AlloyDB AI 函式可讓您使用 SQL 運算子，直接在資料庫中執行透過模型端點管理註冊的 AI 模型。與 Gemini Enterprise Agent Platform 整合後，即可即時對營運資料進行智慧篩選、語意排序和文字生成。
AI 輔助 SQL 篩選和排名
使用簡單的 SQL 函式，執行強大的 AI 任務。google_ml_integration 擴充功能提供 ai.if() 等運算子，可用於智慧篩選，以及 ai.rank()，可用於語意重新排名。
資料庫內文字生成
對資料庫中的資料列執行轉換。使用 ai.generate() 運算子，您可以要求基礎模型摘要產品評論，或直接在查詢中轉換資料。
嵌入和預測函式
使用 google_ml.embedding() 等 SQL 函式生成向量嵌入，或使用 google_ml.predict_row( 叫用任何已註冊模型的預測結果，所有操作都在資料庫內完成。
AI 函式的運作方式
當您在 SQL 查詢中嵌入 ai.if()、ai.rank() 或 ai.generate() 等 AI 運算子時，AI 函式會偵測到該運算子。這個引擎可透過 google_ml_integration 擴充功能使用，負責自動調度管理整個程序。這項功能會安全地封裝相關列資料，並呼叫供應商 (例如 Gemini、OpenAI 或 Anthropic) 預先註冊的機器學習模型。機器學習模型會評估資料並傳回預測結果，例如篩選器的 true/false 或用於排名的分數。AI 函式會將這項預測結果完美整合至查詢執行作業，並傳回標準 SQL 結果集。不必移動資料，就能取得 AI 輔助洞察。
AlloyDB AI 函式的優點
傳統資料庫查詢機制通常不夠靈活，開發人員必須硬式編碼所有可能的使用者互動路徑。AlloyDB AI 函式可透過下列方式，大幅改變使用者體驗：
將企業資料與世界知識結合：您可以直接將大型語言模型 (LLM) 的實用知識帶入 AlloyDB for PostgreSQL 資料庫。以下是 AI 函式的使用範例：
- 使用
ai.generate處理非結構化資料：您可以透過 Gemini 搭配 SQL，管理原始、雜亂或非結構化的使用者意見回饋，例如評論或記錄。 - 使用
ai.if判斷交易是否為詐欺行為：提供一連串使用者動作、交易附註或對話摘要給函式，並要求函式評估二進位結果：Is this fraudulent?
- 使用
高效能智慧功能：使用下列項目，透過 AI 函式加速提升成效，並大規模處理智慧功能：
- 使用陣列式處理方式，每秒最多可處理數千列資料，比一次呼叫一列資料快 2,000 倍。所有 AI 函式都支援陣列式處理。詳情請參閱「使用 AI 函式執行智慧型 SQL 查詢」。
- 使用 AI 函式的智慧批次處理功能，可大幅提高處理量，優於一次呼叫一列。詳情請參閱「使用 AI 函式加速查詢效能」。
- 使用最佳化
ai.if，透過提升效率來免除使用 LLM 的成本，達到每秒 10 萬列的處理速度 (比一次呼叫一列的處理速度快 23,000 倍)，並將成本降低 6,000 倍，降至 0.01 美分的十分之一。
AlloyDB AI 函式用途
下表說明 AlloyDB AI 函式的用途。
函式 |
說明 |
用途 |
|---|---|---|
ai.if |
根據自然語言進行智慧認知篩選。 |
根據行為模式，判斷哪些顧客交易疑似詐欺。 |
ai.rank |
根據深層情境細微差異，重新排序向量搜尋結果。 |
即使資料庫不知道「透氣布料」的意思，也能優先顯示透氣布料的 tropical wedding搜尋結果。 |
ai.generate |
生成新內容或轉換資料格式。 |
將原始伺服器記錄資料轉換為結構化 JSON 格式，以便分析。 |
ai.analyze_sentiment |
將文字的情緒基調分類為正面、負面或中立。 |
分類數千則產品評論，評估整體顧客滿意度。 |
ai.summarize |
將冗長文字濃縮成重要資訊。 |
從對話轉錄稿中擷取重要決策和待辦事項。 |
ai.agg_summarize |
匯總函式會處理資料欄中的多個資料列，為指定資料列群組產生單一的統一摘要。 |
根據表格中特定電影的所有個別評論，生成單一的綜合摘要。 |
ai.forecast |
使用 TimesFM 模型預測時間序列。 |
根據歷來銷售資料預測未來庫存需求。 |
瞭解詳情
探索開發人員資源，使用 AlloyDB AI 建構自己的自然語言查詢應用程式。