Premiers pas avec l'IA générative

Cette page vous aide à commencer à implémenter des fonctionnalités d'IA générative dans votre application. Elle décrit les fonctionnalités et les intégrations de Firestore qui impliquent l'IA générative.

Guide de démarrage rapide de la recherche vectorielle avec Firestore

Création de solutions innovantes optimisées par l'IA pour des cas d'utilisation (par exemple, les recommandations et les chatbots nécessitent souvent une recherche de similarité vectorielle, faites une recherche abrégée. Vous pouvez effectuer une recherche vectorielle sur les données Firestore sans avoir à copier les données dans une autre solution de recherche vectorielle, ce qui permet de maintenir la simplicité et l'efficacité opérationnelles.

Le workflow de base de la recherche vectorielle dans Firestore se compose de quatre étapes.

Découvrez tout ce que vous devez savoir sur la recherche vectorielle dans notre article de blog.

Générer représentations vectorielles continues

La première étape de la recherche vectorielle consiste à générer des embeddings vectoriels. Les embeddings sont des représentations de différents types de données, comme le texte, les images et les vidéos, qui capturent les similitudes sémantiques ou syntaxiques entre les entités qu'ils représentent. Les représentations vectorielles continues peuvent être calculées à l'aide d'un service tel que le API Vertex AI Text-embeddings.

Stocker des représentations vectorielles continues dans Firestore

Une fois les représentations vectorielles continues générées, vous pouvez les stocker dans Firestore à l'aide de l'un des SDK compatibles. Voici à quoi ressemble cette opération dans le SDK NodeJS:

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
});

Créer un index vectoriel

L'étape suivante consiste à créer un index vectoriel KNN Firestore dans lequel les embeddings vectoriels sont stockés. Pendant la version preview, vous devrez créer l'index à l'aide de l'outil de ligne de commande gcloud.

Après avoir ajouté toutes les représentations vectorielles continues et créé l'index vectoriel, vous devez sont prêts à exécuter la recherche. Vous utiliserez ensuite l'appel find_nearest sur une référence de collection pour transmettre la représentation vectorielle continue du vecteur de requête avec laquelle comparer les représentations vectorielles continues stockées et de spécifier la fonction de distance à utiliser.

Une fois encore, découvrez le workflow et d'autres cas d'utilisation dans notre article de blog.

Résumé : stockez et interrogez des embeddings vectoriels.

Cas d'utilisation : cette fonctionnalité est utilisée par les autres outils et fonctionnalités.

Consulter le guide sur la recherche vectorielle

Solution: extension de recherche vectorielle avec Firebase

Résumé : Utilisez l'extension Firebase pour intégrer et interroger automatiquement vos documents Firestore à l'aide de la fonctionnalité de recherche vectorielle.

Cas d'utilisation : effectuez une recherche vectorielle automatique dans vos projets Firebase.

Examiner la description de l'extension

Solution : Intégrations LangChain

Résumé:utiliser Firestore en tant que magasin de données vectorielles, chargeur de documents ou message de chat source d'historique de LangChain.

Cas d'utilisation : créer des applications d'IA générative ou des workflows de génération augmentée de récupération (RAG).

Consulter le guide sur LangChain

Solution : Genkit

Résumé:Firebase Genkit est un framework Open Source qui vous aide à créer, déployer et surveiller des applications optimisées par l'IA prêtes pour la production.

Cas d'utilisation:utiliser Genkit et Firestore pour créer des applications qui génèrent contenu personnalisé, utiliser la recherche sémantique, gérer les entrées non structurées, répondre des questions sur vos données d'entreprise, et bien plus encore !

Consulter la documentation Firebase Genkit