Halaman ini membantu Anda mulai menerapkan fitur AI generatif di aplikasi. Panduan ini menjelaskan fitur dan integrasi untuk Firestore yang melibatkan AI generatif.
Panduan memulai untuk penelusuran vektor dengan Cloud Firestore
Menciptakan solusi inovatif yang didukung AI untuk kasus penggunaan seperti chatbot dan rekomendasi produk sering kali memerlukan penelusuran kemiripan vektor, atau penelusuran vektor untuk singkatnya. Anda dapat melakukan penelusuran vektor pada data Firestore tanpa kerepotan menyalin data ke solusi penelusuran vektor lain, mempertahankan kesederhanaan dan efisiensi operasional.
Alur kerja inti untuk penelusuran vektor di Cloud Firestore terdiri dari 4 langkah.
Memahami penelusuran vektor sepenuhnya di postingan blog kami
Menghasilkan embedding vektor
Langkah pertama dalam memanfaatkan penelusuran vektor adalah menghasilkan embedding vektor. Embedding adalah representasi dari berbagai jenis data seperti teks, gambar, dan video yang merekam kesamaan semantik atau sintaksis antar-entity yang diwakili. Embedding dapat dihitung menggunakan layanan, seperti Vertex AI text-embeddings API.
Menyimpan embedding di Firestore
Setelah embedding dibuat, Anda dapat menyimpannya di Firestore menggunakan salah satu SDK yang didukung. Berikut adalah tampilan operasi tersebut di 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
});
Membuat indeks vektor
Langkah berikutnya adalah membuat indeks vektor KNN Firestore yang mana embedding vektor disimpan. Selama rilis pratinjau, Anda perlu membuat indeks menggunakan alat command line gcloud.
Melakukan penelusuran vektor
Setelah menambahkan semua embedding vektor dan membuat indeks vektor, Anda siap menjalankan penelusuran. Anda kemudian akan menggunakan panggilan find_nearest pada referensi koleksi untuk meneruskan embedding vektor kueri yang dapat digunakan untuk membandingkan embedding yang disimpan dan menentukan fungsi jarak yang ingin Anda gunakan.
Sekali lagi, pelajari alur kerja dan kasus penggunaan lainnya di postingan blog kami.
Solusi: penelusuran vektor
Ringkasan: Simpan dan buat kueri embedding vektor.
Kasus penggunaan: Fitur ini digunakan oleh alat dan fitur lainnya.
Lihat panduan untuk penelusuran vektor
Solusi: ekstensi untuk penelusuran vektor dengan Firebase
Ringkasan: Gunakan ekstensi Firebase untuk secara otomatis menyematkan dan membuat kueri dokumen Firestore dengan fitur penelusuran vektor.
Kasus penggunaan: Lakukan penelusuran vektor otomatis di project Firebase Anda.
Solusi: Integrasi LangChain
Ringkasan: Gunakan Firestore sebagai penyimpanan vektor, loader dokumen, atau sumber histori pesan chat untuk LangChain.
Kasus penggunaan: Bangun aplikasi AI generatif atau alur kerja retrieval-augmented generation (RAG).
Solusi: Genkit
Ringkasan: Firebase Genkit adalah framework open source yang membantu Anda membangun, men-deploy, dan memantau aplikasi berteknologi AI yang siap produksi.
Kasus penggunaan: Gunakan Genkit dan Cloud Firestore untuk membuat aplikasi yang menghasilkan konten kustom, menggunakan penelusuran semantik, menangani input yang tidak terstruktur, menjawab pertanyaan terkait data bisnis, dan lain-lain.
Baca dokumentasi Firebase Genkit