Build generative AI applications using AlloyDB AI

בחירת גרסה של מאמר העזרה:

‫AlloyDB AI הוא חבילת תכונות שכלולה ב-AlloyDB ל-PostgreSQL וב-AlloyDB Omni, ומאפשרת לכם להשתמש ביכולות הסמנטיות והחיזויות של מודלים של למידת מכונה (ML) בנתונים שלכם. בדף הזה מובאת סקירה כללית על פונקציות AI מבוססות-ML שזמינות דרך AlloyDB.

אחסון, יצירת אינדקס ושאילתות של וקטורים

התוסף pgvector PostgreSQL התוסף מותאם ל-AlloyDB ונקרא vector. הוא תומך באחסון של הטמעות שנוצרו בעמודת וקטור. בנוסף, התוסף תומך בתכונת הכימות הסקלרי ליצירת אינדקסים של IVF. אפשר גם ליצור IVFFlat מדד או HSNW מדד שזמינים עם מניות pgvector.

מידע נוסף על אחסון וקטורים זמין במאמר אחסון הטמעות וקטוריות.

בנוסף לתוסף vector המותאם אישית, AlloyDB כולל את התוסף alloydb_scann שמטמיע אינדקס יעיל מאוד של השכן הקרוב ביותר, שמבוסס על אלגוריתם ScaNN.

מידע נוסף על יצירת אינדקסים ושאילתות של וקטורים זמין במאמר בנושא יצירת אינדקסים ושאילתות של וקטורים.

שיפור הביצועים של שאילתות וקטוריות

אתם יכולים לכוונן את האינדקסים כדי ליצור איזון בין שאילתות לשנייה (QPS) לבין אחזור נתונים בשאילתות שלכם. מידע נוסף על שיפור הביצועים של האינדקסים זמין במאמר שיפור הביצועים של שאילתות וקטוריות.

יצירת הטמעות וחיזוי טקסט

‫AlloyDB AI מרחיב את התחביר של PostgreSQL עם שתי פונקציות לשאילתות של מודלים באמצעות התוסף google_ml_integration:

  • מפעילים תחזיות כדי לקרוא למודל באמצעות SQL בתוך טרנזקציה.

  • יצירת הטמעות כדי שמודל LLM יתרגם הנחיות טקסט לווקטורים מספריים.

    אפשר להשתמש בפונקציה embedding() כדי לשלוח שאילתות למודלים של Vertex AI, ואילו בפונקציה google_ml.embedding() אפשר להשתמש כדי לשלוח שאילתות למודלים רשומים של Vertex AI, למודלים מתארחים ולמודלים של צד שלישי.

    אחר כך אפשר להשתמש בהטמעות הווקטוריות האלה כקלט לפונקציות pgvector. זה כולל שיטות להשוואה ולמיון של דוגמאות טקסט לפי המרחק הסמנטי היחסי שלהן.

שימוש במודלים בענן באמצעות Vertex AI

אפשר להגדיר את AlloyDB Omni כך שיפעל עם Vertex AI.

היתרונות של השימוש ב-API הזה באפליקציות שלכם:

המאמרים הבאים