Membangun aplikasi AI generatif

AlloyDB untuk PostgreSQL mendukung berbagai kasus penggunaan AI generatif, termasuk penelusuran semantik, retrieval-augmented generation (RAG), dan agen yang didukung AI. Anda dapat menjelajahi codelab, notebook, dan tutorial berikut untuk mengevaluasi pendekatan arsitektur dan mempercepat pengembangan aplikasi.

Kasus penggunaan Deskripsi
Mempercepat penelusuran paten dan presisi penelusuran Codelab ini menunjukkan cara meningkatkan kualitas riset paten menggunakan penelusuran vektor bersama dengan AlloyDB, ekstensi pgvector, embedding, Gemini 1.5 Pro, dan Java Agent Development Kit.
Membuat Embedding multimodal di AlloyDB Codelab ini menunjukkan cara menggunakan kemampuan AlloyDB AI untuk penelusuran semantik menggunakan embedding multimodal.

Pelajari cara melakukan berbagai jenis penelusuran, termasuk penelusuran semantik berbasis teks, penelusuran gambar berdasarkan gambar, dan penelusuran gambar berdasarkan teks, serta pendekatan campuran yang menggabungkan berbagai jenis penelusuran.
Membuat SQL menggunakan bahasa alami AlloyDB AI Codelab ini memberikan panduan langkah demi langkah tentang cara menggunakan fitur bahasa alami AlloyDB AI untuk membuat kueri SQL.

Codelab ini menggunakan set data e-commerce fiktif untuk menunjukkan cara Anda dapat mengajukan pertanyaan dalam bahasa alami (Inggris) dan meminta AlloyDB AI menerjemahkannya ke dalam SQL.
Menerapkan filter semantik dan memberi peringkat ulang hasil penelusuran vektor untuk meningkatkan kualitas penelusuran Codelab ini menunjukkan cara menggunakan fitur AlloyDB AI seperti Operator Kueri AI, pengelolaan endpoint model, dan penelusuran vektor untuk membantu Anda meningkatkan kualitas penelusuran dan menggunakan filter semantik.

Pelajari cara menggunakan operator AI Query untuk pemfilteran semantik guna mendapatkan pengalaman baru di SQL. Urutkan hasil penelusuran vektor menggunakan LLM dan model peringkat semantik untuk meningkatkan akurasi penelusuran vektor Anda. Tutorial ini menggunakan model semantik Agent Platform di AlloyDB dan model AI generatif Agent Platform.
Membuat aplikasi rekomendasi pakaian yang didukung AI dengan AlloyDB dan runtime serverless Codelab berikut menunjukkan cara membuat aplikasi rekomendasi pakaian yang didukung AI dengan AlloyDB AI dan runtime serverless. Video ini menjelaskan cara pengguna dapat mengupload gambar pakaian dan menerima rekomendasi serta visualisasi gaya yang didukung AI.

Codelab ini menggunakan teknologi Google Cloud seperti AlloyDB AI, Gemini 2.0, dan Imagen 3 untuk membuat aplikasi web yang di-deploy di runtime serverless Cloud Run.
Membangun aplikasi yang memanggil kueri database dari agen atau aplikasi AI generatif Anda Codelab berikut menunjukkan cara membangun aplikasi yang menggunakan Gen AI Toolbox for Databases untuk menjalankan kueri AlloyDB sederhana yang dapat Anda panggil dari agen atau dari aplikasi AI generatif.
Membangun dan men-deploy asisten penata gaya busana yang dipersonalisasi Codelab berikut menunjukkan cara membangun dan men-deploy asisten gaya yang dipersonalisasi dengan Gemini, pengelolaan endpoint model, penelusuran vektor, Agent Platform, dan agen.
Membangun aplikasi chat berbasis LLM dan RAG menggunakan AlloyDB AI dan LangChain Codelab ini memandu Anda men-deploy Layanan Pengambilan Database GenAI, lalu menunjukkan cara membangun contoh aplikasi interaktif menggunakan lingkungan yang baru Anda siapkan.
Membuat chatbot untuk menjawab pertanyaan tentang film Tutorial ini menunjukkan cara membangun chatbot AI generatif yang menggunakan Gemini, Agent Platform, dan integrasi LangChain AlloyDB. Anda akan mempelajari cara mengekstrak data terstruktur dari database , membuat embedding, dan memformat data agar dapat melakukan penelusuran vektor dalam aplikasi Retrieval-Augmented Generation (RAG).

