Upstash এবং Vercel AI SDK ব্যবহার করে উন্নত AI অ্যাপ্লিকেশন তৈরি করুন

এই ব্লগ পোস্টে, আমরা AI অ্যাপ্লিকেশনগুলি নিয়ে আলোচনা করব যা Upstash Redis, Upstash Vector, এবং Vercel AI SDK ব্যবহার করে তৈরি করা যেতে পারে। আমরা প্রতিটি টুলের অনন্য বৈশিষ্ট্য এবং ক্ষমতাগুলি অন্বেষণ করব, হাইলাইট করব কীভাবে শক্তিশালী এবং দক্ষ AI সমাধানগুলি তৈরি করতে সেগুলিকে একীভূত করা যেতে পারে। আমরা এই সরঞ্জামগুলির কার্যকারিতা পরীক্ষা করার সময়, আমরা সংক্ষিপ্তভাবে উদাহরণ অ্যাপ্লিকেশনগুলির দিকেও নজর দেব৷

আপস্ট্যাশ ভেক্টর

আসুন প্রথমে ভেক্টর এবং ভেক্টর ডাটাবেস বুঝি।

ভেক্টর ডাটাবেসগুলি হল বিশেষায়িত ডেটা স্টোরেজ সিস্টেম যা ভেক্টর নামে পরিচিত একটি সংখ্যাসূচক বিন্যাসে ডেটা সংরক্ষণ এবং পুনরুদ্ধার করার জন্য ডিজাইন করা হয়েছে। এই ডাটাবেসগুলি দক্ষতার সাথে উচ্চ-মাত্রিক ভেক্টরের বড় ভলিউম পরিচালনা করে, যা জটিল ডেটা কাঠামো পরিচালনার জন্য তাদের আদর্শ করে তোলে। ভেক্টর ডাটাবেস ব্যবহারের মূল সুবিধা:

দক্ষতা :এই ডাটাবেসগুলি দক্ষ সঞ্চয়স্থান এবং উচ্চ-মাত্রিক ভেক্টর পুনরুদ্ধারের প্রস্তাব করে, গণনামূলক লোড হ্রাস করে এবং এআই অ্যাপ্লিকেশনগুলিতে ক্যোয়ারী রেসপন্স দ্রুত করে।

নির্ভুলতা :অপ্টিমাইজ করা অনুসন্ধান অ্যালগরিদমগুলি নিশ্চিত করে যে ভেক্টর ডাটাবেসগুলি সঠিকভাবে সবচেয়ে প্রাসঙ্গিক ডেটা পয়েন্টগুলি খুঁজে পায়, এমন সিস্টেমগুলির কার্যকারিতা বাড়ায় যেগুলির জন্য ডেটা শ্রেণীবিভাগের প্রয়োজন হয়, যেমন সুপারিশ ইঞ্জিন এবং জালিয়াতি সনাক্তকরণ সিস্টেম৷

রিয়েল-টাইম প্রক্রিয়াকরণ :রিয়েল-টাইমে ডেটা প্রক্রিয়া করার ক্ষমতা সহ, ভেক্টর ডাটাবেসগুলি চ্যাটবট এবং রিয়েল-টাইম অ্যানালিটিক্সের মতো অবিলম্বে প্রতিক্রিয়া প্রয়োজন এমন অ্যাপ্লিকেশনগুলির জন্য আদর্শ৷

এআই-এর ভেক্টরগুলি সাধারণত বস্তুর এমবেডিং-ভিত্তিক মডেলের প্রতিনিধিত্ব করে যা অ্যাপ্লিকেশনের প্রসঙ্গে প্রয়োজনীয় বৈশিষ্ট্য বা বৈশিষ্ট্যগুলি ক্যাপচার করে। উদাহরণস্বরূপ, একটি প্রাকৃতিক ভাষা প্রক্রিয়াকরণ-ভিত্তিক AI অ্যাপ্লিকেশনে, একটি ভেক্টর প্রদত্ত পাঠ্য, বক্তৃতা বা নথির শব্দার্থকে উপস্থাপন করতে পারে। একটি ইমেজ প্রসেসিং-ভিত্তিক অ্যাপ্লিকেশনে, ভেক্টরগুলি প্রদত্ত চিত্রের বৈশিষ্ট্যগুলিকে উপস্থাপন করে৷

