เริ่มต้นใช้งาน Generative AI

หน้านี้จะช่วยให้คุณเริ่มต้นใช้งานฟีเจอร์ Generative AI ใน แอป โดยจะอธิบายฟีเจอร์และการผสานรวมของ Firestore ที่เกี่ยวข้องกับ Generative AI

การเริ่มต้นใช้งานการค้นหาเวกเตอร์อย่างรวดเร็วด้วย Cloud Firestore

การสร้างโซลูชันล้ำสมัยที่ทำงานด้วยระบบ AI สำหรับกรณีการใช้งานต่างๆ เช่น ผลิตภัณฑ์ คำแนะนำและแชทบ็อตมักจะต้องใช้การค้นหาความคล้ายคลึงกันของเวกเตอร์หรือเวกเตอร์ ค้นหาชื่อย่อ คุณสามารถดำเนินการค้นหาเวกเตอร์สำหรับข้อมูล Firestore โดยไม่มี ความยุ่งยากในการคัดลอกข้อมูล ไปยังโซลูชันการค้นหาเวกเตอร์อื่น ความเรียบง่ายและประสิทธิภาพในการดำเนินการ

เวิร์กโฟลว์หลักสำหรับการค้นหาเวกเตอร์ใน Cloud Firestore ประกอบด้วย 4 ขั้นตอน

ทำความเข้าใจการค้นหาเวกเตอร์อย่างสมบูรณ์ในบล็อกโพสต์ของเรา

สร้าง การฝังเวกเตอร์

ขั้นตอนแรกในการใช้การค้นหาเวกเตอร์คือการสร้างการฝังเวกเตอร์ การฝังคือการนำเสนอข้อมูลประเภทต่างๆ เช่น ข้อความ รูปภาพ และวิดีโอที่แสดงให้เห็นความคล้ายคลึงกันทางอรรถศาสตร์หรือไวยากรณ์ระหว่างสิ่งเหล่านั้น ที่พวกเขาเป็นตัวแทน การฝังสามารถคำนวณได้โดยใช้บริการ เช่น Vertex AI text-embeddings API

ร้านค้า การฝังใน Firestore

เมื่อสร้างการฝังแล้ว คุณสามารถจัดเก็บใน Firestore โดยใช้ SDK ที่รองรับ นี่คือลักษณะของการดำเนินการใน NodeJS SDK

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
});

สร้าง ดัชนีเวกเตอร์

ขั้นตอนถัดไปคือการสร้างดัชนีเวกเตอร์ Firestore KNN โดยที่เวกเตอร์ และจะจัดเก็บการฝังไว้ ระหว่างการเผยแพร่ตัวอย่าง คุณจะต้องสร้าง ดัชนีโดยใช้เครื่องมือบรรทัดคำสั่ง gcloud

เมื่อคุณเพิ่มการฝังเวกเตอร์ทั้งหมด และสร้างดัชนีเวกเตอร์แล้ว พร้อมที่จะทำการค้นหาแล้ว จากนั้นคุณจะใช้การโทร find_nearest ใน การอ้างอิงคอลเล็กชันเพื่อส่งผ่านการฝังเวกเตอร์ข้อความค้นหาที่จะเปรียบเทียบ การฝังที่จัดเก็บไว้ และเพื่อระบุฟังก์ชันระยะทางที่คุณต้องการใช้

ขอย้ำอีกครั้งว่าให้สำรวจเวิร์กโฟลว์และกรณีการใช้งานอื่นๆ ในบล็อกโพสต์

สรุป: เก็บและค้นหาการฝังเวกเตอร์

กรณีการใช้งาน: ฟีเจอร์นี้จะใช้โดยเครื่องมือและฟีเจอร์อื่นๆ

ดูคู่มือสำหรับการค้นหาเวกเตอร์

วิธีแก้ไข: ส่วนขยายสำหรับการค้นหาเวกเตอร์ด้วย Firebase

สรุป: ใช้ส่วนขยาย Firebase เพื่อฝังและค้นหา เอกสาร Firestore ด้วยฟีเจอร์การค้นหาเวกเตอร์

กรณีการใช้งาน: ดำเนินการค้นหาเวกเตอร์โดยอัตโนมัติในโปรเจ็กต์ Firebase

ตรวจสอบคำอธิบายส่วนขยาย

โซลูชัน: การผสานรวม LangChain

สรุป: ใช้ Firestore เป็นเวกเตอร์ Store, ตัวโหลดเอกสาร หรือข้อความแชท แหล่งที่มาประวัติของ LangChain

กรณีการใช้งาน: สร้างแอปพลิเคชัน Generative AI หรือการสร้างที่เสริมด้วยการดึงข้อมูล (RAG) เวิร์กโฟลว์

ดูคำแนะนำสำหรับ LangChain

วิธีแก้ไข: Genkit

สรุป: Firebase Genkit เป็นเฟรมเวิร์กโอเพนซอร์สที่จะช่วยคุณสร้าง ติดตั้งใช้งาน และตรวจสอบแอปที่ทำงานด้วยระบบ AI ที่พร้อมสำหรับการใช้งานจริง

กรณีการใช้งาน: ใช้ Genkit และ Cloud Firestore เพื่อสร้างแอปที่สร้าง เนื้อหาที่กำหนดเอง, ใช้การค้นหาความหมาย, จัดการกับอินพุตที่ไม่มีโครงสร้าง, คำตอบ กับข้อมูลธุรกิจของคุณและอื่น ๆ อีกมากมาย!

ดูเอกสารเกี่ยวกับ Firebase Genkit