איך יוצרים אפליקציות AI גנרטיבי באמצעות AlloyDB AI

בוחרים גרסת תיעוד:

‫AlloyDB AI היא חבילת תכונות שכלולה ב-AlloyDB ל-PostgreSQL וב-AlloyDB Omni, שמאפשרת להחיל על הנתונים את היכולות הסמנטיות ויכולות החיזוי של מודלים של למידת מכונה (ML). בדף הזה מוסבר על פונקציות ה-AI שמבוססות על למידת מכונה וזמינות ב-AlloyDB.

אחסון, יצירת אינדקס והרצת שאילתות על וקטורים

התוסף pgvector PostgreSQL המובנה מותאם ל-AlloyDB, ואנחנו מתייחסים אליו כאל vector. הוא תומך באחסון של הטמעות שנוצרו בעמודת וקטור. התוסף גם מוסיף תמיכה בתכונה של כימות סקלרי כדי ליצור אינדקסים של IVF. אפשר גם ליצור אינדקס IVFFlat או אינדקס HSNW שזמינים ב-pgvector הרגיל.

מידע נוסף על אחסון וקטורים זמין במאמר אחסון וקטורים.

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 לאזן בין שאילתות לשנייה (QPS) לבין שליפה בשאילתות. מידע נוסף על כוונון האינדקסים זמין במאמר כוונון הביצועים של שאילתות וקטוריות.

יצירת הטמעות וחיזויים של טקסט

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

  • להפעיל חיזויים כדי לקרוא למודל באמצעות SQL בתוך טרנזקציה.

  • יצירת הטמעות כדי שמודל LLM יתרגם פרומפטים של 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. השיטות האלה כוללות השוואה ומיון של דגימות טקסט לפי המרחק הסמנטי היחסי שלהן.

שימוש במודלים בענן באמצעות Vertex AI

אתם יכולים להגדיר את AlloyDB Omni כך שיעבוד עם Vertex AI.

היתרונות של האפליקציות שלכם:

המאמרים הבאים