এখন, আপস্ট্যাশ ভেক্টরের গভীরে ডুব দেওয়া যাক।

Upstash ভেক্টর হল একটি সার্ভারবিহীন ভেক্টর ডাটাবেস যা DiskANN কে ভেক্টর সাদৃশ্য অনুসন্ধান অ্যালগরিদম হিসাবে 3 ধরণের মিল ফাংশন সহ ব্যবহার করে:কোসাইন, ইউক্লিডিয়ান দূরত্ব এবং ডট পণ্য। যেহেতু আপস্ট্যাশ ভেক্টর সার্ভারহীন, এটিতে একটি পে-যেমন-ই-গো মূল্য এবং একটি বিনামূল্যের স্তর রয়েছে যা অন্বেষণ করতে চান এমন লোকেদের সমর্থন করে৷

আপনি Upstash ডক্সে Upstash ভেক্টরে ব্যবহৃত অ্যালগরিদম এবং মিল ফাংশন সম্পর্কে আরও বিশদ জানতে পারেন।

এর স্বল্প-মূল্যের উচ্চ-পারফরম্যান্স অনুসন্ধান ক্ষমতা ছাড়াও, এটি আমাদের কোডবেসে আপস্ট্যাশ ভেক্টরের সাথে সহজেই একীকরণ করতে টাইপস্ক্রিপ্ট এবং পাইথনে রেস্ট এপিআই এবং SDK প্রদান করে৷

Upstash ভেক্টরের সাথে একীভূত করতে, আমাদের প্রথমে কনসোলে লগইন করতে হবে। একবার আমরা লগ ইন করলে, আমরা Create Index-এ ক্লিক করে একটি ভেক্টর সূচক তৈরি করতে পারি বোতাম পপ-আপ মোডেলে, আমরা আমাদের সূচকের নাম দিতে পারি, সূচকটি যে অঞ্চলে থাকে সেটি নির্বাচন করতে পারি। এর পরে, আমরা আপস্ট্যাশ ভেক্টর সূচকে লেখার আগে প্রদত্ত বস্তু থেকে এমবেডিংগুলি বের করতে ব্যবহার করার জন্য একটি এমবেডিং মডেল নির্বাচন করতে পারি। Upstash-এ কিছু পূর্ব-সংজ্ঞায়িত ওপেন-সোর্স এমবেডিং মডেল রয়েছে যেগুলি ব্যবহার করা যেতে পারে। অন্যথায়, আমরা Custom নির্বাচন করতে পারি যাতে আমরা ব্যবহার করি বহিরাগত এমবেডিং মডেল অনুযায়ী ভেক্টরের মাত্রা নির্ধারণ করতে পারি।

সবশেষে, আমরা একটি সাদৃশ্য ফাংশন নির্বাচন করতে পারি যা ভেক্টরের মধ্যে দূরত্ব গণনা করে। আপস্ট্যাশে 3টি সাদৃশ্য ফাংশন সংজ্ঞায়িত করা হয়েছে:কোসাইন, ইউক্লিডীয় দূরত্ব এবং ডট পণ্য। আপনি Upstash ডক্সে সাদৃশ্য ফাংশন সম্পর্কে আরও জানতে পারেন।

