Bu sayfa, uygulamanıza üretken yapay zeka özelliklerini uygulamaya başlamanıza yardımcı olur. Firestore'da üretken yapay zekayı içeren özellikler ve entegrasyonlar bu sayfada açıklanmaktadır.
Cloud Firestore ile vektör arama için hızlı başlangıç
Ürün önerileri ve chatbot'lar gibi kullanım alanları için yapay zeka destekli yenilikçi çözümler oluşturmak genellikle vektör benzerlik araması veya kısaca vektör araması gerektirir. Verileri başka bir vektör arama çözümüne kopyalama zahmetine girmeden Firestore verilerinde vektör araması gerçekleştirebilir, operasyonel basitliği ve verimliliği koruyabilirsiniz.
Cloud Firestore ürününde vektör arama için temel iş akışı 4 adımdan oluşur.
Blog yayınımızda vektör aramayı tam olarak anlama
Vektör yerleşik öğeleri oluşturma
Vektör aramayı kullanmanın ilk adımı, vektör yerleştirmeleri oluşturmaktır. Yerleştirmeler, temsil ettikleri varlıklar arasındaki anlamsal veya söz dizimsel benzerlikleri yakalayan metin, resim ve video gibi farklı veri türlerinin temsilleridir. Yerleştirmeler, Vertex AI text-embeddings API gibi bir hizmet kullanılarak hesaplanabilir.
Yerleştirmeleri Firestore'da depola
Yer paylaşımları oluşturulduktan sonra, desteklenen SDK'lardan birini kullanarak bunları Firestore'da saklayabilirsiniz. Bu işlem NodeJS SDK'sında şu şekilde görünür:
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
});
Vektör dizini oluşturma
Bir sonraki adım, vektör yerleştirmelerinin depolandığı bir Firestore KNN vektör dizini oluşturmaktır. Önizleme sürümü sırasında, gcloud komut satırı aracını kullanarak dizini oluşturmanız gerekir.
Vektör araması yapma
Tüm vektör gömmelerini ekleyip vektör dizinini oluşturduktan sonra aramayı çalıştırmaya hazırsınız demektir. Ardından, depolanan yerleştirmeleri karşılaştıracağınız sorgu vektörü yerleştirmesini iletmek ve kullanmak istediğiniz mesafe işlevini belirtmek için bir koleksiyon referansında find_nearest çağrısını kullanırsınız.
Blog yayınımızı inceleyerek iş akışını ve diğer kullanım alanlarını tekrar keşfedebilirsiniz.
Çözüm: vektör araması
Özet: Vektör yerleştirmelerini depolayın ve sorgulayın.
Kullanım alanı: Bu özellik diğer araçlar ve özellikler tarafından kullanılır.
Vektör arama kılavuzunu inceleyin
Çözüm: Firebase ile vektör araması için uzantı
Özet: Firestore belgelerinizi vektör arama özelliğiyle otomatik olarak yerleştirmek ve sorgulamak için Firebase uzantısını kullanın.
Kullanım alanı: Firebase projelerinizde otomatik vektör araması yapın.
Uzantının açıklamasını inceleyin
Çözüm: LangChain entegrasyonları
Özet: LangChain için vektör deposu, doküman yükleyici veya sohbet mesajı geçmişi kaynağı olarak Firestore'u kullanın.
Kullanım alanı: Üretken yapay zeka uygulamaları veya almayla artırılmış oluşturma (RAG) iş akışları geliştirme.
LangChain kılavuzunu inceleyin
Çözüm: Genkit
Özet: Firebase Genkit, üretime hazır yapay zeka destekli uygulamalar geliştirmenize, dağıtmanıza ve izlemenize yardımcı olan açık kaynak bir çerçevedir.
Kullanım alanı: Özel içerik oluşturan, anlamsal arama kullanan, yapılandırılmamış girişleri işleyen, iş verilerinizle soruları yanıtlayan ve daha pek çok işlem yapan uygulamalar oluşturmak için Genkit ve Cloud Firestore'yi kullanın.
Firebase Genkit belgelerini inceleyin.