Vertex AI: Notebook-Anleitungen für generative KI

Dieses Dokument enthält eine Liste von Notebookanleitungen für Generative AI in Vertex AI. Diese End-to-End-Anleitungen zeigen Ihnen, wie Sie einige der GenAI-LLMs verwenden.

Empfohlene Anleitungen

• Multimodale Anwendungsfälle mit Gemini

  Entdecken Sie verschiedene Anwendungsfälle mit Multimodalitäten mit GEmini.
  Colab | GitHub

• Funktionsaufrufe mit der Vertex AI Gemini API und Python SDK

  Verwenden Sie die Vertex AI Gemini API mit dem Vertex AI SDK für Python, um Funktionsaufrufe mit dem Modell Gemini 1.0 Pro (gemini-1.0-pro) auszuführen.
  Colab | GitHub

• Erste Schritte mit Fundierung mit Gemini in Vertex AI

  Verwenden Sie generative Textmodelle, um Inhalte zu generieren, die auf Ihren Dokumenten und Daten basieren.

  Colab | GitHub

Liste der Anleitungen

Filtern nach: Gemini BigQuery Bulk-Question Answering Untertitel erstellen Chain-of-Thought Chat Chatbot Chirp Code Codechat Codevervollständigung Codegenerierung Codey Vertrag Unterhaltung Data Loader Datenspeicher DataFrames Bereitstellen Dokument Document AI Dokument-QA Dokumentzusammenfassung Einbettungen Bewertung Filtern Funktionsaufrufe Generierung Ideenfindung Image Imagen Indexierung LangChain Sprache Sprach-Prompts Language Model Metadaten Multimodal Orchestrierung PaLM Prompts Python SDK Question Answering React Wiedererkennung Einzelhandel Abruf Retrieval Augmented Generation Suche Ähnlichkeit Speech Zusammenfassung Text Textklassifizierung Texteinbettungen Textextraktion Textgenerierung Abstimmung Vektorsuche Vertex AI Search Visuelles Question Answering Visualisierung

Gemini Multimodal	Einführung in Gemini 1.5 Pro (Vorschau) Mit Gemini 1.5 Pro (Vorschau) können Sie Audiodateien analysieren, Videos verstehen, Informationen aus einer PDF-Datei extrahieren und mehrere Medientypen gleichzeitig verarbeiten.	Auf GitHub ansehen
Gemini Multimodal	Erste Schritte mit Gemini (cUrl) Verwenden Sie die Gemini-API, mit der Sie mit REST/curl auf die neuesten Large Language Models von Google zugreifen können.	In Colab öffnen Auf GitHub ansehen
Gemini Multimodal	Erste Schritte mit Gemini (Python SDK) Verwenden Sie die Gemini-API, mit der Sie mit dem Vertex AI SDK für Python Zugriff auf die neuesten Large Language Models von Google haben.	In Colab öffnen Auf GitHub ansehen
Gemini Multimodal	Multimodale Anwendungsfälle mit Gemini Das Gemini-Modell ist ein bahnbrechendes multimodales Sprachmodell, das von Google AI entwickelt wurde und Informationen aus einer Vielzahl von Datenformaten wie Bildern und Videos extrahieren kann. Dieses Notebook untersucht verschiedene Anwendungsfälle mit multimodalen Prompts.	In Colab öffnen Auf GitHub ansehen
Gemini-Bewertung	Erste Schritte mit schneller Bewertung im Vertex AI SDK für Python Verwenden Sie die schnelle Bewertung, um das Gemini-Modell mit dem Vertex AI SDK für Python zu bewerten.	In Colab öffnen Auf GitHub ansehen
Gemini-Bewertung	Prompt Engineering, Bewertung und Prompt-Vorlagen mit Gemini Verwenden Sie eine schnelle Bewertung für das Prompt Engineering und die Bewertung mit dem Gemini-Modell und die Prompt-Vorlage für das Prompt-Design mit dem Vertex AI SDK für Python.	In Colab öffnen Auf GitHub ansehen
