使用金融领域大语言模型自动化银行任务

您的技术栈：Gemini Enterprise Agent Platform、Cloud Functions、Pub/Sub 和 BigQuery。

您的蓝图 → https://t.co/PhceZZaayf https://t.co/GRmGFtHyt2

101个真实世界的生成式AI用例和技术蓝图

来源：https://cloud.google.com/blog/products/ai-machine-learning/real-world-gen-ai-use-cases-with-technical-blueprints?utm_source=twitter&utm_medium=unpaidsoc&utm_campaign=fy26q3-googlecloudtech-blog-ai-in_feed-no-brand-global&utm_content=-&utm_term=-&linkId=62858682 一年多以前，我们发布了一份生成式 AI 用例列表，该列表此后已增长到包含超过 600 个示例（https://cloud.google.com/transform/101-real-world-generative-ai-use-cases-from-industry-leaders?e=48754805），展示了组织如何将 AI 投入使用。然而，对于许多开发者和业务领导者来说，灵感已让位于一个更实际的问题：我从哪里开始？

为了提供帮助，我们为那些最具影响力、受客户启发的用例创建了一个技术配套内容。本指南包含101个架构蓝图作为说明性起点，为您的下一个项目提供实践基础。

每个蓝图都展示了一种设计模式和相应的 Google Cloud 技术栈，以解决现实世界中的挑战，从自动化文档摘要和销售预测，到改善患者预后和防止欺诈。

让我们深入了解一下。

该列表按 10 个主要行业分组组织。

https://storage.googleapis.com/gweb-cloudblog-publish/images/101GenAI_Blog_Header_001-Retail.max-900x900.png

这些架构蓝图受零售行业中正在使用 AI 的客户启发，例如 Mercari、Target、家乐福台湾、The Home Depot、联合利华 以及 更多 (https://cloud.google.com/transform/101-real-world-generative-ai-use-cases-from-industry-leaders?e=48754805?utm_source%3Dtwitter)。

1. 统一线上和线下零售体验

• 业务挑战： 您是一家大型零售商，拥有宝贵的实体店和不断增长的电商渠道。这两个世界孤立运作，导致客户体验脱节，面临不一致的定价、促销活动和库存水平。
• 技术栈： Google Kubernetes Engine (GKE)、BigQuery、Cloud CDN、Apigee、Cloud Spanner。
• 蓝图： 客户流量到达您的电商网站 → Cloud CDN 缓存静态内容以提高速度 → GKE 根据需求扩展容器化的电商微服务 → Apigee 管理 API，用于根据门店数据实时检查库存 → 所有销售数据流入 BigQuery，用于供应链分析和需求预测

https://storage.googleapis.com/gweb-cloudblog-publish/images/1_ULqlB6p.max-1300x1300.png

2. 让门店经理能够查看实时库存

• 业务挑战： 您希望通过为门店经理提供准确、实时的库存建议来提高效率。
• 技术栈： BigQuery、Vertex AI、Looker、Google Workspace。
• 蓝图： 来自数千家门店的每日销售和库存数据被摄入 BigQuery → Vertex AI 模型处理历史数据以预测每件商品的需求 → Looker 生成带有推荐库存水平的仪表板 → 建议通过一个简单的界面（如 Google Sheets）推送到门店员工的设备上。

https://storage.googleapis.com/gweb-cloudblog-publish/images/2_ySDDftu.max-1800x1800.png

3. 让用户轻松在您的网站上搜索和发现独特商品

• 业务挑战： 您拥有数百万种独特的、非标准化的商品，需要为其用户提供高度相关、快速且个性化的搜索体验。
• 技术栈： Google Cloud Storage、Dataflow、BigQuery、GKE。
• 蓝图： 卖家列出新商品，其数据存储在 Cloud Storage 中 → Dataflow 实时处理商品详情和用户交互数据 → 这些数据丰富搜索索引并馈送在 GKE 上运行的机器学习模型 → 当用户搜索时，模型提供个性化排名，并在毫秒级别返回结果。

https://storage.googleapis.com/gweb-cloudblog-publish/images/3_vMPCBti.max-1800x1800.png

4. 使用 AI 实现门店运营现代化

• 业务挑战： 您是一家零售商，需要数字化并简化门店员工基于纸张的遗留流程，以提高生产力和客户服务水平。
• 技术栈： Vertex AI Vision、GKE、Android、ChromeOS。
• 蓝图： 员工使用移动设备扫描货架 → Vertex AI Vision 分析图像以识别产品和价格标签 → 一个在 GKE 上运行的应用程序将此与库存数据进行交叉引用 → 设备显示库存状态、补货需求或货架陈列合规性信息。

https://storage.googleapis.com/gweb-cloudblog-publish/images/4_e00YJSf.max-2200x2200.png

