Cette page vous aide à implémenter des fonctionnalités d'IA générative dans votre l'application. Il décrit les fonctionnalités et intégrations de Firestore qui impliquent l'IA générative.
Guide de démarrage rapide pour la recherche vectorielle avec Cloud Firestore
Création de solutions innovantes optimisées par l'IA pour des cas d'utilisation (par exemple, les recommandations et les chatbots requièrent souvent une recherche vectorielle faites une recherche abrégée. Vous pouvez effectuer une recherche vectorielle sur des données Firestore sans utiliser la copie de données vers une autre solution de recherche vectorielle, de simplicité et d'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 de l'utilisation de la recherche vectorielle consiste à générer des représentations vectorielles continues. Les représentations vectorielles continues sont des représentations de différents types de données comme du texte, des images, et vidéo qui capturent les similitudes sémantiques ou syntaxiques entre les entités qu'ils représentent. Les représentations vectorielles continues peuvent être calculées à l'aide d'un service tel que le API Vertex AI Text-embeddings.
Stocker des représentations vectorielles continues dans Firestore
Une fois les représentations vectorielles continues générées, vous pouvez les stocker dans Firestore à l'aide de l'une des les 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 le vecteur
les représentations vectorielles continues
sont stockées. Pendant la version preview, vous devez créer
à l'aide de l'outil de ligne de commande gcloud
.
Perform la recherche vectorielle
Après avoir ajouté toutes les représentations vectorielles continues
et créé l'index vectoriel, vous devez
sont prêts à exécuter la recherche. Vous utiliserez ensuite l'appel find_nearest
sur une
référence de collection pour transmettre la représentation vectorielle continue du vecteur de requête avec laquelle comparer
les représentations vectorielles continues stockées
et spécifier la fonction de distance à utiliser.
Une fois encore, découvrez le workflow et d'autres cas d'utilisation dans notre article de blog.
Solution: recherche vectorielle
Résumé:stocker et interroger des représentations vectorielles continues de vecteurs.
Cas d'utilisation : cette fonctionnalité est utilisée par les autres outils et fonctionnalités.
Consulter le guide sur la recherche vectorielle
Solution: extension de 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:effectuer une recherche vectorielle automatique dans vos projets Firebase.
Examiner la description de l'extension
Solution: intégrations de 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 générer une récupération accélérée RAG.
Consulter le guide sur 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:utiliser Genkit et Cloud Firestore pour créer des applications qui génèrent contenu personnalisé, utiliser la recherche sémantique, gérer les entrées non structurées, répondre des questions sur vos données d'entreprise, et bien plus encore !
Consulter la documentation Firebase Genkit