เริ่มต้นใช้งาน Generative AI

หน้านี้จะช่วยคุณเริ่มต้นใช้งานฟีเจอร์ Generative AI ในแอป โดยจะอธิบายฟีเจอร์และการผสานรวมสำหรับ Firestore ที่เกี่ยวข้องกับ Generative AI

การเริ่มใช้งานฉบับย่อสำหรับการค้นหาเวกเตอร์ด้วย Cloud Firestore

การสร้างโซลูชันที่ทำงานด้วยระบบ AI ที่สร้างสรรค์สำหรับกรณีการใช้งานต่างๆ เช่น ระบบแนะนำผลิตภัณฑ์และแชทบ็อต มักจะต้องใช้การค้นหาความคล้ายคลึงของเวกเตอร์ หรือการค้นหาเวกเตอร์แบบย่อ คุณสามารถทำการค้นหาเวกเตอร์ในข้อมูล Firestore ได้โดยไม่ต้องคัดลอกข้อมูลไปยังโซลูชันการค้นหาเวกเตอร์อื่น ซึ่งช่วยให้การดำเนินงานมีความเรียบง่ายและมีประสิทธิภาพ

เวิร์กโฟลว์หลักสำหรับการค้นหาเวกเตอร์ใน Cloud Firestore มี 4 ขั้นตอน

ทำความเข้าใจการค้นหาเวกเตอร์อย่างละเอียดในบล็อกโพสต์ของเรา

สร้าง การฝังเวกเตอร์

ขั้นตอนแรกในการใช้การค้นหาเวกเตอร์คือการสร้างการฝังเวกเตอร์ การฝังคือการแสดงข้อมูลประเภทต่างๆ เช่น ข้อความ รูปภาพ และวิดีโอ ซึ่งจะจับความคล้ายคลึงกันทางความหมายหรือไวยากรณ์ระหว่างเอนทิตีที่แสดง คุณสามารถคำนวณการฝังได้โดยใช้บริการต่างๆ เช่น Vertex AI Text-Embeddings API

จัดเก็บ การฝังใน Firestore

เมื่อสร้างการฝังแล้ว คุณสามารถจัดเก็บไว้ใน Firestore ได้โดยใช้ SDK ที่รองรับรายการใดรายการหนึ่ง การดำเนินการดังกล่าวจะมีลักษณะดังนี้ใน 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
});

สร้าง ดัชนีเวกเตอร์

ขั้นตอนถัดไปคือการสร้างดัชนีเวกเตอร์ KNN ของ Firestore ที่จัดเก็บการฝังเวกเตอร์ ในระหว่างการเปิดตัวเวอร์ชันทดลอง คุณจะต้องสร้างดัชนีโดยใช้เครื่องมือบรรทัดคำสั่ง gcloud

เมื่อเพิ่มการฝังเวกเตอร์ทั้งหมดและสร้างดัชนีเวกเตอร์แล้ว คุณก็พร้อมที่จะทำการค้นหา จากนั้นคุณจะใช้การเรียก find_nearest ในการอ้างอิงคอลเล็กชันเพื่อส่งการฝังเวกเตอร์ของคําค้นหาที่จะใช้เปรียบเทียบกับการฝังที่จัดเก็บไว้ และเพื่อระบุฟังก์ชันระยะทางที่ต้องการใช้

อีกครั้งหนึ่ง โปรดดูเวิร์กโฟลว์และกรณีการใช้งานเพิ่มเติมในบล็อกโพสต์ของเรา

สรุป: จัดเก็บและค้นหาการฝังเวกเตอร์

กรณีการใช้งาน: เครื่องมือและฟีเจอร์อื่นๆ ใช้ฟีเจอร์นี้

ดูคำแนะนำสำหรับการค้นหาเวกเตอร์

วิธีแก้ปัญหา: การผสานรวม LangChain

สรุป: ใช้ Firestore เป็นที่เก็บเวกเตอร์ ตัวโหลดเอกสาร หรือแหล่งที่มาของประวัติข้อความแชทสำหรับ LangChain

กรณีการใช้งาน: สร้างแอปพลิเคชัน Generative AI หรือเวิร์กโฟลว์การสร้างที่เพิ่มประสิทธิภาพด้วยการดึงข้อมูล (Retrieval-Augmented Generation หรือ RAG)

ดูคำแนะนำสำหรับ LangChain

วิธีแก้ปัญหา: Genkit

สรุป: Genkit เป็นเฟรมเวิร์กโอเพนซอร์สที่ช่วยคุณสร้าง ปรับใช้ และตรวจสอบแอปที่ทำงานด้วยระบบ AI ที่พร้อมใช้งานจริง

กรณีการใช้งาน: ใช้ Genkit และ Cloud Firestore เพื่อสร้างแอปที่สร้าง เนื้อหาที่กำหนดเอง ใช้การค้นหาความหมาย จัดการอินพุตที่ไม่มีโครงสร้าง ตอบ คำถามด้วยข้อมูลธุรกิจ และอื่นๆ อีกมากมาย

ดูเอกสารประกอบของ Genkit