Gemini-Bewertung	Generative Modelle bewerten und auswählen Verwenden Sie die schnelle Bewertung, um verschiedene generative Modelle für eine bestimmte Bewertungsaufgabe zu bewerten und zu bewerten, und visualisieren und vergleichen Sie dann die Bewertungsergebnisse für die Aufgabe mit dem Vertex AI SDK für Python.	In Colab öffnen Auf GitHub ansehen
Gemini-Bewertung	Gemini-Einstellungen für die Modellgenerierung bewerten und auswählen Mit dem Vertex AI SDK für Python können Sie die schnelle Bewertung verwenden, um Temperatur- und andere Modellgenerierungskonfigurationen von Gemini zu bewerten und auszuwählen sowie die Messwertergebnisse verschiedener Generationseinstellungen in Bezug auf Qualität, Flüssigkeit, Sicherheit und Ausführlichkeit zu vergleichen.	In Colab öffnen Auf GitHub ansehen
Gemini-Bewertung	Bewertungsmesswerte mit Gemini definieren Verwenden Sie die schnelle Bewertung, um mit benutzerdefinierten Bewertungsmesswerten mit dem Vertex AI SDK für Python zu bewerten.	In Colab öffnen Auf GitHub ansehen
Gemini-Bewertung	Qualität des Funktionsaufrufs des Gemini 1.0 Pro-Modells bewerten Generieren Sie Funktionsaufrufe mit dem Gemini 1.0 Pro-Modell und verwenden Sie eine schnelle Bewertung, um die Funktionsaufrufqualität des Gemini 1.0 Pro-Modells mit dem Vertex AI SDK für Python zu bewerten.	In Colab öffnen Auf GitHub ansehen
Gemini Multimodal Streamlit	Streamlit-App mit Gemini Pro in Cloud Run bereitstellen Beispielanwendung zum Bereitstellen einer einfachen Chatbot-Anwendung mit Streamlit für Cloud Run mit Gemini Pro.	Auf GitHub ansehen
Gemini Retrieval Augmented Generation	Multimodale RAG Dieses Notebook ist eine Erweiterung von RAG, das traditionell über Textdaten durchgeführt wird. Es zeigt, wie Sie RAG über multimodale Daten durchführen können, um Fragen und Antworten in einem wissenschaftlichen Artikel mit Text und Bildern durchzuführen.	In Colab öffnen Auf GitHub ansehen
Gemini Multimodal	Gemini im Bildungsbereich verwenden Verwendung des Gemini-Modells in der Bildung, mit verschiedenen Beispielen für Prompts und über verschiedene Modalitäten hinweg, einschließlich Bilder und Videos.	In Colab öffnen Auf GitHub ansehen
Gemini Multimodal	Gemini für multimodale Einzelhandelsempfehlungen verwenden In der Welt des Einzelhandels spielen Empfehlungen eine entscheidende Rolle bei der Beeinflussung von Kundenentscheidungen und der Steigerung des Umsatzes. In diesem Notebook erfahren Sie, wie Sie die Leistungsfähigkeit von Multimodalitäten nutzen können, um Empfehlungen für den Einzelhandel durchzuführen und einen Kunden bei der Auswahl des besten Stuhls anhand vier Bildern von Stühlen und einem von seinem Wohnzimmer zu unterstützen.	In Colab öffnen Auf GitHub ansehen
Multimodale Funktionsaufrufe mit Gemini	Einführung in Funktionsaufrufe mit Gemini Mit dem Gemini Pro-Modell können Sie: Funktionsaufrufe über einen Textprompt generieren, um das Wetter für einen bestimmten Standort zu erhalten Funktionsaufrufe über einen Textprompt generieren und eine externe API aufrufen, um Adressen zu geocodieren Funktionsaufrufe über einen Chatprompt generieren, um Einzelhandelsnutzern zu helfen	In Colab öffnen Auf GitHub ansehen
Abstimmung	Basismodelle mit Vertex AI optimieren Anleitung durch die gesamte Einrichtung und Integration. Von der Einrichtung der Umgebung über die Auswahl des Foundation Models bis hin zur Feinabstimmung mit Vertex AI.	In Colab öffnen Auf GitHub ansehen
Bewertung	Vertex AI LLM-Bewertungsdienste Vertex AI LLM-Bewertungsdienste in Verbindung mit anderen Vertex AI-Diensten verwenden.	Auf GitHub ansehen
