Créer des applications d'IA générative

AlloyDB pour PostgreSQL est compatible avec un large éventail de cas d'utilisation de l'IA générative, y compris la recherche sémantique, la génération augmentée par récupération (RAG) et les agents optimisés par l'IA. Vous pouvez explorer les ateliers de programmation, les notebooks et les tutoriels suivants pour évaluer les approches architecturales et accélérer le développement de vos applications.

Cas d'utilisation Description
Accélérer les recherches de brevets et améliorer leur précision Ces ateliers de programmation vous montrent comment améliorer la recherche de brevets à l'aide de la recherche vectorielle, d'AlloyDB, de l' extension pgvector, des embeddings, de Gemini 1.5 Pro et du kit de développement d'agents Java.
Générer des embeddings multimodaux dans AlloyDB Cet atelier de programmation montre comment utiliser les fonctionnalités d'AlloyDB AI pour la recherche sémantique à l'aide d'embeddings multimodaux.

Découvrez comment effectuer différents types de recherches, y compris la recherche sémantique basée sur du texte, la recherche d'images par image et la recherche d'images par texte, ainsi qu'une approche hybride combinant différents types de recherche.
Générer du code SQL à l'aide du langage naturel AlloyDB AI Cet atelier de programmation fournit un guide par étapes sur l'utilisation de la fonctionnalité de langage naturel d'AlloyDB AI pour générer des requêtes SQL.

L'atelier de programmation utilise un ensemble de données d'e-commerce fictif pour montrer comment vous pouvez poser des questions en langage naturel (anglais) et demander à AlloyDB AI de les traduire en SQL.
Appliquer des filtres sémantiques et réorganiser les résultats de la recherche vectorielle pour améliorer la qualité de la recherche Cet atelier de programmation vous montre comment utiliser des fonctionnalités d'AlloyDB AI telles que les opérateurs de requêtes d'IA , la gestion des points de terminaison de modèle, et la recherche vectorielle pour améliorer la qualité de vos recherches et utiliser des filtres sémantiques.

Découvrez comment utiliser les opérateurs de requêtes d'IA pour le filtrage sémantique afin de débloquer de nouvelles expériences en SQL. Classez les résultats de recherche vectorielle à l'aide de LLM et de modèles de classement sémantique pour améliorer la précision de votre recherche vectorielle. Ce tutoriel utilise un modèle de classement sémantique Agent Platform dans AlloyDB et des modèles d'IA générative Agent Platform.
Développer une application de recommandation de tenues optimisée par l'IA avec AlloyDB et des environnements d'exécution sans serveur L'atelier de programmation suivant vous montre comment créer une application de recommandation de tenues optimisée par l'IA avec AlloyDB AI et des environnements d'exécution sans serveur. Il explique comment les utilisateurs peuvent importer une photo de vêtements et recevoir des recommandations et des visualisations de style basées sur l'IA.

L'atelier de programmation utilise Google Cloud des technologies telles qu'AlloyDB AI, Gemini 2.0 et Imagen 3 pour créer une application Web déployée dans un environnement d'exécution sans serveur Cloud Run.
Créer une application qui appelle une requête de base de données depuis votre agent ou une application d'IA générative L'atelier de programmation suivant vous montre comment créer une application qui utilise la boîte à outils d'IA générative pour les bases de données afin d'exécuter une requête AlloyDB simple que vous pouvez appeler depuis votre agent ou depuis une application d'IA générative.
Créer et déployer un assistant de style personnalisé Les ateliers de programmation suivants vous montrent comment créer et déployer un assistant de style personnalisé avec Gemini, la gestion des points de terminaison de modèle, la recherche vectorielle, Agent Platform et des agents.
Créer une application de chat basée sur un LLM et sur la génération augmentée de récupération à l'aide d'AlloyDB AI et de LangChain Cet atelier de programmation vous guide dans le déploiement du service de récupération de bases de données par IA générative, puis vous montre comment créer un exemple d'application interactive à l'aide de l'environnement que vous venez de configurer.
Créer un chatbot pour répondre aux questions sur les films Ce tutoriel vous explique comment créer un chatbot d'IA générative qui utilise Gemini, Agent Platform et l'intégration AlloyDB LangChain. Vous apprendrez à extraire des données structurées de votre base de données, à générer des embeddings et à mettre en forme vos données afin de pouvoir effectuer une recherche vectorielle dans une application de génération augmentée par récupération (RAG).

