Cette page décrit certains cas d'utilisation de l'IA pour AlloyDB pour PostgreSQL, avec des liens vers des ateliers de programmation et des tutoriels que vous pouvez utiliser pour explorer des approches ou pour vous aider à développer votre application.
Créer un chatbot pour répondre aux questions sur les films
Ce tutoriel explique comment créer un chatbot d'IA générative qui utilise Gemini, Vertex AI et l'intégration AlloyDB LangChain. Vous allez apprendre à extraire des données structurées de votre base de données, à générer des représentations vectorielles continues et à mettre en forme vos données afin de pouvoir effectuer une recherche vectorielle dans une application de génération augmentée par récupération (RAG).
Utilisez une base de données de films pour fournir à votre LLM des informations sur les films les plus populaires. La mise à la terre permet de s'assurer que la sortie du LLM est précise et pertinente.
- Tutoriel : Intégration de LangChain à AlloyDB
Déployer une application de RAG avec LangChain sur Vertex AI
Ce tutoriel vous explique comment créer et déployer un agent à l'aide du SDK Vertex AI pour Python et de l'intégration AlloyDB LangChain.
Découvrez comment utiliser des agents et des vecteurs avec LangChain pour effectuer une recherche de similarité et récupérer des données associées pour ancrer les réponses du LLM.
Rechercher des produits pertinents à l'aide d'une recherche de similarité utilisant un indice vectoriel
Cet atelier de programmation vous montre comment utiliser les fonctionnalités d'IA AlloyDB, comme la gestion des points de terminaison de modèle et la recherche vectorielle, pour vous aider à trouver des produits pertinents.
Découvrez comment générer des embeddings à l'aide de la gestion des points de terminaison du modèle sur vos données de base de données et comment utiliser vos données opérationnelles pour effectuer des recherches de similarité vectorielle. Ce tutoriel utilise un modèle d'embedding Vertex AI dans AlloyDB et des modèles d'IA générative Vertex AI.
- Atelier de programmation : Premiers pas avec les embeddings vectoriels avec AlloyDB AI
Accélérer les recherches de brevets et améliorer leur précision
Cet atelier de programmation vous explique comment améliorer la recherche de brevets à l'aide de la recherche vectorielle avec AlloyDB, l'extension pgvector, les représentations vectorielles continues et Gemini 1.5 Pro.
- Atelier de programmation : Créer une application de recherche de brevets avec AlloyDB, Vector Search et Vertex AI
Créer et déployer un assistant de style personnalisé
Les ateliers de programmation suivants vous montrent comment créer et déployer un assistant de style personnalisé avec Gemini, la gestion des points de terminaison de modèle, la recherche vectorielle, Vertex AI et les agents.
- Atelier de programmation : Partie 1: Créer un assistant d'achat intelligent avec AlloyDB et Vertex AI Agent Builder
- Atelier de programmation : Partie 2: Déployer un assistant d'achat intelligent avec AlloyDB et Vertex AI Agent Builder
Migrer des données d'une base de données vectorielle vers AlloyDB
Le tutoriel suivant explique comment migrer des données d'une base de données de vecteurs tierce vers AlloyDB en utilisant les magasins de vecteurs LangChain.
Les bases de données vectorielles suivantes sont compatibles: Pinecone, Weaviate, Chroma, Qdrant et Milvus.
Étape suivante
- Créez des index et des vecteurs de requête.
- Enregistrez et appelez des modèles d'IA distants à l'aide de la gestion des points de terminaison de modèle.
- Découvrez les performances des requêtes vectorielles ScaNN.