your task is to identify potential risk factors from a given scenario. For each risk factor, also briefly suggest a potential mitigation strategy or question for the underwriter. Be clear and structured.

2. Behalten Sie die restlichen Modelleinstellungen bei und geben Sie den folgenden Prompt in das Feld unten auf der Seite ein:

Scenario: "The applicant, 'The Fiery Grill,' is a new upscale restaurant specializing in wood-fired oven pizzas and open-flame grilling. They have installed a brand new, custom-built fire suppression system for their cooking area, but it has not yet been certified by a third party. The restaurant plans to feature live acoustic music on weekend evenings and has a small, raised stage area. They also want to offer valet parking." Based on this scenario, list three primary risk factors an underwriter should consider.

3. Warten Sie, bis für beide Prompts Antworten generiert wurden. Sehen Sie sich die beiden Antworten nebeneinander an. Enthält die Antwort auf den zweiten Prompt aufgrund der geänderten Anweisungen nun Strategien zur Schadensbegrenzung oder Fragen? Sie können die Systemanweisungen weiter anpassen, um zu sehen, wie sie die Antworten des Modells beeinflussen.

Mit einer anderen Temperatureinstellung vergleichen

Jetzt verwenden Sie das Vergleichsfeld, um eine andere Temperatur zu testen.

1. Machen Sie im Feld Systemanweisungen für den Prompt auf der rechten Seite die Änderungen rückgängig, sodass er wieder dem Prompt auf der linken Seite entspricht.

You are an insurance risk analyst assistant. Your task is to identify potential risk factors from a given scenario. Be concise.

2. Öffnen Sie für den Prompt auf der rechten Seite den Bereich Modelleinstellungen und ändern Sie die Temperatur in 2.0. Prüfen Sie, ob immer noch das Modell verwendet wird.

3. Geben Sie den folgenden Prompt in das Feld unten auf der Seite ein:

Scenario: "The applicant, 'The Fiery Grill,' is a new upscale restaurant specializing in wood-fired oven pizzas and open-flame grilling. They have installed a brand new, custom-built fire suppression system for their cooking area, but it has not yet been certified by a third party. The restaurant plans to feature live acoustic music on weekend evenings and has a small, raised stage area. They also want to offer valet parking." Based on this scenario, list three primary risk factors an underwriter should consider.

4. Achten Sie auf die Unterschiede in den Antworten. Ist die Liste der Risikofaktoren bei der höheren Temperatur (2.0) im zweiten Prompt weniger fokussiert, spekulativer oder deutlich anders als bei der Temperatur von 0.2? Hinweis: Wenn Sie die Temperatur so hoch einstellen, wird die Ausgabe wahrscheinlich weniger kohärent oder relevant sein. Sie sehen aber deutlich, wie stark sich dieser Parameter auswirkt.

Verschiedene Modelle und Konfigurationen vergleichen

Jetzt vergleichen Sie Ihr Basismodell mit einem anderen Modell und anderen Einstellungen, um Unterschiede bei den Schlussfolgerungen oder dem Ausgabestil zu beobachten.

1. Öffnen Sie für den Prompt auf der rechten Seite den Bereich Modelleinstellungen und nehmen Sie die folgenden Änderungen vor:

   • Ändern Sie das Modell in .
   • Legen Sie als Wert für die Temperatur 0.2 fest.

2. Öffnen Sie für den Prompt auf der linken Seite den Bereich Modelleinstellungen und nehmen Sie die folgenden Änderungen vor:

   • Achten Sie darauf, dass als Modell festgelegt ist.
   • Legen Sie als Wert für die Temperatur 0.2 fest.
   • Deaktivieren Sie das Budget für Denkprozesse.

3. Geben Sie den folgenden Prompt in das Feld unten auf der Seite ein. Er ist bewusst komplexer, um die unterschiedlichen Fähigkeiten der Modelle zu verdeutlichen.

