Generative KI-Anwendungen mit AlloyDB AI erstellen
Mit Sammlungen den Überblick behalten
Sie können Inhalte basierend auf Ihren Einstellungen speichern und kategorisieren.
Als PostgreSQL-kompatible Datenbank lässt sich AlloyDB nahtlos in die von PostgreSQL unterstützten Tools und Frameworks sowie in andere Dienste aus der Google Cloud -Umgebung einbinden.
AlloyDB AI bietet eine Reihe von KI- und ML-Funktionen, mit denen Sie generative KI-Anwendungen erstellen können. Mit diesen Funktionen können Sie Anwendungen mit Funktionen wie der Vektorsuche nach semantischer Ähnlichkeit, Abfragen in natürlicher Sprache und der Integration in Machine-Learning-Modelle von Anbietern wie Google, OpenAI und Anthropic erstellen.
Um die Entwicklung von KI-Anwendungen zu vereinfachen, bietet AlloyDB die folgenden Erweiterungen:
vector-Erweiterung: Die Standard-PostgreSQL-Erweiterung pgvector ist für AlloyDB angepasst und wird als vector bezeichnet.
Es unterstützt das Speichern generierter Einbettungen in einer Vektorspalte. Die Erweiterung bietet auch Unterstützung für Funktionen zur skalaren Quantisierung, um IVF-Indexe zu erstellen. Sie können auch einen IVFFlat-Index oder HSNW-Index erstellen, die mit dem Standard-pgvector verfügbar sind.
alloydb_scann-Erweiterung: Die alloydb_scann-Erweiterung implementiert einen hocheffizienten Nearest-Neighbor-Index, der auf dem ScaNN-Algorithmus basiert.
Sie können die Erweiterung alloydb_scann mit Datenbanken verwenden, die mit PostgreSQL 14 und 15 kompatibel sind.
Erweiterung google_ml_integration: Die Erweiterung google_ml_integration bietet die Funktion „KI-Abfrage-Engine“, die Funktionen zum Generieren von Einbettungen, zum semantischen Ranking und zum Implementieren von KI-basierten Filtern, Joins und Textgenerierung/-zusammenfassung umfasst. Diese Erweiterung bietet auch Funktionen zum Registrieren von Metadaten für KI-Modelle. Die registrierten Metadaten werden dann verwendet, um Vorhersagen aus diesen Modellen abzurufen.
Erweiterung alloydb_ai_nl: Mit der alloydb_ai_nl-Erweiterung können Entwickler Anwendungen erstellen, die Fragen von Endnutzern in natürlicher Sprache zu Daten in der AlloyDB-Datenbank genau und sicher beantworten. So können auch Nutzer, die nicht so gut in SQL sind, auf die Daten zugreifen.
Im Folgenden finden Sie einige Anwendungsfälle, die durch diese Erweiterungen ermöglicht werden:
Intelligente SQL-Abfragen mit der AlloyDB AI-Abfrage-Engine ausführen: KI direkt in Ihren SQL-Abfragen verwenden. So können Sie Suchergebnisse neu ordnen, um eine höhere Relevanz zu erzielen, natürliche Sprache in Ihre SQL-Abfragen einbinden und multimodale Einbettungen für die Vektorsuche generieren.
Vektorsuche: Mit AlloyDB können Sie Vektoreinbettungen speichern und hocheffiziente Ähnlichkeitssuchen durchführen. Sie können einen hocheffizienten Index für die nächsten Nachbarn generieren, der auf dem ScaNN-Algorithmus basiert.
Modelle über Modellendpunkte aufrufen: Registrieren Sie KI-Modelle als Modellendpunkte und rufen Sie die Endpunkte aus AlloyDB auf, um Einbettungen zu generieren, Vorhersagen aufzurufen oder Ähnlichkeitssuchen durchzuführen.
Einbettungen generieren und Vorhersagen aufrufen: Verwenden Sie Vertex AI-Modelle für die Texteinbettung oder registrierte Modellendpunkte, um Text- oder multimodale Einbettungen zu generieren.
SQL-Anweisungen aus natürlicher Sprache generieren: Fügen Sie Ihrer Anwendung Funktionen für natürliche Sprache hinzu und interagieren Sie mit AlloyDB, indem Sie Fragen in natürlicher Sprache stellen. Die Fragen in natürlicher Sprache werden dann von AlloyDB AI verarbeitet, um automatisch eine genaue SQL-Abfrage zu generieren, mit der die Antwort abgerufen wird.
[[["Leicht verständlich","easyToUnderstand","thumb-up"],["Mein Problem wurde gelöst","solvedMyProblem","thumb-up"],["Sonstiges","otherUp","thumb-up"]],[["Schwer verständlich","hardToUnderstand","thumb-down"],["Informationen oder Beispielcode falsch","incorrectInformationOrSampleCode","thumb-down"],["Benötigte Informationen/Beispiele nicht gefunden","missingTheInformationSamplesINeed","thumb-down"],["Problem mit der Übersetzung","translationIssue","thumb-down"],["Sonstiges","otherDown","thumb-down"]],["Zuletzt aktualisiert: 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)."]]
