Memperbaiki Kesalahan PHP di Laravel Saat Menggunakan Google Cloud Platform AI untuk Menjalankan PredictRequest

Menangani Kesalahan "Instance Tidak Valid: string_value" di Google Cloud AI Platform dengan Laravel

Solusi back-end menggunakan Pengontrol Laravel dan Layanan Prediksi Vertex AI 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()]);
        }
    }
}

Solusi Alternatif: Memodifikasi Struktur Instance untuk Kompatibilitas

Versi ini menggunakan array asosiatif untuk meneruskan data gambar base64 secara langsung ke dalam 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()]);
        }
    }
}

Uji Unit untuk Fungsi PredictRequest di GoogleCloudAIController

Tes Unit PHP dengan respons klien tiruan untuk aplikasi 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());
    }
}

Pertanyaan Umum tentang Google Cloud AI dan Laravel PredictRequest

1. Bagaimana cara memperbaiki kesalahan "Contoh tidak valid: string_value" di Google Cloud AI?
2. Pastikan gambar Anda dibungkus dengan a Google\Protobuf\Value contoh dengan setStringValue untuk mengatur gambar base64 yang disandikan sebagai nilai string. Pemformatan yang tepat di JSON juga penting.
3. Apa yang diharapkan Google Cloud AI dalam struktur payload?
4. Google Cloud AI, khususnya Vertex AI, memerlukan struktur mirip JSON menggunakan Google Protocol Buffer. Setiap instance harus dalam format array dengan JSON bersarang di mana "isi" digunakan sebagai kunci untuk data gambar.
5. Bisakah saya menguji integrasi Laravel Google Cloud AI saya tanpa panggilan API langsung?
6. Ya! milik Laravel Http::fake dapat mensimulasikan tanggapan. Gunakan ini untuk meniru respons dari Google Cloud AI, yang memungkinkan Anda menguji bagaimana aplikasi Anda menangani prediksi yang berhasil dan gagal.
7. Apa peran dari PredictionServiceClient kelas di Laravel?
8. Itu PredictionServiceClient kelas berfungsi sebagai antarmuka klien ke Google Cloud AI. Ini menyediakan metode untuk memformat titik akhir, menyiapkan instans, dan membuat panggilan prediksi ke API.
9. Mengapa Google AI memerlukan Google\Protobuf\Value untuk data gambar?
10. Itu Google\Protobuf\Value class membantu menjaga konsistensi di berbagai jenis data terstruktur di Google API, memastikan kompatibilitas antara JSON dan Protocol Buffer untuk jenis data yang kompleks.
11. Bagaimana cara mengoptimalkan penanganan data untuk prediksi Google Cloud AI?
12. Gunakan penanganan kesalahan yang tepat dengan try-catch blok, dan pastikan untuk menyandikan data gambar secara akurat. Pastikan pengaturan proyek dan titik akhir dimuat dengan aman dari variabel lingkungan untuk menghindari detail sensitif yang sulit dikodekan.
13. Apa tujuannya endpointName dalam integrasi Vertex AI?
14. Itu endpointName metode memformat nama titik akhir sesuai dengan persyaratan Google Cloud, memastikan bahwa jalur titik akhir sudah benar agar prediksi dapat diproses oleh model yang tepat.
15. Bagaimana cara menyusun informasi proyek Google Cloud saya di Laravel?
16. Detail toko seperti projectId, location, Dan endpointId dalam variabel lingkungan. Akses ini menggunakan env() di pengontrol Laravel Anda untuk menjaga informasi tetap aman dan dapat dikonfigurasi.
17. Adalah setInstances diperlukan saat memanggil PredictRequest?
18. Ya, setInstances diperlukan untuk meneruskan data untuk prediksi. Setiap input data harus disusun dalam array instans, dan ini juga penting untuk pemrosesan batch.
19. Apa Http::fake berguna untuk pengujian Laravel?
20. Http::fake memungkinkan Anda meniru respons, memungkinkan Anda menguji cara aplikasi Anda menangani respons API tanpa membuat permintaan nyata ke Google Cloud, menghemat biaya, dan memastikan hasil pengujian yang konsisten.

Pemikiran Akhir tentang Pemecahan Masalah Permintaan Laravel dan Google Cloud AI

Mengintegrasikan Google Cloud AI di Laravel membuka kemampuan prediksi yang kuat namun memerlukan pemformatan dan penanganan instance yang tepat untuk menghindari kesalahan seperti "Contoh tidak valid: string_value". Dengan berfokus pada struktur muatan, pengkodean data yang benar, dan pengujian, masalah ini dapat dikelola.

Menggunakan Laravel Klien Layanan Prediksi untuk membuat permintaan AI yang kompatibel memerlukan kesabaran dan perhatian terhadap detail. Memanfaatkan alat seperti Http::palsu untuk pengujian, dan menggabungkan data gambar dalam Protocol Buffer, membantu memastikan integrasi AI yang lancar, menghadirkan efisiensi dan wawasan ke dalam aplikasi Laravel. 🚀