เริ่มต้นใช้งาน Generative AI

หน้านี้จะช่วยให้คุณเริ่มต้นใช้งานฟีเจอร์ Generative AI ในแอปได้ โดยจะอธิบายฟีเจอร์และการผสานรวมสำหรับ Firestore ที่เกี่ยวข้องกับ Generative AI

คู่มือเริ่มใช้งานฉบับย่อสำหรับ Vector Search ด้วย Cloud Firestore

การสร้างโซลูชันที่ทำงานด้วยระบบ AI ที่เป็นนวัตกรรมใหม่สำหรับกรณีการใช้งาน เช่น คำแนะนำผลิตภัณฑ์ และแชทบอท มักต้องใช้การค้นหาความคล้ายคลึงของเวกเตอร์ หรือการค้นหาเวกเตอร์ แบบย่อ คุณสามารถทำการค้นหาเวกเตอร์ในข้อมูล Firestore ได้โดยไม่ต้อง ยุ่งยากกับการคัดลอกข้อมูลไปยังโซลูชันการค้นหาเวกเตอร์อื่น ซึ่งช่วยให้ การดำเนินงานมีความเรียบง่ายและมีประสิทธิภาพ

เวิร์กโฟลว์หลักสำหรับ Vector Search ใน Cloud Firestore มี 4 ขั้นตอน

ทำความเข้าใจการค้นหาเวกเตอร์อย่างเต็มที่ในบล็อกโพสต์ของเรา

สร้าง การฝังเวกเตอร์

ขั้นตอนแรกในการใช้ประโยชน์จากการค้นหาเวกเตอร์คือการสร้างการฝังเวกเตอร์ การฝังคือการแสดงข้อมูลประเภทต่างๆ เช่น ข้อความ รูปภาพ และวิดีโอ ซึ่งบันทึกความคล้ายคลึงกันทางความหมายหรือไวยากรณ์ระหว่างเอนทิตี 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 ที่จัดเก็บการฝังเวกเตอร์ ในระหว่างการเปิดตัวเวอร์ชันตัวอย่าง คุณจะต้องสร้างดัชนีโดยใช้เครื่องมือบรรทัดคำสั่ง gcloud

เมื่อเพิ่มการฝังเวกเตอร์ทั้งหมดและสร้างดัชนีเวกเตอร์แล้ว คุณก็พร้อมที่จะเรียกใช้การค้นหา จากนั้นคุณจะใช้find_nearestการเรียกใน การอ้างอิงคอลเล็กชันเพื่อส่งการฝังเวกเตอร์การค้นหาที่จะใช้เปรียบเทียบ กับการฝังที่จัดเก็บไว้ และเพื่อระบุฟังก์ชันระยะทางที่ต้องการใช้

อีกครั้งหนึ่ง โปรดสำรวจเวิร์กโฟลว์และกรณีการใช้งานเพิ่มเติมในบล็อกโพสต์ของเรา

สรุป: จัดเก็บและค้นหาการฝังเวกเตอร์

กรณีการใช้งาน: เครื่องมือและฟีเจอร์อื่นๆ จะใช้ฟีเจอร์นี้

ดูคำแนะนำสำหรับการค้นหาเวกเตอร์

โซลูชัน: การผสานรวม LangChain

สรุป: ใช้ Firestore เป็นที่เก็บเวกเตอร์ ตัวโหลดเอกสาร หรือแหล่งที่มาของประวัติข้อความแชท สำหรับ LangChain

กรณีการใช้งาน: สร้างแอปพลิเคชัน Generative AI หรือเวิร์กโฟลว์การสร้างที่เพิ่มการดึงข้อมูล (RAG)

ดูคำแนะนำสำหรับ LangChain

วิธีแก้ปัญหา: Genkit

ข้อมูลสรุป: Genkit เป็นเฟรมเวิร์กโอเพนซอร์สที่ช่วยคุณสร้าง ติดตั้งใช้งาน และตรวจสอบแอปที่ทำงานด้วยระบบ AI ซึ่งพร้อมใช้งานจริง

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

ดูเอกสารประกอบของ Genkit