এই পৃষ্ঠাটি আপনাকে আপনার অ্যাপে জেনারেটিভ AI বৈশিষ্ট্যগুলি প্রয়োগ করা শুরু করতে সহায়তা করে৷ এটি ফায়ারস্টোরের বৈশিষ্ট্য এবং ইন্টিগ্রেশন বর্ণনা করে যা জেনারেটিভ এআই জড়িত।
Cloud Firestore সাথে ভেক্টর অনুসন্ধানের জন্য কুইকস্টার্ট
পণ্যের সুপারিশ এবং চ্যাটবটগুলির মতো ব্যবহারের ক্ষেত্রে উদ্ভাবনী AI-চালিত সমাধান তৈরি করতে প্রায়শই ভেক্টর মিল অনুসন্ধান বা সংক্ষিপ্তভাবে ভেক্টর অনুসন্ধানের প্রয়োজন হয়। আপনি অন্য ভেক্টর অনুসন্ধান সমাধানে ডেটা অনুলিপি করার ঝামেলা ছাড়াই Firestore ডেটাতে ভেক্টর অনুসন্ধান করতে পারেন, অপারেশনাল সরলতা এবং দক্ষতা বজায় রাখতে পারেন।
Cloud Firestore ভেক্টর অনুসন্ধানের মূল কার্যপ্রবাহ 4টি ধাপ নিয়ে গঠিত।
আমাদের ব্লগ পোস্টে ভেক্টর অনুসন্ধান সম্পূর্ণরূপে বুঝুন
ভেক্টর এমবেডিং তৈরি করুন
ভেক্টর অনুসন্ধান ব্যবহার করার প্রথম ধাপ হল ভেক্টর এমবেডিং তৈরি করা। এমবেডিং হল বিভিন্ন ধরণের ডেটা যেমন টেক্সট, ছবি এবং ভিডিওর উপস্থাপনা যা তারা প্রতিনিধিত্ব করে এমন সত্তার মধ্যে শব্দার্থগত বা সিনট্যাকটিক মিল ক্যাপচার করে। এম্বেডিংগুলি একটি পরিষেবা ব্যবহার করে গণনা করা যেতে পারে, যেমন Vertex AI টেক্সট-এম্বেডিং API।
Firestore এ স্টোর এম্বেডিং
এমবেডিংগুলি তৈরি হয়ে গেলে আপনি সমর্থিত SDKগুলির একটি ব্যবহার করে Firestore-এ সংরক্ষণ করতে পারেন৷ NodeJS SDK-তে সেই অপারেশনটি কেমন দেখায় তা এখানে:
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 সূচক তৈরি করা যেখানে ভেক্টর এম্বেডিংগুলি সংরক্ষণ করা হয়। পূর্বরূপ প্রকাশের সময়, আপনাকে gcloud কমান্ড লাইন টুল ব্যবহার করে সূচক তৈরি করতে হবে।
ভেক্টর অনুসন্ধান সঞ্চালন
একবার আপনি সমস্ত ভেক্টর এম্বেডিং যোগ করে এবং ভেক্টর সূচক তৈরি করলে, আপনি অনুসন্ধান চালানোর জন্য প্রস্তুত। তারপর আপনি একটি সংগ্রহের রেফারেন্সে find_nearest কলটি ব্যবহার করবেন কোয়েরি ভেক্টর এমবেডিং পাস করতে যার সাথে সঞ্চিত এমবেডিংগুলির তুলনা করতে এবং আপনি যে দূরত্ব ফাংশনটি ব্যবহার করতে চান তা নির্দিষ্ট করতে।
আবারও, আমাদের ব্লগ পোস্টে ওয়ার্কফ্লো এবং আরও ব্যবহারের ক্ষেত্রে অন্বেষণ করুন।
সমাধান: ভেক্টর অনুসন্ধান
সারাংশ: ভেক্টর এম্বেডিং সঞ্চয় করুন এবং অনুসন্ধান করুন।
কেস ব্যবহার করুন: এই বৈশিষ্ট্যটি অন্যান্য সরঞ্জাম এবং বৈশিষ্ট্য দ্বারা ব্যবহৃত হয়।
ভেক্টর অনুসন্ধানের জন্য গাইড দেখুন
সমাধান: ফায়ারবেসের সাথে ভেক্টর অনুসন্ধানের জন্য এক্সটেনশন
সারাংশ: ভেক্টর অনুসন্ধান বৈশিষ্ট্য সহ আপনার Firestore নথিগুলিকে স্বয়ংক্রিয়ভাবে এম্বেড করতে এবং অনুসন্ধান করতে Firebase এক্সটেনশনটি ব্যবহার করুন৷
কেস ব্যবহার করুন: আপনার ফায়ারবেস প্রকল্পগুলিতে স্বয়ংক্রিয় ভেক্টর অনুসন্ধান করুন।
এক্সটেনশন বিবরণ পর্যালোচনা করুন
সমাধান: ল্যাংচেইন ইন্টিগ্রেশন
সারাংশ: LangChain-এর জন্য একটি ভেক্টর স্টোর, ডকুমেন্ট লোডার, বা চ্যাট বার্তা ইতিহাস উৎস হিসাবে Firestore ব্যবহার করুন।
কেস ব্যবহার করুন: জেনারেটিভ এআই অ্যাপ্লিকেশন বা পুনরুদ্ধার-অগমেন্টেড জেনারেশন (RAG) ওয়ার্কফ্লো তৈরি করুন।
সমাধান: জেনকিট
সারাংশ: Firebase Genkit হল একটি ওপেন সোর্স ফ্রেমওয়ার্ক যা আপনাকে প্রোডাকশন-রেডি AI-চালিত অ্যাপগুলি তৈরি, স্থাপন এবং নিরীক্ষণ করতে সাহায্য করে।
কেস ব্যবহার করুন: কাস্টম বিষয়বস্তু তৈরি করে এমন অ্যাপ তৈরি করতে, শব্দার্থগত অনুসন্ধান ব্যবহার করুন, অসংগঠিত ইনপুটগুলি পরিচালনা করুন, আপনার ব্যবসার ডেটা সহ প্রশ্নের উত্তর দিন এবং আরও অনেক কিছু করতে Genkit এবং Cloud Firestore ব্যবহার করুন!
Firebase Genkit ডকুমেন্টেশন দেখুন