Crea aplicaciones de IA generativa

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

Caso práctico Descripción
Acelerar las búsquedas de patentes y la precisión de las búsquedas En estos codelabs se muestra cómo mejorar la investigación de patentes mediante la búsqueda de vectores junto con AlloyDB, la extensión pgvector, las inserciones, Gemini 1.5 Pro y el kit de desarrollo de agentes de Java.
Generar incrustaciones multimodales en AlloyDB En este codelab se muestra cómo usar las funciones de AlloyDB AI para realizar búsquedas semánticas con incrustaciones multimodales.

Descubre cómo 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 búsqueda.
Generar SQL con el lenguaje natural de AlloyDB AI En este laboratorio se ofrece una guía paso a paso sobre cómo usar la función de lenguaje natural de AlloyDB AI para generar consultas de SQL.

En este codelab se usa un conjunto de datos de comercio electrónico ficticio para mostrar cómo puedes hacer preguntas en lenguaje natural (inglés) y cómo AlloyDB AI las traduce a SQL.
Aplicar filtros semánticos y reclasificar los resultados de 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 consulta de IA, la gestión de endpoints de modelos y la búsqueda de vectores, para mejorar la calidad de las búsquedas y usar filtros semánticos.

Descubre cómo usar los operadores de consulta de IA para el filtrado semántico y disfrutar de nuevas experiencias en SQL. Clasifica los resultados de búsqueda vectorial con LLMs y modelos de clasificación semántica para mejorar la precisión de la búsqueda vectorial. En este tutorial se usa un modelo de clasificación semántica de Vertex AI en AlloyDB y modelos de IA generativa de Vertex AI.
Crea una aplicación de recomendación de conjuntos basada en IA con AlloyDB y tiempos de ejecución sin servidor En este codelab se explica cómo crear una aplicación de recomendación de conjuntos basada en IA con AlloyDB AI y tiempos de ejecución sin servidor. Explica cómo pueden los usuarios subir una imagen de una prenda 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 tiempo de ejecución sin servidor de Cloud Run.
Crear 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 crear una aplicación que usa Gen AI Toolbox for Databases para realizar una consulta sencilla de AlloyDB que puedes invocar desde tu agente o desde una aplicación de IA generativa.
Crear y desplegar un asistente de estilismo de moda personalizado En los siguientes codelabs se muestra cómo crear y desplegar un asistente de estilo personalizado con Gemini, gestión de endpoints de modelos, búsqueda vectorial, Vertex AI y agentes.
Crear una aplicación de chat basada en LLM y RAG usando AlloyDB AI y LangChain En este codelab se explica cómo desplegar el servicio de recuperación de bases de datos de IA generativa y, a continuación, cómo crear una aplicación interactiva de muestra con el entorno que acabas de configurar.
Crear un chatbot para responder preguntas sobre películas En este tutorial se muestra cómo crear un chatbot de IA generativa que usa Gemini, Vertex AI y la integración de LangChain con AlloyDB. Aprenderás a extraer datos estructurados de tu base de datos, generar inserciones y dar formato a tus datos para poder realizar búsquedas vectoriales en una aplicación de generación aumentada por recuperación (RAG).

Usa una base de datos de películas para proporcionar a tu LLM información sobre las películas más populares. La fundamentación ayuda a asegurar que el resultado de los LLMs sea preciso y pertinente.
Crear una aplicación de búsqueda de una juguetería En este codelab se muestra cómo crear una experiencia de búsqueda personalizada y fluida en una juguetería mediante la búsqueda contextual y la generación personalizada del producto que coincida con el contexto de búsqueda.

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

Aprende a usar agentes y vectores con LangChain para realizar una búsqueda de similitud y recuperar datos relacionados para fundamentar las respuestas de los LLMs.
Integrar la búsqueda híbrida y el motor de consultas de IA en tu aplicación de búsqueda En esta demostración se ilustran las funciones de IA de Google Cloud AlloyDB, que integra la búsqueda híbrida (incluidas las búsquedas de SQL, de vectores y de texto completo) con el motor de consultas de IA. Todo ello se aplica a un conjunto de datos de comercio electrónico de ejemplo de Cymbal Shops.
Migrar datos de una base de datos de vectores a AlloyDB En el siguiente tutorial se describe cómo migrar datos de una base de datos de vectores de terceros a AlloyDB mediante almacenes de vectores de LangChain.

Se admiten las siguientes bases de datos vectoriales: Pinecone, Weaviate, Chroma, Qdrant y Milvus.
Hacer una búsqueda de producto híbrida multimodal En este cuaderno se muestra cómo realizar una búsqueda híbrida en AlloyDB para Cymbal Shops, una tienda ficticia con una gran presencia en el comercio electrónico. El cuaderno combina las incrustaciones vectoriales multimodales, la búsqueda de texto completo (índice invertido generalizado) y las incrustaciones dispersas de BM25 (pgvector 0.7.0 o versiones posteriores) con la función de reclasificación de fusión de rango recíproco para mejorar la búsqueda de productos.
Usar una búsqueda por similitud con un índice vectorial para encontrar productos relevantes En este codelab se muestra cómo usar las funciones de AlloyDB AI, como la gestión de endpoints de modelos y la búsqueda vectorial, para encontrar productos relevantes.

Consulta cómo generar inserciones usando la gestión de endpoints de modelos en los datos de tu base de datos y cómo usar tus datos operativos para realizar búsquedas de similitud de vectores. En este tutorial se usa un modelo de inserción 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 MCP Toolbox for Databases, AlloyDB AI y la búsqueda de vectores para crear un agente de IA de compras diseñado para transformar tu experiencia de retail. En este tutorial se muestran las funciones del agente, desde las búsquedas de productos conversacionales hasta la realización de pedidos.

Siguientes pasos