genai for marketing

AI generatif untuk pemasaran menggunakan Google Cloud

Sumber daya yang memungkinkan kasus penggunaan pemasaran bertenaga AI generatif di Google Cloud.

Repositori ini menampilkan aplikasi AI generatif Google Cloud untuk skenario pemasaran. Ini berisi instruksi yang terperinci dan langkah demi langkah untuk menggunakan solusi yang menerapkan kemampuan AI generatif pemasaran-sentris, termasuk kemampuan untuk membuat materi pemasaran seperti posting blog dan konten media sosial. Video ini berjalan melalui fungsionalitas dalam solusi.

Arsitektur solusi yang digunakan:

Selain itu, Jupyter Notebook tambahan disediakan untuk membantu pengguna dalam memahami konsep yang dieksplorasi dalam solusi.

Daftar isi

• Struktur repositori
• Demonstrasi
• Penyebaran
• Notebook dan sampel kode
• Konfigurasi
• Mendapatkan bantuan

Struktur repositori

 .
├── app
└── backend_apis
└── frontend
└── notebooks
└── templates
└── infra

• /app : Diagram dan gambar arsitektur.
• /backend_apis : Kode sumber untuk API backend.
• /frontend : Kode sumber untuk UI Frontend.
• /infra : skrip dan konfigurasi untuk menggunakan solusi.
• /notebooks : Notebook yang mendemonstrasikan dan menjelaskan cara menggunakan AI generatif Google Cloud untuk skenario pemasaran, termasuk skenario yang termasuk dalam solusi.
• /templates : Slide ruang kerja, templat dokumen dan lembaran yang digunakan dalam solusi.

Demonstrasi

Solusi yang digunakan mendukung demonstrasi berikut:

• Wawasan Pemasaran : Memanfaatkan dasbor Looker untuk mengakses dan memvisualisasikan data pemasaran. Pemasar dapat mengakses dan memvisualisasikan data pemasaran untuk membangun kampanye pemasaran berbasis data, memberdayakan bisnis untuk terhubung dengan audiens target mereka secara lebih efisien, sehingga meningkatkan tingkat konversi.
• Audiens dan Insight Finder : Antarmuka percakapan yang menerjemahkan bahasa alami ke dalam kueri SQL, mendemokratisasi akses ke data untuk pengguna non-SQL sehingga menghilangkan hambatan untuk tim pemasaran.
• TrendsPotting : Identifikasi tren yang muncul di pasaran dengan menganalisis data Google Trends di dasbor Looker, dan ringkas berita terkait dengan istilah pencarian teratas. Ini dapat membantu bisnis untuk tetap di depan kompetisi dan mengembangkan produk dan layanan yang memenuhi kebutuhan dan minat pelanggan mereka.
• Pencarian Konten : Tingkatkan pengalaman pencarian untuk konten internal atau eksternal dengan pencarian AI Vertex untuk pengguna bisnis.
• Pembuatan Konten : Mengurangi waktu untuk pembuatan konten dengan model Vertex Foundation. Hasilkan salinan email yang menarik dan menawan, artikel situs web, posting media sosial, dan aset untuk PMAX. Semua bertujuan untuk mencapai tujuan spesifik seperti meningkatkan penjualan, menghasilkan arahan, atau meningkatkan kesadaran merek. Ini mencakup elemen tekstual dan visual menggunakan model Vertex Language & Vision.
• Integrasi Workspace : Transfer wawasan dan aset yang Anda hasilkan ke Google Workspace, dan visualisasikan di Google Slide, Documents and Sheets.

Penyebaran

Ikuti instruksi dalam Panduan Penyebaran untuk digunakan dengan Terraform.

Video ini berjalan melalui proses penyebaran otomatis.

Notebook dan sampel kode

Notebook yang tercantum di bawah ini dikembangkan untuk menjelaskan konsep yang ditampilkan dalam solusi ini:

• Data T&J dengan Palm API dan Googlesql (/notebooks/data_qa_with_sql.ipynb): Menerjemahkan pertanyaan dari bahasa alami ke googlesql untuk berinteraksi dengan BigQuery.
• Ringkasan Berita dengan Agen Langchain dan model teks Palm Vertex AI (news_summarization_langchain_pal.ipynb): Ringkas artikel berita yang terkait dengan istilah pencarian teratas menggunakan agen Langchain dan konsep React.
• Ringkasan Berita dengan Palm API (Simple_News_summarization.ipynb): Peringkasan berita terkait dengan istilah pencarian teratas.
• Imagen fine tuning (imagen_finetune.ipynb): model fine tune imagen.

Buku catatan tambahan (eksternal) berikut memberikan informasi tambahan tentang konsep yang dibahas dalam repositori ini:

• Tuning Gemini: Contoh Cara Menyetel Gemini Dengan Dataset Anda Untuk Meningkatkan Respons Model. Ini berguna untuk suara merek karena memungkinkan Anda untuk memastikan bahwa model ini menghasilkan teks yang konsisten dengan nada dan gaya merek Anda.
• Teknik Ringkasan Dokumen: Dua buku catatan yang menjelaskan berbagai teknik untuk merangkum dokumen besar.
• Dokumen T&J: Dua notebook yang menjelaskan berbagai teknik untuk melakukan dokumen T&J pada sejumlah besar dokumen.
• Pencarian AI Vertex - Pencarian Web: Demo ini menggambarkan cara mencari melalui kumpulan dokumen menggunakan pencarian AI Vertex. Fitur tambahan meliputi cara mencari grafik pengetahuan cloud publik menggunakan API Grafik Pengetahuan Enterprise.
• Pencarian Vertex AI-Pencarian Dokumen: Demo ini menggambarkan bagaimana Pencarian AI Vertex dan API Vertex AI Palm membantu memastikan bahwa konten yang dihasilkan didasarkan pada informasi yang divalidasi, relevan, dan terkini.
• Memulai dengan Langchain dan Vertex AI Palm API: Memulai dengan Langchain + Vertex Ai Gemini API.