পরবর্তী স্ক্রিনে, আমরা আমাদের জন্য উপযুক্ত একটি পরিকল্পনা নির্বাচন করতে পারি।

একবার আমরা সূচী তৈরি সম্পূর্ণ করলে, আমরা আমাদের কোডবেসের সাথে Upstash ভেক্টরকে একীভূত করতে পারি। আমি এই ব্লগ পোস্টে টাইপস্ক্রিপ্ট ব্যবহার করব, তবে পাইথন বা গো এসডিকেও ব্যবহার করা যেতে পারে। আমরা Details এর অধীনে দেওয়া ইন্টিগ্রেশন গাইড অনুসরণ করতে পারি Upstash ভেক্টর কনসোলে ট্যাব। আমাদের প্রথমে @upstash/vector ইনস্টল করতে হবে নির্ভরতা।

npm i @upstash/vector

এখন আমরা নিম্নলিখিত পদ্ধতিগুলি দিয়ে সহজেই সংযোগ করতে, লিখতে এবং জিজ্ঞাসা করতে পারি।

import { Index } from "@upstash/vector"
const index = new Index({
 url: <UPSTASH-VECTOR-ENDPOINT>,
 token: <UPSTASH-VECTOR-TOKEN>,
})
await index.upsert({
 id: "id1",
 vector: […],
 metadata: { metadata_field: "metadata_value" },
});
await index.query({
 vector: […],
 topK: 1,
 includeVectors: true,
 includeMetadata: true,
});

Vercel AI SDK

Vercel AI SDK হল একটি TypeScript টুলকিট যা ওয়েব অ্যাপ্লিকেশনগুলিতে AI ক্ষমতার একীকরণকে স্ট্রীমলাইন করার জন্য ডিজাইন করা হয়েছে। এটি বিভিন্ন ফ্রেমওয়ার্ক যেমন React, Next.js, Vue, Svelte এবং Node.js সমর্থন করে, যা ডেভেলপারদের এআই-চালিত অ্যাপ্লিকেশনগুলিকে দক্ষতার সাথে তৈরি করতে সক্ষম করে। Vercel AI SDK 3টি প্রধান ধারণা নিয়ে গঠিত:

AI SDK কোর

Vercel AI SDK Core হল Vercel AI SDK-এর একটি অবিচ্ছেদ্য উপাদান, যা ওয়েব অ্যাপ্লিকেশনগুলিতে কৃত্রিম বুদ্ধিমত্তার একীকরণকে প্রবাহিত করার জন্য ডিজাইন করা হয়েছে৷ এই মূল মডিউলটি একটি ইউনিফাইড এপিআই প্রদান করে যা টেক্সট, স্ট্রাকচার্ড অবজেক্ট এবং টুল কল তৈরি করতে বড় ভাষা মডেল (LLM) ব্যবহার করতে সাহায্য করে।

সবচেয়ে সাধারণ ব্যবহারের উদাহরণ হল generateText ব্যবহার করা অথবা streamText API আসুন দ্রুত সেগুলোকে টাইপস্ক্রিপ্টে ব্যবহার করি।

প্রথমে, টার্মিনালে নিম্নলিখিত কমান্ডটি চালিয়ে Vercel AI SDK আমদানি করুন৷

`npm i ai`

তারপর, আমরা generateText ব্যবহার করতে পারি উদাহরণ হিসাবে API। Vercel AI SDK কিছু পরিচিত মডেল প্রদানকারীর সাথে ইন্টিগ্রেশন প্রদান করে, যেমন OpenAI, Antropic, Google, Mistral ইত্যাদি। আমরা এই উদাহরণে OpenAI ব্যবহার করব, কিন্তু অন্যগুলি OpenAI ইন্টিগ্রেশনের মতোই সহজ৷

import { generateText } from "ai"
import { openai } from "@ai-sdk/openai"
const { text } = await generateText({
 model: openai("gpt-4-turbo"),
 prompt: "What is love?"
})

AI SDK UI

Vercel AI SDK UI হল একটি ফ্রেমওয়ার্ক-অজ্ঞেয়মূলক টুলকিট যা ডেভেলপারদের কিছু অতিরিক্ত কার্যকারিতা যেমন চ্যাট ইন্টারফেস তৈরি, জেনারেটিভ এআই উপাদান এবং রাষ্ট্র পরিচালনার মতো ইন্টারেক্টিভ চ্যাট, সমাপ্তি এবং সহকারী অ্যাপ্লিকেশন তৈরি করতে সাহায্য করার জন্য ডিজাইন করা হয়েছে।

