Iniziare a utilizzare l'IA generativa

Questa pagina ti aiuta a iniziare a implementare le funzionalità di IA generativa nella tua app. Descrive le funzionalità e le integrazioni per Firestore che coinvolgono l'IA generativa.

Guida rapida per la ricerca vettoriale con Firestore

La creazione di soluzioni innovative basate sull'IA per casi d'uso come consigli sui prodotti e chatbot spesso richiede la ricerca di somiglianze vettoriali, in breve ricerca vettoriale. Puoi eseguire la ricerca vettoriale sui dati di Firestore senza dover copiare i dati in un'altra soluzione di ricerca vettoriale, mantenendo la semplicità e l'efficienza operativa.

Il flusso di lavoro di base per la ricerca vettoriale in Firestore è composto da 4 passaggi.

Scopri di più sulla ricerca di vettori nel nostro post del blog

Genera incorporamenti vettoriali

Il primo passaggio per utilizzare la ricerca vettoriale è generare gli embedding vettoriali. Gli embedding sono rappresentazioni di diversi tipi di dati, come testo, immagini e video, che rilevano 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, puoi archiviare gli elementi incorporati in Firestore utilizzando uno degli 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 di vettori

Il passaggio successivo consiste nel creare un indice vettoriale KNN di Firestore in cui il vettore vengono archiviati gli incorporamenti. Durante la release di anteprima, dovrai creare l'indice utilizzando lo strumento a riga di comando gcloud.

Dopo aver aggiunto tutti gli incorporamenti vettoriali e aver creato l'indice vettoriale, sono pronti per eseguire la ricerca. Dovrai quindi utilizzare la chiamata find_nearest su un riferimento alla raccolta per passare l'embedding vettoriale della query con cui confrontare gli embedding archiviati e per specificare la funzione di distanza che vuoi utilizzare.

Ancora una volta, esplora il flusso di lavoro e altri casi d'uso nel nostro post del blog.

Riepilogo: archivia ed esegui query sugli embedding vettoriali.

Caso d'uso: questa funzionalità è utilizzata dagli altri strumenti e dalle altre funzionalità.

Consulta la guida alla ricerca di vettori

Soluzione: estensione per la ricerca vettoriale con Firebase

Riepilogo: utilizza l'estensione Firebase per incorporare e eseguire query automaticamente sui tuoi documenti Firestore con la funzionalità di ricerca vettoriale.

Caso d'uso: eseguire una ricerca vettoriale automatica nei progetti Firebase.

Rivedi la descrizione dell'estensione

Soluzione: integrazioni LangChain

Riepilogo: utilizza Firestore come archivio vettoriale, caricatore di documenti o origine della cronologia dei messaggi 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 ti aiuta a creare, eseguire il deployment e monitorare app basate sull'IA 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