LangChain	LangChain-Kette ausführen Führen Sie eine LangChain-Kette aus und geben Sie Details dazu aus, was in den einzelnen Schritten der Kette sowie mit optionalen Debugging-Haltepunkten geschieht.	In Colab öffnen Auf GitHub ansehen
Text	Erweitertes Training fürs Prompt Engineering Verwenden Sie Chain-of-Thought and ReAct (Reasoning + Acting) zur Entwicklung von Prompts und reduzieren Sie KI-Halluzination.	In Colab öffnen Auf GitHub ansehen
Einbettungen	Vertex AI-Einbettungen für multimodale und Vektorsuche verwenden Erstellen Sie Text-zu-Bild-Einbettungen mit dem DiffusionDB-Dataset und den Vertex AI-Einbettungen für multimodale Modelle. Die Einbettungen werden in den Vektorsuchdienst hochgeladen, eine hochskalierbare Lösung mit niedriger Latenz, mit der ähnliche Vektoren für große Mengen gefunden werden können.	In Colab öffnen Auf GitHub ansehen
Einbettungen	Semantische Suche mit Einbettungen Erstellen Sie eine aus Text generierte Einbettung und führen Sie eine semantische Suche durch. Die Einbettungen werden mithilfe von „Google ScaNN: Efficient Vector Similarity Search“ generiert.	In Colab öffnen Auf GitHub ansehen
Bewertung	AutoSxS: LLM in Vertex AI Model Registry anhand eines Drittanbietermodells bewerten Verwenden Sie Vertex AI Automatic Side-by-Side (AutoSxS), um die Leistung zwischen einem generativen KI-Modell in der Vertex AI-Modell-Registry und dem Sprachmodell eines Drittanbieters zu bewerten.	In Colab öffnen Auf GitHub ansehen
Bewertung	AutoSxS: Abgleich des Autoscalings mit einem Dataset der menschlichen Präferenz prüfen Verwenden Sie Vertex AI Automatic Side-by-Side (AutoSxS), um zu ermitteln, wie gut das Autoscaling mit den menschlichen Beurteilern übereinstimmt.	In Colab öffnen Auf GitHub ansehen
Abstimmung	Bestärkendes Lernen durch menschliches Feedback in Vertex AI LLM Mit Vertex AI RLHF ein Large Language Model (LLM) optimieren. Dieser Workflow verbessert die Accuracy eines Modells, wozu ein Basismodell mit einem Trainings-Dataset optimiert wird.	In Colab öffnen Auf GitHub ansehen
Abstimmung	Vertex AI-Batch-Inferenz mit RLHF-optimierten Modellen In dieser Anleitung wird gezeigt, wie Inferenz für RLHF-abgestimmte OSS-Large Language Models (LLMs) mit Vertex AI End-to-End durchgeführt wird.	In Colab öffnen Auf GitHub ansehen
Einbettungen	Text Embedding API Testen Sie die neuen Texteinbettungsmodelle.	In Colab öffnen Auf GitHub ansehen
Abstimmung	Vertex AI: PEFT-Modell abstimmen Abstimmung eines PEFT-Large Language Models und Vorhersagen machen. Dieser Workflow verbessert die Accuracy eines Modells, wozu ein Basismodell mit einem Trainings-Dataset optimiert wird.	In Colab öffnen Auf GitHub ansehen
Text	Vertex AI SDK mit Large Language Models verwenden Mit dem Vertex AI SDK Large Language Models in Vertex AI ausführen. Generative AI-Sprachmodelle testen, optimieren und bereitstellen Entdecken Sie Beispiele für die Zusammenfassung von Inhalten, die Sentimentanalyse, den Chat, die Einbettung von Texten und die Abstimmung der Eingabe.	In Colab öffnen Auf GitHub ansehen
