11/7 快到了，趕快衝刺！
這三個 Vertex AI labs 教你從 prompt design 到怎麼把 AI 應用到實際商業場景！
GSP1151 - Generative AI with Vertex AI: Prompt Design
GSP1154 - Get Started with Vertex AI Studio
GSP1209 - Getting Started with Google Generative AI Using the Gen AI SDK
GSP1151 打基礎，GSP1154 學實戰，GSP1209 深入 SDK，學習路徑超級清晰～
超級推薦給想學 AI 但不知道從哪開始的朋友們！
「實作影片」和資源放在下方。
後續會繼續分享參加計劃的心得！
𝕂𝕖𝕖𝕡 𝕝𝕖𝕒𝕣𝕟𝕚𝕟𝕘. 𝕂𝕖𝕖𝕡 𝕙𝕒𝕔𝕜𝕚𝕟𝕘!
主要特色
➊ Prompt Engineering 最佳實踐與技巧
➋ Vertex AI Studio 視覺化介面操作
➌ Gen AI SDK 程式開發與進階功能
➍ 多模態 AI 應用（文字、影像、語音）
➎ 從原型到生產的完整開發流程
➏ 商業應用案例實作（保險業風險分析）
Lab 實作
➊ Prompt 設計原則：簡潔、具體、任務定義
➋ 零樣本 vs 少樣本提示技術比較
➌ 多模態內容分析與生成
➍ 模型參數調校與安全過濾
➎ Cloud Run 應用程式部署
➏ 進階 SDK 功能：串流、異步、快取、批次預測
實作影片
指令整理
環境初始化
此部分設定 GCP 專案的基礎環境變數。這些變數在後續指令中被引用，確保所有操作都在正確的專案、區域、實例上執行。專案 ID 變數是所有 Vertex AI 操作的基礎，決定資源的計費和存取權限。
export GOOGLE_CLOUD_PROJECT=$(gcloud config get-value project)
export GOOGLE_CLOUD_LOCATION="us-central1" # Vertex AI 服務的主要地區
export BUCKET_NAME="${GOOGLE_CLOUD_PROJECT}-genai-batch-$(date +%Y%m%d-%H%M%S)"
API 服務啟用
啟用必要的 Google Cloud APIs 是使用 Vertex AI 的前提。這些 APIs 提供不同的 AI 功能，從基礎的生成式 AI 到語音合成，每個 API 都有特定的用途和權限要求。
# 啟用 Vertex AI 和生成式 AI 核心服務
gcloud services enable aiplatform.googleapis.com --project="$GOOGLE_CLOUD_PROJECT"
gcloud services enable generativelanguage.googleapis.com --project="$GOOGLE_CLOUD_PROJECT"
# 啟用部署和儲存相關服務（用於 Studio 應用部署）
gcloud services enable run.googleapis.com --project="$GOOGLE_CLOUD_PROJECT"
gcloud services enable cloudbuild.googleapis.com --project="$GOOGLE_CLOUD_PROJECT"
gcloud services enable storage.googleapis.com --project="$GOOGLE_CLOUD_PROJECT"
# 啟用語音服務（用於可選的 Chirp 語音生成）
gcloud services enable texttospeech.googleapis.com --project="$GOOGLE_CLOUD_PROJECT"
常見坑點：API 啟用可能需要幾分鐘生效，如果遇到權限錯誤，確認服務帳戶有編輯者角色
概念連結：API 啟用是環境初始化的延伸，確保所有需要的 GCP 服務都可用
地區與權限設定
設定預設地區和檢查存取權限是確保 Vertex AI 功能正常運作的關鍵。Global 地區通常提供最好的模型可用性，但某些功能可能需要特定地區。
# 設定預設運算地區（影響資源部署位置）
gcloud config set compute/region "$GOOGLE_CLOUD_LOCATION" --project="$GOOGLE_CLOUD_PROJECT"
# 檢查 Vertex AI 模型存取權限
gcloud ai models list --region="$GOOGLE_CLOUD_LOCATION" --project="$GOOGLE_CLOUD_PROJECT" --limit=1
常見坑點：某些地區可能沒有所有模型可用，建議先用 Global 地區測試
概念連結：地區設定影響 API 服務的效能和可用性，與環境初始化中的變數設定密切相關
儲存與 Workbench 管理
建立 Cloud Storage 儲存桶和檢查 Workbench 實例是進行批次預測和 notebook 開發的必要準備。儲存桶用於存放批次預測的輸入輸出資料。
# 建立 Cloud Storage 儲存桶（用於批次預測輸入/輸出）
gsutil mb -p "$GOOGLE_CLOUD_PROJECT" -l "$GOOGLE_CLOUD_LOCATION" "gs://$BUCKET_NAME"
# 檢查可用的 Vertex AI Workbench 實例
gcloud workbench instances list --project="$GOOGLE_CLOUD_PROJECT"
常見坑點：儲存桶名稱必須全域唯一，建議使用專案 ID 作為前綴
概念連結：儲存管理支援 SDK 的批次預測功能，是進階 AI 應用的基礎設施
完整工作流程整合
整合上述所有概念，建立完整的 Vertex AI 開發環境。這個流程確保從環境設定到資源準備的完整性，為後續的 AI 應用開發奠定堅實基礎。
# 驗證完整設定（檢查所有必要資源狀態）
gcloud ai models list --region=global --project="$GOOGLE_CLOUD_PROJECT" --filter="displayName:Gemini*"
gcloud workbench instances describe $(gcloud workbench instances list --format="value(name)" --limit=1) --project="$GOOGLE_CLOUD_PROJECT"
常見坑點：確保所有權限正確設定，避免在開發過程中遇到存取被拒的問題