Membangun aplikasi AI generatif menggunakan AlloyDB AI
Tetap teratur dengan koleksi
Simpan dan kategorikan konten berdasarkan preferensi Anda.
AlloyDB AI adalah serangkaian fitur yang disertakan dengan AlloyDB untuk PostgreSQL dan AlloyDB Omni yang memungkinkan Anda
menerapkan kemampuan semantik dan prediktif model machine learning (ML) ke
data Anda. Halaman ini memberikan ringkasan tentang fungsi AI yang didukung ML yang tersedia
melalui AlloyDB.
Menyimpan, mengindeks, dan membuat kueri vektor
Ekstensi pgvector PostgreSQL stock disesuaikan untuk AlloyDB, dan disebut sebagai vector.
Fungsi ini mendukung penyimpanan penyematan yang dihasilkan di kolom vektor. Ekstensi ini juga
menambahkan dukungan untuk fitur kuantisasi skalar guna membuat indeks IVF. Anda juga dapat membuat indeks IVFFlat atau indeks HSNW yang tersedia dengan pgvector stok.
Untuk informasi selengkapnya tentang cara menyimpan vektor, lihat Menyimpan vektor.
Selain ekstensi vector yang disesuaikan, AlloyDB
menyertakan ekstensi alloydb_scann yang mengimplementasikan indeks tetangga terdekat
yang sangat efisien dan didukung oleh algoritma
ScaNN.
Untuk mengetahui informasi selengkapnya tentang cara membuat indeks dan membuat kueri vektor, lihat Membuat
indeks dan vektor kueri.
Menyesuaikan performa kueri vektor
Anda dapat menyesuaikan indeks untuk menyeimbangkan antara kueri per detik (QPS) dan recall
dengan kueri Anda. Untuk mengetahui informasi selengkapnya tentang cara menyesuaikan indeks, lihat Menyesuaikan
performa kueri vektor.
Membuat embedding dan prediksi teks
AlloyDB AI memperluas sintaksis PostgreSQL dengan dua fungsi untuk
mengkueri model menggunakan ekstensi google_ml_integration:
Buat penyematan agar LLM menerjemahkan perintah
teks menjadi vektor numerik.
Anda dapat menggunakan fungsi embedding() untuk membuat kueri model Vertex AI, sedangkan fungsi google_ml.embedding() dapat digunakan untuk membuat kueri model Vertex AI terdaftar, yang dihosting, dan pihak ketiga.
Kemudian, Anda dapat menerapkan penyematan vektor ini sebagai input ke fungsi pgvector. Hal ini mencakup metode untuk membandingkan dan mengurutkan
contoh teks sesuai dengan jarak semantik relatifnya.
[[["Mudah dipahami","easyToUnderstand","thumb-up"],["Memecahkan masalah saya","solvedMyProblem","thumb-up"],["Lainnya","otherUp","thumb-up"]],[["Sulit dipahami","hardToUnderstand","thumb-down"],["Informasi atau kode contoh salah","incorrectInformationOrSampleCode","thumb-down"],["Informasi/contoh yang saya butuhkan tidak ada","missingTheInformationSamplesINeed","thumb-down"],["Masalah terjemahan","translationIssue","thumb-down"],["Lainnya","otherDown","thumb-down"]],["Terakhir diperbarui pada 2025-04-11 UTC."],[[["\u003cp\u003eAlloyDB AI provides machine learning capabilities to AlloyDB for PostgreSQL and AlloyDB Omni, allowing users to apply ML models to their data.\u003c/p\u003e\n"],["\u003cp\u003eThe \u003ccode\u003evector\u003c/code\u003e extension, a customized version of \u003ccode\u003epgvector\u003c/code\u003e, is available for storing embeddings, and supports scalar quantization features as well as \u003ccode\u003eIVFFlat\u003c/code\u003e and \u003ccode\u003eHSNW\u003c/code\u003e indexes.\u003c/p\u003e\n"],["\u003cp\u003eAlloyDB includes the \u003ccode\u003ealloydb_scann\u003c/code\u003e extension, which implements a highly efficient nearest-neighbor index using the ScaNN algorithm, and is usable with PostgreSQL 15.\u003c/p\u003e\n"],["\u003cp\u003eThe \u003ccode\u003egoogle_ml_integration\u003c/code\u003e extension lets users utilize the \u003ccode\u003eInvoke predictions\u003c/code\u003e to call a model within a SQL transaction, or \u003ccode\u003eGenerate embeddings\u003c/code\u003e functions to use an LLM to translate text prompts into numerical vectors.\u003c/p\u003e\n"],["\u003cp\u003eAlloyDB Omni integrates with Vertex AI, enabling applications to invoke predictions using models from the Vertex AI Model Garden and generate embeddings using \u003ccode\u003etext-embedding-005\u003c/code\u003e LLM.\u003c/p\u003e\n"]]],[],null,[]]
