이 페이지에서는 PostgreSQL용 AlloyDB의 몇 가지 AI 사용 사례를 설명하고, 접근 방식을 살펴보고 애플리케이션을 개발하는 데 사용할 수 있는 Codelab, 노트북, 튜토리얼 링크를 제공합니다.
| 사용 사례 | 설명 |
|---|---|
| 특허 검색 및 검색 정확도 가속화 | 이 Codelab에서는 AlloyDB, pgvector 확장 프로그램, 임베딩, Gemini 1.5 Pro, Java 에이전트 개발 키트와 함께 벡터 검색을 사용하여 특허 조사를 개선하는 방법을 보여줍니다. |
| AlloyDB에서 멀티모달 임베딩 생성 | 이 Codelab에서는 멀티모달 임베딩을 사용하여 시맨틱 검색을 위해 AlloyDB AI의 기능을 사용하는 방법을 보여줍니다. 텍스트 기반 시맨틱 검색, 이미지로 이미지 검색, 텍스트로 이미지 검색 등 다양한 유형의 검색과 여러 검색 유형을 결합한 하이브리드 접근 방식을 알아보세요.
|
| AlloyDB AI 자연어를 사용하여 SQL 생성 | 이 Codelab에서는 AlloyDB AI의 자연어 기능을 사용하여 SQL 쿼리를 생성하는 방법을 단계별로 안내합니다. 이 Codelab에서는 가상의 전자상거래 데이터 세트를 사용하여 자연어 (영어)로 질문하고 AlloyDB AI가 이를 SQL로 변환하는 방법을 보여줍니다.
|
| 시맨틱 필터를 적용하고 벡터 검색 결과를 다시 순위 지정하여 검색 품질 개선 | 이 Codelab에서는 AI 쿼리 연산자, 모델 엔드포인트 관리, 벡터 검색과 같은 AlloyDB AI 기능을 사용하여 검색 품질을 개선하고 시맨틱 필터를 사용하는 방법을 보여줍니다. 시맨틱 필터링을 위해 AI 쿼리 연산자를 사용하여 SQL에서 새로운 환경을 구현하는 방법을 알아보세요. LLM과 시맨틱 순위 모델을 사용하여 벡터 검색 결과의 순위를 지정하여 벡터 검색의 정확도를 개선합니다. 이 튜토리얼에서는 AlloyDB의 Vertex AI 시맨틱 순위 모델과 Vertex AI 생성형 AI 모델을 사용합니다.
|
| AlloyDB 및 서버리스 런타임으로 AI 기반 의상 추천 앱 빌드 | 다음 Codelab에서는 AlloyDB AI 및 서버리스 런타임으로 AI 기반 의상 추천 앱을 빌드하는 방법을 보여줍니다. 사용자가 의류 사진을 업로드하고 AI 기반 스타일 추천 및 시각화를 받는 방법을 설명합니다. 이 Codelab에서는 AlloyDB AI, Gemini 2.0, Imagen 3과 같은 Google Cloud 기술을 사용하여 Cloud Run 서버리스 런타임에 배포된 웹 애플리케이션을 만듭니다. |
| 에이전트 또는 생성형 AI 애플리케이션에서 데이터베이스 쿼리를 호출하는 애플리케이션 빌드 | 다음 Codelab에서는 데이터베이스용 생성형 AI 도구 상자를 사용하여 에이전트 또는 생성형 AI 애플리케이션에서 호출할 수 있는 간단한 AlloyDB 쿼리를 실행하는 애플리케이션을 빌드하는 방법을 보여줍니다. |
| 맞춤형 패션 스타일링 어시스턴트 빌드 및 배포 | 다음 Codelab에서는 Gemini, 모델 엔드포인트 관리, 벡터 검색, Vertex AI, 에이전트를 사용하여 맞춤형 스타일 어시스턴트를 빌드하고 배포하는 방법을 보여줍니다. |
| AlloyDB AI 및 LangChain을 사용하여 LLM 및 RAG 기반 채팅 애플리케이션 빌드 | 이 Codelab에서는 생성형 AI 데이터베이스 검색 서비스를 배포하는 방법을 안내하고, 새로 설정한 환경을 사용하여 샘플 대화형 애플리케이션을 빌드하는 방법을 보여줍니다. |
| 영화에 관한 질문에 답변하는 챗봇 만들기 | 이 튜토리얼에서는 Gemini, Vertex AI, AlloyDB LangChain 통합을 사용하는 생성형 AI 챗봇을 빌드하는 방법을 보여줍니다. 데이터베이스에서 구조화된 데이터를 추출하고 , 임베딩을 생성하고, 검색 증강 생성 (RAG) 애플리케이션에서 벡터 검색을 실행할 수 있도록 데이터를 포맷하는 방법을 알아봅니다. 영화 데이터베이스를 사용하여 가장 인기 있는 영화에 관한 정보로 LLM을 그라운딩하세요. 그라운딩은 LLM 출력이 정확하고 관련성이 있는지 확인하는 데 도움이 됩니다.
