Auf generativer KI basierende Anwendungen erstellen

Auf dieser Seite werden einige KI-Anwendungsfälle für AlloyDB for PostgreSQL beschrieben. Außerdem finden Sie Links zu Codelabs, Notebooks und Tutorials, mit denen Sie verschiedene Ansätze ausprobieren oder Ihre Anwendung entwickeln können.

Anwendungsfall Beschreibung
Patentprüfungen beschleunigen und die Suchgenauigkeit verbessern In diesen Codelabs erfahren Sie, wie Sie die Patentrecherche mithilfe der Vektorsuche in Kombination mit AlloyDB, der pgvector-Erweiterung, Einbettungen, Gemini 1.5 Pro und dem Java Agent Development Kit verbessern können.
Semantische Filter anwenden und Vektorsuchergebnisse neu ranken, um die Suchqualität zu verbessern In diesem Codelab erfahren Sie, wie Sie AlloyDB AI-Funktionen wie KI-Abfrageoperatoren, Modellendpunktverwaltung und Vektorsuche verwenden, um die Suchqualität zu verbessern und semantische Filter zu nutzen.

Hier erfahren Sie, wie Sie AI Query-Operatoren für die semantische Filterung verwenden, um neue Möglichkeiten in SQL zu nutzen. Sie können die Ergebnisse der Vektorsuche mit LLMs und semantischen Rankingmodellen einstufen, um die Genauigkeit der Vektorsuche zu verbessern. In dieser Anleitung wird ein semantisches Ranking-Modell von Vertex AI in AlloyDB und generative AI-Modelle von Vertex AI verwendet.
KI-basierte App für Outfit-Empfehlungen mit AlloyDB und serverlosen Runtimes erstellen In diesem Codelab erfahren Sie, wie Sie mit AlloyDB AI und serverlosen Runtimes eine KI-basierte App zur Empfehlung von Outfits erstellen. Darin wird erklärt, wie Nutzer ein Bild von Kleidung hochladen und KI-basierte Style-Empfehlungen und Visualisierungen erhalten können.

In diesem Codelab werden Google Cloud Technologien wie AlloyDB AI, Gemini 2.0 und Imagen 3 verwendet, um eine Webanwendung zu erstellen, die in der serverlosen Laufzeit von Cloud Run bereitgestellt wird.
Anwendung erstellen, die eine Datenbankabfrage von Ihrem Agent oder einer generativen KI-Anwendung aufruft In diesem Codelab erfahren Sie, wie Sie eine Anwendung erstellen, die die Gen AI Toolbox for Databases verwendet, um eine einfache AlloyDB-Abfrage auszuführen, die Sie von Ihrem Agent oder von einer generativen KI-Anwendung aufrufen können.
Personalisierten Assistenten für Modestyling erstellen und bereitstellen In den folgenden Codelabs erfahren Sie, wie Sie mit Gemini, der Verwaltung von Modellendpunkten, der Vektorsuche, Vertex AI und Agents einen personalisierten Stilassistenten erstellen und bereitstellen.
Mit AlloyDB AI und LangChain eine LLM- und RAG-basierte Chat-App erstellen In diesem Codelab erfahren Sie, wie Sie den GenAI Databases Retrieval Service bereitstellen und dann mit Ihrer neu eingerichteten Umgebung eine interaktive Beispielanwendung erstellen.
Einen Chatbot erstellen, der Fragen zu Filmen beantwortet In diesem Tutorial erfahren Sie, wie Sie einen Chatbot mit generativer KI erstellen, der Gemini, Vertex AI und die AlloyDB-LangChain-Integration verwendet. Sie erfahren, wie Sie strukturierte Daten aus Ihrer Datenbank extrahieren, Einbettungen generieren und Ihre Daten so formatieren, dass Sie in einer Retrieval-Augmented Generation (RAG)-Anwendung eine Vektorsuche durchführen können.

