जनरेटिव एआई का इस्तेमाल शुरू करना

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

वेक्टर सर्च की सुविधा का इस्तेमाल करने के बारे में खास जानकारी Cloud Firestore

प्रॉडक्ट के सुझाव और चैटबॉट जैसे इस्तेमाल के उदाहरणों के लिए, एआई पर आधारित नए समाधान बनाने के लिए अक्सर वेक्टर सिमिलैरिटी सर्च या कम शब्दों में कहें, तो वेक्टर सर्च की ज़रूरत होती है. Firestore के डेटा पर वेक्टर सर्च की सुविधा का इस्तेमाल किया जा सकता है. इसके लिए, डेटा को किसी अन्य वेक्टर सर्च समाधान में कॉपी करने की ज़रूरत नहीं होती. इससे, ऑपरेशनल प्रोसेस को आसान और असरदार बनाए रखा जा सकता है.

Cloud Firestore में वेक्टर सर्च की सुविधा के लिए, मुख्य वर्कफ़्लो में चार चरण शामिल हैं.

वेक्टर सर्च की सुविधा के बारे में पूरी जानकारी पाने के लिए, हमारी ब्लॉग पोस्ट पढ़ें

वेक्टर एम्बेडिंग जनरेट करना

वेक्टर सर्च की सुविधा का इस्तेमाल करने के लिए, सबसे पहले वेक्टर एम्बेडिंग जनरेट करनी होती हैं. 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, इन्हें Firestore में सेव किया जा सकता है. इसके लिए, काम करने वाले किसी SDK टूल का इस्तेमाल करें. NodeJS SDK टूल में, यह ऑपरेशन इस तरह 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, सर्च की सुविधा का इस्तेमाल किया जा सकता है. इसके बाद, आपको कलेक्शन रेफ़रंस पर find_nearest कॉल का इस्तेमाल करना होगा. इससे क्वेरी वेक्टर एम्बेडिंग पास की जा सकती है. इसकी मदद से, सेव की गई एम्बेडिंग की तुलना की जा सकती है. साथ ही, इस्तेमाल किया जाने वाला डिस्टेंस फ़ंक्शन भी तय किया जा सकता है.

वर्कफ़्लो और इस्तेमाल के अन्य उदाहरणों के बारे में जानने के लिए, हमारी ब्लॉग पोस्ट पढ़ें.

खास जानकारी: वेक्टर एम्बेडिंग सेव करना और उनके लिए क्वेरी करना.

इस्तेमाल का उदाहरण: इस सुविधा का इस्तेमाल, अन्य टूल और सुविधाओं के लिए किया जाता है.

वेक्टर सर्च की सुविधा के लिए गाइड देखें

समाधान: LangChain इंटिग्रेशन

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

इस्तेमाल का उदाहरण: जनरेटिव एआई ऐप्लिकेशन या रिट्रीवल-ऑगमेंटेड जनरेशन (RAG) वर्कफ़्लो बनाना.

LangChain के लिए गाइड देखें

समाधान: Genkit

खास जानकारी: Genkit एक ओपन सोर्स फ़्रेमवर्क है. इसकी मदद से, एआई पर आधारित ऐसे ऐप्लिकेशन बनाए, डिप्लॉय, और मॉनिटर किए जा सकते हैं जो प्रोडक्शन के लिए तैयार हों.

इस्तेमाल का उदाहरण: Genkit और Cloud Firestore का इस्तेमाल करके, ऐसे ऐप्लिकेशन बनाएं जो पसंद के मुताबिक कॉन्टेंट जनरेट करते हैं, सिमैंटिक सर्च का इस्तेमाल करते हैं, अनस्ट्रक्चर्ड इनपुट को हैंडल करते हैं, और कारोबार के डेटा के आधार पर सवालों के जवाब देते हैं. इसके अलावा, और भी कई काम किए जा सकते हैं!

Genkit का दस्तावेज़ देखें