|
| 장난감 가게 검색 앱 만들기 | 다음 Codelab에서는 컨텍스트 검색과 검색 컨텍스트와 일치하는 제품의 맞춤 생성을 사용하여 개인화되고 원활한 장난감 매장 검색 환경을 만드는 방법을 보여줍니다. AlloyDB에서 pgvector 및 생성형 AI 모델 확장 프로그램, 실시간 코사인 유사성 검색, Gemini 2.0 Flash, 데이터베이스용 생성형 AI 도구를 사용합니다. |
| Kubernetes에 AlloyDB Omni 및 로컬 AI 모델 배포 | 이 Codelab에서는 GKE에 AlloyDB Omni를 배포하고 동일한 Kubernetes 클러스터에 배포된 개방형 임베딩 모델과 함께 사용하는 방법을 알아봅니다. |
| Vertex AI에서 LangChain을 사용하여 RAG 애플리케이션 배포 | 이 튜토리얼에서는 Python용 Vertex AI SDK와 AlloyDB LangChain 통합을 사용하여 에이전트를 빌드하고 배포하는 방법을 보여줍니다. LangChain으로 에이전트와 벡터를 사용하여 유사성 검색을 실행하고 관련 데이터를 검색하여 LLM 응답을 그라운딩하는 방법을 알아봅니다. |
| 검색 애플리케이션에 하이브리드 검색 및 AI 쿼리 엔진 통합 | 이 데모에서는 SQL, 벡터, 전체 텍스트 검색을 AI 쿼리 엔진과 통합하는 하이브리드 검색을 비롯한 Google Cloud AlloyDB의 AI 기능을 보여줍니다. 이 모든 기능은 Cymbal Shops의 샘플 전자상거래 데이터 세트에 적용됩니다. |
| 벡터 데이터베이스에서 AlloyDB로 데이터 마이그레이션 | 다음 튜토리얼에서는 LangChain 벡터 스토어를 활용하여 서드 파티 벡터 데이터베이스에서 AlloyDB로 데이터를 이전하는 방법을 설명합니다. 지원되는 벡터 데이터베이스는 Pinecone, Weaviate, Chroma, Qdrant, Milvus입니다. |
| 멀티모달 하이브리드 제품 검색 실행 | 이 노트북에서는 대규모 전자상거래를 운영하는 가상의 소매업체인 Cymbal Shops의 AlloyDB에서 하이브리드 검색을 실행하는 방법을 보여줍니다. 이 노트북은 멀티모달 벡터 임베딩, 전체 텍스트 검색 (일반화된 역색인), BM25 희소 임베딩 (pgvector 0.7.0 이상)을 상호 순위 융합 재순위 지정과 결합하여 제품 검색을 개선합니다. |
| 벡터 색인을 사용한 유사성 검색으로 관련 제품 찾기 | 이 Codelab에서는 모델 엔드포인트 관리 및 벡터 검색과 같은 AlloyDB AI 기능을 사용하여 관련 제품을 찾는 방법을 보여줍니다. 데이터베이스 데이터에서 모델 엔드포인트 관리를 사용하여 임베딩을 생성하고 운영 데이터를 사용하여 벡터 유사성 검색을 수행하는 방법을 알아봅니다. 이 튜토리얼에서는 AlloyDB의 Vertex AI 임베딩 모델과 Vertex AI 생성형 AI 모델을 사용합니다.
|
| AlloyDB AI와 함께 데이터베이스용 MCP 도구 상자를 사용하여 대화형 제품 검색 만들기 | 데이터베이스용 MCP 도구 상자, AlloyDB AI, AlloyDB AI, 벡터 검색을 사용하여 소매 경험을 혁신하도록 설계된 쇼핑 AI 에이전트를 만드는 방법을 알아보세요. 이 튜토리얼에서는 대화형 제품 검색부터 주문까지 에이전트의 기능을 보여줍니다. |