জেনারেটিভ এআই দিয়ে শুরু করুন

এই পৃষ্ঠাটি আপনাকে আপনার অ্যাপে জেনারেটিভ এআই বৈশিষ্ট্যগুলি বাস্তবায়ন শুরু করতে সাহায্য করবে। এটি ফায়ারস্টোরের জেনারেটিভ এআই সম্পর্কিত বৈশিষ্ট্য এবং ইন্টিগ্রেশনগুলি বর্ণনা করে।

Cloud Firestore সাহায্যে ভেক্টর অনুসন্ধানের জন্য দ্রুত শুরু করুন

পণ্যের সুপারিশ এবং চ্যাটবটের মতো ব্যবহারের ক্ষেত্রে উদ্ভাবনী AI-চালিত সমাধান তৈরি করতে প্রায়শই ভেক্টর সাদৃশ্য অনুসন্ধান, অথবা সংক্ষেপে ভেক্টর অনুসন্ধানের প্রয়োজন হয়। আপনি অন্য ভেক্টর অনুসন্ধান সমাধানে ডেটা অনুলিপি করার ঝামেলা ছাড়াই ফায়ারস্টোর ডেটাতে ভেক্টর অনুসন্ধান করতে পারেন, কার্যক্ষম সরলতা এবং দক্ষতা বজায় রেখে।

Cloud Firestore ভেক্টর অনুসন্ধানের মূল কর্মপ্রবাহে ৪টি ধাপ রয়েছে।

আমাদের ব্লগ পোস্টে ভেক্টর অনুসন্ধান সম্পূর্ণরূপে বুঝুন

ভেক্টর এম্বেডিং তৈরি করুন

ভেক্টর অনুসন্ধান ব্যবহারের প্রথম ধাপ হল ভেক্টর এম্বেডিং তৈরি করা। এম্বেডিং হল টেক্সট, ছবি এবং ভিডিওর মতো বিভিন্ন ধরণের ডেটার উপস্থাপনা যা তাদের প্রতিনিধিত্বকারী সত্তাগুলির মধ্যে শব্দার্থিক বা সিনট্যাকটিক মিল ধারণ করে। এম্বেডিংগুলি Vertex AI টেক্সট-এম্বেডিং API এর মতো একটি পরিষেবা ব্যবহার করে গণনা করা যেতে পারে।

ফায়ারস্টোরে স্টোর এম্বেডিং

একবার এম্বেডিং তৈরি হয়ে গেলে আপনি সমর্থিত SDK ব্যবহার করে Firestore-এ সেগুলি সংরক্ষণ করতে পারেন। NodeJS SDK-তে সেই অপারেশনটি কেমন দেখাচ্ছে তা এখানে দেওয়া হল:

const db = new Firestore();
let collectionRef = db.collection("beans");
await collectionRef.add({
  name: "Kahawa coffee beans",
  type: "arabica",
  description: "Information about the Kahawa coffee beans.",
  embedding_field: FieldValue.vector([0.1, 0.3, ..., 0.2]), // a vector with 768 dimensions
});

একটি ভেক্টর সূচক তৈরি করুন

পরবর্তী ধাপ হল একটি Firestore KNN ভেক্টর ইনডেক্স তৈরি করা যেখানে ভেক্টর এম্বেডিংগুলি সংরক্ষণ করা হয়। প্রিভিউ রিলিজের সময়, আপনাকে gcloud কমান্ড লাইন টুল ব্যবহার করে ইনডেক্স তৈরি করতে হবে।

একবার আপনি সমস্ত ভেক্টর এম্বেডিং যোগ করে ভেক্টর ইনডেক্স তৈরি করে ফেললে, আপনি অনুসন্ধান চালানোর জন্য প্রস্তুত। এরপর আপনি find_nearest কলটি একটি সংগ্রহের রেফারেন্সে ব্যবহার করে ভেক্টর এম্বেডিং কোয়েরি পাস করবেন যার সাথে সঞ্চিত এম্বেডিংগুলির তুলনা করা যাবে এবং আপনি যে দূরত্ব ফাংশনটি ব্যবহার করতে চান তা নির্দিষ্ট করা যাবে।

আবারও, আমাদের ব্লগ পোস্টে কর্মপ্রবাহ এবং আরও ব্যবহারের ঘটনাগুলি অন্বেষণ করুন।

সারাংশ: ভেক্টর এম্বেডিং সংরক্ষণ এবং অনুসন্ধান করুন।

ব্যবহারের ধরণ: এই বৈশিষ্ট্যটি অন্যান্য সরঞ্জাম এবং বৈশিষ্ট্য দ্বারা ব্যবহৃত হয়।

ভেক্টর অনুসন্ধানের জন্য নির্দেশিকাটি দেখুন।

সমাধান: Firebase দিয়ে ভেক্টর অনুসন্ধানের জন্য এক্সটেনশন

সারাংশ: ভেক্টর অনুসন্ধান বৈশিষ্ট্যের সাহায্যে আপনার ফায়ারস্টোর ডকুমেন্টগুলি স্বয়ংক্রিয়ভাবে এম্বেড এবং কোয়েরি করতে ফায়ারবেস এক্সটেনশনটি ব্যবহার করুন।

ব্যবহারের ধরণ: আপনার ফায়ারবেস প্রকল্পগুলিতে স্বয়ংক্রিয় ভেক্টর অনুসন্ধান করুন।

এক্সটেনশনের বিবরণ পর্যালোচনা করুন

সমাধান: ল্যাংচেইন ইন্টিগ্রেশন

সারাংশ: ল্যাংচেইনের জন্য ফায়ারস্টোরকে ভেক্টর স্টোর, ডকুমেন্ট লোডার, অথবা চ্যাট মেসেজ হিস্ট্রি সোর্স হিসেবে ব্যবহার করুন।

ব্যবহারের ধরণ: জেনারেটিভ এআই অ্যাপ্লিকেশন বা রিট্রিভাল-অগমেন্টেড জেনারেশন (RAG) ওয়ার্কফ্লো তৈরি করুন।

ল্যাংচেইনের জন্য নির্দেশিকাটি দেখুন

সমাধান: জেনকিট

সারাংশ: জেনকিট একটি ওপেন সোর্স ফ্রেমওয়ার্ক যা আপনাকে উৎপাদন-প্রস্তুত AI-চালিত অ্যাপ তৈরি, স্থাপন এবং নিরীক্ষণ করতে সাহায্য করে।

ব্যবহারের ধরণ: জেনকিট এবং Cloud Firestore ব্যবহার করে এমন অ্যাপ তৈরি করুন যা কাস্টম কন্টেন্ট তৈরি করে, শব্দার্থিক অনুসন্ধান ব্যবহার করে, অসংগঠিত ইনপুট পরিচালনা করে, আপনার ব্যবসায়িক ডেটা দিয়ে প্রশ্নের উত্তর দেয় এবং আরও অনেক কিছু করে!

জেনকিট ডকুমেন্টেশন দেখুন