Bu sayfa, uygulamanızda üretken yapay zeka özelliklerini kullanmaya başlamanıza yardımcı olur. Firestore'daki üretken yapay zeka özelliklerini ve entegrasyonlarını açıklar.
Cloud Firestore ile vektör araması için hızlı başlangıç kılavuzu
Ürün önerileri ve chatbot'lar gibi kullanım alanları için yenilikçi yapay zeka destekli çözümler oluşturmak genellikle vektör benzerlik araması veya kısaca vektör araması gerektirir. Verileri başka bir vektör arama çözümüne kopyalama zahmetine girmeden Firestore verilerinde vektör araması yapabilir, operasyonel basitliği ve verimliliği koruyabilirsiniz.
Cloud Firestore'da vektör aramanın temel iş akışı 4 adımdan oluşur.
Blog yayınımızda Vector Search hakkında her şeyi öğrenin.
Vektör yerleştirmeleri oluşturma
Vector Search'ü kullanmanın ilk adımı vektör yerleştirmeleri oluşturmaktır. Gömme, metin, resim ve video gibi farklı veri türlerinin, temsil ettikleri öğeler arasındaki anlamsal veya söz dizimsel benzerlikleri yakalayan gösterimleridir. Yerleştirmeler, Vertex AI Text Embeddings API gibi bir hizmet kullanılarak hesaplanabilir.
Yerleştirmeleri Firestore'da saklama
Yerleştirmeler oluşturulduktan sonra, desteklenen SDK'lardan birini kullanarak bunları Firestore'da saklayabilirsiniz. Bu işlemin NodeJS SDK'sındaki görünümü:
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
});
Vektör dizini oluşturma
Bir sonraki adım, vektör yerleştirmelerinin depolandığı bir Firestore KNN vektör dizini oluşturmaktır. Önizleme sürümü sırasında, gcloud komut satırı aracını kullanarak dizini oluşturmanız gerekir.
Vektör araması yapma
Tüm vektör gömmelerini ekleyip vektör dizinini oluşturduktan sonra aramayı çalıştırmaya hazırsınız. Ardından, depolanmış yerleştirmelerin karşılaştırılacağı sorgu vektörü yerleştirmesini iletmek ve kullanmak istediğiniz mesafe işlevini belirtmek için bir koleksiyon referansında find_nearest çağrısını kullanırsınız.
İş akışını ve diğer kullanım alanlarını blog yayınımızda inceleyebilirsiniz.
Çözüm: Vektör araması
Özet: Vektör yerleştirmelerini saklayın ve sorgulayın.
Kullanım alanı: Bu özellik, diğer araçlar ve özellikler tarafından kullanılır.
Vector Search kılavuzuna göz atın
Çözüm: Firebase ile vektör araması için uzantı
Özet: Vektör arama özelliğini kullanarak Firestore belgelerinizi otomatik olarak yerleştirmek ve sorgulamak için Firebase uzantısını kullanın.
Kullanım alanı: Firebase projelerinizde otomatik vektör araması yapın.
Çözüm: LangChain entegrasyonları
Özet: LangChain için Firestore'u vektör deposu, doküman yükleyici veya sohbet mesajı geçmişi kaynağı olarak kullanın.
Kullanım alanı: Üretken yapay zeka uygulamaları veya veriyle artırılmış üretim (RAG) iş akışları oluşturun.
Çözüm: Genkit
Özet: Genkit, üretime hazır yapay zeka destekli uygulamalar oluşturmanıza, dağıtmanıza ve izlemenize yardımcı olan açık kaynaklı bir çerçevedir.
Kullanım alanı: Genkit ve Cloud Firestore kullanarak özel içerik oluşturan, semantik arama kullanan, yapılandırılmamış girişleri işleyen, işletme verilerinizle soruları yanıtlayan ve daha birçok işlevi olan uygulamalar oluşturun.