Inizia a utilizzare AI generativa
Questa pagina ti aiuta a iniziare a implementare le funzionalità di AI generativa nel tuo dell'app. Descrive le funzionalità e le integrazioni di Firestore che prevedono l'AI generativa.
Guida rapida per la ricerca vettoriale con Firestore
Creare soluzioni innovative basate sull'AI per casi d'uso come le soluzioni di suggerimenti e chatbot richiedono spesso la ricerca di somiglianze vettoriali, o gli Short. Puoi eseguire ricerche vettoriali sui dati Firestore senza la difficoltà di copiare i dati in un'altra soluzione di ricerca vettoriale, mantenendo la semplicità e l'efficienza operativa.
Il flusso di lavoro principale per la ricerca vettoriale in Firestore è costituito da quattro passaggi.
Comprendere appieno la ricerca vettoriale nel nostro post del blog
Genera incorporamenti vettoriali
Il primo passaggio per utilizzare la ricerca vettoriale consiste nel generare incorporamenti vettoriali. Gli incorporamenti sono rappresentazioni di diversi tipi di dati come testo, immagini, e video che colgono le somiglianze semantiche o sintattiche tra le entità che rappresentano. Gli incorporamenti possono essere calcolati utilizzando un servizio, come API di incorporamento di testi di Vertex AI.
Negozio incorporamenti in Firestore
Una volta generati gli incorporamenti, puoi archiviarli in Firestore utilizzando uno dei gli SDK supportati. Ecco come si presenta questa operazione nell'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
});
Crea un indice vettoriale
Il passaggio successivo consiste nel creare un indice vettoriale KNN di Firestore in cui il vettore
vengono archiviati gli incorporamenti. Durante la versione di anteprima, dovrai creare il cluster
utilizzando lo strumento a riga di comando gcloud
.
Esegui la ricerca vettoriale
Dopo aver aggiunto tutti gli incorporamenti vettoriali e aver creato l'indice vettoriale,
sono pronti per eseguire la ricerca. Utilizzerai quindi la chiamata find_nearest
su una
riferimento alla raccolta per passare l'incorporamento del vettore di query con cui confrontare
gli incorporamenti archiviati e specificare la funzione di distanza che si vuole utilizzare.
Ancora una volta, esplora il flusso di lavoro e altri casi d'uso nel nostro post del blog.
Soluzione: ricerca vettoriale
Riepilogo:archivia ed esegui query sugli incorporamenti vettoriali.
Caso d'uso: questa funzionalità è utilizzata dagli altri strumenti e dalle altre funzionalità.
Consulta la guida per la ricerca vettoriale
Soluzione: estensione per la ricerca vettoriale con Firebase
Riepilogo: utilizza l'estensione Firebase per incorporare ed eseguire query automaticamente sul tuo Documenti Firestore con la funzionalità di ricerca vettoriale.
Caso d'uso: eseguire una ricerca vettoriale automatica nei progetti Firebase.
Esamina la descrizione dell'estensione
Soluzione: integrazioni con LangChain
Riepilogo: utilizza Firestore come negozio vettoriale, caricatore di documenti o messaggio di chat per LangChain.
Caso d'uso: creare applicazioni di AI generativa o generazione tramite recupero (RAG).
Consulta la guida di LangChain
Soluzione: Genkit
Riepilogo: Firebase Genkit è un framework open source che consente di creare, eseguire il deployment e monitorare le app basate sull'AI pronte per la produzione.
Caso d'uso: utilizza Genkit e Firestore per creare app che generano contenuti personalizzati, utilizzare la ricerca semantica, gestire input non strutturati, rispondere domande sui dati aziendali e molto altro ancora.
Consulta la documentazione di Firebase Genkit