AlloyDB AI를 사용하여 생성형 AI 애플리케이션 빌드

문서 버전을 선택합니다.

AlloyDB AI는 머신러닝 (ML) 모델의 시맨틱 및 예측 기능을 데이터에 적용할 수 있는 PostgreSQL용 AlloyDB 및 AlloyDB Omni에 포함된 기능 모음입니다. 이 페이지에서는 AlloyDB를 통해 사용할 수 있는 ML 기반 AI 기능을 간략하게 설명합니다.

벡터 저장, 색인 생성, 쿼리

기본 pgvector PostgreSQL 확장 프로그램은 AlloyDB에 맞게 맞춤설정되어 있으며 vector이라고 합니다. 생성된 임베딩을 벡터 열에 저장하는 것을 지원합니다. 또한 이 확장 프로그램은 IVF 색인을 만들기 위한 스칼라 양자화 기능 지원을 추가합니다. 스톡 pgvector에서 사용할 수 있는 IVFFlat 색인 또는 HSNW 색인을 만들 수도 있습니다.

벡터 저장에 관한 자세한 내용은 벡터 저장을 참고하세요.

맞춤설정된 vector 확장 프로그램 외에도 AlloyDB에는 ScaNN 알고리즘으로 구동되는 매우 효율적인 최근접 이웃 색인을 구현하는 alloydb_scann 확장 프로그램이 포함되어 있습니다.

색인 생성 및 벡터 쿼리에 관한 자세한 내용은 색인 생성 및 벡터 쿼리를 참고하세요.

벡터 쿼리 성능 조정

쿼리를 사용하여 초당 쿼리 수 (QPS)와 리콜 간의 균형을 위해 색인을 조정할 수 있습니다. 색인 조정에 대한 자세한 내용은 벡터 쿼리 성능 조정을 참고하세요.

임베딩 및 텍스트 예측 생성

AlloyDB AI는 google_ml_integration 확장 프로그램을 사용하여 모델을 쿼리하기 위한 두 가지 함수를 사용하여 PostgreSQL 구문을 확장합니다.

  • 트랜잭션 내에서 SQL을 사용하여 모델을 호출하려면 예측을 호출합니다.

  • LLM이 텍스트 프롬프트를 숫자 벡터로 변환하도록 임베딩을 생성합니다.

    embedding() 함수를 사용하여 Vertex AI 모델을 쿼리할 수 있으며, google_ml.embedding() 함수를 사용하여 등록된 Vertex AI, 호스팅된 모델, 서드 파티 모델을 쿼리할 수 있습니다.

    그런 다음 이러한 벡터 임베딩을 pgvector 함수의 입력으로 적용할 수 있습니다. 여기에는 상대적 시맨틱 거리에 따라 텍스트 샘플을 비교하고 정렬하는 메서드가 포함됩니다.

Vertex AI를 사용하여 클라우드에서 모델 사용

Vertex AI와 호환되도록 AlloyDB Omni를 구성할 수 있습니다.

이렇게 하면 애플리케이션에 다음과 같은 이점이 있습니다.

  • 애플리케이션은 액세스할 수 있는 Vertex AI Model Garden에 저장된 모델을 사용하여 예측을 호출할 수 있습니다.

  • 애플리케이션은 text-embedding 영어 모델 LLM을 사용하여 임베딩을 생성할 수 있습니다.

다음 단계