Criar apps de IA generativa

Esta página descreve alguns casos de uso de IA para o AlloyDB para PostgreSQL, com links para codelabs, notebooks e tutoriais que podem ser usados para explorar abordagens ou ajudar você a desenvolver seu aplicativo.

Caso de uso Descrição
Acelere as pesquisas de patentes e a precisão da pesquisa Estes codelabs mostram como melhorar a pesquisa de patentes usando a pesquisa vetorial com o AlloyDB, a extensão pgvector, embeddings, o Gemini 1.5 Pro e o Java Agent Development Kit.
Aplicar filtros semânticos e reclassificar os resultados da pesquisa vetorial para melhorar a qualidade da pesquisa Este codelab mostra como usar recursos da AlloyDB AI, como operadores de consulta de IA, gerenciamento de endpoints de modelos e pesquisa vetorial para melhorar a qualidade da pesquisa e usar filtros semânticos.

Saiba como usar operadores de consulta de IA para filtragem semântica e aproveitar novas experiências em SQL. Classifique os resultados da pesquisa de vetor usando LLMs e modelos de classificação semântica para melhorar a precisão da pesquisa de vetor. Este tutorial usa um modelo de classificação semântica da Vertex AI no AlloyDB e modelos de IA generativa da Vertex AI.
Criar um app de recomendação de roupas com tecnologia de IA usando o AlloyDB e ambientes de execução sem servidor Neste codelab, você vai aprender a criar um app de recomendação de roupas com tecnologia de IA usando o AlloyDB AI e tempos de execução sem servidor. Ele explica como os usuários podem fazer upload de uma foto de roupa e receber recomendações e visualizações de estilo com tecnologia de IA.

O codelab usa tecnologias Google Cloud como AlloyDB AI, Gemini 2.0 e Imagen 3 para criar um aplicativo da Web implantado no ambiente de execução sem servidor do Cloud Run.
Crie um aplicativo que invoque uma consulta de banco de dados do seu agente ou de um aplicativo de IA generativa O codelab a seguir mostra como criar um aplicativo que usa a caixa de ferramentas de IA generativa para bancos de dados e realizar uma consulta simples do AlloyDB que pode ser invocada pelo seu agente ou por um aplicativo de IA generativa.
Criar e implantar um assistente de estilo de moda personalizado Os codelabs a seguir mostram como criar e implantar um assistente de estilo personalizado com o Gemini, o gerenciamento de endpoints de modelos, a pesquisa vetorial, a Vertex AI e os agentes.
Criar um aplicativo de chat baseado em LLM e RAG usando a IA do AlloyDB e o LangChain Este codelab ensina a implantar o Serviço de recuperação de bancos de dados de IA generativa e mostra como criar um aplicativo interativo de amostra usando o ambiente recém-configurado.
Criar um chatbot para responder a perguntas sobre filmes Neste tutorial, mostramos como criar um chatbot de IA generativa que usa o Gemini, a Vertex AI e a integração do AlloyDB com o LangChain. Você vai aprender a extrair dados estruturados do seu banco de dados, gerar embeddings e formatar seus dados para realizar pesquisas vetoriais em um aplicativo de geração aumentada por recuperação (RAG).

Use um banco de dados de filmes para fundamentar seu LLM com informações sobre os filmes mais populares. A fundamentação ajuda a garantir que a saída do LLM seja precisa e relevante.
Criar um app de pesquisa de loja de brinquedos Este codelab mostra como criar uma experiência de pesquisa personalizada e integrada em uma loja de brinquedos usando a pesquisa contextual e a geração personalizada do produto que corresponde ao contexto da pesquisa.

Você usa extensões de modelo de IA generativa e pgvector no AlloyDB, uma pesquisa de similaridade de cosseno em tempo real, o Gemini 2.0 Flash e a caixa de ferramentas de IA generativa para bancos de dados.
Implantar o AlloyDB Omni e um modelo de IA local no Kubernetes Neste codelab, você vai aprender a implantar o AlloyDB Omni no GKE e usá-lo com um modelo de incorporação aberto implantado no mesmo cluster do Kubernetes.
Implantar um aplicativo RAG com o LangChain na Vertex AI Neste tutorial, mostramos como criar e implantar um agente usando o SDK da Vertex AI para Python e a integração do AlloyDB com o LangChain.

Saiba como usar agentes e vetores com o LangChain para fazer uma pesquisa de similaridade e recuperar dados relacionados para embasar as respostas do LLM.
Integrar a pesquisa híbrida e o mecanismo de consulta de IA ao seu aplicativo de pesquisa Esta demonstração ilustra os recursos de IA do Google Cloud AlloyDB, integrando a pesquisa híbrida, incluindo SQL, vetor e pesquisa de texto completo com o mecanismo de consulta de IA, tudo aplicado a um exemplo de conjunto de dados de e-commerce da Cymbal Shops.
Migrar dados de um banco de dados de vetores para o AlloyDB O tutorial a seguir descreve como migrar dados de um banco de dados de vetores de terceiros para o AlloyDB usando repositórios de vetores do LangChain.

Os seguintes bancos de dados de vetores são compatíveis: Pinecone, Weaviate, Chroma, Qdrant e Milvus.
Fazer uma pesquisa híbrida multimodal de produtos Este notebook mostra como realizar uma pesquisa híbrida no AlloyDB para Cymbal Shops, uma loja fictícia com uma grande presença de e-commerce. O notebook combina embeddings vetoriais multimodais, pesquisa de texto completo (índice invertido generalizado) e embeddings esparsos BM25 (pgvector 0.7.0 ou mais recente) com a fusão de classificação recíproca para melhorar a pesquisa de produtos.
Usar uma pesquisa de similaridade com um índice vetorial para encontrar produtos relevantes Neste codelab, mostramos como usar recursos da AlloyDB AI, como o gerenciamento de endpoints de modelos e a pesquisa vetorial, para encontrar produtos relevantes.

Aprenda a gerar embeddings usando o gerenciamento de endpoints de modelo nos dados do banco de dados e use seus dados operacionais para realizar pesquisas de similaridade vetorial. Este tutorial usa um modelo de embedding da Vertex AI no AlloyDB e modelos de IA generativa da Vertex AI.
Use o MCP Toolbox for Databases com a AlloyDB AI para criar pesquisas de produtos por conversa Saiba como usar a MCP Toolbox for Databases, o AlloyDB AI e a pesquisa vetorial para criar um agente de IA do Shopping projetado para transformar sua experiência de varejo. Este tutorial demonstra os recursos do agente, desde pesquisas de produtos por conversa até fazer pedidos.

A seguir