使用 SQL 運算子，直接在資料庫中執行透過模型端點管理工具註冊的強大 AI 模型。AlloyDB AI 函式與 Gemini Enterprise Agent Platform 整合，可即時對作業資料執行智慧篩選、語意排序和文字生成。
AI 輔助的 SQL 篩選和排序功能
使用簡單的 SQL 函式執行強大的 AI 任務。google_ml_integration 擴充功能提供 ai.if() 等運算子，用於智慧篩選，以及 ai.rank()，用於語意重新排序。
資料庫內文字生成
對資料庫中的資料列執行轉換。使用 ai.generate() 運算子，您可以要求基礎模型摘要產品評論，或直接在查詢中轉換資料。
嵌入和預測函式
在資料庫中，使用 google_ml.embedding() 等 SQL 函式生成向量嵌入，或使用 google_ml.predict_row( 從任何已註冊的模型叫用預測。
AI 函式的運作方式
在 SQL 查詢中嵌入 ai.if()、ai.rank() 或 ai.generate() 等 AI 運算子時，AI 函式會偵測到這些運算子。這個引擎可透過 google_ml_integration 擴充功能使用，負責協調整個程序。這項功能會安全地封裝相關資料列，並呼叫供應商 (例如 Gemini、OpenAI 或 Anthropic) 預先註冊的機器學習模型。機器學習模型會評估資料並傳回預測結果，例如篩選器的 true/false 或用於排名的分數。AI 函式會將這項預測結果無縫整合回查詢的執行作業，並傳回標準 SQL 結果集。您不必移動資料，就能取得 AI 輔助的洞察資訊。
AlloyDB AI 函式的優點
傳統資料庫查詢機制通常很僵硬，開發人員必須將所有可能的使用者互動路徑硬式編碼。AlloyDB AI 函式可透過下列方式大幅改變使用者體驗：
將世界知識融入企業資料：您可以直接將大型語言模型 (LLM) 的實體世界知識帶入 AlloyDB for PostgreSQL 資料庫。以下是使用 AI 函式的範例：
- 使用
ai.generate處理非結構化資料：您可以使用 Gemini with SQL 管理原始、有雜訊或非結構化的使用者意見回饋，例如評論或記錄。 - 使用
ai.if判斷交易是否為詐欺：提供一連串使用者動作、交易附註或即時通訊摘要給函式，並要求函式評估二元結果：Is this fraudulent?
- 使用
高效能智慧功能：使用下列項目，透過 AI 函式加速提升成效及大規模處理智慧功能：
- 使用陣列式處理方式，每秒最多可處理數千列資料，比一次呼叫一列資料快 2,000 倍。所有 AI 函式都支援以陣列為基礎的處理方式。詳情請參閱「使用 AI 函式執行智慧型 SQL 查詢」。
- 針對 AI 函式使用智慧批次處理，可大幅提高處理量，優於一次呼叫一列。詳情請參閱「使用 AI 函式加快查詢效能」。
- 使用最佳化
ai.if提高效率，每秒可處理 10 萬列資料 (比一次呼叫一列資料的效率高出 23,000 倍)，並將成本降低 6,000 倍，達到 0.001 美元的十分之一。
AlloyDB AI 函式用途
下表說明 AlloyDB AI 函式的使用案例。
函式 |
說明 |
用途 |
|---|---|---|
ai.if |
根據自然語言進行智慧認知篩選。 |
根據行為模式判斷哪些顧客交易疑似詐欺。 |
ai.rank |
根據深層情境細微差異，重新排序向量搜尋結果。 |
即使資料庫不知道「透氣布料」是什麼，仍會優先處理 tropical wedding搜尋要求。 |
ai.generate |
生成新內容或轉換資料格式。 |
將原始伺服器記錄檔資料轉換為結構化 JSON 格式，方便進行分析。 |
ai.analyze_sentiment |
將文字的情緒基調分類為正面、負面或中立。 |
分類數千則產品評論，評估整體顧客滿意度。 |
ai.summarize |
將冗長文字濃縮成必要資訊。 |
從對話轉錄稿中擷取重要決策和待辦事項。 |
ai.agg_summarize |
匯總函式會處理資料欄中的多個資料列，為指定資料列群組產生單一的統一摘要。 |
根據表格中特定電影的所有個別評論，生成單一的匯總摘要。 |
ai.forecast |
使用 TimesFM 模型進行時間序列預測。 |
根據歷來銷售資料預測未來庫存需求。 |
瞭解詳情
歡迎瀏覽開發人員資源，瞭解如何使用 AlloyDB AI 建構自己的自然語言查詢應用程式。