让我们构建一个AI应用
内容提要
AI开发变得越来越受欢迎，但是在这个领域开始可能会让人感到不知所措。本文作者正在构建一个AI应用，并分享他们在此过程中的进展和学习经验。他们计划使用RedisVL和HuggingFace等工具来完成项目。作者还提到将使用Gradio来创建前端界面。他们已经在创建一个用于图像的文本搜索应用方面取得了进展。未来，他们计划搜索更大的数据集，并探索不同类型的向量相似性。作者还分享了一些他们学到的东西，包括构建AI应用程序不再需要了解KNN和决策树等概念。
延伸解读
工具选型：为何是RedisVL、HuggingFace和Gradio
作者选择RedisVL作为向量数据库客户端，因其内置了HuggingFace等嵌入提供商的集成，简化了开发。HuggingFace的多模态模型clip-ViT-L-14能同时处理文本和图像嵌入，适合图像文本搜索应用。Gradio则用于快速构建前端界面，作者作为Python开发者希望尝试。这些工具的选择基于项目需求和个人熟悉度，但作者也指出工具可能随发展而变化。
最小可行产品的实现与挑战
作者构建了一个对六张图像进行文本搜索的MVP，返回按相关性排序的图像名称和向量距离。由于RedisVL目前仅支持文本嵌入，作者使用了一个实验性分支，注释了类型检查以支持图像嵌入。这带来了类型安全风险，但作者希望未来RedisVL能官方支持。整个应用仅用约60行代码，展示了现代工具的高效性。
学习要点：现代AI开发的变化
作者发现许多AI应用构建指南已过时，现在无需了解KNN、决策树或使用TensorFlow等框架，也无需从头训练模型。相反，选择合适工具并阅读其文档更为重要。此外，作者学会了通过pip安装本地库以简化开发流程，并确认了嵌入的确定性（向量距离应接近零）。还了解了CQRS概念，但可能不适用于当前项目。
Q&A
构建AI应用需要哪些工具？
需要使用RedisVL、HuggingFace和Gradio等工具。
RedisVL有什么优势？
RedisVL简化了基于Redis的AI应用开发，支持与多个嵌入提供商的集成。
作者在构建AI应用过程中遇到了哪些挑战？
作者在创建最小可行产品时遇到了一些技术挑战，包括工具兼容性问题。
为什么选择HuggingFace作为模型提供商？
选择HuggingFace是因为其多模态模型适合文本和图像嵌入，并且该平台稳定可靠。
未来的计划是什么？
未来计划搜索更大的数据集，并探索不同类型的向量相似性。
构建AI应用不再需要哪些传统知识？
不再需要了解KNN和决策树等概念，也不需要自己构建或微调模型。