সবচেয়ে সাধারণ ব্যবহারের উদাহরণ হল useChat এবং useCompletion হুক useChat প্রয়োজনীয় ধরনের ইনপুট এবং আউটপুট যেমন মেসেজ, লোডিং স্টেট এবং ত্রুটির জন্য স্টেট ম্যানেজমেন্টকে বিমূর্ত করে চ্যাট মেসেজ স্ট্রিমিং প্রদান করে। useCompletion বিকাশকারীদের AI অ্যাপ্লিকেশনের মধ্যে পাঠ্য সমাপ্তিগুলি পরিচালনা করার অনুমতি দেয়, চ্যাট ইনপুট অবস্থা পরিচালনা করে এবং আপনার প্রদানকারীর কাছ থেকে নতুন সমাপ্তি আসার সাথে সাথে স্বয়ংক্রিয়ভাবে UI আপডেট করে৷

এখানে, আসুন দেখি কিভাবে useChat ব্যবহার করবেন দ্রুত AI SDK UI এর উদাহরণ হিসাবে।

const { messages, input, handleInputChange, handleSubmit} =
 useChat({
 api: "api/chat",
 initialMessages: […],
 onResponse(response) {},
 streamMode: "text",
 });

আপনি দেখতে পাচ্ছেন, যখন বার্তা পাঠানো হয় তখন কল করার জন্য এটি API এন্ডপয়েন্ট নেয়, প্রতিক্রিয়া প্রাপ্ত হলে একটি ফাংশন নেয় এবং এটি নিজেই রাজ্য পরিচালনা করে।

AI SDK RSC

Vercel AI SDK-এর এই অংশটি সার্ভার-সাইড রেন্ডারিংয়ের জন্য। AI SDK RSC-এর উদ্দেশ্য হল রিঅ্যাক্ট সার্ভার কম্পোনেন্টস (RSC) এর মাধ্যমে সার্ভার থেকে সরাসরি ক্লায়েন্টে UI তৈরি এবং স্ট্রিম করতে বড় ভাষা মডেল (LLM) এর জন্য সহায়তা প্রদান করা।

সার্ভার-সাইড রেন্ডার করা UI-এর জন্য স্ট্রিমিং আউটপুট সমর্থন করার জন্য AI SDK RSC-এর একাধিক ফাংশন রয়েছে। তাদের সম্পর্কে আরও বিশদ বিবরণের জন্য, অনুগ্রহ করে Vercel AI SDK RSC ডক্স দেখুন। এই ব্লগে, আমরা শুধু একটি ফাংশন পরীক্ষা করে দেখব যে এটি কীভাবে কাজ করে। এই উদ্দেশ্যে, আসুন বুঝতে পারি কিভাবে streamUI ব্যবহার করবেন ফাংশন।

const result = await streamUI({
 model: openai('gpt-4o'),
 prompt: 'Get the weather for San Francisco',
 text: ({ content }) => <div>{content}</div>,
 tools: {},
});

এটি দেখা যায়, streamUI এছাড়াও AI SDK কোর ফাংশনের মতো কাজ করছে। প্রধান পার্থক্য হল সার্ভার থেকে রেন্ডার করা UI স্ট্রিমিং।

সংক্ষেপে, Vercel AI SDK ডেভেলপারদের ব্যাকএন্ড থেকে ফ্রন্টএন্ড পর্যন্ত সফ্টওয়্যার ডেভেলপমেন্টের সমস্ত অংশে AI অ্যাপ্লিকেশন তৈরি করতে সাহায্য করে৷

Upstash Redis

এআই অ্যাপ্লিকেশনগুলিতে, আপস্ট্যাশ রেডিস প্রধানত API এবং LLM মডেলের ব্যবহার, ক্যাশিং উদ্দেশ্যে বা বার্তা ইতিহাস সংরক্ষণের জন্য একটি AI চ্যাটবট অ্যাপ্লিকেশনে রেট সীমিত করার জন্য ব্যবহার করা যেতে পারে৷

