Bu sayfa, uygulamanızda üretken yapay zeka özelliklerini kullanmaya başlamanıza yardımcı olur. Firestore'un üretken yapay zeka içeren özellikleri ve entegrasyonları açıklanmaktadır.
Cloud Firestore ile vektör araması için hızlı başlangıç kılavuzu
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 yapabilir, operasyonel basitliği ve verimliliği koruyabilirsiniz.
Cloud Firestore'te vektör arama için temel iş akışı 4 adımdan oluşur.
Blog yayınımızda vektör arama hakkında daha fazla bilgi edinin.
Vektör yerleştirmeleri oluşturma
Vektör aramayı kullanmanın ilk adımı, vektör yerleştirmeleri oluşturmaktır. Yerleştirmeler; metin, resim ve video gibi farklı veri türlerinin, temsil ettikleri öğeler arasındaki anlamsal veya söz dizimsel benzerlikleri yakalayan temsilleridir. Yerleştirmeler, Vertex AI text-embeddings API gibi bir hizmet kullanılarak hesaplanabilir.
Yerleştirmeleri Firestore'da depolama
Yerleştirmeler oluşturulduktan sonra, desteklenen SDK'lardan birini kullanarak bunları Firestore'da depolayabilirsiniz. NodeJS SDK'da bu işlem 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 dizini gcloud komut satırı aracını kullanarak oluşturmanız gerekir.
Vektör aramasını gerçekleştirme
Tüm vektör yerleştirmelerini ekleyip vektör dizinini oluşturduktan sonra aramayı çalıştırmaya hazırsınız demektir. Ardından, depolanan yerleştirmelerin karşılaştırılacağı sorgu vektörü yerleştirmesini iletmek ve kullanmak istediğiniz mesafe işlevini belirtmek için koleksiyon referansında find_nearest çağrısını kullanacaksınız.
İş akışını ve diğer kullanım alanlarını blog yayınımızda bulabilirsiniz.
Çözüm: Vektör araması
Özet: Vektör yerleştirmelerini depolayın ve sorgulayın.
Kullanım alanı: Bu özellik, diğer araçlar ve özellikler tarafından kullanılır.
Vektör arama kılavuzuna göz atın
Çözüm: LangChain entegrasyonları
Özet: Firestore'u LangChain için vektör deposu, belge yükleyici veya sohbet mesajı geçmişi kaynağı olarak kullanın.
Kullanım alanı: Üretken yapay zeka uygulamaları veya veriyle artırılmış üretim (RAG) iş akışları oluşturma
Çözüm: Genkit
Özet: Genkit, üretime hazır yapay zeka destekli uygulamalar oluşturmanıza, dağıtmanıza ve izlemenize yardımcı olan açık kaynaklı bir çerçevedir.
Kullanım alanı: Genkit ve Cloud Firestore kullanarak özel içerik oluşturan, semantik arama kullanan, yapılandırılmamış girişleri işleyen, işletme verilerinizle soruları yanıtlayan ve daha birçok işlem yapan uygulamalar oluşturabilirsiniz.