Scenario: "The applicant, 'The Fiery Grill,' is an upscale restaurant specializing in wood-fired ovens and open-flame grilling. They have a brand new, custom-built fire suppression system, but it has not been certified by a third party. The restaurant will feature live acoustic music on a small, raised stage. They also want to offer valet parking, managed by their own staff. The applicant has no prior business history." Underwriting Guidelines: Priority Hierarchy: Liability risks are classed as: - Class A (Critical): Fire, structural failure, failure of safety systems. - Class B (Standard): General premises liability (e.g., slip-and-fall). - Class C (Niche): Auto/Vehicle liability. Compounding Factors: A "compounding risk" (a condition that makes another risk worse) must be elevated to the highest priority. Inexperience: Lack of prior business history is a general negative factor but does not create a primary risk on its own. Auto Liability: Class C risks (Valet) are only considered a primary risk if the applicant is using an unvetted, third-party contractor. Task: Based on the scenario and the underwriting guidelines, identify the single, #1 highest-priority risk. Then, write a 2-sentence justification that explains why it is the #1 risk, citing the specific guideline(s) that apply.

4. Prüfen Sie die Antworten. Vergleichen Sie die Ausgabe von (linker Bereich) mit der von (rechter Bereich).

Sie sollten einen deutlichen Unterschied bei der Precision feststellen. Das Modell links liefert wahrscheinlich eine schnelle, aber allgemeine Antwort, in der es beispielsweise die grundsätzliche Gefahr („Feuer“) identifiziert. Das Modell rechts sollte eine präzisere und hilfreichere Antwort liefern, indem es auf das spezifische Risiko (das nicht zertifizierte Brandbekämpfungssystem) hinweist. Die Begründung des Pro-Modells ist detaillierter und es werden wahrscheinlich mehrere Richtlinien zitiert, um die Logik zu untermauern.

Klicken Sie auf Fortschritt prüfen.

Prompts vergleichen, bewerten und verwalten

Aufgabe 4: Multimodale Prompts mit Gemini verwenden

In dieser Aufgabe verwenden Sie den Prompt-Hauptbereich in Vertex AI Studio mit dem Gemini-Modell, um ein Bild zu analysieren und Informationen daraus zu extrahieren. Dabei lernen Sie, wie Prompts für verschiedene Analyseaufgaben wie Beschreibung, Textextraktion und Beantwortung von Fragen auf der Grundlage von visuellen Inhalten entworfen werden.

1. Rufen Sie wieder die Seite Vertex AI Studio auf.

2. Klicken Sie oben links auf Neu > Chat.

3. Ändern Sie den Namen des Prompts in Timetable Image Analysis.

4. Klicken Sie unten links im Prompt-Feld auf die Schaltfläche + und wählen Sie dann Aus Cloud Storage importieren aus.

5. Wählen Sie im Menü den vorkonfigurierten Cloud Storage-Bucket und dann die Datei timetable.png aus.

6. Gehen Sie im Bereich Modelleinstellungen auf der rechten Seite so vor:

   • Achten Sie darauf, dass das Modell ausgewählt ist.
   • Vergewissern Sie sich, dass als Region die Option Global ausgewählt ist.

7. Jetzt können Sie das Modell auffordern, einige Aufgaben mit dem Bild auszuführen. Fügen Sie unterhalb des eingefügten Bildes im Eingabefeld für Prompts folgenden Prompt ein:

1. Provide a concise title for this image (under 5 words). 2. Describe the image in one or two sentences. 3. Extract all visible text from the image. Present the flight schedule as a clearly formatted list with columns for "Time" and "City".

8. Senden Sie den Prompt und sehen Sie sich die Antwort des Modells an.

9. Als Nächstes können Sie eine Frage stellen, die eine Schlussfolgerung auf der Grundlage der extrahierten Informationen erfordert. Geben Sie den folgenden Prompt ein:

Based on the flight schedule shown in the image, what percentage of the listed flights depart before 11:30 AM? Show your calculation if possible.

