Correction d'une erreur PHP dans Laravel lors de l'utilisation de Google Cloud Platform AI pour exécuter PredictRequest

Gestion de l'erreur « Instances non valides : string_value » dans Google Cloud AI Platform avec Laravel

Solution back-end utilisant le contrôleur de Laravel et le service de prédiction Vertex AI de Google Cloud

<?php
namespace App\Http\Controllers;
use Google\Cloud\AIPlatform\V1\Client\PredictionServiceClient;
use Google\Cloud\AIPlatform\V1\PredictRequest;
use Google\Protobuf\Value;

class GoogleCloudAIController extends Controller {
    protected $projectId;
    protected $location;
    protected $endpointId;
    protected $client;
    protected $credentials;

    public function __construct() {
        $this->projectId = env('GOOGLE_CLOUD_PROJECT_ID');
        $this->location = env('GOOGLE_LOCATION');
        $this->endpointId = env('GOOGLE_CLOUD_AI_ENDPOINT_ID');
        $this->credentials = env('GOOGLE_APPLICATION_CREDENTIALS');

        $this->client = new PredictionServiceClient([
            'credentials' => json_decode(file_get_contents($this->credentials), true),
            'apiEndpoint' => "{$this->location}-aiplatform.googleapis.com",
        ]);
    }

    public function predictImage(string $imagePath) {
        $imageData = file_get_contents($imagePath);
        $encodedImage = base64_encode($imageData);
        $instance = new Value();
        $instance->setStringValue($encodedImage);

        $request = new PredictRequest();
        $formattedName = $this->client->endpointName($this->projectId, $this->location, $this->endpointId);
        $request->setEndpoint($formattedName);
        $request->setInstances([$instance]);

        try {
            $response = $this->client->predict($request);
            return response()->json($response->getPredictions());
        } catch (\Exception $e) {
            return response()->json(['error' => $e->getMessage()]);
        }
    }
}

Solution alternative : modification de la structure de l'instance pour la compatibilité

Cette version utilise un tableau associatif pour transmettre les données de l'image base64 directement dans l'instance

<?php
namespace App\Http\Controllers;
use Google\Cloud\AIPlatform\V1\Client\PredictionServiceClient;
use Google\Cloud\AIPlatform\V1\PredictRequest;

class GoogleCloudAIController extends Controller {
    protected $projectId;
    protected $location;
    protected $endpointId;
    protected $client;
    protected $credentials;

    public function __construct() {
        $this->projectId = env('GOOGLE_CLOUD_PROJECT_ID');
        $this->location = env('GOOGLE_LOCATION');
        $this->endpointId = env('GOOGLE_CLOUD_AI_ENDPOINT_ID');
        $this->credentials = env('GOOGLE_APPLICATION_CREDENTIALS');

        $this->client = new PredictionServiceClient([
            'credentials' => json_decode(file_get_contents($this->credentials), true),
            'apiEndpoint' => "{$this->location}-aiplatform.googleapis.com",
        ]);
    }

    public function predictImage(string $imagePath) {
        $imageData = file_get_contents($imagePath);
        $encodedImage = base64_encode($imageData);

        $request = new PredictRequest();
        $formattedName = $this->client->endpointName($this->projectId, $this->location, $this->endpointId);
        $request->setEndpoint($formattedName);
        $request->setInstances([['content' => $encodedImage]]);

        try {
            $response = $this->client->predict($request);
            return response()->json($response->getPredictions());
        } catch (\Exception $e) {
            return response()->json(['error' => $e->getMessage()]);
        }
    }
}

Test unitaire pour la fonction PredictRequest dans GoogleCloudAIController

Test unitaire PHP avec réponse client simulée pour l'application Laravel

<?php
namespace Tests\Unit;
use Tests\TestCase;
use App\Http\Controllers\GoogleCloudAIController;
use Illuminate\Support\Facades\Http;
use Google\Cloud\AIPlatform\V1\Client\PredictionServiceClient;

class GoogleCloudAIControllerTest extends TestCase {
    public function testPredictImageReturnsPredictions() {
        Http::fake([
            'https://*.aiplatform.googleapis.com/*' => Http::response(['predictions' => ['result']], 200)
        ]);

