जनरेटिव एआई का इस्तेमाल शुरू करना

इस पेज पर, आपको अपने ऐप्लिकेशन में जनरेटिव एआई की सुविधाएं लागू करने के बारे में जानकारी मिलेगी. इसमें Firestore के लिए, जनरेटिव एआई से जुड़ी सुविधाओं और इंटिग्रेशन के बारे में बताया गया है.

Cloud Firestore की मदद से वेक्टर सर्च करने के बारे में क्विकस्टार्ट गाइड

एआई की मदद से काम करने वाले नए समाधान बनाने के लिए, वेक्टर सिमिलैरिटी सर्च या वेक्टर सर्च की ज़रूरत होती है. जैसे, प्रॉडक्ट के सुझाव देना और चैटबॉट बनाना. Firestore के डेटा पर वेक्टर सर्च की जा सकती है. इसके लिए, आपको डेटा को किसी दूसरे वेक्टर सर्च समाधान में कॉपी करने की ज़रूरत नहीं होती. इससे, ऑपरेशन को आसानी से और असरदार तरीके से मैनेज किया जा सकता है.

Cloud Firestore में वेक्टर सर्च के मुख्य वर्कफ़्लो में चार चरण होते हैं.

हमारी ब्लॉग पोस्ट में, वेक्टर सर्च के बारे में पूरी जानकारी पाएं

वेक्टर एंबेडिंग जनरेट करना

वेक्टर सर्च का इस्तेमाल करने के लिए, सबसे पहले वेक्टर एम्बेडिंग जनरेट करें. एम्बेडिंग, अलग-अलग तरह के डेटा को दिखाने का तरीका है. जैसे, टेक्स्ट, इमेज, और वीडियो. ये उन इकाइयों के बीच सिमैंटिक या सिंटैक्टिक समानताएं कैप्चर करती हैं जिन्हें ये दिखाती हैं. एम्बेडिंग का हिसाब लगाने के लिए, Vertex AI text-embeddings API जैसी किसी सेवा का इस्तेमाल किया जा सकता है.

Firestore में एम्बेडिंग सेव करना

एम्बेडिंग जनरेट होने के बाद, उन्हें Firestore में सेव किया जा सकता है. इसके लिए, आपको किसी ऐसे एसडीके का इस्तेमाल करना होगा जो Firestore के साथ काम करता हो. NodeJS SDK में, यह ऑपरेशन ऐसा दिखता है:

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
});

वेक्टर इंडेक्स बनाना

अगला चरण, Firestore KNN वेक्टर इंडेक्स बनाना है. इसमें वेक्टर एम्बेडिंग सेव की जाती हैं. प्रीव्यू रिलीज़ के दौरान, आपको gcloud कमांड लाइन टूल का इस्तेमाल करके इंडेक्स बनाना होगा.

सभी वेक्टर एम्बेडिंग जोड़ने और वेक्टर इंडेक्स बनाने के बाद, खोज शुरू की जा सकती है. इसके बाद, आपको कलेक्शन रेफ़रंस पर find_nearest कॉल का इस्तेमाल करना होगा. इससे क्वेरी वेक्टर एम्बेडिंग पास की जा सकेगी. इसकी मदद से, सेव की गई एम्बेडिंग की तुलना की जा सकेगी. साथ ही, आपको दूरी के उस फ़ंक्शन के बारे में जानकारी देनी होगी जिसका इस्तेमाल करना है.

एक बार फिर, हमारे ब्लॉग पोस्ट में वर्कफ़्लो और इस्तेमाल के अन्य उदाहरणों के बारे में जानें.

खास जानकारी: वेक्टर एम्बेडिंग को सेव और क्वेरी करें.

इस्तेमाल का उदाहरण: इस सुविधा का इस्तेमाल अन्य टूल और सुविधाएं करती हैं.

वेक्टर सर्च के लिए गाइड देखें

समाधान: Firebase के साथ वेक्टर सर्च के लिए एक्सटेंशन

खास जानकारी: Firebase एक्सटेंशन का इस्तेमाल करके, वेक्टर सर्च की सुविधा के साथ अपने Firestore दस्तावेज़ों को अपने-आप एम्बेड करें और उनसे क्वेरी करें.

इस्तेमाल का उदाहरण: अपने Firebase प्रोजेक्ट में, ऑटोमैटिक वेक्टर सर्च की सुविधा का इस्तेमाल करें.

एक्सटेंशन का ब्यौरा देखें

समाधान: LangChain इंटिग्रेशन

खास जानकारी: LangChain के लिए, Firestore का इस्तेमाल वेक्टर स्टोर, दस्तावेज़ लोडर या चैट मैसेज के इतिहास के सोर्स के तौर पर करें.

इस्तेमाल का उदाहरण: जनरेटिव एआई ऐप्लिकेशन या रिट्रीवल ऑगमेंटेड जनरेशन (आरएजी) वर्कफ़्लो बनाएं.

LangChain के लिए गाइड देखें

समाधान: Genkit

खास जानकारी: Genkit एक ओपन सोर्स फ़्रेमवर्क है. इसकी मदद से, एआई की मदद से काम करने वाले ऐसे ऐप्लिकेशन बनाए जा सकते हैं जिन्हें प्रोडक्शन के लिए तैयार किया गया है. साथ ही, उन्हें डिप्लॉय और मॉनिटर किया जा सकता है.

इस्तेमाल का उदाहरण: Genkit और Cloud Firestore का इस्तेमाल करके ऐसे ऐप्लिकेशन बनाए जा सकते हैं जो कस्टम कॉन्टेंट जनरेट करते हैं, सिमैंटिक सर्च का इस्तेमाल करते हैं, बिना किसी तय फ़ॉर्मैट वाले इनपुट को हैंडल करते हैं, और आपके कारोबार के डेटा का इस्तेमाल करके सवालों के जवाब देते हैं. इसके अलावा, ये ऐप्लिकेशन और भी कई काम कर सकते हैं!

Genkit का दस्तावेज़ देखें