Crea applicazioni basate sull'AI generativa

Questa pagina descrive alcuni casi d'uso dell'AI per AlloyDB per PostgreSQL, con link a codelab, notebook e tutorial che puoi utilizzare per esplorare gli approcci o per sviluppare la tua applicazione.

Caso d'uso Descrizione
Accelerare le ricerche di brevetti e la precisione della ricerca Questi codelab mostrano come migliorare la ricerca di brevetti utilizzando la ricerca vettoriale insieme ad AlloyDB, all' estensione pgvector, agli embedding, a Gemini 1.5 Pro e al Java Agent Development Kit.
Generare embedding multimodali in AlloyDB Questo codelab mostra come utilizzare le funzionalità di AlloyDB AI per la ricerca semantica utilizzando embedding multimodali.

Scopri come eseguire diversi tipi di ricerche, tra cui la ricerca semantica basata su testo, la ricerca immagini per immagine e la ricerca immagini per testo, nonché un approccio ibrido che combina diversi tipi di ricerca.
Generare SQL utilizzando il linguaggio naturale di AlloyDB AI Questo codelab fornisce una guida passo passo su come utilizzare la funzionalità di linguaggio naturale di AlloyDB AI per generare query SQL.

Il codelab utilizza un set di dati di e-commerce fittizio per mostrare come porre domande in linguaggio naturale (inglese) e farle tradurre in SQL da AlloyDB AI.
Applicare filtri semantici e riclassificare i risultati della ricerca vettoriale per migliorare la qualità della ricerca Questo codelab mostra come utilizzare le funzionalità di AlloyDB AI, come gli operatori di query AI , la gestione degli endpoint dei modelli e la ricerca vettoriale, per migliorare la qualità della ricerca e utilizzare i filtri semantici.

Scopri come utilizzare gli operatori di query AI per il filtro semantico per sbloccare nuove esperienze in SQL. Classifica i risultati della ricerca vettoriale utilizzando i modelli LLM e di ranking semantico per migliorare l'accuratezza della ricerca vettoriale. Questo tutorial utilizza un modello di ranking semantico di Agent Platform in AlloyDB e modelli di AI generativa di Agent Platform.
Crea un'app di suggerimenti per gli outfit basata sull'AI con AlloyDB e runtime serverless Il seguente codelab mostra come creare un'app di suggerimenti per gli outfit basata sull'AI con AlloyDB AI e runtime serverless. Spiega come gli utenti possono caricare una foto di un capo di abbigliamento e ricevere suggerimenti e visualizzazioni di stile basati sull'AI.

Il codelab utilizza Google Cloud tecnologie come AlloyDB AI, Gemini 2.0 e Imagen 3 per creare un'applicazione web di cui è stato eseguito il deployment nel runtime serverless di Cloud Run.
Crea un'applicazione che richiama una query di database dall'agente o da un'applicazione di AI generativa Il seguente codelab mostra come creare un'applicazione che utilizza Gen AI Toolbox for Databases per eseguire una semplice query AlloyDB che può essere richiamata dall'agente o da un'applicazione di AI generativa.
Crea ed esegui il deployment di un assistente di styling di moda personalizzato I seguenti codelab mostrano come creare ed eseguire il deployment di un assistente di stile personalizzato con Gemini, la gestione degli endpoint dei modelli, la ricerca vettoriale, Agent Platform e gli agenti.
Crea un'applicazione di chat basata su LLM e RAG utilizzando AlloyDB AI e LangChain Questo codelab ti guida attraverso il deployment del servizio di recupero di database di AI generativa e poi ti mostra come creare un'applicazione interattiva di esempio utilizzando l'ambiente appena configurato.
Crea un chatbot per rispondere alle domande sui film Questo tutorial mostra come creare un chatbot AI generativa che utilizza Gemini, Agent Platform e l'integrazione di AlloyDB LangChain. Scopri come estrarre dati strutturati dal database, generare embedding e formattare i dati in modo da poter eseguire la ricerca vettoriale in un'applicazione di Retrieval-Augmented Generation (RAG).

Utilizza un database di film per basare il modello LLM con informazioni sui film più popolari. La fondatezza contribuisce a garantire che l'output LLM sia accurato e pertinente.
Crea un'app di ricerca di negozi di giocattoli Il seguente codelab mostra come creare un'esperienza di ricerca di negozi di giocattoli personalizzata e senza interruzioni utilizzando la ricerca contestuale e la generazione personalizzata del prodotto corrispondente al contesto di ricerca.

Utilizza le estensioni del modello di AI generativa e pgvector in AlloyDB, una ricerca di similarità del coseno in tempo reale, Gemini 2.0 Flash e Gen AI Toolbox for Databases.
Esegui il deployment di AlloyDB Omni e di un modello di AI locale su Kubernetes In questo codelab scoprirai come eseguire il deployment di AlloyDB Omni su GKE e utilizzarlo con un modello di embedding aperto di cui è stato eseguito il deployment nello stesso cluster Kubernetes.
Esegui il deployment di un'applicazione RAG con LangChain su Agent Platform Questo tutorial mostra come creare ed eseguire il deployment di un agente utilizzando l'SDK Agent Platform per Python e l'integrazione di AlloyDB LangChain.

Scopri come utilizzare gli agenti e i vettori con LangChain per eseguire una ricerca di similarità e recuperare i dati correlati per basare le risposte LLM.
Integra la ricerca ibrida e le funzioni AI nell'applicazione di ricerca Questa demo illustra le funzionalità AI di Google Cloud AlloyDB, integrando la ricerca ibrida, inclusa la ricerca SQL, vettoriale e a testo intero, con le funzioni AI, il tutto applicato a un set di dati di e-commerce di esempio di Cymbal Shops.
Esegui la migrazione dei dati da un database vettoriale ad AlloyDB Il seguente tutorial descrive come eseguire la migrazione dei dati da un database vettoriale di terze parti ad AlloyDB utilizzando gli archivi vettoriali LangChain.

Sono supportati i seguenti database vettoriali: Pinecone, Weaviate, Chroma, Qdrant e Milvus.
Esegui una ricerca di prodotti ibrida multimodale Questo notebook mostra come eseguire una ricerca ibrida in AlloyDB per Cymbal Shops, un rivenditore fittizio con una forte presenza di e-commerce. Il notebook combina embedding vettoriali multimodali, ricerca a testo intero (indice invertito generalizzato) ed embedding sparsi BM25 (pgvector 0.7.0+) con riclassificazione Reciprocal Rank Fusion per una ricerca di prodotti migliorata.
Utilizza una ricerca di similarità utilizzando un indice vettoriale per trovare i prodotti pertinenti Questo codelab mostra come utilizzare le funzionalità di AlloyDB AI, come la gestione degli endpoint dei modelli e la ricerca vettoriale, per trovare i prodotti pertinenti.

Scopri come generare embedding utilizzando la gestione degli endpoint dei modelli sui dati del database e utilizzare i dati operativi per eseguire ricerche di similarità vettoriale. Questo tutorial utilizza un modello di embedding di Agent Platform in AlloyDB e modelli di AI generativa di Agent Platform.
Utilizza MCP Toolbox for Databases con AlloyDB AI per creare ricerche di prodotti conversazionali Scopri come utilizzare MCP Toolbox for Databases, AlloyDB AI e la ricerca vettoriale per creare un agente AI per lo shopping progettato per trasformare la tua esperienza di vendita al dettaglio. Questo tutorial illustra le funzionalità dell'agente, dalle ricerche di prodotti conversazionali all'inserimento degli ordini.

Passaggi successivi