Datenspeicher indexiert Search and Conversation	Statusprüfung für den Vertex AI Search and Conversation-Datenspeicher Vertex AI Search and Conversation Datastore Status Checker ist ein Notebook, das die Cloud Discovery Engine API verwendet, um einen Datenspeicher auf indexierte Dokumente zu prüfen. Der Nutzer kann damit folgende Aufgaben ausführen: Prüfen Sie den Indexierungsstatus einer angegebenen Datenspeicher-ID. Listen Sie alle Dokumente in einer bestimmten Datenspeicher-ID auf. Listen Sie alle indexierten URLs für eine bestimmte Datenspeicher-ID auf. In allen indexierten URLs nach einer bestimmten URL innerhalb einer bestimmten Datenspeicher-ID suchen.	In Colab öffnen In GitHub öffnen
Spracherkennung mit Chirp	Erste Schritte mit Chirp in Google Cloud Dieses Notebook ist eine Einführung in Chirp, einen Spracherkennungsdienst, der die hochmoderne Spracherkennungstechnologie von Google verwendet. Er bietet eine einfache und nutzerfreundliche Oberfläche für Entwickler zum Erstellen sprachbasierter Anwendungen.	In Colab öffnen In GitHub öffnen
Metadatensuche filtern	Vertex AI Search mit Filtern und Metadaten Vertex AI Search ist ein vollständig verwalteter Dienst, mit dem Sie Suchanwendungen in Google Cloud erstellen und bereitstellen können. Dieses Notebook zeigt, wie Sie Filter und Metadaten in Suchanfragen an Vertex AI Search verwenden.	In Colab öffnen In GitHub öffnen
Dokument Question Answering Retrieval Augmented Generation	Fragen-und-Antworten-Dokument mit Retrieval Augmented Generation Dieses Notebook zeigt, wie Sie mit Retrieval Augmented Generation (RAG) ein Question Answering-System für die Google-Dokumentation erstellen können. Es wird gezeigt, wie RAG verwendet wird, um Text zu generieren, der eine bestimmte Frage beantwortet, und wie Sie damit die Leistung eines Question Answering-Systems verbessern können.	In Colab öffnen In GitHub öffnen
Vertragserstellung Abrufsuche	Retrieval Augmented Generation (Open Source-Vektorspeicher verwenden) – Procurement Contract Analyst – Palm2 & LangChain Dieses Notebook zeigt, wie Sie mit Retrieval Augmented Generation Vertragstext generieren können. Es nutzt die Modelle Palm2 & LangChain, die mit großen Korpuss in rechtlicher und finanzieller Schrift vortrainiert wurden.	In Colab öffnen In GitHub öffnen
Question Answering Retrieval Augmented Generation Suche LangChain	Fragen zu Dokumenten beantworten Dieses Notebook zeigt, wie Sie Fragen zu Ihren Daten stellen und beantworten, indem Sie eine Vertex AI Search-Engine mit LLMs kombinieren. Insbesondere konzentrieren wir uns auf die Abfrage „unstrukturierter“ Daten wie PDFs und HTML-Dateien. Um dieses Notebook ausführen zu können, müssen Sie eine unstrukturierte Suchmaschine erstellt und PDF- oder HTML-Dokumente aufgenommen haben.	In Colab öffnen In GitHub öffnen
Suche für Bulk-Question Answering für Vertex AI Search-Question Answering	Bulk-Question Answering mit Vertex AI Search beantworten Dieses Notebook zeigt, wie Fragen aus einer CSV-Datei mit einem Vertex AI Search-Datenspeicher beantwortet werden. Er kann in Colab oder Vertex AI Workbench ausgeführt werden.	In Colab öffnen In GitHub öffnen
Sprachorchestrierung LangChain PaLM	Erste Schritte mit LangChain 🦜🔗 + PaLM API Dieses Notebook bietet eine Einführung in LangChain, einem Orchestrierungs-Framework für Sprache. Es wird gezeigt, wie LangChain mit der PaLM API verwendet wird, um ein Text-zu-Text-Generierungsmodell zu erstellen und bereitzustellen.	In Colab öffnen In GitHub öffnen