আমাদের প্রথমে Upstash কনসোলে একটি Redis ডাটাবেস তৈরি করা উচিত।

আমরা একবার রেডিস ডাটাবেস তৈরি করার পরে, তারপরে আমরা ডেটা লিখতে এবং অনুসন্ধান করতে আমাদের কোডবেসের সাথে রেডিসকে একীভূত করতে পারি, যা একটি ক্যাশিং ডেটা, বার্তা ইতিহাস, কথোপকথনের অবস্থা ইত্যাদি হতে পারে। এটি করার জন্য, আমাদের প্রথমে Upstash Redis SDK ইনস্টল করা উচিত।

npm i @upstash/redis

তারপর, আমরা কোড থেকে আমাদের রেডিস ডাটাবেস সংযোগ করতে পারি।

import { Redis } from '@upstash/redis'
const redis = new Redis({
 url: <UPSTASH-REDIS-ENDPOINT>,
 token: <UPSTASH-REDIS-TOKEN>,
})
const data = await redis.set('foo', 'bar');

আমরা যদি হার সীমিত করার জন্য Redis ব্যবহার করতে চাই, আমরা Upstash দ্বারা প্রদত্ত রেট সীমিত SDKও ব্যবহার করতে পারি। SDK হার সীমিত করার জন্য ইনস্টল করা নির্ভরতা ভিন্ন।

npm install @upstash/ratelimit

এখন, হার সীমিতকরণ বাস্তবায়ন করতে;

import { Ratelimit } from "@upstash/ratelimit";
import { Redis } from "@upstash/redis";
 
// Create a new ratelimiter, that allows 10 requests per 10 seconds
const ratelimit = new Ratelimit({
 redis: Redis.fromEnv(),
 limiter: Ratelimit.slidingWindow(10, "10 s"),
 analytics: true,
 /**
 * Optional prefix for the keys used in redis. This is useful if you want to share a redis
 * instance with other applications and want to avoid key collisions.5
 */
 prefix: "prefix",
});
 
// Use a constant string to limit all requests with a single ratelimit
// Or use a userID, apiKey or ip address for individual limits.
const identifier = "identifier";
const { success } = await ratelimit.limit(identifier);
if (!success) {
 return "Unable to process at this time";
}
// rest of the code

Vercel AI SDK এর সাথে Upstash Redis এবং Vector ব্যবহার করা

এখন, উপরে বর্ণিত টুল দিয়ে কি করা যায়? অনেক কিছু...

RAG চ্যাটবট হল সবচেয়ে সাধারণ জেনারেটিভ AI অ্যাপ্লিকেশন যা Vercel AI SDK এবং Upstash Vector ডাটাবেস দিয়ে তৈরি করা যেতে পারে। Retrieval-Augmented Generation (RAG) হল একটি উন্নত ফ্রেমওয়ার্ক যা উল্লেখযোগ্যভাবে চ্যাটবট এবং অন্যান্য কথোপকথনমূলক AI সিস্টেমের ক্ষমতা বৃদ্ধি করে। এটি আরও নির্ভুল, প্রাসঙ্গিকভাবে প্রাসঙ্গিক, এবং তথ্যপূর্ণ প্রতিক্রিয়া প্রদানের জন্য দুটি গুরুত্বপূর্ণ উপাদান—পুনরুদ্ধার এবং প্রজন্ম—কে একত্রিত করে। RAG চ্যাটবটগুলি ভেক্টর ডাটাবেসকে পুনরুদ্ধারকারী হিসাবে ব্যবহার করে, যা একটি এমবেডিং বিন্যাসে চ্যাটের ইতিহাস সংরক্ষণ করে এবং দেয় যা LLM মডেল থেকে পরবর্তী প্রতিক্রিয়া তৈরি করার জন্য ব্যবহার করা যেতে পারে। এইভাবে, LLM মডেল কথোপকথনের প্রসঙ্গের সাথে প্রাসঙ্গিক প্রতিক্রিয়া তৈরি করতে পারে এবং অতীতের আলোচনা থেকে শিখতে পারে।

