Generative KI-Anwendungen mit AlloyDB AI erstellen
Mit Sammlungen den Überblick behalten
Sie können Inhalte basierend auf Ihren Einstellungen speichern und kategorisieren.
AlloyDB AI ist eine Suite von Funktionen, die in AlloyDB for PostgreSQL und AlloyDB Omni enthalten sind und mit denen Sie die semantischen und prädiktiven Möglichkeiten von ML-Modellen (maschinelles Lernen) auf Ihre Daten anwenden können. Auf dieser Seite finden Sie eine Übersicht über die KI-Funktionen, die auf maschinellem Lernen basieren und über AlloyDB verfügbar sind.
Vektoren speichern, indexieren und abfragen
Die Standarderweiterung pgvector von PostgreSQL wird für AlloyDB angepasst und als vector bezeichnet.
Es unterstützt das Speichern generierter Einbettungen in einer Vektorspalte. Außerdem wird die Unterstützung für die Skalarquantisierung zum Erstellen von IVF-Indexen hinzugefügt. Sie können auch einen IVFFlat-Index oder HSNW-Index erstellen, der mit dem Stock pgvector verfügbar ist.
Weitere Informationen zum Speichern von Vektoren finden Sie unter Vektoren speichern.
Neben der benutzerdefinierten vector-Erweiterung enthält AlloyDB die alloydb_scann-Erweiterung, die einen hocheffizienten Nearest-Neighbor-Index mit dem ScaNN-Algorithmus implementiert.
Sie können Ihre Indexe so optimieren, dass ein Gleichgewicht zwischen Abfragen pro Sekunde (Queries per Second, QPS) und Abruf mit Ihren Abfragen besteht. Weitere Informationen zum Optimieren von Indexen finden Sie unter Leistung von Vektorabfragen optimieren.
Einbettungen und Textvorhersagen generieren
AlloyDB AI erweitert die PostgreSQL-Syntax um zwei Funktionen zum Abfragen von Modellen mit der Erweiterung google_ml_integration:
Vorhersagen aufrufen, um ein Modell mithilfe von SQL innerhalb einer Transaktion aufzurufen.
Mit der Funktion embedding() können Sie Vertex AI-Modelle abfragen. Mit der Funktion google_ml.embedding() können Sie registrierte Vertex AI-Modelle, gehostete Modelle und Modelle von Drittanbietern abfragen.
Anschließend können Sie diese Vektoreinbettungen als Eingaben auf pgvector-Funktionen anwenden. Dazu gehören Methoden zum Vergleichen und Sortieren von Textbeispielen anhand ihrer relativen semantischen Entfernung.
[[["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: 2025-07-18 (UTC)."],[[["AlloyDB AI enhances AlloyDB for PostgreSQL and AlloyDB Omni with machine learning capabilities, allowing users to leverage ML models for data analysis and predictions."],["AlloyDB offers two extensions for vector operations: a customized `vector` extension, which is an enhanced version of `pgvector`, and `alloydb_scann`, a highly efficient nearest-neighbor index powered by the ScaNN algorithm."],["The `google_ml_integration` extension provides SQL functions to interact with models, enabling users to generate embeddings from text and invoke model predictions within database transactions."],["AlloyDB can be configured to work with Vertex AI, providing access to models in the Vertex AI Model Garden and the ability to use `textembedding-gecko` English models for embedding generation."],["The `alloydb_scann` extension, which was previously known as `postgres_ann` requires users to drop indexes made with `postgres_ann`, upgrade to AlloyDB Omni version 15.5.5, and recreate them with `alloydb_scann` before use."]]],[]]