5. 创建助手以提供更好的购物体验

• 业务挑战： 您的品牌传统支持渠道，如基于文本的聊天机器人和 FAQ，感觉缺乏人情味，无法直观地引导客户完成复杂流程，并且可能无法与您的受众建立真正的联系。
• 技术栈： Vertex AI、Google Cloud Storage（用于 3D 资产）、GKE（用于托管和扩展）、Speech-to-Text & Text-to-Speech API。
• 蓝图： 客户在您的应用中提出故障排除问题（例如，“如何更换咖啡机中的水过滤器？”）。 ➝ 请求（语音或文本）被发送到 Vertex AI 上的对话式 AI “大脑”，该大脑识别意图。 ➝ AI 生成文本响应并识别相应的视觉辅助工具（例如，filter_replacement_step1.mp4）。 ➝ GKE 上的一个服务从 Google Cloud Storage 检索此视频片段。 ➝ 应用显示文本并播放短视频，直观地引导客户完成整个过程，快速解决他们的问题。

https://storage.googleapis.com/gweb-cloudblog-publish/images/5_RWn760J.max-2200x2200.png

6. 编写有差异化的产品描述

• 业务挑战： 您是一家大型电商零售商，需要为数以千计的商品大规模创建独特、高质量且对 SEO 友好的产品描述，同时减少人工劳动并避免重复内容。
• 技术栈： Vertex AI、Cloud Run、BigQuery。
• 蓝图： 商品运营人员将关键产品属性（例如，材质、颜色、目标受众）输入到产品管理工具中 → 这些属性被发送到 Cloud Run 上的一个服务 → 该服务构建详细提示并调用 Vertex AI 生成式 AI API → Vertex AI 分析属性并返回多个独特的描述选项 → 描述显示给商品运营人员以供审核、编辑和最终批准。

https://storage.googleapis.com/gweb-cloudblog-publish/images/6_MDrQVyN.max-1800x1800.png

7. 帮助用户使用照片作为参考来寻找您的产品

• 业务挑战： 您希望让客户能够轻松地使用照片作为参考来找到所需的库存（例如服装）。
• 技术栈： Vertex AI Vision、Vector Search、Google Cloud Storage、Cloud Run。
• 蓝图： 客户在应用中上传参考照片 → 应用将照片发送到 Cloud Run 上的一个服务 → 该服务使用 Vertex AI Vision 将照片转换为向量嵌入 → 此嵌入用于查询 Vector Search，从索引目录中查找最视觉相似的产品嵌入 → 该服务在几秒钟内向客户返回匹配的产品。

https://storage.googleapis.com/gweb-cloudblog-publish/images/7_I2NQnI2.max-2000x2000.png

8. 构建实时产品推荐引擎

• 业务挑战： 您是一家数字零售商，试图提高客单量和客户忠诚度。传统的推荐引擎过于简单，常常无法理解客户在基本关键词之外的真正意图或风格。这会导致泛泛的建议，使您目录中的独特商品难以被发现，并导致沮丧的购物者放弃购物车，从而让您损失大量收入。
• 技术栈： BigQuery、Vector Search、Dataflow、Cloud Run。
• 蓝图： 用户点击流数据流入 Dataflow → Dataflow 处理并丰富这些事件，实时更新用户档案和嵌入（在 BigQuery 或特征存储中） → 当用户浏览时，一个请求被发送到 Cloud Run 上的一个服务 → 该服务使用用户的嵌入查询 Vector Search，以找到最相关或互补的商品 → 返回个性化产品列表并在毫秒内显示给用户。

https://storage.googleapis.com/gweb-cloudblog-publish/images/8_HNWeikf.max-1800x1800.png

9. 快速识别趋势并改善客户互动

• 业务挑战： 您宝贵的反馈信息埋藏在来自调查、评论和支持工单的数千行非结构化文本中。手动阅读、标记和分类这些数据是一个缓慢而繁琐的过程，会延迟关键洞察的获取，并阻碍您的团队快速应对新兴趋势或紧急问题。
• 技术栈： Google Sheets、Gemini for Google Workspace、Google Forms（作为数据源）。
• 蓝图： 来自 Google Forms 等来源的客户反馈被收集并整合到一个 Google Sheet 中 → 分析师选择原始反馈列，并使用集成的 Gemini 功能，并给出提示如“对此反馈进行分类” → Gemini 处理每个单元格中的文本，并用相应的类别填充新列 → 分析师随后可以基于这些新结构化的数据创建图表和数据透视表，以识别趋势。

https://storage.googleapis.com/gweb-cloudblog-publish/images/9_hcH5cyO.max-1200x1200.jpg

10. 直接在邮箱中比较供应商提案

• 业务挑战： 您是负责做出采购决策的采购员或部门负责人。但是复杂的供应商提案以不同的格式送达，将成本、时间线和可交付成果等关键细节埋藏在数十页文档中。手动创建比较表格速度慢、繁琐且容易出错，这可能导致您遗漏关键细节并做出代价高昂的决定。
• 技术栈： Gmail、Gemini for Google Workspace。
• 蓝图： 采购员收到多封带有供应商提案附件（PDF、文档等）的电子邮件 → 在 Gmail 线程中，用户激活 Gemini 并提供提示，例如“创建一个表格，比较附件提案中的成本、时间线和关键可交付成果” → Gemini 阅读邮件上下文和附件内容 → 它直接在 Gmail 界面中生成一个简洁的摘要和一个比较表格 → 采购员无需手动交叉引用文档，即可更快、更明智地做出决策。

https://storage.googleapis.com/gweb-cloudblog-publish/images/10_ZJk5gHN.max-2200x2200.png

