Casos de uso da IA do AlloyDB

Esta página descreve alguns casos de uso de IA para o AlloyDB para PostgreSQL, com links para codelabs e tutoriais que podem ser usados para explorar abordagens ou ajudar você a desenvolver seu aplicativo.

Criar um chatbot para responder a perguntas sobre filmes

Este tutorial mostra como criar um chatbot de IA generativa que usa o Gemini, a Vertex AI e a integração do AlloyDB LangChain. Você vai aprender a extrair dados estruturados do seu banco de dados, gerar embeddings e formatar seus dados para que você possa realizar a pesquisa de vetores em um aplicativo de geração aumentada de recuperação (RAG, na sigla em inglês).

Use um banco de dados de filmes para fundamentar seu LLM com informações sobre os filmes mais populares. A fundamentação ajuda a garantir que a saída do LLM seja precisa e relevante.

• Tutorial: Integração do AlloyDB LangChain

Implantar um aplicativo RAG com o LangChain na Vertex AI

Este tutorial mostra como criar e implantar um agente usando o SDK da Vertex AI para Python e a integração do AlloyDB LangChain.

Aprenda a usar agentes e vetores com o LangChain para realizar uma pesquisa de similaridade e extrair dados relacionados para fundamentar respostas de LLM.

• Tutorial: Implantar um aplicativo de RAG com o AlloyDB para o LangChain na Vertex AI

Usar uma pesquisa de similaridade com um índice vetorial para encontrar produtos relevantes

Este codelab mostra como usar os recursos de IA do AlloyDB, como gerenciamento de endpoint de modelo e pesquisa de vetor, para ajudar a encontrar produtos relevantes.

Aprenda a gerar embeddings usando o gerenciamento de endpoint do modelo nos dados do banco de dados e use seus dados operacionais para realizar pesquisas de similaridade de vetores. Este tutorial usa um modelo de embedding da Vertex AI no AlloyDB e nos modelos de IA generativa da Vertex AI.

• Codelab: Começar a usar embeddings vetoriais com o AlloyDB AI

Acelerar pesquisas de patentes e precisão da pesquisa

Este codelab mostra como melhorar a pesquisa de patentes usando a pesquisa de vetores com o AlloyDB, a extensão pgvector, os embeddings e o Gemini 1.5 Pro.

• Codelab: Criar um app de pesquisa de patentes com o AlloyDB, a pesquisa de vetores e a Vertex AI

Criar e implantar um assistente de estilo de moda personalizado

Os codelabs a seguir mostram como criar e implantar um assistente de estilo personalizado com o Gemini, o gerenciamento de endpoints de modelo, a pesquisa vetorial, a Vertex AI e os agentes.

• Codelab: Parte 1: criar um assistente de compras inteligente com o AlloyDB e o Vertex AI Agent Builder
• Codelab: Parte 2: implantar um assistente de compras inteligente com o AlloyDB e o Vertex AI Agent Builder

Migrar dados de um banco de dados de vetores para o AlloyDB

O tutorial a seguir descreve como migrar dados de um banco de dados de vetores de terceiros para o AlloyDB usando as lojas de vetores do LangChain.

Os seguintes bancos de dados de vetores são compatíveis: Pinecone, Weaviate, Chroma, Qdrant e Milvus.

• Tutorial: Migrar dados de um banco de dados vetorial para o AlloyDB.

A seguir

• Crie índices e vetores de consulta.
• Registrar e chamar modelos de IA remotos usando o gerenciamento de endpoints de modelo.
• Saiba mais sobre a performance da consulta de vetores do ScaNN.