เริ่มต้นใช้งาน Generative AI

หน้านี้จะช่วยคุณเริ่มต้นใช้งานฟีเจอร์ Generative AI ในแอป รวมถึงอธิบายฟีเจอร์และการผสานรวมสำหรับ Firestore ที่เกี่ยวข้องกับ Generative AI

การเริ่มต้นใช้งานการค้นหาเวกเตอร์ด้วย Cloud Firestore อย่างรวดเร็ว

การสร้างโซลูชันที่ทำงานด้วยระบบ AI ที่เป็นนวัตกรรมใหม่สำหรับกรณีการใช้งาน เช่น คำแนะนำผลิตภัณฑ์และแชทบอท มักต้องใช้การค้นหาความคล้ายคลึงของเวกเตอร์ หรือที่เรียกสั้นๆ ว่าการค้นหาเวกเตอร์ คุณสามารถทำการค้นหาเวกเตอร์ในข้อมูล Firestore ได้โดยไม่ต้อง ยุ่งยากในการคัดลอกข้อมูลไปยังโซลูชันการค้นหาเวกเตอร์อื่น ซึ่งจะช่วยรักษา ความเรียบง่ายและประสิทธิภาพในการปฏิบัติงาน

เวิร์กโฟลว์หลักสำหรับการค้นหาเวกเตอร์ใน Cloud Firestore ประกอบด้วย 4 ขั้นตอน

ทำความเข้าใจการค้นหาเวกเตอร์อย่างเต็มที่ในบล็อกโพสต์

สร้าง การฝังเวกเตอร์

ขั้นตอนแรกในการใช้การค้นหาเวกเตอร์คือการสร้างการฝังเวกเตอร์ การฝังคือการแสดงข้อมูลประเภทต่างๆ เช่น ข้อความ รูปภาพ และวิดีโอ ซึ่งจับความคล้ายคลึงทางความหมายหรือไวยากรณ์ระหว่างเอนทิตี ที่แสดง คุณคำนวณการฝังได้โดยใช้บริการ เช่น Vertex AI Text Embeddings API

จัดเก็บ การฝังใน Firestore

เมื่อสร้างการฝังแล้ว คุณจะจัดเก็บไว้ใน Firestore ได้โดยใช้ SDK ที่รองรับรายการใดรายการหนึ่ง การดำเนินการดังกล่าวใน NodeJS SDK จะมีลักษณะดังนี้

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
});

สร้าง ดัชนีเวกเตอร์

ขั้นตอนถัดไปคือการสร้างดัชนีเวกเตอร์ KNN ของ Firestore ซึ่งจะจัดเก็บการฝังเวกเตอร์ ในระหว่างการเปิดตัวเวอร์ชันตัวอย่าง คุณจะต้องสร้างดัชนีโดยใช้เครื่องมือบรรทัดคำสั่ง gcloud

เมื่อเพิ่มการฝังเวกเตอร์ทั้งหมดและสร้างดัชนีเวกเตอร์แล้ว คุณก็พร้อมที่จะเรียกใช้การค้นหา จากนั้นคุณจะใช้การเรียก find_nearest ในการอ้างอิงคอลเล็กชันเพื่อส่งการฝังเวกเตอร์การค้นหาที่จะใช้เปรียบเทียบ การฝังที่จัดเก็บไว้ และเพื่อระบุฟังก์ชันระยะทางที่ต้องการใช้

อีกครั้งหนึ่ง โปรดดูเวิร์กโฟลว์และกรณีการใช้งานอื่นๆ ในบล็อกโพสต์ของเรา

สรุป: จัดเก็บและค้นหาเวกเตอร์การฝัง

กรณีการใช้งาน: เครื่องมือและฟีเจอร์อื่นๆ ใช้ฟีเจอร์นี้

ดูคำแนะนำสำหรับการค้นหาเวกเตอร์

โซลูชัน: ส่วนขยายสำหรับการค้นหาเวกเตอร์ด้วย Firebase

สรุป: ใช้ส่วนขยาย Firebase เพื่อฝังและค้นหาเอกสาร Firestore โดยอัตโนมัติด้วยฟีเจอร์การค้นหาเวกเตอร์

กรณีการใช้งาน: ดำเนินการค้นหาเวกเตอร์อัตโนมัติในโปรเจ็กต์ Firebase

ตรวจสอบคำอธิบายส่วนขยาย

โซลูชัน: การผสานรวม LangChain

สรุป: ใช้ Firestore เป็นที่เก็บเวกเตอร์ ตัวโหลดเอกสาร หรือแหล่งประวัติข้อความแชท สำหรับ LangChain

กรณีการใช้งาน: สร้างแอปพลิเคชัน Generative AI หรือเวิร์กโฟลว์การสร้างที่เพิ่มการดึงข้อมูล (RAG)

ดูคำแนะนำสำหรับ LangChain

โซลูชัน: Genkit

ข้อมูลสรุป: Genkit เป็นเฟรมเวิร์กโอเพนซอร์สที่ช่วยคุณสร้าง ติดตั้งใช้งาน และตรวจสอบแอปที่ทำงานด้วยระบบ AI ซึ่งพร้อมใช้งานจริง

กรณีการใช้งาน: ใช้ Genkit และ Cloud Firestore เพื่อสร้างแอปที่สร้างเนื้อหาที่กำหนดเอง ใช้การค้นหาเชิงความหมาย จัดการอินพุตที่ไม่มีโครงสร้าง ตอบคำถามด้วยข้อมูลธุรกิจ และอื่นๆ อีกมากมาย

ดูเอกสารประกอบของ Genkit