BigQuery Data Loader LangChain	So verwenden Sie den LangChain 🦜🔗 BigQuery-Data Loader Dieses Notebook zeigt, wie der LangChain BigQuery Data Loader verwendet wird, um Daten aus BigQuery in ein LangChain-Modell zu laden. Das Notebook bietet Schritt-für-Schritt-Anleitungen zum Einrichten des Daten-Loaders, zum Laden von Daten in das Modell und zum Trainieren des Modells.	In Colab öffnen In GitHub öffnen
Code für Code-Generierung für Retrieval Augmented Generation Codey	Retrieval Augmented Generation (RAG) mit Codey APIs verwenden Dieses Notebook zeigt, wie Retrieval Augmented Generation (RAG) mit Codey APIs verwendet wird. RAG ist eine Technik, die den Codeabruf mit der Codegenerierung kombiniert, um genauere und informativere Vorschläge zur Codevervollständigung zu erhalten.	In Colab öffnen In GitHub öffnen
Codey Code-Generierung für Sprache	Erste Schritte mit den Vertex AI Codey APIs – Codegenerierung Dieses Notebook bietet eine Einführung in die Vertex AI Codey APIs für die Codegenerierung. Es werden die Grundlagen der Verwendung der APIs erläutert, darunter das Erstellen und Bereitstellen von Modellen zur Codegenerierung und das Generieren von Code.	In Colab öffnen In GitHub öffnen
Codey Codegenerierung für Code-Vervollständigung	Erste Schritte mit den Vertex AI Codey APIs – Codevervollständigung Dieses Notebook zeigt, wie Sie die Vertex AI Codey APIs verwenden, um Vorschläge zur Codevervollständigung für Python-Code zu erhalten. Außerdem erfahren Sie, wie Sie mit den APIs Code-Snippets generieren und in einer Remoteumgebung ausführen.	In Colab öffnen In GitHub öffnen
Codey Codechat Chat Code-Generierung für Textgenerierung	Erste Schritte mit den Vertex AI Codey APIs – Codechat Dieses Notebook ist eine Einführung in die Vertex AI Codey APIs. Es werden die Grundlagen der Verwendung der APIs erläutert, darunter die Erstellung und Bereitstellung von Modellen sowie die Interaktion mit ihnen über die Codey-Befehlszeile.	In Colab öffnen In GitHub öffnen
Sprache: PaLM Python SDK	Erste Schritte mit der PaLM API und Python SDK Dieses Notebook bietet eine Einführung in die PaLM API und das Python SDK. Es werden die Grundlagen der Nutzung der API erläutert. Unter anderem erfahren Sie, wie Modelle erstellt und bereitgestellt werden. Außerdem erfahren Sie, wie Sie mit der API Text generieren, Sprachen übersetzen und verschiedene Arten von kreativen Inhalten schreiben können.	In Colab öffnen In GitHub öffnen
Sprach-Prompts	Prompt-Design – Best Practices Dieses Notebook bietet eine Einführung in das Prompt-Design für textbasierte Sprachmodelle. Es werden die Grundlagen der Prompts erläutert, einschließlich ihrer Funktionsweise und ihrer Erstellung. Das Notebook enthält auch Tipps zur Verbesserung Ihrer Prompts und zur Vermeidung häufiger Probleme.	In Colab öffnen In GitHub öffnen
Textextraktion	Textextraktion mit generativen Modellen in Vertex AI Dieses Notebook zeigt, wie Sie mithilfe von generativen Modellen Text aus Bildern extrahieren. Dabei wird das Text-zu-Bild-Modell aus der generative AI-Bibliothek von Vertex AI und das Text-Extraktionsmodell aus der Vertex AI-Textextraktionsbibliothek verwendet.	In Colab öffnen In GitHub öffnen
Textklassifizierung	Textklassifizierung mit generativen Modellen in Vertex AI Dieses Notebook zeigt, wie Sie generative Modelle verwenden, um eine Textklassifizierung in Vertex AI durchzuführen. Dabei werden die folgenden Themen behandelt: * Daten vorbereiten * Modell trainieren * Modell bereitstellen * Modell zur Klassifizierung von Text verwenden	In Colab öffnen In GitHub öffnen
