Link al lab

Recursos identificados

  • Servicio principal: Vertex AI Studio (parte de Agent Platform).
  • Modelos usados:
    • gemini-2.5-flash (tareas 1, 2, 3, 4)
    • Gemini 2.5 Pro (comparación en tarea 3)
    • Imagen 4 (generación de imágenes, tarea 5)
    • Chirp 3 HD Voices (síntesis de voz, tarea 5 — opcional)
  • APIs habilitadas:
    • Vertex AI API
    • Cloud Build API
    • Cloud Run API
    • Cloud Text-to-Speech API (opcional)
  • Recursos creados:
    • 5 prompts guardados en Vertex AI Studio
    • 1 aplicación Cloud Run deployada desde la consola
  • IAM: roles implícitos del proyecto de lab; Cloud Run con acceso no autenticado.

Este lab es UI-driven: todos los pasos se hacen desde la consola de Google Cloud. No hay comandos gcloud en el flujo principal.

Tarea 1: Crear una aplicación desde un prompt

El objetivo es construir un prototipo de chat para análisis de riesgo de seguros y deployarlo como una app real en Cloud Run, todo desde la UI.

Pasos:

  1. Desde la consola, ir a Agent Platform > Studio (o búscarlo como "Vertex AI Studio").
  2. Hacer clic en New prompt y elegir tipo Chat.
  3. Nombrar el prompt: Insurance Risk Summary - Prototype.
  4. En el campo System instructions, escribir algo como:

    "You are an expert insurance underwriter. Analyze facility risk based on the information provided and produce a concise risk summary."

  5. En el área de chat, pegar el siguiente escenario de cliente:

    "SafeHarbor Warehousing — Facility stores flammable chemicals, located in a flood zone, last inspection 3 years ago."

  6. Seleccionar modelo: gemini-2.5-flash, región: Global.
  7. Hacer clic en Submit y revisar la respuesta del modelo.
  8. Guardar el prompt con Save.
  9. Ir a Code > Deploy > Deploy as app para deployarlo en Cloud Run.
    • Cuando la consola lo pida, habilitar Cloud Build API y Cloud Run API.
    • Esperar a que el deploy finalice (puede tardar 2-3 minutos).
  10. Abrir la URL de la app deployada y probarla con una nueva consulta distinta al escenario original.

Qué se aprende: el ciclo completo prompt → prototipo → aplicación productiva, sin escribir una sola línea de código.

Tarea 2: Diseñar prompts efectivos

El objetivo es entender cómo cambia la respuesta del modelo según la técnica de prompting y los parámetros configurados.

Zero-shot prompting:

  1. Crear un nuevo prompt tipo Chat: Insurance Claim Data Extraction.
  2. En System instructions: definir el rol como extractor de datos estructurados de notificaciones de siniestros.
  3. En el chat, pegar una notificación de siniestro en texto libre (ejemplo: un incidente de daño por agua con fecha, descripción y monto estimado).
  4. Configurar Temperature: 0.1 y Output Token Limit: 1024.
  5. Enviar y observar qué extrae el modelo sin ejemplos.

Few-shot prompting:

  1. Sin cambiar el prompt anterior, agregar un bloque de ejemplo antes del caso real:
    • Input de ejemplo: otra notificación de siniestro.
    • Output de ejemplo: la extracción correctamente formateada.
  2. Volver a enviar la consulta original y comparar la mejora en estructura y precisión.

Experimentos con parámetros:

  1. Ajustar Temperature a 1.5 y reenviar: notar respuestas más creativas/impredecibles.
  2. Cambiar Output Token Limit a 500: la respuesta se corta; con 65535 no se corta.
  3. Modificar Top-P entre 0.8 y 1.0: controla qué tan diverso es el vocabulario usado.
  4. Explorar (sin modificar) los paneles de: Safety Filters, Thinking Budget, Structured Output y Grounding.