Gunakan database film untuk melakukan grounding pada LLM Anda dengan informasi tentang film paling populer. Grounding membantu memastikan bahwa output LLM akurat dan relevan.
Membuat aplikasi penelusuran toko mainan Codelab berikut menunjukkan cara membuat pengalaman penelusuran toko mainan yang dipersonalisasi dan lancar menggunakan penelusuran kontekstual dan pembuatan kustom produk yang cocok dengan konteks penelusuran.

Anda akan menggunakan ekstensi model AI generatif dan pgvector di AlloyDB, penelusuran kemiripan Cosine real-time, Gemini 2.0 Flash, dan Gen AI Toolbox for Databases.
Men-deploy AlloyDB Omni dan model AI lokal di Kubernetes Dalam codelab ini, Anda akan mempelajari cara men-deploy AlloyDB Omni di GKE dan menggunakannya dengan model embedding terbuka yang di-deploy di cluster Kubernetes yang sama.
Men-deploy aplikasi RAG dengan LangChain di Agent Platform Tutorial ini menunjukkan cara membangun dan men-deploy agen menggunakan Agent Platform SDK for Python dan integrasi LangChain AlloyDB.

Pelajari cara menggunakan agen dan vektor dengan LangChain untuk melakukan penelusuran kemiripan dan mengambil data terkait untuk merujuk respons LLM.
Mengintegrasikan penelusuran hybrid dan fungsi AI ke dalam aplikasi penelusuran Anda Demo ini mengilustrasikan kemampuan AI Google Cloud AlloyDB, yang mengintegrasikan penelusuran hybrid termasuk SQL, vektor, dan penelusuran teks lengkap dengan fungsi AI, yang semuanya diterapkan ke contoh set data e-commerce dari Cymbal Shops.
Memigrasikan data dari database vektor ke AlloyDB Tutorial berikut menjelaskan cara memigrasikan data dari database vektor pihak ketiga ke AlloyDB dengan memanfaatkan penyimpanan vektor LangChain.

Database vektor berikut didukung: Pinecone, Weaviate, Chroma, Qdrant, dan Milvus.
Melakukan penelusuran produk campuran multimodal Notebook ini menunjukkan cara melakukan penelusuran campuran di AlloyDB untuk Cymbal Shops, retailer fiktif dengan kehadiran e-commerce yang besar. Notebook ini menggabungkan embedding vektor multimodal, penelusuran teks lengkap (Generalized Inverted Index), dan embedding sparse BM25 (pgvector 0.7.0+) dengan pemeringkatan ulang Reciprocal Rank Fusion untuk penelusuran produk yang lebih baik.
Menggunakan penelusuran kemiripan menggunakan indeks vektor untuk menemukan produk yang relevan Codelab ini menunjukkan cara menggunakan fitur AI AlloyDB seperti pengelolaan endpoint model dan Penelusuran Vektor untuk membantu Anda menemukan produk yang relevan.

Pelajari cara membuat embedding menggunakan pengelolaan endpoint model pada data database Anda dan menggunakan data operasional untuk melakukan penelusuran kemiripan vektor. Tutorial ini menggunakan model embedding Agent Platform di AlloyDB dan model AI generatif Agent Platform.
Menggunakan MCP Toolbox for Databases dengan AlloyDB AI untuk membuat penelusuran produk percakapan Pelajari cara menggunakan MCP Toolbox for Databases, AlloyDB AI, dan penelusuran vektor untuk membuat Agen AI Belanja yang dirancang untuk mentransformasi pengalaman retail Anda. Tutorial ini menunjukkan kemampuan agen, mulai dari penelusuran produk melalui percakapan hingga melakukan pemesanan.

Langkah berikutnya