এই ধরনের চ্যাটবট অ্যাপ্লিকেশনের জন্য, Upstash ভেক্টর একটি নিখুঁত ভেক্টর ডাটাবেস যা পুনরুদ্ধারকারী হতে পারে। Upstash ভেক্টরের সাথে একীকরণের উপরে, আমরা streamText ব্যবহার করতে পারি অথবা streamObject LLM মডেল যেমন OpenAI, Anthropic, Mistral ইত্যাদি থেকে আসা রেসপন্স জেনারেট করতে এবং স্ট্রিম করতে ব্যাকএন্ড সাইডে Vercel AI SDK কোর কম্পোনেন্টের API। ফ্রন্ট এন্ড সাইডে, আমরা useChat এর সুবিধা নিতে পারি। Vercel AI SDK UI কম্পোনেন্টের হুক, যা একটি শক্তিশালী ফ্রেমওয়ার্ক যা চ্যাট UI এবং স্টেট ম্যানেজমেন্ট পরিচালনা করে। আপনি DegreeGuru ব্লগ পোস্টে একটি উদাহরণ RAG অ্যাপ্লিকেশন দেখতে পারেন।

আরেকটি সাধারণ উদাহরণ AI অ্যাপ্লিকেশন টাইপ যা Vercel AI SDK দিয়ে সহজেই তৈরি করা যায় তা হল সুপারিশ সিস্টেম। একটি সুপারিশ সিস্টেম একটি ই-কমার্স প্ল্যাটফর্মের সবচেয়ে গুরুত্বপূর্ণ বৈশিষ্ট্যগুলির মধ্যে একটি। এটি ব্যবহারকারীর ব্যক্তিগত পছন্দ এবং ইতিহাস ব্যবহার করে ব্যবহারকারীর স্বার্থ চিহ্নিত করে দরকারী সুপারিশ প্রদান করে। সুপারিশ সিস্টেম তৈরি করার সময়, Vercel AI SDK Core আমাদেরকে embed ব্যবহার করে সহজেই ব্যবহারকারীর ডেটার এম্বেডিং বের করতে সাহায্য করতে পারে। ফাংশন আসুন নীচের উদাহরণ কোডটি দেখি।

import { embed } from 'ai';
import { openai } from '@ai-sdk/openai';
// 'embedding' is a single embedding object (number[])
const { embedding } = await embed({
 model: openai.embedding('text-embedding-3-small'),
 value: 'sunny day at the beach',
});

এমবেডিংগুলি এক্সট্র্যাক্ট করার পরে, যা আসলে একটি সংখ্যাসূচক অ্যারে বিন্যাসে শব্দার্থিক ডেটা, আমরা আপস্ট্যাশ ভেক্টরে আউটপুট সংরক্ষণ করতে পারি। এই এমবেডিংগুলি ব্যবহারকারীর অভ্যাস অনুযায়ী জিজ্ঞাসা করা এবং শ্রেণীবদ্ধ করা যেতে পারে এবং ভবিষ্যতের সুপারিশগুলিতে ব্যবহার করা যেতে পারে৷

embed Vercel AI SDK Core-এর ইনপুট থেকে এমবেডিং বের করে নেওয়া ফাংশনটি যেকোন ধরনের মেশিন লার্নিং অ্যাপ্লিকেশনে ব্যবহার করা যেতে পারে, যেমন শব্দার্থক অনুসন্ধান, চিত্র অনুসন্ধান, বিষয়বস্তুর সংক্ষিপ্তকরণ ইত্যাদি। বিকাশকারীরা এই ফাংশন দ্বারা নিষ্কাশিত ভেক্টর এম্বেডিংগুলিকে Upstash ভেক্টর ডাটাবেসে সন্নিবেশ করতে পারে যাতে পণ্যগুলি কাঁচা ডেটা সঞ্চয় করার প্রয়োজন ছাড়াই এমবেডিংয়ের উপর ভিত্তি করে ইনপুটগুলি বিশ্লেষণ করতে পারে, যা AI অ্যালগরিদমের জন্য অকেজো। শেষ উদাহরণ অ্যাপ্লিকেশন হল গ্রাহক পর্যালোচনার AI সারাংশ। এই উদাহরণের অ্যাপ্লিকেশনে, আমরা প্রদত্ত পাঠ্যগুলি থেকে এমবেডিংগুলি বের করতে পারি, যা একটি পণ্যের গ্রাহক পর্যালোচনা এবং এটি ভেক্টর ডাটাবেসে সংরক্ষণ করতে পারি। পরে, বিশ্লেষকরা ভেক্টর ব্যবহার করে ডেটার সারাংশ পেতে পারেন LLM মডেলে, Vercel AI SDK Core-এর সাথে।

