Compila aplicaciones de IA generativa

En esta página, se describen algunos casos de uso de IA para AlloyDB para PostgreSQL, con vínculos a codelabs, notebooks y tutoriales que puedes usar para explorar enfoques o ayudarte a desarrollar tu aplicación.

Caso de uso Descripción
Acelerar las búsquedas de patentes y mejorar su precisión En estos codelabs, se muestra cómo mejorar la investigación de patentes con la búsqueda de vectores junto con AlloyDB, la extensión pgvector, los embeddings, Gemini 1.5 Pro y el kit de desarrollo de Java Agent.
Genera embeddings multimodales en AlloyDB En este codelab, se muestra cómo usar las capacidades de AlloyDB AI para la búsqueda semántica con embeddings multimodales.

Aprende a realizar diferentes tipos de búsquedas, como la búsqueda semántica basada en texto, la búsqueda de imágenes por imagen y la búsqueda de imágenes por texto, así como un enfoque híbrido que combina diferentes tipos de búsquedas.
Genera código SQL con el lenguaje natural de AlloyDB AI En este codelab, se proporciona una guía paso a paso para usar la función de lenguaje natural de AlloyDB AI y generar consultas en SQL.

En este codelab, se usa un conjunto de datos de comercio electrónico ficticio para demostrar cómo puedes hacer preguntas en lenguaje natural (inglés) y hacer que AlloyDB AI las traduzca a SQL.
Aplicar filtros semánticos y volver a clasificar los resultados de la búsqueda vectorial para mejorar la calidad de la búsqueda En este codelab, se muestra cómo usar las funciones de AlloyDB AI, como los operadores de consultas basados en IA, la administración de extremos de modelos y la búsqueda de vectores, para mejorar la calidad de la búsqueda y usar filtros semánticos.

Aprende a usar los operadores de AI Query para el filtrado semántico y desbloquear nuevas experiencias en SQL. Clasifica los resultados de la búsqueda vectorial con LLM y modelos de clasificación semántica para mejorar la precisión de tu búsqueda vectorial. En este instructivo, se usa un modelo de clasificación semántica de Vertex AI en AlloyDB y modelos de IA generativa de Vertex AI.
Crea una app de recomendación de atuendos potenciada por IA con AlloyDB y entornos de ejecución sin servidores En el siguiente codelab, se muestra cómo compilar una app de recomendación de atuendos potenciada por IA con AlloyDB AI y tiempos de ejecución sin servidores. Explica cómo los usuarios pueden subir una foto de ropa y recibir recomendaciones y visualizaciones de estilo basadas en IA.

En este codelab, se usan Google Cloud tecnologías como AlloyDB AI, Gemini 2.0 e Imagen 3 para crear una aplicación web implementada en el entorno de ejecución sin servidores de Cloud Run.
Compila una aplicación que invoque una consulta de base de datos desde tu agente o una aplicación de IA generativa En el siguiente codelab, se muestra cómo compilar una aplicación que usa la Caja de herramientas de IA generativa para bases de datos para realizar una consulta simple de AlloyDB que puedes invocar desde tu agente o desde una aplicación de IA generativa.
Compila e implementa un asistente de diseño de moda personalizado En los siguientes codelabs, se muestra cómo compilar e implementar un asistente de estilo personalizado con Gemini, la administración de extremos de modelos, la búsqueda vectorial, Vertex AI y agentes.
Cómo compilar una aplicación de chat basada en LLM y RAG con AlloyDB AI y LangChain En este codelab, se explica cómo implementar el servicio de recuperación de bases de datos de IA generativa y, luego, se muestra cómo compilar una aplicación interactiva de muestra con el entorno que acabas de configurar.
Crea un chatbot para responder preguntas sobre películas En este instructivo, se muestra cómo compilar un chatbot de IA generativa que usa Gemini, Vertex AI y la integración de AlloyDB LangChain. Aprenderás a extraer datos estructurados de tu base de datos, generar embeddings y dar formato a tus datos para que puedas realizar búsquedas de vectores en una aplicación de generación mejorada por recuperación (RAG).

Usa una base de datos de películas para fundamentar tu LLM con información sobre las películas más populares. La fundamentación ayuda a garantizar que los resultados del LLM sean precisos y pertinentes.
Crea una app de búsqueda de jugueterías En el siguiente codelab, se muestra cómo crear una experiencia de búsqueda personalizada y fluida en una juguetería con la búsqueda contextual y la generación personalizada del producto que coincide con el contexto de la búsqueda.

Usas pgvector y extensiones de modelos de IA generativa en AlloyDB, una búsqueda de similitud del coseno en tiempo real, Gemini 2.0 Flash y Gen AI Toolbox for Databases.
Implementa AlloyDB Omni y un modelo de IA local en Kubernetes En este codelab, aprenderás a implementar AlloyDB Omni en GKE y a usarlo con un modelo de incorporación abierto implementado en el mismo clúster de Kubernetes.
Implementa una aplicación de RAG con LangChain en Vertex AI En este instructivo, se muestra cómo compilar e implementar un agente con el SDK de Vertex AI para Python y la integración de AlloyDB LangChain.

Aprende a usar agentes y vectores con LangChain para realizar una búsqueda de similitud y recuperar datos relacionados para fundamentar las respuestas del LLM.
Integra la búsqueda híbrida y el motor de consultas de IA en tu aplicación de búsqueda En esta demostración, se ilustran las capacidades de IA de Google Cloud AlloyDB, que integra la búsqueda híbrida, incluida la búsqueda de SQL, vectores y texto completo con el motor de consultas de IA, todo aplicado a un conjunto de datos de comercio electrónico de ejemplo de Cymbal Shops.
Migra datos de una base de datos de vectores a AlloyDB En el siguiente instructivo, se describe cómo migrar datos de una base de datos de vectores de terceros a AlloyDB con almacenes de vectores de LangChain.

Se admiten las siguientes bases de datos de vectores: Pinecone, Weaviate, Chroma, Qdrant y Milvus.
Realiza una búsqueda híbrida multimodal de productos En este notebook, se muestra cómo realizar una búsqueda híbrida en AlloyDB para Cymbal Shops, un comercio minorista ficticio con una gran presencia en el comercio electrónico. El notebook combina incorporaciones vectoriales multimodales, búsqueda en el texto completo (índice invertido generalizado) y las incorporaciones dispersas de BM25 (pgvector 0.7.0+) con la clasificación de nuevo Reciprocal Rank Fusion para mejorar la búsqueda de productos.
Usa una búsqueda de similitud con un índice de vectores para encontrar productos relevantes En este codelab, se muestra cómo usar las funciones de AlloyDB AI, como la administración de extremos de modelos y la búsqueda de vectores, para ayudarte a encontrar productos relevantes.

Aprende a generar embeddings con la administración de extremos de modelos en los datos de tu base de datos y a usar tus datos operativos para realizar búsquedas de similitud de vectores. En este instructivo, se usa un modelo de incorporación de Vertex AI en AlloyDB y modelos de IA generativa de Vertex AI.
Usa MCP Toolbox for Databases con AlloyDB AI para crear búsquedas de productos conversacionales Aprende a usar el kit de herramientas de MCP para bases de datos, AlloyDB AI y la búsqueda de vectores para crear un agente de IA de Shopping diseñado para transformar tu experiencia de venta minorista. En este instructivo, se demuestran las capacidades del agente, desde las búsquedas de productos conversacionales hasta la realización de pedidos.

¿Qué sigue?