เริ่มต้นใช้งาน Generative AI

หน้านี้จะช่วยคุณเริ่มต้นใช้งานฟีเจอร์ Generative AI ในแอป โดยอธิบายฟีเจอร์และการผสานรวมสำหรับ Firestore ที่เกี่ยวข้องกับ Generative AI

การเริ่มต้นอย่างรวดเร็วสำหรับการค้นหาเวกเตอร์ด้วย Cloud Firestore

การสร้างโซลูชันที่ทำงานด้วยระบบ AI ที่ล้ำสมัยสำหรับกรณีการใช้งาน เช่น การแนะนำผลิตภัณฑ์และแชทบ็อต มักต้องใช้การค้นหาความคล้ายคลึงของเวกเตอร์ หรือเรียกสั้นๆ ว่า "การค้นหาเวกเตอร์" คุณทำการค้นหาเวกเตอร์ในข้อมูล Firestore ได้โดยไม่ต้องคัดลอกข้อมูลไปยังโซลูชันการค้นหาเวกเตอร์อื่น ซึ่งช่วยให้การดำเนินการง่ายและมีประสิทธิภาพ

เวิร์กโฟลว์หลักสำหรับการค้นหาเวกเตอร์ใน Cloud Firestore ประกอบด้วย 4 ขั้นตอน

ทําความเข้าใจการค้นหาเวกเตอร์อย่างละเอียดในบล็อกโพสต์ของเรา

สร้างการฝังเวกเตอร์

ขั้นตอนแรกในการใช้การค้นหาเวกเตอร์คือการสร้างการฝังเวกเตอร์ การฝังคือการแสดงข้อมูลประเภทต่างๆ เช่น ข้อความ รูปภาพ และวิดีโอที่จับความคล้ายคลึงทางความหมายหรือไวยากรณ์ระหว่างเอนทิตีที่แสดง คุณสามารถคํานวณการฝังโดยใช้บริการ เช่น Vertex AI Text-Embedding API

เก็บการฝังใน Firestore

เมื่อสร้างการฝังแล้ว คุณจะจัดเก็บการฝังใน Firestore ได้โดยใช้ SDK ที่รองรับ การดำเนินการดังกล่าวใน SDK ของ NodeJS 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
});

สร้างดัชนีเวกเตอร์

ขั้นตอนถัดไปคือการสร้างดัชนีเวกเตอร์ KNN ของ Firestore ซึ่งจัดเก็บการฝังเวกเตอร์ ในช่วงรุ่นตัวอย่าง คุณจะต้องสร้างดัชนีโดยใช้เครื่องมือบรรทัดคำสั่ง gcloud

เมื่อคุณได้เพิ่มการฝังเวกเตอร์ทั้งหมดและสร้างดัชนีเวกเตอร์แล้ว คุณก็พร้อมที่จะเรียกใช้การค้นหาแล้ว จากนั้นคุณจะใช้การเรียก find_nearest ในข้อมูลอ้างอิงคอลเล็กชันเพื่อส่งการฝังเวกเตอร์การค้นหาที่จะใช้เปรียบเทียบกับการฝังที่เก็บไว้ และเพื่อระบุฟังก์ชันระยะทางที่ต้องการใช้

โปรดดูเวิร์กโฟลว์และกรณีการใช้งานเพิ่มเติมในบล็อกโพสต์ของเรา

สรุป: จัดเก็บและค้นหาการฝังเวกเตอร์

กรณีการใช้งาน: เครื่องมือและฟีเจอร์อื่นๆ ใช้ฟีเจอร์นี้

ดูคู่มือสำหรับการค้นหาเวกเตอร์

วิธีแก้ไข: ส่วนขยายสำหรับการค้นหาเวกเตอร์ด้วย Firebase

สรุป: ใช้ส่วนขยาย Firebase เพื่อฝังและค้นหาเอกสารใน Firestore โดยอัตโนมัติด้วยฟีเจอร์การค้นหาเวกเตอร์

กรณีการใช้งาน: ทำการค้นหาเวกเตอร์อัตโนมัติในโปรเจ็กต์ Firebase

ตรวจสอบคำอธิบายส่วนขยาย

โซลูชัน: การผสานรวม LangChain

สรุป: ใช้ Firestore เป็นที่จัดเก็บเวกเตอร์ โปรแกรมโหลดเอกสาร หรือแหล่งที่มาของประวัติข้อความแชทสำหรับ LangChain

กรณีการใช้งาน: สร้างแอปพลิเคชัน Generative AI หรือเวิร์กโฟลว์การสร้างที่เพิ่มการดึงข้อมูล (RAG)

ดูคำแนะนำสำหรับ LangChain

โซลูชัน: Genkit

สรุป: Firebase Genkit เป็นเฟรมเวิร์กโอเพนซอร์สที่ช่วยให้คุณสร้าง ติดตั้งใช้งาน และตรวจสอบแอปที่ทำงานด้วยระบบ AI ซึ่งพร้อมใช้งานจริง

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

ดูเอกสารประกอบของ Firebase Genkit