11. 合并和去重产品列表

• 业务挑战： 您是一位电子商务目录经理，负责管理一个来自多个供应商的庞大产品目录。不一致的数据导致了大量同一商品的重复列表。这混乱了客户体验，分割了您的库存和销售数据（使得准确预测变得不可能），损害了您的搜索排名，而您的团队却花费无数小时手动尝试查找和合并它们。
• 技术栈： BigQuery、Vertex AI、Dataflow。
• 蓝图： 产品目录数据由数据处理流水线 (Dataflow) 处理 → Dataflow 调用 Vertex AI 模型，将产品文本和图像转换为向量嵌入 → 嵌入存储在 BigQuery 中 → BigQuery ML 聚类模型将具有相似嵌入的商品分组为重复集合 → 这些重复集合被发送到审核仪表板或自动合并服务。

https://storage.googleapis.com/gweb-cloudblog-publish/images/11_kKGBqRk.max-1900x1900.png

https://storage.googleapis.com/gweb-cloudblog-publish/images/101GenAI_Blog_Header_002-Media-Marketing-Gam.max-900x900.png

这些架构蓝图受媒体、营销和游戏行业中正在使用 AI 的客户启发，例如：Formula E、金州勇士队、Spotify、Warner Bros Discovery 以及 更多 (https://cloud.google.com/transform/101-real-world-generative-ai-use-cases-from-industry-leaders?e=48754805?utm_source%3Dtwitter)。

12. 将解说评论总结为播客

• 业务挑战： 您是一家广播公司或体育联盟，每场比赛都有数小时的现场解说。手动创建精彩集锦、总结或每日播客既耗时又费力，且速度慢，导致您错过与粉丝及时互动的机会。
• 技术栈： Google Cloud Speech-to-Text、Vertex AI、Cloud Functions 和 Google Cloud Storage。
• 蓝图： 实时音频解说被捕获并存储在 Google Cloud Storage 中 ➝ 触发一个 Cloud Function，将音频文件发送到 Speech-to-Text API 以生成完整、带时间戳的转录文本 ➝ 转录文本被发送到 Vertex AI 生成模型，并附带提示如“根据惊叹词、关键词（例如‘超车’、‘撞车’）和情感，从该比赛转录文本中识别出前 5 个最激动人心的时刻。为每个时刻创建一个 30 秒的总结脚本” ➝ 生成的播客脚本随后被发送到文本转语音引擎或由人类主持人录制，从而在几分钟内（而不是几小时）创建一个“每日精彩”播客。

https://storage.googleapis.com/gweb-cloudblog-publish/images/12_JmclosH.max-2200x2200.png

13. 构建内容推荐引擎

• 业务挑战： 您是一家体育俱乐部或媒体公司，已将所有的粉丝数据整合到一个统一的数据基础中。您希望向每位粉丝提供相关、个性化的内容——包括实时比赛精彩片段、比分以及关于售票或活动提醒——以加深参与度并增加收入。
• 技术栈： BigQuery、Vertex AI Search、Vector Search、Dataflow 和 Cloud Run。
• 蓝图： 实时粉丝互动和比赛数据（比分、统计数据）流入 Pub/Sub ➝ Dataflow 流水线处理并丰富这些数据，更新 BigQuery 统一数据基础中的粉丝档案 ➝ Vertex AI 使用这些历史和实时数据训练推荐模型 ➝ 当粉丝使用球队应用时，一个请求被发送到 Cloud Run 上的一个服务 ➝ 该服务使用粉丝 ID 查询 Vertex AI Search，返回个性化内容列表（精彩片段、文章、票务提醒） ➝ 应用实时向粉丝显示个性化推荐。

https://storage.googleapis.com/gweb-cloudblog-publish/images/13_JOkOOjT.max-1900x1900.png

14. 创建超个性化的媒体活动

• 业务挑战： 您希望超越泛泛的营销，为每位用户创造深度个性化、可分享的时刻。
• 技术栈： BigQuery、Vertex AI、Dataflow、Cloud Run 和 Google Cloud Storage。
• 蓝图： 一个大规模 Dataflow 流水线处理来自 BigQuery 的一年用户交互数据，为每位用户计算个性化统计数据 ➝ 对于每位用户，Cloud Run 上的一个服务将其顶级统计数据（例如，最喜欢的艺术家、播放次数最多的歌曲）发送到 Gemini API，并附带提示如“生成一个有趣、欢快的播客脚本，总结这些收听习惯” ➝ Cloud Run 服务使用生成的文本来创建个性化资产（音频片段、社交媒体图片）并将其存储在 Google Cloud Storage 中 ➝ 当用户打开应用时，它从 Cloud Storage 获取其独特的、预先生成的资产以展示…