En esta página, se describen algunos casos de uso de IA para AlloyDB para PostgreSQL, con vínculos a codelabs y instructivos que puedes usar para explorar enfoques o ayudarte a desarrollar tu aplicación.
Crea un chatbot para responder preguntas sobre películas
En este instructivo, se muestra cómo crear un chatbot de IA generativa que use Gemini, Vertex AI y la integración de LangChain de AlloyDB. Aprenderás a extraer datos estructurados de tu base de datos, generar incorporaciones y dar formato a tus datos para que puedas realizar búsquedas vectoriales en una aplicación de generación de aumento de recuperación (RAG).
Usa una base de datos de películas para fundamentar tu LLM con información sobre las películas más populares. La alineación ayuda a garantizar que el resultado del LLM sea preciso y relevante.
- Instructivo: Integración de LangChain en AlloyDB
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 LangChain de AlloyDB.
Aprende a usar agentes y vectores con LangChain para realizar una búsqueda de similitudes y recuperar datos relacionados para fundamentar las respuestas del LLM.
Usa una búsqueda de similitud con un índice vectorial para encontrar productos relevantes
En este codelab, se muestra cómo usar las funciones de IA de AlloyDB, como la administración de extremos de modelos y la búsqueda de vectores, para ayudarte a encontrar productos relevantes.
Aprende a generar incorporaciones con la administración de extremos de modelos en tus datos de 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.
Acelera las búsquedas de patentes y aumenta su precisión
En este codelab, se muestra cómo mejorar la investigación de patentes con la búsqueda de vectores junto con AlloyDB, la extensión pgvector, las incorporaciones y Gemini 1.5 Pro.
Compila y, luego, implementa un asistente de estilo 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 de vectores, Vertex AI y agentes.
- Codelab: Parte 1: Crea un asistente de compras inteligente con AlloyDB y Vertex AI Agent Builder
- Codelab: Parte 2: Implementa un asistente de compras inteligente con AlloyDB y Vertex AI Agent Builder
Migra datos de una base de datos vectorial a AlloyDB
En el siguiente instructivo, se describe cómo migrar datos de una base de datos de vectores de terceros a AlloyDB aprovechando los almacenes de vectores de LangChain.
Se admiten las siguientes bases de datos vectoriales: Pinecone, Weaviate, Chroma, Qdrant y Milvus.
¿Qué sigue?
- Crea índices y vectores de consulta.
- Registra y llama a modelos de IA remotos con la administración de extremos de modelos.
- Obtén información sobre el rendimiento de las consultas de vectores de ScaNN.