Cette page vous aide à implémenter des fonctionnalités d'IA générative dans votre application. Elle décrit les fonctionnalités et les intégrations pour Firestore qui impliquent l'IA générative.
Guide de démarrage rapide pour la recherche vectorielle avec Cloud Firestore
La création de solutions innovantes optimisées par l'IA pour des cas d'utilisation tels que les recommandations de produits et les chatbots nécessite souvent une recherche de similarité vectorielle, ou recherche vectorielle en abrégé. Vous pouvez effectuer une recherche vectorielle sur les données Firestore sans avoir à copier les données vers une autre solution de recherche vectorielle, ce qui permet de maintenir la simplicité et l'efficacité opérationnelles.
Le workflow principal de la recherche vectorielle dans Cloud Firestore se compose de quatre étapes.
Pour en savoir plus sur la recherche vectorielle, consultez notre article de blog.
Générer des embeddings vectoriels
La première étape pour utiliser la recherche vectorielle consiste à générer des embeddings vectoriels. Les embeddings sont des représentations de différents types de données (texte, images, vidéos, etc.) qui capturent les similarités sémantiques ou syntaxiques entre les entités qu'ils représentent. Les embeddings peuvent être calculés à l'aide d'un service tel que l'API Vertex AI Text Embeddings.
Stocker les embeddings dans Firestore
Une fois les embeddings générés, vous pouvez les stocker dans Firestore à l'aide de l'un des SDK compatibles. Voici à quoi ressemble cette opération dans le SDK NodeJS :
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
});
Créer un index vectoriel
L'étape suivante consiste à créer un index vectoriel KNN Firestore où les embeddings vectoriels sont stockés. Pendant la version Preview, vous devrez créer l'index à l'aide de l'outil de ligne de commande gcloud.
Effectuer la recherche vectorielle
Une fois que vous avez ajouté tous les embeddings vectoriels et créé l'index vectoriel, vous êtes prêt à exécuter la recherche. Vous utiliserez ensuite l'appel find_nearest sur une référence de collection pour transmettre l'embedding vectoriel de requête avec lequel comparer les embeddings stockés et pour spécifier la fonction de distance que vous souhaitez utiliser.
Une fois de plus, explorez le workflow et d'autres cas d'utilisation dans notre article de blog.
Solution : recherche vectorielle
Résumé : stockez et interrogez des embeddings vectoriels.
Cas d'utilisation : cette fonctionnalité est utilisée par les autres outils et fonctionnalités.
Consulter le guide sur la recherche vectorielle
Solution : extension pour la recherche vectorielle avec Firebase
Résumé : Utilisez l'extension Firebase pour intégrer et interroger automatiquement vos documents Firestore avec la fonctionnalité de recherche vectorielle.
Cas d'utilisation : effectuez une recherche vectorielle automatique dans vos projets Firebase.
Examiner la description de l'extension
Solution : intégrations LangChain
Résumé : utilisez Firestore comme magasin de vecteurs, chargeur de documents ou source d'historique des messages de chat pour LangChain.
Cas d'utilisation : créez des applications d'IA générative ou des workflows de génération augmentée par récupération (RAG).
Consulter le guide pour LangChain
Solution : Genkit
Résumé : Genkit est un framework Open Source qui vous aide à créer, déployer et surveiller des applications optimisées par l'IA prêtes pour la production.
Cas d'utilisation : utilisez Genkit et Cloud Firestore pour créer des applications qui génèrent du contenu personnalisé, utilisent la recherche sémantique, gèrent des entrées non structurées, répondent aux questions en utilisant vos données d'entreprise, et bien plus encore.
Consulter la documentation Genkit