        $controller = new GoogleCloudAIController();
        $response = $controller->predictImage('test_image.jpg');

        $this->assertEquals(200, $response->status());
        $this->assertArrayHasKey('predictions', $response->json());
    }
}

Questions courantes sur Google Cloud AI et Laravel PredictRequest

1. Comment puis-je corriger l'erreur « Instances non valides : string_value » dans Google Cloud AI ?
2. Assurez-vous que votre image est enveloppée dans un Google\Protobuf\Value exemple avec setStringValue pour définir l’image encodée en base64 comme valeur de chaîne. Un formatage approprié en JSON est également essentiel.
3. Qu'attend Google Cloud AI dans la structure de la charge utile ?
4. Google Cloud AI, en particulier Vertex AI, nécessite une structure de type JSON utilisant les tampons de protocole Google. Chaque instance doit être au format tableau avec JSON imbriqué où « contenu » est utilisé comme clé pour les données d'image.
5. Puis-je tester mon intégration Laravel Google Cloud AI sans appels d'API en direct ?
6. Oui! de Laravel Http::fake peut simuler des réponses. Utilisez-le pour simuler les réponses de Google Cloud AI, ce qui vous permet de tester la façon dont votre application gérerait les prédictions réussies et échouées.
7. Quel est le rôle du PredictionServiceClient cours à Laravel?
8. Le PredictionServiceClient La classe sert d'interface client à Google Cloud AI. Il fournit des méthodes pour formater le point de terminaison, configurer des instances et effectuer des appels de prédiction à l'API.
9. Pourquoi l'IA de Google nécessite-t-elle Google\Protobuf\Value pour les données d'image ?
10. Le Google\Protobuf\Value La classe aide à maintenir la cohérence entre différents types de données structurées dans les API Google, garantissant ainsi la compatibilité entre JSON et les tampons de protocole pour les types de données complexes.
11. Comment puis-je optimiser le traitement des données pour les prédictions Google Cloud AI ?
12. Utilisez une gestion appropriée des erreurs avec try-catch blocs et assurez-vous d’encoder les données d’image avec précision. Assurez-vous que les paramètres du projet et du point de terminaison sont chargés en toute sécurité à partir des variables d'environnement pour éviter de coder en dur des détails sensibles.
13. Quel est le but de endpointName dans les intégrations Vertex AI ?
14. Le endpointName La méthode formate le nom du point de terminaison conformément aux exigences de Google Cloud, garantissant que le chemin du point de terminaison est correct pour que les prédictions soient traitées par le bon modèle.
15. Comment structurer les informations de mon projet Google Cloud dans Laravel ?
16. Stocker les détails comme projectId, location, et endpointId dans les variables d'environnement. Accédez-y en utilisant env() dans votre contrôleur Laravel pour garder les informations sécurisées et configurables.
17. Est setInstances nécessaire lors de l'appel de PredictRequest ?
18. Oui, setInstances est nécessaire pour transmettre des données à des fins de prédiction. Chaque entrée de données doit être structurée dans un tableau d'instances, et elle est également essentielle pour le traitement par lots.
19. Qu'est-ce que Http::fake utile pour les tests Laravel ?
20. Http::fake vous permet de simuler des réponses, vous permettant de tester la façon dont votre application gérerait les réponses de l'API sans faire de véritables requêtes à Google Cloud, ce qui permet d'économiser des coûts et de garantir des résultats de test cohérents.

Réflexions finales sur le dépannage des requêtes Laravel et Google Cloud AI

L'intégration de Google Cloud AI dans Laravel ouvre de puissantes capacités de prédiction, mais nécessite un formatage et une gestion des instances précis pour éviter des erreurs telles que « Instances non valides : string_value ». En se concentrant sur la structure de la charge utile, le codage correct des données et les tests, ces problèmes deviennent gérables.

Utiliser Laravel PredictionServiceClient créer une demande d’IA compatible implique de la patience et une attention aux détails. Tirer parti d'outils comme Http :: faux pour les tests et l'encapsulation des données d'image dans des tampons de protocole, contribue à garantir une intégration fluide de l'IA, apportant à la fois efficacité et visibilité aux applications Laravel. 🚀