Criar aplicativos de IA generativa usando a IA do AlloyDB
Mantenha tudo organizado com as coleções
Salve e categorize o conteúdo com base nas suas preferências.
Como um banco de dados compatível com PostgreSQL, o AlloyDB se integra perfeitamente às ferramentas e estruturas compatíveis com o PostgreSQL, além de outros serviços do ambiente Google Cloud .
A AlloyDB AI oferece um conjunto de recursos de IA e ML que permitem criar aplicativos de IA generativa. Com esses recursos, é possível criar aplicativos com funcionalidades como pesquisa vetorial para similaridade semântica, consultas em linguagem natural e integração com modelos de machine learning de provedores como Google, OpenAI e Anthropic.
Para simplificar o processo de criação de aplicativos de IA, o AlloyDB oferece as seguintes extensões:
Extensão vector: a extensão pgvector padrão do PostgreSQL é personalizada para o AlloyDB e é chamada de vector.
Ele oferece suporte ao armazenamento de embeddings gerados em uma coluna de vetor. A extensão também adiciona suporte a recursos de quantização escalar para criar índices IVF. Você também pode criar um índice IVFFlat ou HSNW disponível com o pgvector de ações.
Extensão alloydb_scann: a extensão alloydb_scann implementa um índice de vizinho mais próximo altamente eficiente com tecnologia do algoritmo ScaNN.
Você pode usar a extensão alloydb_scann com bancos de dados compatíveis com PostgreSQL 14 e 15.
Extensão google_ml_integration: a extensão google_ml_integration oferece o recurso de mecanismo de consulta de IA, que inclui funções para gerar embeddings, classificação semântica e implementar filtros, junções e geração/resumo de texto com base em IA. Essa extensão também oferece funções para registrar
metadados de modelos de IA. Os metadados registrados são usados para invocar previsões desses modelos.
Extensão alloydb_ai_nl: a extensão alloydb_ai_nl permite que os desenvolvedores criem aplicativos que respondam com precisão e segurança a perguntas em linguagem natural dos usuários finais sobre dados no banco de dados do AlloyDB. Isso torna os dados acessíveis a usuários que não têm experiência em escrever SQL.
Confira alguns casos de uso que essas extensões permitem:
Pesquisa vetorial: use o AlloyDB para armazenar embeddings de vetores e realizar pesquisas de similaridade altamente eficientes. Você pode gerar um índice de vizinho mais próximo altamente eficiente com tecnologia do algoritmo ScaNN.
Chamar modelos usando endpoints de modelo: registre modelos de IA como endpoints de modelo e chame os endpoints no AlloyDB para gerar embeddings, invocar previsões ou realizar pesquisas de similaridade.
Gerar embeddings e invocar previsões: use modelos de embedding de texto da Vertex AI ou endpoints de modelos registrados para gerar embeddings de texto ou multimodais.
Gerar instruções SQL em linguagem natural: adicione recursos de linguagem natural ao seu aplicativo e interaja com o AlloyDB fazendo perguntas em linguagem natural. As perguntas em linguagem natural são processadas pela IA do AlloyDB para gerar automaticamente uma consulta SQL precisa que recupera a resposta.