10. Klicken Sie auf Senden und prüfen Sie die Antwort.

11. Testen Sie kurz die Wirkung der Temperatur. Gehen Sie im Bereich Modelleinstellungen so vor:

    • Setzen Sie die Temperatur auf 0.8.
    • Senden Sie den genau gleichen Prompt aus Schritt 9 erneut („Based on the flight schedule... percentage…“).
    • Achten Sie darauf, ob sich der Stil, die Konfidenz oder die Detailtiefe der Erklärung ändert.
    • Ändern Sie die Temperatur danach wieder auf einen niedrigeren Wert wie 0.2, um vorhersehbarere Antworten zu erhalten.

Hinweis: Die Temperatur bestimmt den Grad der Zufälligkeit. Niedrigere Werte (zum Beispiel 0.0–0.2) eignen sich gut für sachliche Antworten, während höhere Werte (zum Beispiel ab 0.7) zu vielfältigeren oder kreativeren Antworten führen, die sich weniger gut für die präzise Datenextraktion oder ‑analyse eignen.

Klicken Sie auf Fortschritt prüfen.

Bilder mit Gemini in Vertex AI Studio analysieren

Aufgabe 5: Medien in Vertex AI Studio generieren

Vertex AI Studio bietet leistungsstarke Tools, mit denen sich nicht nur Texte, sondern auch andere Medientypen direkt aus Text-Prompts oder durch Verfeinern vorhandener Medien generieren lassen. In dieser Aufgabe sehen wir uns das Generieren von Bildern und Stimmen an.

Bilder mit Imagen generieren

Zuerst generieren Sie ein Bild.

1. Klicken Sie links oben auf der Seite Vertex AI Studio auf Neu > Bild.

2. Geben Sie im Bereich für den Text-Prompt unten einen beschreibenden Prompt ein:

   A close-up, photorealistic image of a single honeybee collecting pollen from a vibrant purple lavender flower, with a softly blurred garden background.

3. Gehen Sie im Bereich Einstellungen auf der rechten Seite so vor:

   • Stellen Sie sicher, dass als Modell Imagen 4 oder das neueste verfügbare Imagen-Modell ausgewählt ist.
   • Wählen Sie als Seitenverhältnis die Option 1:1 aus.
   • Legen Sie für diese erste Generierung die Anzahl der Ergebnisse auf 4 fest.
   • Prüfen Sie die Sicherheitseinstellungen (zum Beispiel Einstellungen für das Generieren von Bildern von Personen, Grenzwert für Sicherheitsfilter) und belassen Sie die Standardeinstellungen oder passen Sie sie für diesen nicht auf Personen bezogenen Prompt an.

4. Klicken Sie auf Senden, um den Prompt zu senden.

5. Nach einigen Augenblicken werden die generierten Bilder im Hauptbereich angezeigt.

6. Klicken Sie auf eines der generierten Vorschaubilder, um die Detailansicht zu öffnen.

7. Gehen Sie im Bereich Bilddetails auf der rechten Seite so vor:
   • Sehen Sie sich die verfügbaren KI-Aktionen wie Inpaint (zum Hinzufügen/Entfernen von Elementen mithilfe einer Maske), Outpaint (zum Erweitern des Bildes) und Bild exportieren (mit der Option zum Erhöhen der Auflösung) an.
   • Prüfen Sie, ob SynthID erkannt mit einem grünen Häkchen angezeigt wird.
   • (Optional): Wählen Sie die Option Inpaint oder Outpaint aus und testen Sie die Möglichkeiten von Imagen.

Was ist SynthID?

SynthID ist eine von Google DeepMind entwickelte Technologie, die ein digitales Wasserzeichen direkt in die Pixel KI-generierter Bilder einbettet. Dieses Wasserzeichen ist für Menschen nicht sichtbar, kann aber von einem Algorithmus erkannt werden. Es soll dazu beitragen, KI-generierte Bilder zu identifizieren, und so Transparenz und Best Practices für eine verantwortungsbewusste Anwendung von KI fördern, auch wenn das Bild später geändert wird (zum Beispiel komprimiert oder gefiltert).

Klicken Sie auf Fortschritt prüfen.