Verwenden Sie eine Filmdatenbank, um Ihr LLM mit Informationen zu den beliebtesten Filmen zu verankern. Durch die Fundierung wird sichergestellt, dass die LLM-Ausgabe korrekt und relevant ist.
Suchanwendung für einen Spielzeugladen erstellen In diesem Codelab erfahren Sie, wie Sie eine personalisierte und nahtlose Suche in einem Spielzeuggeschäft mithilfe der kontextbezogenen Suche und der benutzerdefinierten Generierung des Produkts, das dem Suchkontext entspricht, erstellen.

Sie verwenden pgvector und Erweiterungen für generative KI-Modelle in AlloyDB, eine Cosinus-Ähnlichkeitssuche in Echtzeit, Gemini 2.0 Flash und die Gen AI Toolbox for Databases.
AlloyDB Omni und ein lokales KI-Modell in Kubernetes bereitstellen In diesem Codelab erfahren Sie, wie Sie AlloyDB Omni in GKE bereitstellen und mit einem offenen Einbettungsmodell verwenden, das im selben Kubernetes-Cluster bereitgestellt wird.
RAG-Anwendung mit LangChain in Vertex AI bereitstellen In dieser Anleitung wird gezeigt, wie Sie einen Agent mit dem Vertex AI SDK für Python und der AlloyDB LangChain-Integration erstellen und bereitstellen.

Hier erfahren Sie, wie Sie mit LangChain Agents und Vektoren verwenden, um eine Ähnlichkeitssuche durchzuführen und zugehörige Daten abzurufen, um LLM-Antworten zu fundieren.
Hybridsuche und KI-Abfrage-Engine in Ihre Suchanwendung einbinden In dieser Demo werden die KI-Funktionen von Google Cloud AlloyDB veranschaulicht. Dabei wird die hybride Suche mit SQL-, Vektor- und Volltextsuche in die KI-Abfrage-Engine integriert. Alle Funktionen werden auf ein Beispiel-E-Commerce-Dataset von Cymbal Shops angewendet.
Daten aus einer Vektordatenbank zu AlloyDB migrieren In der folgenden Anleitung wird beschrieben, wie Sie Daten aus einer Vektordatenbank eines Drittanbieters mithilfe von LangChain-Vektorspeichern zu AlloyDB migrieren.

Die folgenden Vektordatenbanken werden unterstützt: Pinecone, Weaviate, Chroma, Qdrant und Milvus.
Multimodale hybride Produktsuche durchführen In diesem Notebook wird gezeigt, wie Sie eine Hybridsuche in AlloyDB für Cymbal Shops durchführen, einem fiktiven Einzelhändler mit einer großen E-Commerce-Präsenz. Das Notebook kombiniert multimodale Vektoreinbettungen, Volltextsuche (Generalized Inverted Index) und BM25-Sparse-Embeddings (pgvector 0.7.0+) mit RRF-Neuberechnung (Reciprocal Rank Fusion) für eine verbesserte Produktsuche.
Mit einer Ähnlichkeitssuche mit einem Vektorindex relevante Produkte finden In diesem Codelab erfahren Sie, wie Sie AlloyDB AI-Funktionen wie Modellendpunktverwaltung und Vektorsuche verwenden, um relevante Produkte zu finden.

Hier erfahren Sie, wie Sie mit der Modellendpunktverwaltung Einbettungen für Ihre Datenbankdaten generieren und mit Ihren Betriebsdaten Vektorähnlichkeitssuchen durchführen. In dieser Anleitung wird ein Vertex AI-Einbettungsmodell in AlloyDB und generative AI-Modelle von Vertex AI verwendet.
MCP Toolbox for Databases mit AlloyDB AI verwenden, um konversationelle Produktsuchen zu erstellen Hier erfahren Sie, wie Sie mit der MCP Toolbox for Databases, AlloyDB AI und der Vektorsuche einen Shopping-KI-Agenten erstellen, der Ihr Einzelhandelserlebnis revolutionieren kann. In dieser Anleitung werden die Funktionen des Agents demonstriert, von der Konversationssuche nach Produkten bis hin zur Aufgabe von Bestellungen.

Nächste Schritte