Utilisez une base de données de films pour ancrer votre LLM avec des informations sur les films les plus populaires. L'ancrage permet de s'assurer que la sortie du LLM est précise et pertinente.
Créer une application de recherche de magasin de jouets L'atelier de programmation suivant vous montre comment créer une expérience de recherche personnalisée et fluide dans un magasin de jouets à l'aide de la recherche contextuelle et de la génération personnalisée du produit correspondant au contexte de recherche.

Vous utilisez pgvector et des extensions de modèle d'IA générative dans AlloyDB, une recherche de similarité cosinus en temps réel, Gemini 2.0 Flash et Gen AI Toolbox for Databases.
Déployer AlloyDB Omni et un modèle d'IA local sur Kubernetes Dans cet atelier de programmation, vous allez apprendre à déployer AlloyDB Omni sur GKE et à l'utiliser avec un modèle d'embedding ouvert déployé dans le même cluster Kubernetes.
Déployer une application RAG avec LangChain sur Agent Platform Ce tutoriel vous explique comment créer et déployer un agent à l'aide du SDK Agent Platform pour Python et de l'intégration AlloyDB LangChain.

Découvrez comment utiliser des agents et des vecteurs avec LangChain pour effectuer une recherche de similarité et récupérer des données associées afin d'ancrer les réponses du LLM.
Intégrer la recherche hybride et les fonctions d'IA à votre application de recherche Cette démonstration illustre les capacités d'IA d' Google Cloud AlloyDB, en intégrant la recherche hybride, y compris la recherche SQL, vectorielle et en texte intégral, avec des fonctions d'IA, le tout appliqué à un exemple d'ensemble de données d'e-commerce de Cymbal Shops.
Migrer des données d'une base de données vectorielle vers AlloyDB Le tutoriel suivant explique comment migrer des données d'une base de données vectorielle tierce vers AlloyDB à l'aide des magasins de vecteurs LangChain.

Les bases de données vectorielles suivantes sont compatibles : Pinecone, Weaviate, Chroma, Qdrant et Milvus.
Effectuer une recherche de produits hybride multimodale Ce notebook vous montre comment effectuer une recherche hybride dans AlloyDB pour Cymbal Shops, un détaillant fictif avec une forte présence dans le commerce électronique. Le notebook combine des embeddings vectoriels multimodaux, la recherche en texte intégral (index inversé généralisé) et des embeddings creux BM25 (pgvector 0.7.0+) avec le reclassement Reciprocal Rank Fusion pour améliorer la recherche de produits.
Utiliser une recherche de similarité à l'aide d'un index vectoriel pour trouver des produits pertinents Cet atelier de programmation vous montre comment utiliser des fonctionnalités d'AlloyDB AI telles que la gestion des points de terminaison de modèle et la recherche vectorielle pour vous aider à trouver des produits pertinents.

Découvrez comment générer des embeddings à l'aide de la gestion des points de terminaison de modèle sur les données de votre base de données et comment utiliser vos données opérationnelles pour effectuer des recherches de similarité vectorielle. Ce tutoriel utilise un modèle d'embedding Agent Platform dans AlloyDB et des modèles d'IA générative Agent Platform.
Utiliser MCP Toolbox for Databases avec AlloyDB AI pour créer des recherches de produits conversationnelles Découvrez comment utiliser MCP Toolbox for Databases, AlloyDB AI et la recherche vectorielle pour créer un agent d'IA d'achat conçu pour transformer votre expérience de vente au détail. Ce tutoriel présente les fonctionnalités de l'agent, des recherches de produits conversationnelles à la passation de commandes.

Étape suivante