Membangun aplikasi AI generatif

Halaman ini menjelaskan beberapa kasus penggunaan AI untuk AlloyDB untuk PostgreSQL, dengan link ke codelab, notebook, dan tutorial yang dapat Anda gunakan untuk mempelajari pendekatan atau membantu Anda mengembangkan aplikasi.

Kasus penggunaan Deskripsi
Mempercepat penelusuran paten dan presisi penelusuran Codelab ini menunjukkan cara meningkatkan kualitas riset paten dengan menggunakan penelusuran vektor bersama dengan AlloyDB, ekstensi pgvector, embedding, Gemini 1.5 Pro, dan Java Agent Development Kit.
Menerapkan filter semantik dan mengurutkan ulang hasil penelusuran vektor untuk meningkatkan kualitas penelusuran Codelab ini menunjukkan cara menggunakan fitur AI AlloyDB seperti Operator Kueri AI, pengelolaan endpoint model, dan penelusuran vektor untuk membantu Anda meningkatkan kualitas penelusuran dan menggunakan filter semantik.

Pelajari cara menggunakan operator Kueri AI untuk pemfilteran semantik guna menghadirkan pengalaman baru di SQL. Urutkan hasil penelusuran vektor menggunakan LLM dan model peringkat semantik untuk meningkatkan akurasi penelusuran vektor Anda. Tutorial ini menggunakan model semantik Vertex AI di AlloyDB dan model AI generatif Vertex AI.
Membangun aplikasi rekomendasi pakaian yang didukung AI dengan AlloyDB dan runtime serverless Codelab berikut menunjukkan cara membuat aplikasi rekomendasi pakaian yang didukung AI dengan AlloyDB AI dan runtime serverless. Dokumen ini menjelaskan cara pengguna dapat mengupload gambar pakaian dan menerima rekomendasi serta visualisasi gaya yang didukung AI.

Codelab ini menggunakan teknologi Google Cloud seperti AlloyDB AI, Gemini 2.0, dan Imagen 3 untuk membuat aplikasi web yang di-deploy di runtime serverless Cloud Run.
Membangun aplikasi yang memanggil kueri database dari agen atau aplikasi AI generatif Anda Codelab berikut menunjukkan cara membuat aplikasi yang menggunakan Gen AI Toolbox for Databases untuk melakukan kueri AlloyDB sederhana yang dapat Anda panggil dari agen atau dari aplikasi AI generatif.
Membangun dan men-deploy asisten penataan gaya busana yang dipersonalisasi Codelab berikut menunjukkan cara membangun dan men-deploy asisten gaya yang dipersonalisasi dengan Gemini, pengelolaan endpoint model, penelusuran vektor, Vertex AI, dan agen.
Membangun aplikasi chat berbasis LLM dan RAG menggunakan AlloyDB AI dan LangChain Codelab ini memandu Anda men-deploy Layanan Pengambilan Database GenAI, lalu menunjukkan cara membuat contoh aplikasi interaktif menggunakan lingkungan yang baru disiapkan.
Membuat chatbot untuk menjawab pertanyaan tentang film Tutorial ini menunjukkan cara membangun chatbot AI generatif yang menggunakan Gemini, Vertex AI, dan integrasi LangChain AlloyDB. Anda akan mempelajari cara mengekstrak data terstruktur dari database , membuat embedding, dan memformat data sehingga Anda dapat melakukan penelusuran vektor dalam aplikasi Retrieval-Augmented Generation (RAG).

Gunakan database film untuk memberikan informasi tentang film paling populer kepada LLM Anda. Perujukan membantu memastikan bahwa output LLM akurat dan relevan.
Membuat aplikasi penelusuran toko mainan Codelab berikut menunjukkan cara membuat pengalaman penelusuran toko mainan yang dipersonalisasi dan lancar menggunakan penelusuran kontekstual dan pembuatan kustom produk yang cocok dengan konteks penelusuran.

Anda menggunakan ekstensi model AI generatif dan pgvector di AlloyDB, penelusuran kemiripan Cosine real-time, Gemini 2.0 Flash, dan Gen AI Toolbox for Databases.
Men-deploy AlloyDB Omni dan model AI lokal di Kubernetes Dalam codelab ini, Anda akan mempelajari cara men-deploy AlloyDB Omni di GKE dan menggunakannya dengan model penyematan terbuka yang di-deploy di cluster Kubernetes yang sama.
Men-deploy aplikasi RAG dengan LangChain di Vertex AI Tutorial ini menunjukkan cara membangun dan men-deploy agen menggunakan Vertex AI SDK untuk Python dan integrasi LangChain AlloyDB.

Pelajari cara menggunakan agen dan vektor dengan LangChain untuk melakukan penelusuran kesamaan dan mengambil data terkait untuk merujuk respons LLM.
Mengintegrasikan penelusuran campuran dan mesin kueri AI ke dalam aplikasi penelusuran Anda Demo ini mengilustrasikan kemampuan AI Google Cloud AlloyDB, yang mengintegrasikan penelusuran hibrida termasuk SQL, vektor, dan penelusuran teks lengkap dengan mesin kueri AI, yang semuanya diterapkan ke contoh set data e-commerce dari Cymbal Shops.
Memigrasikan data dari database vektor ke AlloyDB Tutorial berikut menjelaskan cara memigrasikan data dari database vektor pihak ketiga ke AlloyDB dengan memanfaatkan penyimpanan vektor LangChain.

Database vektor berikut didukung: Pinecone, Weaviate, Chroma, Qdrant, dan Milvus.
Melakukan penelusuran produk campuran multimodal Notebook ini menunjukkan cara melakukan penelusuran hybrid di AlloyDB untuk Cymbal Shops, retailer fiktif dengan kehadiran e-Commerce yang besar. Notebook ini menggabungkan embedding vektor multimodal, penelusuran teks lengkap (Generalized Inverted Index), dan embedding jarang BM25 (pgvector 0.7.0+) dengan pemeringkatan ulang Reciprocal Rank Fusion untuk meningkatkan penelusuran produk.
Menggunakan penelusuran kemiripan menggunakan indeks vektor untuk menemukan produk yang relevan Codelab ini menunjukkan cara menggunakan fitur AlloyDB AI seperti pengelolaan endpoint model dan penelusuran vektor untuk membantu Anda menemukan produk yang relevan.

Pelajari cara membuat embedding menggunakan pengelolaan endpoint model pada data database Anda dan menggunakan data operasional Anda untuk melakukan penelusuran kemiripan vektor. Tutorial ini menggunakan model embedding Vertex AI di AlloyDB dan model AI generatif Vertex AI.
Menggunakan MCP Toolbox for Databases dengan AlloyDB AI untuk membuat penelusuran produk percakapan Pelajari cara menggunakan MCP Toolbox for Databases, AlloyDB AI, AlloyDB AI, dan penelusuran vektor untuk membuat Agen AI Shopping yang dirancang untuk mengubah pengalaman retail Anda. Tutorial ini menunjukkan kemampuan agen, mulai dari penelusuran produk melalui percakapan hingga melakukan pemesanan.

Langkah berikutnya