Chain-of-Thought: ReAct	Chain-of-Thought und ReAct Dieses Notebook führt Chain-of-Thought und ReAct ein, zwei Tools, mit denen die Leistung des Algorithmus des Reinforcement Learning verbessert werden kann. Die Chain-of-Thought ist eine Technik, mit der die Effizienz der Wertiteration verbessert werden kann, während ReAct eine Technik ist, die verwendet werden kann, um die Stabilität nutzerkritischer Algorithmen zu verbessern.	In Colab öffnen In GitHub öffnen
Sprache regt Ideenfindung an	Ideenfindung mit generativen Modellen in Vertex AI Dieses Notebook zeigt, wie Sie mit generativen Modellen Text, Bilder und Code generieren. Außerdem erfahren Sie, wie Vertex AI zum Bereitstellen und Verwalten generativer Modelle verwendet wird.	In Colab öffnen In GitHub öffnen
Zusammenfassung	Textzusammenfassung mit generativen Modellen in Vertex AI Dieses Notebook zeigt, wie Sie mit Vertex AI ein Textzusammenfassungsmodell trainieren und bereitstellen. Dabei wird das BART-Modell verwendet, ein Large Language Model, das mit einem riesigen Text-Dataset vortrainiert wurde. Das Modell wird dann anhand eines Datasets von Textzusammenfassungen optimiert und kann dann zum Generieren von Zusammenfassungen für neuen Text verwendet werden.	In Colab öffnen In GitHub öffnen
Question Answering	Question Answering mit generativen Modellen in Vertex AI Dieses Notebook zeigt, wie generative Modelle verwendet werden, um Open-Domain-Fragen zu beantworten. Dabei wird das Vertex AI Transformer-Modell verwendet, um Text basierend auf einer bestimmten Frage zu generieren.	In Colab öffnen In GitHub öffnen
Bereitstellung des Abstimmungs des Text-Generation-Modells	Grundlagenmodell abstimmen und bereitstellen Dieses Notebook zeigt, wie Sie ein Foundation Model mit Vertex AI optimieren. Außerdem wird gezeigt, wie das feinabgestimmte Modell auf einem Vertex AI-Endpunkt bereitgestellt wird.	In Colab öffnen In GitHub öffnen
Dokumentzusammenfassung Zusammenfassung	Textzusammenfassung großer Dokumente Dieses Notebook zeigt, wie Sie mit dem großen t5-Modell große Dokumente zusammenfassen. Das Modell wird mit einem riesigen Text- und Code-Dataset trainiert und kann Zusammenfassungen generieren, die genau und prägnant sind.	In Colab öffnen In GitHub öffnen
Dokumentzusammenfassung LangChain-Zusammenfassung	Textzusammenfassung von großen Dokumenten mit LangChain 🦜🔗 Dieses Notebook zeigt, wie das LangChain-Modell zum Zusammenfassen großer Dokumente verwendet wird. LangChain ist ein Large Language Model, mit dem Text generiert, Sprachen übersetzt, verschiedene Arten von kreativen Inhalten geschrieben und Fragen auf informative Weise beantwortet werden können.	In Colab öffnen In GitHub öffnen
Dokumentzusammenfassung Document AI-Sprachmodellzusammenfassung Textzusammenfassung	Zusammenfassung mit großen Dokumenten unter Verwendung von Document AI und PaLM APIs Dieses Notebook zeigt, wie Sie mit Document AI und PaLM APIs große Dokumente zusammenfassen. Außerdem erfahren Sie, wie Sie mit der Document AI API Entitäten und Schlüsselformulierungen aus einem Dokument extrahieren.	In Colab öffnen In GitHub öffnen
Chatbot-Textgenerierung	GroceryBot, ein Beispielassistent für Lebensmittel und Rezepte – RAG und ReAct Dieses Notebook bezieht sich auf einen Beispielassistenten für Lebensmittel und Rezepte, der RAG und ReAct verwendet. Mit ihm können Sie Rezepte suchen, Einkaufslisten erstellen und Antworten auf Fragen zu Lebensmitteln finden.	In Colab öffnen In GitHub öffnen