Qué se aprende: por qué few-shot supera a zero-shot en tareas estructuradas, y cómo temperatura/Top-P/tokens afectan el output de maneras concretas y distintas.

Tarea 3: Gestión y comparación de prompts

El objetivo es usar la feature Compare de Vertex AI Studio para evaluar variantes de un mismo prompt en paralelo.

Pasos:

  1. Crear nuevo prompt: Insurance Risk Factor Identification.
  2. System instructions: rol de analista de riesgos que identifica factores de riesgo en un negocio.
  3. Ingresar como input la descripción de un restaurante (ejemplo: local en zona comercial densa, cocina a gas, sin rociadores).
  4. Configurar gemini-2.5-flash, temperatura 0.2.
  5. Enviar y guardar.
  6. Hacer clic en Compare para abrir el panel de comparación lado a lado.
  7. Probar estas tres variaciones:
    • Variación A: agregar a las instrucciones que el modelo también debe sugerir estrategias de mitigación por cada riesgo.
    • Variación B: temperatura 0.2 (original) vs temperatura 2.0 (muy alta): observar la diferencia en coherencia.
    • Variación C: gemini-2.5-flash vs Gemini 2.5 Pro: comparar profundidad y razonamiento en el análisis.

Qué se aprende: cómo iterar sobre prompts de forma sistemática en lugar de hacerlo de a uno; la diferencia práctica entre modelos de distinta capacidad.

Tarea 4: Prompts multimodales con Gemini

El objetivo es usar Gemini para analizar una imagen y responder preguntas de razonamiento sobre su contenido.

Pasos:

  1. Crear nuevo prompt: Timetable Image Analysis.
  2. En el área de contenido, hacer clic en Insert > Image from Cloud Storage.
  3. Importar timetable.png (imagen de un horario de vuelos, provista por el lab en un bucket público).
  4. Configurar gemini-2.5-flash, región Global.
  5. Junto a la imagen, escribir el prompt:

    "Provide a title for this image, a short description, and extract all visible text."

  6. Enviar y revisar: el modelo describe la imagen y transcribe el texto del horario.
  7. Enviar un segundo prompt de razonamiento:

    "What percentage of departures listed are international flights?" El modelo razona sobre los datos que acaba de extraer.

  8. Cambiar temperatura a 0.8 y reenviar el segundo prompt: notar variación en el estilo de respuesta.
  9. Volver a temperatura 0.2 para respuestas más determinísticas.

Qué se aprende: Gemini puede interpretar imágenes y razonar sobre ellas en el mismo contexto conversacional, sin preprocesamiento externo.

Tarea 5: Generación de media

Imágenes con Imagen 4

  1. En Vertex AI Studio, hacer clic en New > Image.
  2. Escribir un prompt descriptivo. Ejemplo:

    "A photorealistic macro photograph of a honeybee collecting nectar from lavender flowers, golden hour lighting."

  3. Seleccionar modelo: Imagen 4.
  4. Configurar: aspect ratio 1:1, cantidad de resultados: 4.
  5. Hacer clic en Generate y revisar los cuatro resultados.
  6. Seleccionar una imagen y explorar las opciones Inpaint (modificar una región de la imagen) y Outpaint (expandir el encuadre).
  7. Notar el badge de SynthID: marca de agua digital que identifica imágenes generadas por IA.

Voz con Chirp 3 (opcional)

  1. Si no está habilitada, activar Cloud Text-to-Speech API desde el panel de configuración.
  2. Hacer clic en el ícono de audio para abrir la herramienta de síntesis de voz.
  3. Ingresar el texto:

    "Welcome to the world of generative AI on Google Cloud."

  4. Seleccionar modelo: Chirp 3 HD Voices, idioma: inglés (US).
  5. Elegir una variante de voz y hacer clic en Generate.
  6. Escuchar el audio generado.

Qué se aprende: Vertex AI Studio no es solo texto — agrupa en un mismo lugar generación de imágenes (Imagen 4), voz (Chirp) y texto (Gemini), todos accesibles sin código.