Comece a usar a IA generativa

Esta página ajuda a começar a implementar funcionalidades de IA generativa na sua app. Descreve as funcionalidades e as integrações do Firestore que envolvem IA generativa.

Início rápido para a pesquisa vetorial com o Firestore

A criação de soluções inovadoras com tecnologia de IA para exemplos de utilização, como recomendações de produtos e chatbots, requer frequentemente a pesquisa de similaridade vetorial ou a pesquisa vetorial, abreviadamente. Pode realizar a pesquisa vetorial em dados do Firestore sem a dificuldade de copiar dados para outra solução de pesquisa vetorial, mantendo a simplicidade e a eficiência operacionais.

O fluxo de trabalho principal para a pesquisa vetorial no Firestore consiste em 4 passos.

Compreenda totalmente a pesquisa vetorial na nossa publicação no blogue

Gerar incorporações de vetores

O primeiro passo na utilização da pesquisa vetorial é gerar incorporações vetoriais. As incorporações são representações de diferentes tipos de dados, como texto, imagens e vídeo, que captam semelhanças semânticas ou sintáticas entre as entidades que representam. As incorporações podem ser calculadas através de um serviço, como a API text-embeddings do Vertex AI.

Armazene incorporações no Firestore

Depois de gerados, pode armazenar os encaixes no Firestore através de um dos SDKs suportados. Veja o aspeto dessa operação no 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
});

Crie um índice vetorial

O passo seguinte é criar um índice de vetores KNN do Firestore onde os incorporações de vetores são armazenados. Durante o lançamento de pré-visualização, tem de criar o índice com a ferramenta de linha de comandos gcloud.

Depois de adicionar todas as incorporações vetoriais e criar o índice vetorial, pode executar a pesquisa. Em seguida, vai usar a chamada find_nearest numa referência de coleção para transmitir a incorporação do vetor de consulta com a qual comparar as incorporações armazenadas e especificar a função de distância que quer usar.

Mais uma vez, explore o fluxo de trabalho e mais exemplos de utilização na nossa publicação no blogue.

Resumo: armazene e consulte incorporações vetoriais.

Exemplo de utilização: esta funcionalidade é usada pelas outras ferramentas e funcionalidades.

Consulte o guia para a pesquisa vetorial

Solução: extensão para a pesquisa vetorial com o Firebase

Resumo: use a extensão do Firebase para incorporar e consultar automaticamente os seus documentos do Firestore com a funcionalidade de pesquisa vetorial.

Exemplo de utilização: execute uma pesquisa vetorial automática nos seus projetos do Firebase.

Reveja a descrição da extensão

Solução: integrações do LangChain

Resumo: use o Firestore como um arquivo de vetores, um carregador de documentos ou uma fonte do histórico de mensagens de chat para o LangChain.

Exemplo de utilização: crie aplicações de IA generativa ou fluxos de trabalho de geração aumentada de recuperação (RAG).

Consulte o guia para o LangChain

Solução: Genkit

Resumo: o Genkit é um framework de código aberto que ajuda a criar, implementar e monitorizar apps com tecnologia de IA prontas para produção.

Exemplo de utilização: use o Genkit e o Firestore para criar apps que geram conteúdo personalizado, usam a pesquisa semântica, processam entradas não estruturadas, respondem a perguntas com os dados da sua empresa e muito mais!

Consulte a documentação do Genkit