Question Answering Dokument-QA LangChain	Question Answering mit großen Dokumenten mithilfe von LangChain 🦜🔗 Dieses Notebook zeigt, wie das LangChain-Modell zum Erstellen eines Question Answering-Systems verwendet wird, das Fragen zu langen Dokumenten beantworten kann. Das Modell wird mit einem großen Textkorpus trainiert und kann zur Beantwortung von Fragen zu jedem Thema verwendet werden.	In Colab öffnen In GitHub öffnen
Question Answering Dokument-QA LangChain Vektorsuche	Question Answering mit Dokumenten mithilfe von LangChain 🦜🔗 und Vertex AI Vektorsuche Dieses Notebook zeigt, wie LangChain und Vertex AI Vektorsuche (ehemals Matching Engine) zum Erstellen eines Question Answering-Systems für Dokumente verwendet werden. Das System kann Fragen zu Elementen, Datumsangaben und Zahlen in Dokumenten beantworten.	In Colab öffnen In GitHub öffnen
Document AI Question Answering-PLM	Question Answering mit Dokumenten, Document AI, Pandas und PaLM beantworten Dieses Notebook zeigt, wie Sie mit Document AI, Pandas und PaLM ein Question Answering-System erstellen. Zuerst wird Document AI verwendet, um strukturierte Daten aus einem Dokument zu extrahieren. Anschließend wird mit Pandas ein DataFrame aus den extrahierten Daten erstellt. Schließlich wird PaLM verwendet, um Antworten auf Fragen zu den Daten zu generieren.	In Colab öffnen In GitHub öffnen
Question Answering Dokument-QA	Question Answering mit großen Dokumenten Dieses Notebook zeigt, wie Sie mit dem Vertex AI-Question Answering- Dienst eineQuestion Answering-Modell erstellen, das Fragen aus großen Dokumenten beantworten kann. Das Modell wird mit einem Datensatz von Wikipedia-Artikeln trainiert und kann Fragen zu einer Vielzahl von Themen beantworten.	In Colab öffnen In GitHub öffnen
Bilderstellung	Produktbeschreibungsgenerator aus Bild Dieses Notebook zeigt, wie Sie mithilfe eines Text-zu-Bild-Modells Produktbeschreibungen aus Bildern generieren. Das Modell wird mit einem Dataset von Produktbildern und den zugehörigen Beschreibungen trainiert.	In Colab öffnen In GitHub öffnen
Generation Einzelhandel LangChain	DescriptionGen: SEO-optimierte Produktbeschreibung für den Einzelhandel mit LangChain 🦜🔗 Dieses Notebook zeigt, wie das LangChain-Modell verwendet wird, um SEO-optimierte Produktbeschreibungen für den Einzelhandel zu generieren. Das Modell verwendet als Eingabe eine Liste von Produktattributen und gibt eine kurze Beschreibung aus, die die wichtigsten Features des Produkts hervorhebt.	In Colab öffnen In GitHub öffnen
BigQuery DataFrames Textgenerierung	BigQuery DataFrames ML: Generierung von Arzneimittelnamen Dieses Notebook zeigt, wie Sie mit BigQuery DataFrames ML Arzneimittelnamen generieren. Es wird ein vortrainiertes Sprachmodell verwendet, um Text zu generieren. Anschließend werden die Ergebnisse gefiltert, um bereits verwendete Arzneimittel zu entfernen.	In Colab öffnen In GitHub öffnen
BigQuery DataFrames Codegenerierung	BigQuery DataFrames mit Generative AI für die Codegenerierung verwenden Dieses Notebook zeigt, wie Sie BigQuery DataFrames mit generativer KI für die Codegenerierung verwenden. Sie erfahren, wie Sie mit einem vortrainierten Sprachmodell Code generieren, der eine BigQuery-Tabelle in einen Pandas DataFrame transformiert.	In Colab öffnen In GitHub öffnen