Vertex AI Media Studio kennenlernen

Stimmen mit Chirp generieren (optional)

Wenn Sie KI-generierte Stimmen ausprobieren möchten:

1. Klicken Sie in der kleinen vertikalen Symbolleiste ganz links auf das Audiosymbol (es sieht aus wie ein Mikrofon), um zum Tool zur Stimmgenerierung zu wechseln. Dadurch wird die Chirp-Oberfläche geöffnet.

2. Möglicherweise werden Sie aufgefordert, die Cloud Text-to-Speech API zu aktivieren, falls sie für Ihr Projekt noch nicht aktiv ist. Klicken Sie in diesem Fall auf Aktivieren und warten Sie, bis die API aktiviert ist. Dies kann einige Zeit dauern.

3. Wenn die Oberfläche bereit ist, geben Sie im Text-Prompt-Bereich unten den Text ein, der synthetisiert werden soll. Beispiel:

Welcome to the world of generative AI on Google Cloud

4. Gehen Sie im Bereich Einstellungen auf der rechten Seite so vor:

   • Wählen Sie ein Modell aus (zum Beispiel Chirp 3: HD-Stimmen).
   • Wählen Sie die gewünschte Sprache aus (zum Beispiel English (US)).
   • Wählen Sie eine Stimme aus der Drop-down-Liste aus. Sie können verschiedene ausprobieren, um die jeweilige Charakteristik kennenzulernen.
   • Gegebenenfalls stehen Ihnen auch noch erweiterte Optionen zur Verfügung.

5. Klicken Sie auf die Schaltfläche Senden.

6. Nach der Verarbeitung sollte das generierte Audio direkt in der Benutzeroberfläche abgespielt werden können.

Das wars! Sie haben das Lab erfolgreich abgeschlossen.

Glückwunsch! In diesem Lab haben Sie erfolgreich Vertex AI Studio verwendet, um einen Prototyp einer auf generativer KI basierenden Anwendung für ein Versicherungsszenario zu erstellen. Die Aufgaben reichten von der ersten Konzeption und Bereitstellung bis hin zu erweitertem Prompt Engineering und Vergleichen. Sie haben geübt, wie Sie Textausgaben für bestimmte Analyseaufgaben optimieren, und die spannenden multimodalen Funktionen zum Generieren von Bildern und Sprachausgaben kennengelernt. Diese grundlegenden Kenntnisse ermöglichen es Ihnen, ausgefeiltere Lösungen mit generativer KI in Google Cloud zu entwickeln.

Weitere Informationen

• In der offiziellen Dokumentation zu Vertex AI Model Garden finden Sie weitere Informationen zu den von Ihnen getesteten generativen KI-Modellen wie Gemini für die Text- und Bildanalyse, Imagen, Veo und Chirp.
• Mit dem umfassenden Leitfaden mit Strategien für das Prompt-Design von Google Cloud können Sie Ihre Kenntnisse im Bereich Prompt Engineering erweitern. Er enthält Best Practices und Informationen zu komplexeren Verfahren.
• In der Dokumentation zum Vertex AI SDK erfahren Sie, wie Sie diese auf generativer KI basierenden Funktionen in Ihre Anwendungen einbinden und automatisieren.
• Mit weiteren Labs und Kursen zu generativer KI auf Google Cloud Skills Boost können Sie Ihr Wissen vertiefen.

Google Cloud-Schulungen und -Zertifizierungen

In unseren Schulungen erfahren Sie alles zum optimalen Einsatz unserer Google Cloud-Technologien und können sich entsprechend zertifizieren lassen. Unsere Kurse vermitteln technische Fähigkeiten und Best Practices, damit Sie möglichst schnell mit Google Cloud loslegen und Ihr Wissen fortlaufend erweitern können. Wir bieten On-Demand-, Präsenz- und virtuelle Schulungen für Anfänger wie Fortgeschrittene an, die Sie individuell in Ihrem eigenen Zeitplan absolvieren können. Mit unseren Zertifizierungen weisen Sie nach, dass Sie Experte im Bereich Google Cloud-Technologien sind.

Anleitung zuletzt am 17. September 2025 aktualisiert

Lab zuletzt am 17. September 2025 getestet

© 2025 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.