[[["Fácil de entender","easyToUnderstand","thumb-up"],["Meu problema foi resolvido","solvedMyProblem","thumb-up"],["Outro","otherUp","thumb-up"]],[["Difícil de entender","hardToUnderstand","thumb-down"],["Informações incorretas ou exemplo de código","incorrectInformationOrSampleCode","thumb-down"],["Não contém as informações/amostras de que eu preciso","missingTheInformationSamplesINeed","thumb-down"],["Problema na tradução","translationIssue","thumb-down"],["Outro","otherDown","thumb-down"]],["Última atualização 2025-08-25 UTC."],[[["\u003cp\u003eAlloyDB AI provides machine learning capabilities to AlloyDB for PostgreSQL and AlloyDB Omni, allowing users to apply semantic and predictive power to their data.\u003c/p\u003e\n"],["\u003cp\u003eThe platform includes a customized \u003ccode\u003evector\u003c/code\u003e extension for storing and querying embeddings, as well as the \u003ccode\u003ealloydb_scann\u003c/code\u003e extension for efficient nearest-neighbor indexing, using algorithms like ScaNN.\u003c/p\u003e\n"],["\u003cp\u003eAlloyDB AI extends PostgreSQL with functions like \u003ccode\u003eInvoke predictions\u003c/code\u003e and \u003ccode\u003eGenerate embeddings\u003c/code\u003e, which allow for querying models using SQL and translating text prompts into numerical vectors, respectively.\u003c/p\u003e\n"],["\u003cp\u003eUsers can leverage the \u003ccode\u003eembedding()\u003c/code\u003e and \u003ccode\u003egoogle_ml.embedding()\u003c/code\u003e functions to query Vertex AI models, including the use of text embeddings, as well as custom hosted or third-party models.\u003c/p\u003e\n"],["\u003cp\u003eAlloyDB's integration with Vertex AI enables applications to invoke predictions using any model in the Vertex AI Model Garden and to generate embeddings using the \u003ccode\u003etext-embedding-005\u003c/code\u003e English models.\u003c/p\u003e\n"]]],[],null,["# Build generative AI applications using AlloyDB AI\n\nAs a PostgreSQL-compatible database, AlloyDB integrates\nseamlessly with the tools and frameworks supported by PostgreSQL, in addition to\nother services from the Google Cloud environment.\n\nAlloyDB AI provides a suite of AI and ML features that enable you to build\ngenerative AI applications. These features allow you to build\napplications with capabilities like vector search for semantic similarity,\nnatural language queries, and integration with machine learning models by providers, such as Google, OpenAI, and Anthropic.\n\nTo simplify the process of building AI applications, AlloyDB provides the following extensions:\n\n- **vector** extension: The standard [`pgvector` PostgreSQL\n extension](https://github.com/pgvector/pgvector?tab=readme-ov-file#indexing) is customized for AlloyDB, and referred to as `vector`.\n It supports storing generated embeddings in a vector column. The extension also\n adds support for scalar quantization features to create `IVF` indexes. You can\n also create an `IVFFlat` index or `HSNW` index that are available with stock\n `pgvector`.\n\n- **alloydb_scann** extension: The [`alloydb_scann` extension](https://cloud.google.com/alloydb/docs/ai/store-index-query-vectors?resource=scann#create-index) implements a highly efficient\n nearest-neighbor index powered by the [ScaNN\n algorithm](https://github.com/google-research/google-research/blob/master/scann/docs/algorithms.md).\n\n You can use the `alloydb_scann` extension with PostgreSQL 14 and 15 compatible databases.\n- **google_ml_integration** extension: The `google_ml_integration` extension\n provides the AI query engine feature, which includes functions for generating embeddings,\n semantic ranking, and implementing AI-based filters, joins and text\n generation/summarization. This extension also provides functions to register\n metadata for AI models. The registered metadata is then used to invoke predictions from these\n models.\n\n- **alloydb_ai_nl** extension: The `alloydb_ai_nl` extension enables developers\n to build applications that accurately and securely answer end user natural\n language questions about data in the AlloyDB database. This makes the data\n accessible to users who might not be proficient in writing SQL.\n\nThe following are some use cases that these extensions enable:\n\n- [Vector search](/alloydb/docs/ai/run-vector-similarity-search): Use AlloyDB to store vector embeddings and perform highly efficient similarity searches. You can generate a highly efficient nearest-neighbor index powered by the ScaNN algorithm.\n\n- [Perform intelligent SQL queries using AlloyDB AI query engine](/alloydb/docs/ai/evaluate-semantic-queries-ai-operators): Use AI directly within your SQL queries. This allows you to re-rank search results for higher relevance, integrate natural language into your SQL queries, and generate multimodal embeddings for vector search.\n\n- [Call models using model endpoints](/alloydb/docs/ai/model-endpoint-overview): Register AI models as model endpoints and call the endpoints from within AlloyDB to generate embeddings, invoke predictions, or perform similarity searches.\n\n- [Generate embeddings](/alloydb/docs/ai/work-with-embeddings) and [invoke predictions](/alloydb/docs/ai/invoke-predictions): Use Vertex AI text embedding models or registered model endpoints to generate text or multimodal embeddings.\n\n- [Generate SQL statements from natural language](/alloydb/docs/ai/natural-language-overview): Add natural language capabilities to your application, and interact with AlloyDB by asking questions in natural language. The natural language questions are then processed by AlloyDB AI to automatically generate an accurate SQL query that retrieve the answer.\n\nWhat's next\n-----------\n\n- [Perform vector search tutorial](/alloydb/docs/ai/perform-vector-search)\n\n- [Integrate AlloyDB with Vertex AI](/alloydb/docs/ai/configure-vertex-ai).\n\n- [Create indexes and query vectors](/alloydb/docs/ai/store-index-query-vectors)."]]