Konfigurasi

Beberapa perilaku solusi dapat diubah dengan menyesuaikan konfigurasi.

Konfigurasi pra-penempatan

Saat menggunakan Google Cloud Generative AI untuk solusi pemasaran, berbagai pengaturan untuk penyebaran ditarik dari file infra/variables.tf .

Jika kebutuhan penyebaran Anda tidak cocok dengan penyebaran default, beberapa kebutuhan penyebaran Anda mungkin dipenuhi dengan menyesuaikan default dalam variables.tf sebelum mulai penyebaran.

Buat perubahan pada variables.tf sebelum menjalankan terraform init , membuat perubahan sesudahnya dapat mengakibatkan perilaku yang tidak terduga termasuk kegagalan penyebaran yang tidak dapat dipulihkan.

Config.toml

Saat menggunakan, setelah terraform apply berhasil selesai, akan ada file yang disebut config.toml di backend_apis/app . config.toml dihasilkan dari infra/templates/config.toml.tftpl .

config.toml bertindak sebagai pusat kontrol untuk pembuatan konten pemasaran, menyediakan pengaturan, permintaan, dan data yang diperlukan untuk mengotomatiskan pembuatan materi pemasaran yang dipersonalisasi dan konsisten.

Anda dapat menyesuaikan beberapa nilai di config.toml untuk mengubah perilaku penyebaran Anda. Jika Anda menyesuaikan nilai di config.toml , rerun penempatan backend ( infra/scripts/backend_deployment.sh ) untuk mendorong konfigurasi yang diperbarui ke backend

Berikut ini adalah bagian utama dari config.toml dan fungsinya:

Global:

• Mengatur Pengaturan Proyek Inti (ID Proyek, Lokasi).
• Menentukan kredensial untuk akses ruang kerja.
• Mengidentifikasi dataset BigQuery dan sumber daya AI Vertex.
• Mendefinisikan templat dan folder dokumen ruang kerja.
• Mengatur ember GCS untuk penyimpanan aset.
• Mendefinisikan ruang lingkup API ruang kerja (izin).

Meminta:

• Memberikan informasi merek terperinci (nama, visi, misi, dll.) Untuk memandu pembuatan konten.
• Mendefinisikan templat cepat untuk berbagai jenis konten (pernyataan merek, pesan utama, saluran komunikasi, email, posting web, iklan, tajuk berita, deskripsi).
• Termasuk placeholder ({}) untuk penyisipan konten dinamis.

Model:

• Menentukan nama model AI untuk digunakan untuk pembuatan teks dan gambar.

Sampel data:

• Memberikan data dan opsi sampel (ember usia, nama, bahasa) untuk mempersonalisasikan konten.

Menambahkan dasbor looker

Anda dapat menampilkan dasbor Looker Anda sendiri di wawasan pemasaran dan halaman kinerja kampanye.

Untuk wawasan pemasaran, edit /frontend/src/app/marketing-insights/marketing-insights.component.html dan untuk kinerja kampanye edit /frontend/src/app/marketing-insights/marketing-insights.com Prosedurnya sama untuk kedua file ini:

1. Tambahkan nama dasbor ke dropdown

1. Temukan baris <select class="select-theme-dropdowns" name="state" ngModel (ngModelChange)="onClick($event)"> . Jika Anda berada di penyebaran baru, baris di bawah ini adalah <option value="Overview">Overview</option> .
2. Tambahkan baris lain yang diformat serupa: <option value="Display Name in Dropdown">newdash</option> , di mana value adalah apa yang akan ditampilkan di UI dan di dalam > dan < adalah pengidentifikasi yang akan Anda gunakan di bawah ini untuk menautkan ke dasbor. Dalam hal ini kami menambahkan dasbor yang akan diidentifikasi sebagai "nama tampilan di dropdown" dan di bawah ini kami akan menautkan dasbor ini menggunakan pengidentifikasi newdash .

2. Tambahkan tautan dasbor

Pada penyebaran baru di bagian bawah file, Anda akan melihat sesuatu seperti ini:

 < div *ngIf =" overview " class =" overviewcss " >
  < iframe width =" 1000 " height =" 1000 " src =" https://googledemo.looker.com/embed/dashboards/2131?allow_login_screen=true " > </ iframe >
</ div >

Di akhir file, tambahkan tiga baris serupa untuk setiap dasbor, ganti yang berikut:

1. Atur *ngIF= ke pengidentifikasi dasbor baru yang Anda tentukan di dropdown. Misalnya <div *ngIf="newdash" class="overviewcss"> .
2. Atur src= ke tautan embed ke dasbor Anda. allow_login_screen=true di URL akan membuka halaman otentikasi dari Looker untuk mengamankan akses ke akun Anda. Misalnya, <iframe width="1000" height="1000" src="https://googledemo.looker.com/embed/dashboards/YOURDASH?allow_login_screen=true" ></iframe>

Analisis Pemasaran Jumpstart

Jika Anda memiliki akun Google ADS dan Google Analytics 4 dalam produksi, Anda dapat menggunakan solusi Marketing Analytics Jumpstart , membangun dasbor, dan menautkannya ke halaman -halaman ini di AI generatif untuk pemasaran UI.

Mendapatkan bantuan

Jika Anda memiliki pertanyaan atau jika Anda menemukan masalah dengan repositori ini, silakan laporkan melalui masalah GitHub.