শেষ উদাহরণ যা আমরা এই ব্লগ পোস্টে আলোচনা করতে পারি তা হল জালিয়াতি/অসঙ্গতি সনাক্তকরণ সিস্টেম। অস্বাভাবিকতা সনাক্তকরণের একটি খুব প্রাথমিক বিন্যাসে, বিকাশকারীদের লেনদেন বা ব্যবহারকারীর আচরণকে শ্রেণীবদ্ধ করতে হবে যাতে তারা কোনও অস্বাভাবিক গতিবিধি আছে কিনা তা সনাক্ত করতে পারে। সেই উদ্দেশ্যে, এন-ডাইমেনশনাল স্পেসে অবস্থান করার জন্য ভেক্টর তৈরি করতে Upstash ভেক্টর ডাটাবেস ব্যবহার করা যেতে পারে। আপস্ট্যাশ ভেক্টরে ভেক্টর সংরক্ষণের মাধ্যমে ব্যবহারকারীদের মিথস্ক্রিয়া স্থানটিতে অবস্থিত হলে, বিশ্লেষক সরঞ্জামগুলি ভেক্টর স্থানের মিথস্ক্রিয়াগুলির সাথে আগত মিথস্ক্রিয়াগুলির মিল পেতে পারে। এই সাদৃশ্য স্কোরগুলি মিথস্ক্রিয়া স্বাভাবিক কিনা তা সনাক্ত করতে সাহায্য করতে পারে৷

আমরা উপরে আলোচনা করা সমস্ত উদাহরণ অ্যাপ্লিকেশনগুলিতে, আমরা যেকোন ধরণের ভারী অপারেশনের জন্য Upstash হার সীমিত বৈশিষ্ট্য ব্যবহার করতে পারি, যেমন টেক্সট তৈরি করা, এমবেডিং বের করার জন্য AI মডেলকে কল করা ইত্যাদি। হার সীমিত করার জন্য ধন্যবাদ, আমরা আমাদের ক্রিয়াকলাপগুলিকে ট্র্যাফিকের বিস্ফোরণ থেকে রক্ষা করতে পারি। তা ছাড়াও, আপস্ট্যাশ রেডিস আমাদের অ্যাপ্লিকেশনের জন্য অশোধিত ব্যবহারকারীর ডেটা যেমন বার্তার ইতিহাস, আমরা এলএলএম মডেলগুলির জন্য ব্যবহার করি এমন প্রম্পটগুলির ক্যাশে এবং আরও অনেক কিছু সংরক্ষণ করার জন্য একটি দুর্দান্ত জায়গা হতে পারে৷

উপসংহার

এই ব্লগ পোস্টে, আমরা আবিষ্কার করেছি যে Upstash Redis, Upstash Vector, এবং Vercel AI SDK উন্নত AI অ্যাপ্লিকেশন নির্মাণের জন্য একটি মূল্যবান সমন্বয় গঠন করে। এই সরঞ্জামগুলি দক্ষতার সাথে ডেটা পরিচালনা, তথ্য প্রক্রিয়াকরণ এবং এআই মডেল স্থাপন করতে একসাথে কাজ করে। প্রদত্ত উদাহরণগুলি AI সমাধানগুলির একটি পরিসর তৈরিতে এই প্রযুক্তি স্ট্যাকের বহুমুখীতা প্রদর্শন করে৷

আরও উদাহরণের জন্য, আপনি Upstash ব্লগ এবং Vercel টেমপ্লেটগুলি পরীক্ষা করতে পারেন৷