このページでは、AlloyDB for PostgreSQL の AI のユースケースについて説明します。また、アプローチの調査やアプリケーションの開発に役立つ Codelab、ノートブック、チュートリアルへのリンクも示します。
| ユースケース | 説明 |
|---|---|
| 特許検索の高速化と検索精度の向上 | これらの Codelab では、AlloyDB、pgvector 拡張機能、エンベディング、Gemini 1.5 Pro、Java Agent Development Kit とともにベクトル検索を使用して、特許調査を改善する方法について説明します。 |
| セマンティック フィルタを適用し、ベクトル検索結果を再ランキングして検索品質を向上させる | この Codelab では、AI クエリ演算子、モデル エンドポイント管理、ベクトル検索などの AlloyDB AI 機能を使用して、検索品質を向上させ、セマンティック フィルタを使用する方法について説明します。 AI クエリ演算子を使用してセマンティック フィルタリングを行い、SQL で新しいエクスペリエンスを実現する方法を学習します。LLM と セマンティック ランキング モデルを使用してベクトル検索の結果をランク付けし、ベクトル検索の精度を高めます。このチュートリアルでは、AlloyDB の Vertex AI セマンティック ランキング モデルと Vertex AI 生成 AI モデルを使用します。
|
| AlloyDB とサーバーレス ランタイムを使用して AI を活用したコーディネート レコメンデーション アプリを作成する | 次の Codelab では、AlloyDB AI とサーバーレス ランタイムを使用して、AI を活用したコーディネートのおすすめアプリを作成する方法について説明します。ユーザーが衣服の写真をアップロードして、AI を活用したスタイルのおすすめと可視化結果を受け取る方法について説明します。 この Codelab では、AlloyDB AI、Gemini 2.0、Imagen 3 などの Google Cloud テクノロジーを使用して、Cloud Run サーバーレス ランタイムにデプロイされるウェブ アプリケーションを作成します。 |
| エージェントまたは生成 AI アプリケーションからデータベース クエリを呼び出すアプリケーションを作成する | 次の Codelab では、データベース向け生成 AI ツールボックスを使用して、エージェントまたは生成 AI アプリケーションから呼び出せるシンプルな AlloyDB クエリを実行するアプリケーションを作成する方法について説明します。 |
| パーソナライズされたファッション コーディネート支援ツールを構築してデプロイする | 次の Codelab では、Gemini、モデル エンドポイント管理、ベクトル検索、Vertex AI、エージェントを使用して、パーソナライズされたスタイル アシスタントを構築してデプロイする方法について説明します。 |
| AlloyDB AI と LangChain を使用して LLM と RAG ベースのチャット アプリケーションをビルドする | この Codelab では、GenAI Databases Retrieval Service をデプロイし、新しく設定した環境を使用してインタラクティブなサンプル アプリケーションを構築する方法を説明します。 |
| 映画に関する質問に答える chatbot を作成する | このチュートリアルでは、Gemini、Vertex AI、AlloyDB LangChain インテグレーションを使用して、生成 AI chatbot を作成する方法について説明します。検索拡張生成（RAG）アプリケーションでベクトル検索を実行できるように、データベースから構造化データを抽出して、エンベディングを生成し、データをフォーマットする方法を学びます。 映画データベースを使用して、最も人気のある映画に関する情報で LLM を強化します。グラウンディングは、LLM の出力が正確で関連性があるものとなるようにします。
|
| おもちゃ屋検索アプリを作成する | 次の Codelab では、コンテキスト検索と、検索コンテキストに一致する製品のカスタム生成を使用して、パーソナライズされたシームレスなおもちゃ屋の検索エクスペリエンスを作成する方法について説明します。 AlloyDB の pgvector と生成 AI モデル拡張機能、リアルタイムの Cosine 類似性検索、Gemini 2.0 Flash、データベース向け生成 AI ツールボックスを使用します。 |
| AlloyDB Omni とローカル AI モデルを Kubernetes にデプロイする | この Codelab では、GKE に AlloyDB Omni をデプロイし、同じ Kubernetes クラスタにデプロイされたオープン エンベディング モデルで使用する方法について学習します。 |
| Vertex AI で LangChain を使用して RAG アプリケーションをデプロイする | このチュートリアルでは、Vertex AI SDK for Python と AlloyDB LangChain インテグレーションを使用し、エージェントをビルドしてデプロイする方法について説明します。 LangChain でエージェントとベクトルを使用して類似検索を行い、LLM レスポンスをグラウンディングするための関連データを取得する方法について学びます。 |
| ハイブリッド検索と AI クエリエンジンを検索アプリケーションに統合する | このデモでは、 Google Cloud AlloyDB の AI 機能を示します。SQL、ベクトル、全文検索などのハイブリッド検索と AI クエリエンジンを統合し、Cymbal Shops の e コマース データセットのサンプルに適用しています。 |
| ベクトル データベースから AlloyDB にデータを移行する | 次のチュートリアルでは、LangChain ベクトルストアを利用して、サードパーティのベクトル データベースから AlloyDB にデータを移行する方法について説明します。 次のベクトル データベースがサポートされています。Pinecone、Weaviate、Chroma、Qdrant、Milvus。
|
| マルチモーダル ハイブリッド商品検索を行う | このノートブックでは、大規模な e コマース プレゼンスを持つ架空の小売業者である Cymbal Shops の AlloyDB でハイブリッド検索を行う方法について説明します。このノートブックでは、マルチモーダル ベクトル エンベディング、全文検索（一般化された転置インデックス）、BM25 スパース エンベディング（pgvector 0.7.0 以降）を Reciprocal Rank Fusion の再ランキングと組み合わせて、商品検索を強化します。 |
| ベクトル インデックスを使用した類似度検索を使用して関連する商品を検索する | この Codelab では、モデル エンドポイント管理やベクトル検索などの AlloyDB AI 機能を使用して、関連する商品を見つける方法について説明します。 データベース データでモデル エンドポイント管理を使用してエンベディングを生成する方法と、運用データを使用してベクトル類似性検索を行う方法について学びます。このチュートリアルでは、AlloyDB の Vertex AI エンベディング モデルと Vertex AI 生成 AI モデルを使用します。
|
| AlloyDB AI でデータベース向け MCP ツールボックスを使用して会話型の商品検索を作成する | データベース向け MCP ツールボックス、AlloyDB AI、AlloyDB AI、ベクトル検索を使用して、小売業の体験を変革するように設計されたショッピング AI エージェントを作成する方法について説明します。このチュートリアルでは、会話型の商品検索から注文まで、エージェントの機能を紹介します。 |