Cette page vous aide à commencer à implémenter des fonctionnalités d'IA générative dans votre application. Elle décrit les fonctionnalités et les intégrations de Firestore qui impliquent l'IA générative.
Démarrage rapide de Vector Search 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 pour faire court. Vous pouvez effectuer une recherche vectorielle sur les données Firestore sans avoir à copier les données dans une autre solution de recherche vectorielle, ce qui permet de maintenir la simplicité et l'efficacité opérationnelles.
Le workflow de base de la recherche vectorielle dans Cloud Firestore se compose de quatre étapes.
Découvrez tout ce que vous devez savoir sur la recherche vectorielle dans notre article de blog.
Générer des embeddings vectoriels
La première étape de la recherche vectorielle consiste à générer des embeddings vectoriels. Les représentations vectorielles continues sont des représentations de différents types de données, comme le texte, les images et les vidéos, qui capturent les similarités sémantiques ou syntaxiques entre les entités qu'elles représentent. Les embeddings peuvent être calculés à l'aide d'un service, tel que l'API d'embeddings de texte Vertex AI.
Stocker des représentations vectorielles continues 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 dans lequel 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 toutes les représentations vectorielles continues et créé l'index vectoriel, vous pouvez exécuter la recherche. Vous utiliserez ensuite l'appel find_nearest sur une référence de collection pour transmettre l'embedding vectoriel de la requête avec lequel comparer les embeddings stockés et spécifier la fonction de distance que vous souhaitez utiliser.
Pour en savoir plus sur le workflow et découvrir d'autres cas d'utilisation, consultez 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 de Vector Search
Solution: extension pour la recherche vectorielle avec Firebase
Résumé:Utilisez l'extension Firebase pour intégrer et interroger automatiquement vos documents Firestore à l'aide de la fonctionnalité de recherche vectorielle.
Cas d'utilisation:effectuez une recherche vectorielle automatique dans vos projets Firebase.
Vérifier la description de l'extension
Solution: Intégrations LangChain
Résumé:Utilisez Firestore comme magasin de vecteurs, chargeur de documents ou source d'historique des messages Chat pour LangChain.
Cas d'utilisation:créer des applications d'IA générative ou des workflows de génération augmentée de récupération (RAG).
Consulter le guide de LangChain
Solution: Genkit
Résumé:Firebase 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 à l'aide de vos données d'entreprise, et bien plus encore.
Consulter la documentation Firebase Genkit