BigQuery-Sprachmodell	Vertex AI LLMs mit Daten in BigQuery verwenden Dieses Notebook zeigt, wie Vertex AI LLMs mit Daten in BigQuery verwendet werden. Sie erfahren, wie Sie Daten aus BigQuery laden, ein LLM-Modell erstellen und dann mit dem Modell Text anhand der Daten generieren.	In Colab öffnen In GitHub öffnen
Visualisierung der Einbettungsähnlichkeit	Einbettungsähnlichkeit aus Textdokumenten mithilfe von t-SNE-Diagrammen visualisieren Dieses Notebook zeigt, wie Sie die Einbettungsähnlichkeit von Textdokumenten mithilfe von t-SNE-Diagrammen visualisieren. Dabei wird ein Dataset mit Filmrezensionen aus dem [IMDB-Dataset](https://datasets.imdbws.com/) verwendet.	In Colab öffnen In GitHub öffnen
Vektorsuche für Texteinbettungen	Erste Schritte mit Texteinbettungen und Vertex AI-Vektorsuche Dieses Notebook bietet eine Einführung in Texteinbettungen und deren Verwendung mit Vertex AI Vektorsuche. Es werden die Grundlagen von Texteinbettungen erläutert, wie Sie sie trainieren und wie Sie sie für die Vektorsuche verwenden.	In Colab öffnen In GitHub öffnen
Vektorsuche für Einbettungen	Vertex AI Vektorsuche: Kurzanleitung Dieses Notebook ist eine Kurzanleitung zur Verwendung von Vertex AI Vektorsuche. Es werden die Grundlagen der Vektorsuche erläutert, einschließlich der Erstellung eines Vektorindex, des Hochladens von Daten in den Index und der Durchführung von Vektorsuchanfragen.	In Colab öffnen In GitHub öffnen
Imagen 2-Bildgenerierung	Bildgenerierung mit Imagen in Vertex AI In diesem Notebook sehen Sie sich die Features zur Bildgenerierung von Imagen mit dem Vertex AI SDK für Python an. Weitere Informationen zum Feature Bildgenerierung von Imagen	In Colab öffnen In GitHub öffnen
Imagen 2-Bildgenerierung Gemini 1.0 Pro-Textgenerierung Gemini 1.0 Pro-Ausgabetextformatierung	Mit Imagen und Gemini 1.0 Pro qualitativ hochwertige visuelle Assets erstellen In diesem Notebook erstellen Sie mit Imagen und Gemini 1.0 Pro hochwertige visuelle Assets für eine Restaurantkarte. Weitere Informationen zur Bildgenerierung und zu multimodalen Modellen	In Colab öffnen In GitHub öffnen
Imagen 2: Bildbearbeitung	Mit der Bearbeitung von Imagen 2 und automatisch generierten Maskenbereichen hochwertige visuelle Assets erstellen In diesem Notebook lernen Sie die Bildbearbeitungsfeatures von Imagen mit dem Vertex AI SDK für Python kennen.	In Colab öffnen In GitHub öffnen
Imagen-Bild: VQA (Visual Question Answering)	VQA (Visual Question Answering) mit Imagen in Vertex AI Dieses Notebook zeigt, wie Sie mit Imagen Bilder generieren, die bestimmte Fragen beantworten. Außerdem wird gezeigt, wie Sie ein Modell in Vertex AI bereitstellen und damit Bilder als Antwort auf von Nutzern bereitgestellte Fragen generieren.	In Colab öffnen In GitHub öffnen
Imagen-Bilduntertitelung	Visuelle Untertitel mit Imagen in Vertex AI Dieses Notebook zeigt, wie Sie mit Imagen, einem Large Language Model für die Bildgenerierung, Untertitel für Bilder generieren. Außerdem wird gezeigt, wie das Modell in Vertex AI bereitgestellt wird.	In Colab öffnen In GitHub öffnen

Nächste Schritte

• Informationen zu LLM-, Vertex AI- und PaLM-Modellen mit Notebook-Anleitungen
• Weitere Ressourcen finden Sie im GitHub-Repository für generative KI.
• Weitere Anleitungen zu Vertex AI-Notebooks finden Sie in der Übersicht über Anleitungen.