הדף הזה יעזור לך להתחיל להטמיע תכונות של AI גנרטיבי אפליקציה. המאמר מתאר את התכונות והשילובים של Firestore שכוללים של בינה מלאכותית גנרטיבית.
מדריך למתחילים לחיפוש וקטורים באמצעות Cloud Firestore
יצירת פתרונות חדשניים מבוססי-AI לתרחישים לדוגמה כמו הרבה פעמים, והצ'אט בוטים דורשים חיפוש דמיון וקטורי, לחפש את המונח Shorts. אפשר לבצע חיפוש וקטורי על נתוני Firestore ללא המאמץ של העתקת נתונים לפתרון אחר של חיפוש וקטורי, שמירה על פשטות ויעילות תפעולית.
תהליך העבודה העיקרי לחיפוש וקטורים ב-Cloud Firestore מורכב מ-4 שלבים.
מידע נוסף על חיפוש וקטורים בפוסט בבלוג שלנו
יצירה הטמעות וקטורים
השלב הראשון בשימוש בחיפוש וקטורי הוא יצירת הטמעות וקטורים. הטמעות הן ייצוגים של סוגים שונים של נתונים כמו טקסט, תמונות, וסרטון שמראים דמיון סמנטי או תחבירי בין הישויות שהם מייצגים. ניתן לחשב הטמעות באמצעות שירות, כמו Vertex AI text-embeddings API.
חנות הטמעות ב-Firestore
אחרי שיוצרים את ההטמעות, אפשר לאחסן אותן ב-Firestore באמצעות אחד את ערכות ה-SDK הנתמכות. כך הפעולה הזו נראית ב-SDK של 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
});
יצירה אינדקס וקטורי
השלב הבא הוא ליצור אינדקס וקטור של Firestore KNN שבו הווקטור
של הטמעות מאוחסנות. במהלך מהדורת התצוגה המקדימה, צריך ליצור את
להוסיף לאינדקס באמצעות כלי שורת הפקודה gcloud
.
ביצוע חיפוש וקטורי
אחרי שהוספתם את כל הטמעות הווקטור ויצרתם את אינדקס הווקטורים,
מוכנים להריץ את החיפוש. לאחר מכן ייעשה שימוש בקריאה find_nearest
של אוסף קובצי עזר להעברת הטמעה של וקטור שאילתות, כדי להשוות איתה
את ההטמעות השמורות ולציין את פונקציית המרחק שבה רוצים להשתמש.
בפוסט הזה בבלוג תוכלו לקרוא מידע נוסף על תהליך העבודה ועל תרחישים לדוגמה.
הפתרון: חיפוש וקטורי
סיכום: אחסון של הטמעות וקטורים של שאילתות ואחסון.
תרחיש לדוגמה: התכונה הזו נמצאת בשימוש בתכונות ובכלים האחרים.
פתרון: תוסף לחיפוש וקטורים באמצעות Firebase
סיכום: בעזרת התוסף של Firebase אפשר להטמיע באופן אוטומטי שאילתות ולשלוח שאילתות לגבי מסמכים ב-Firestore עם תכונת החיפוש הווקטורי.
תרחיש לדוגמה: ביצוע חיפוש אוטומטי בווקטורים בפרויקטים ב-Firebase.
הפתרון: שילובים של LangChain
סיכום: שימוש ב-Firestore כמאגר וקטורים, לטעינת מסמכים או כהודעת צ'אט היא המקור להיסטוריה של LangChain.
תרחיש לדוגמה: פיתוח אפליקציות של AI גנרטיבי או יצירה משופרת של אחזור תהליכי עבודה (RAG).
פתרון: Genkit
סיכום: Firebase Genkit הוא מסגרת קוד פתוח, שעוזרת לך ליצור, לפרוס אפליקציות מבוססות-AI שמוכנות לייצור ולעקוב אחריהן.
תרחיש לדוגמה: אפשר להשתמש ב-Genkit וב-Cloud Firestore כדי ליצור אפליקציות שיוצרות תוכן מותאם אישית, משתמשות בחיפוש סמנטי, מטפלות בקלט לא מובנה, עונות על שאלות באמצעות נתוני העסק ועוד הרבה יותר.
למסמכי התיעוד של Firebase Genkit