জেনারেটিভ এআই দিয়ে শুরু করুন

এই পৃষ্ঠাটি আপনাকে আপনার অ্যাপে জেনারেটিভ এআই ফিচারগুলো প্রয়োগ করা শুরু করতে সাহায্য করে। এতে ফায়ারস্টোরের সেইসব ফিচার এবং ইন্টিগ্রেশন বর্ণনা করা হয়েছে যেগুলোর সাথে জেনারেটিভ এআই জড়িত।

Cloud Firestore মাধ্যমে ভেক্টর অনুসন্ধানের জন্য কুইকস্টার্ট

প্রোডাক্ট রিকমেন্ডেশন এবং চ্যাটবটের মতো ব্যবহারের জন্য উদ্ভাবনী এআই-চালিত সমাধান তৈরি করতে প্রায়শই ভেক্টর সিমিলারিটি সার্চ বা সংক্ষেপে ভেক্টর সার্চের প্রয়োজন হয়। আপনি অন্য কোনো ভেক্টর সার্চ সলিউশনে ডেটা কপি করার ঝামেলা ছাড়াই ফায়ারস্টোর ডেটার উপর ভেক্টর সার্চ করতে পারেন, যা কার্যকারিতার সরলতা এবং দক্ষতা বজায় রাখে।

Cloud Firestore ভেক্টর সার্চের মূল কার্যপ্রবাহ ৪টি ধাপ নিয়ে গঠিত।

আমাদের ব্লগ পোস্টে ভেক্টর সার্চ সম্পর্কে সম্পূর্ণভাবে জানুন।

ভেক্টর এম্বেডিং তৈরি

ভেক্টর সার্চ ব্যবহারের প্রথম ধাপ হলো ভেক্টর এমবেডিং তৈরি করা। এমবেডিং হলো টেক্সট, ছবি এবং ভিডিওর মতো বিভিন্ন ধরণের ডেটার উপস্থাপনা, যা তাদের দ্বারা প্রতিনিধিত্ব করা সত্তাগুলোর মধ্যেকার শব্দার্থগত বা বাক্যগঠনগত সাদৃশ্য তুলে ধরে। ভার্টেক্স এআই টেক্সট-এমবেডিং এপিআই-এর মতো কোনো পরিষেবা ব্যবহার করে এমবেডিং গণনা করা যেতে পারে।

ফায়ারস্টোরে এমবেডিং সংরক্ষণ

এমবেডিংগুলো তৈরি হয়ে গেলে আপনি সমর্থিত SDK-গুলোর যেকোনো একটি ব্যবহার করে সেগুলো ফায়ারস্টোরে সংরক্ষণ করতে পারেন। NodeJS SDK-তে এই অপারেশনটি দেখতে কেমন, তা নিচে দেওয়া হলো:

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
});

একটি ভেক্টর সূচক তৈরি করুন

পরবর্তী ধাপ হলো একটি ফায়ারস্টোর কেএনএন ভেক্টর ইনডেক্স তৈরি করা, যেখানে ভেক্টর এমবেডিংগুলো সংরক্ষিত থাকবে। প্রিভিউ রিলিজ চলাকালীন, আপনাকে gcloud কমান্ড লাইন টুল ব্যবহার করে ইনডেক্সটি তৈরি করতে হবে।

একবার আপনি সমস্ত ভেক্টর এমবেডিং যোগ করে এবং ভেক্টর ইনডেক্স তৈরি করে ফেললে, আপনি সার্চটি চালানোর জন্য প্রস্তুত। এরপর, সংরক্ষিত এমবেডিংগুলোর সাথে তুলনা করার জন্য কোয়েরি ভেক্টর এমবেডিং পাস করতে এবং আপনি যে ডিসট্যান্স ফাংশনটি ব্যবহার করতে চান তা নির্দিষ্ট করতে, আপনি একটি কালেকশন রেফারেন্সের উপর find_nearest কলটি ব্যবহার করবেন।

আমাদের ব্লগ পোস্টে আবারও কার্যপ্রক্রিয়া এবং এর আরও ব্যবহার সম্পর্কে জানুন।

সারসংক্ষেপ: ভেক্টর এমবেডিং সংরক্ষণ ও কোয়েরি করুন।

ব্যবহারের ক্ষেত্র: এই ফিচারটি অন্যান্য টুল এবং ফিচারগুলো দ্বারা ব্যবহৃত হয়।

ভেক্টর অনুসন্ধানের জন্য নির্দেশিকা দেখুন।

সমাধান: ফায়ারবেসের সাথে ভেক্টর অনুসন্ধানের জন্য এক্সটেনশন

সারসংক্ষেপ: ভেক্টর সার্চ ফিচারের সাহায্যে আপনার ফায়ারস্টোর ডকুমেন্টগুলো স্বয়ংক্রিয়ভাবে এমবেড ও কোয়েরি করতে ফায়ারবেস এক্সটেনশনটি ব্যবহার করুন।

ব্যবহারের ক্ষেত্র: আপনার ফায়ারবেস প্রজেক্টগুলিতে স্বয়ংক্রিয় ভেক্টর অনুসন্ধান সম্পাদন করা।

এক্সটেনশনের বিবরণ পর্যালোচনা করুন

সমাধান: ল্যাংচেইন ইন্টিগ্রেশন

সারসংক্ষেপ: LangChain-এর জন্য ভেক্টর স্টোর, ডকুমেন্ট লোডার বা চ্যাট মেসেজ হিস্ট্রির উৎস হিসেবে Firestore ব্যবহার করুন।

ব্যবহারের ক্ষেত্র: জেনারেটিভ এআই অ্যাপ্লিকেশন অথবা রিট্রিভাল-অগমেন্টেড জেনারেশন (RAG) ওয়ার্কফ্লো তৈরি করা।

ল্যাংচেইনের জন্য নির্দেশিকা দেখুন।

সমাধান: জেনকিট

সারসংক্ষেপ: জেনকিট একটি ওপেন সোর্স ফ্রেমওয়ার্ক যা আপনাকে প্রোডাকশনের জন্য প্রস্তুত এআই-চালিত অ্যাপ তৈরি, স্থাপন এবং নিরীক্ষণ করতে সাহায্য করে।

ব্যবহারের ক্ষেত্র: জেনকিট এবং Cloud Firestore ব্যবহার করে এমন অ্যাপ তৈরি করুন যা কাস্টম কন্টেন্ট তৈরি করে, সিমান্টিক সার্চ ব্যবহার করে, অসংগঠিত ইনপুট পরিচালনা করে, আপনার ব্যবসায়িক ডেটা দিয়ে প্রশ্নের উত্তর দেয় এবং আরও অনেক কিছু করে!

জেনকিট ডকুমেন্টেশন দেখুন