Crea applicazioni di AI generativa utilizzando AlloyDB AI
Mantieni tutto organizzato con le raccolte
Salva e classifica i contenuti in base alle tue preferenze.
AlloyDB AI è una suite di funzionalità incluse in AlloyDB per PostgreSQL e AlloyDB Omni che ti consente di applicare la potenza semantica e predittiva dei modelli di machine learning (ML) ai tuoi dati. Questa pagina fornisce una panoramica delle funzioni di IA basate sull'apprendimento automatico disponibili tramite AlloyDB.
Archivia, indicizza ed esegui query sui vettori
L'estensione di PostgreSQL pgvector di serie è personalizzata per AlloyDB e viene chiamata vector.
Supporta l'archiviazione degli embedding generati in una colonna di vettori. L'estensione aggiunge inoltre il supporto della funzionalità di quantizzazione scalare per creare indici IVF. Puoi anche creare un indice IVFFlat o HSNW disponibili con la risorsa pgvector.
Oltre all'estensione vector personalizzata, AlloyDB include l'estensione alloydb_scann che implementa un indice di primo vicino molto efficiente basato sull'algoritmo ScaNN.
Puoi ottimizzare gli indici per trovare un equilibrio tra query al secondo (QPS) e il recupero con le query. Per ulteriori informazioni sull'ottimizzazione degli indici, consulta Ottimizzare le prestazioni delle query vettoriali.
Genera embedding e previsioni di testo
AlloyDB AI estende la sintassi di PostgreSQL con due funzioni per eseguire query sui modelli utilizzando l'estensione google_ml_integration:
Esegui previsioni per chiamare un modello utilizzando SQL all'interno di una transazione.
Genera incorporamenti per fare in modo che un LLM traduca i prompt di testo in vettori numerici.
Puoi utilizzare la funzione embedding() per eseguire query sui modelli Vertex AI, mentre la funzione google_ml.embedding() può essere utilizzata per eseguire query sui modelli Vertex AI, ospitati e di terze parti registrati.
Puoi quindi applicare questi incorporamenti vettoriali come input alle funzioni pgvector. Sono inclusi metodi per confrontare e ordinare campioni di testo in base alla relativa distanza semantica.
[[["Facile da capire","easyToUnderstand","thumb-up"],["Il problema è stato risolto","solvedMyProblem","thumb-up"],["Altra","otherUp","thumb-up"]],[["Difficile da capire","hardToUnderstand","thumb-down"],["Informazioni o codice di esempio errati","incorrectInformationOrSampleCode","thumb-down"],["Mancano le informazioni o gli esempi di cui ho bisogno","missingTheInformationSamplesINeed","thumb-down"],["Problema di traduzione","translationIssue","thumb-down"],["Altra","otherDown","thumb-down"]],["Ultimo aggiornamento 2025-04-17 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."]]],[]]
