בדף הזה נסביר איך מתחילים להטמיע תכונות של AI גנרטיבי באפליקציה. כאן מפורטות התכונות והשילובים של Firestore שכוללים AI גנרטיבי.
מדריך למתחילים לחיפוש וקטורים באמצעות Cloud Firestore
כדי ליצור פתרונות חדשניים מבוססי-AI לתרחישי שימוש כמו המלצות למוצרים וצ'אטבוטים, בדרך כלל נדרש חיפוש דמיון בין וקטורים, או חיפוש וקטורים בקיצור. אתם יכולים לבצע חיפוש וקטורי בנתונים של Firestore בלי הטרחה של העתקת הנתונים לפתרון אחר לחיפוש וקטורי, תוך שמירה על פשטות תפעולית ויעילות.
תהליך העבודה העיקרי לחיפוש וקטורים ב-Cloud Firestore מורכב מ-4 שלבים.
מידע נוסף על חיפוש וקטורים בפוסט בבלוג שלנו
יצירת הטמעות (embeddings) של וקטורים
השלב הראשון בשימוש בחיפוש וקטורים הוא יצירת הטמעות של וקטורים. הטמעות הן ייצוגים של סוגים שונים של נתונים, כמו טקסט, תמונות וסרטונים, שמתעדים דמיון סמנטי או תחבירי בין הישויות שהן מייצגות. אפשר לחשב הטמעות באמצעות שירות, כמו Vertex AI text-embeddings API.
אחסון הטמעות ב-Firestore
אחרי שיוצרים את הטמעות הקוד, אפשר לאחסן אותן ב-Firestore באמצעות אחת מחבילות 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
});
יצירת אינדקס וקטורים
השלב הבא הוא ליצור אינדקס וקטורים של KNN ב-Firestore, שבו מאוחסנים הטמעות הווקטורים. במהלך גרסת הטרום-השקה, תצטרכו ליצור את האינדקס באמצעות הכלי של שורת הפקודה gcloud.
ביצוע החיפוש של הווקטור
אחרי שמוסיפים את כל הטמעות הווקטורים ויוצרים את מדד הווקטורים, אפשר להריץ את החיפוש. לאחר מכן, תוכלו להשתמש בקריאה find_nearest על הפניה לאוסף כדי להעביר את הטמעת המרחב של וקטור השאילתה שבעזרתה תוכלו להשוות את הטמעות המרחב השמורות, ולציין את פונקציית המרחק שבה אתם רוצים להשתמש.
בפוסט הזה בבלוג תוכלו לקרוא מידע נוסף על תהליך העבודה ועל תרחישים לדוגמה.
פתרון: חיפוש וקטורים
סיכום: אחסון של הטמעות וקטורים של שאילתות.
תרחיש לדוגמה: התכונה הזו משמשת את שאר הכלים והתכונות.
הפתרון: תוסף לחיפוש וקטורי באמצעות Firebase
סיכום: תוכלו להשתמש בתוסף של Firebase כדי להטמיע מסמכי Firestore באופן אוטומטי ולבצע שאילתות לגבי המסמכים באמצעות תכונת החיפוש לפי וקטור.
תרחיש לדוגמה: ביצוע חיפוש וקטורים אוטומטי בפרויקטים של Firebase.
הפתרון: שילובים של LangChain
סיכום: השתמשו ב-Firestore בתור חנות וקטורים, טוען מסמכים או מקור ההיסטוריה של הודעות צ'אט ב-LangChain.
תרחיש לדוגמה: פיתוח אפליקציות של AI גנרטיבי או תהליכי עבודה של יצירת תוכן באמצעות אחזור משופר (RAG).
פתרון: Genkit
סיכום: Firebase Genkit הוא מסגרת בקוד פתוח שעוזרת לכם ליצור, לפרוס ולעקוב אחרי אפליקציות מבוססות-AI שמוכנות לייצור.
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.
לעיון במסמכי התיעוד של Firebase Genkit