Créer des applications d'IA générative

Cette page décrit certains cas d'utilisation de l'IA pour AlloyDB pour PostgreSQL, avec des liens vers des ateliers de programmation, des notebooks et des tutoriels que vous pouvez utiliser pour explorer des approches ou vous aider à développer votre application.

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 en utilisant la recherche vectorielle avec AlloyDB, l' extension pgvector, les embeddings, Gemini 1.5 Pro et le kit de développement d'agent 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 qui combine différents types de recherches.
Générer du code SQL à l'aide du langage naturel AlloyDB AI Cet atelier de programmation fournit un guide pas à pas sur l'utilisation de la fonctionnalité de langage naturel d'AlloyDB AI pour générer des requêtes SQL.

Cet atelier de programmation utilise un ensemble de données e-commerce fictif pour vous montrer comment poser des questions en langage naturel (anglais) et comment AlloyDB AI les traduit 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 les fonctionnalités d'AlloyDB AI, comme les opérateurs de requête 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 requête d'IA pour le filtrage sémantique afin de débloquer de nouvelles expériences dans SQL. Classez les résultats de la 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 Vertex AI dans AlloyDB et des modèles d'IA générative Vertex AI.
Créer une application de recommandation de tenues optimisée par l'IA avec AlloyDB et des runtimes sans serveur Cet atelier de programmation vous montre comment créer une application de recommandation de tenues optimisée par l'IA avec AlloyDB/AI et des runtimes sans serveur. Il explique comment les utilisateurs peuvent importer une photo de vêtement et recevoir des recommandations et des visualisations de style basées sur l'IA.

Cet atelier de programmation utilise des technologies Google Cloud telles qu'AlloyDB/AI, Gemini 2.0 et Imagen 3 pour créer une application Web déployée dans l'environnement d'exécution sans serveur Cloud Run.
Créer une application qui appelle une requête de base de données à partir de votre agent ou d'une application d'IA générative L'atelier de programmation suivant vous montre comment créer une application qui utilise Gen AI Toolbox for Databases pour 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 stylisme 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 modèles, la recherche vectorielle, Vertex AI et les agents.
Créer une application de chat basée sur un LLM et un RAG à l'aide d'AlloyDB AI et de LangChain Cet atelier de programmation vous guide tout au long du 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 à des questions sur les films Ce tutoriel vous explique comment créer un chatbot d'IA générative qui utilise Gemini, Vertex AI 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 magasins de jouets Cet atelier de programmation 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 Vertex AI Ce tutoriel vous explique comment créer et déployer un agent à l'aide du SDK Vertex AI pour Python et de l'intégration LangChain AlloyDB.

Découvrez comment utiliser des agents et des vecteurs avec LangChain pour effectuer une recherche de similarités et récupérer des données associées afin d'ancrer les réponses des LLM.
Intégrer la recherche hybride et le moteur de requête 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 le moteur de requête 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 et multimodale Ce notebook vous explique comment effectuer une recherche hybride dans AlloyDB pour Cymbal Shops, un marchand fictif avec une forte présence en e-commerce. Le notebook combine des embeddings vectoriels multimodaux, la recherche en texte intégral (index inversé généralisé) et les embeddings creux BM25 (pgvector 0.7.0+) avec le réclassement par fusion du rang réciproque pour améliorer la recherche de produits.
Utiliser une recherche par similarité à l'aide d'un index vectoriel pour trouver des produits pertinents Cet atelier de programmation vous montre comment utiliser les fonctionnalités d'AlloyDB AI, comme 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 Vertex AI dans AlloyDB et des modèles d'IA générative Vertex AI.
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 Shopping conçu pour transformer votre expérience de vente au détail. Ce tutoriel présente les capacités de l'agent, de la recherche de produits conversationnelle à la passation de commandes.

Étapes suivantes