Создание поисковой системы уровня Google с помощью Vertex AI

1. Прежде чем начать

Прежде чем продолжить эту лабораторную работу, следует обратить внимание на несколько вещей.

Предварительные условия

• Базовое понимание LLM
• Базовое понимание систем RAG

Что вы узнаете

• Как создать качественную поисковую систему Google, которая сможет ответить на ваши вопросы на основе загружаемых вами данных
• Как создать хранилище данных Vertex AI
• Как создать агенты Vertex AI
• Как использовать CloudRun для развертывания приложения

Что вам понадобится

• Учетная запись Google Cloud
• Проект Google Cloud
• IDE с терминалом

Введение

Поиск Google — это мощный инструмент, который использует массивный индекс веб-страниц и другого контента для предоставления релевантных результатов по запросам пользователей. Это стало возможным благодаря технологии под названием «Поисковая дополненная генерация» (RAG), которая является ключевой технологией в современном искусственном интеллекте.

RAG работает, сначала извлекая соответствующие отрывки из корпуса документов. Это делается с использованием различных методов, таких как сопоставление ключевых слов, семантическое сходство и машинное обучение. После извлечения соответствующих отрывков они используются для создания резюме или ответа на запрос пользователя.

Основное преимущество RAG заключается в том, что он позволяет языковым моделям избегать галлюцинаций. Галлюцинация — это термин, используемый для описания генерации текста, который не подтверждается доказательствами в корпусе документов. Это может произойти, когда языковые модели не способны различать релевантную и нерелевантную информацию.

RAG помогает избежать галлюцинаций, гарантируя, что сгенерированный текст всегда основан на доказательствах из корпуса документов. Это делает его более надежным и заслуживающим доверия источником информации.

RAG — это мощная технология, которая используется в различных приложениях, включая поисковые системы, чат-боты и системы ответов на вопросы. Вероятно, в ближайшие годы он будет играть все более важную роль в сфере ИИ.

Вот несколько примеров того, как RAG используется на практике:

• Многие поисковые системы используют RAG для создания результатов поиска, соответствующих запросу пользователя.
• Чат-боты используют RAG для генерации информативных и интересных ответов на вопросы пользователей.
• Системы ответов на вопросы используют RAG для генерации точных и полных ответов на вопросы пользователей.

RAG — это универсальный метод, который можно использовать для генерации текста в различных областях и приложениях. Это мощный инструмент, который помогает сделать ИИ более интеллектуальным и информативным.

В этой лаборатории кода мы создадим систему RAG, которая поможет ответить на ваши вопросы с помощью предоставленного корпуса, загруженного вами. Готовая платформа RAG под названием Vertex AI Search/Agent Builder помогает ускорить создание систем RAG, избегая, таким образом, ручных усилий по сбору документов, их синтаксическому анализу, фрагментированию, созданию вложений, расширению запросов, поиску и ранжированию кандидатов. В то время как готовая система RAG помогает вам быстро приступить к работе, Google Cloud также предоставляет отдельные API для каждого процесса для создания собственных систем RAG своими руками, которые помогают точно настроить ваши системы RAG в соответствии с требованиями вашего бизнеса.

Что ты построишь

К концу этой лабораторной работы у вас будет развернута работающая система RAG, которая поможет ответить на ваши вопросы, используя фактическую информацию, обоснованную и цитируемую с правильными ссылками.

Вы также лучше поймете, как использовать API-интерфейсы Vertex AI Search для создания архитектуры RAG в Google Cloud. В дополнение к этому вы также узнаете, как развернуть это приложение с архитектурой RAG (с внешним и внутренним интерфейсом) на CloudRun, который представляет собой бессерверную платформу для развертывания приложений в виде контейнеров в Google Cloud.

Как работает приложение

• Загрузите свои данные : пользователи могут загружать свои собственные данные, например PDF-файл, в качестве входных данных.
• Задавайте вопросы в строке поиска . Пользователи могут задавать вопросы в строке поиска на основе загруженных данных.
• Получение ответов : пользователи могут получать результаты поиска/кандидатов и проверять фактичность/обоснованность полученного ответа на основе релевантности запроса.

2. Настройка среды

1. В Google Cloud Console на странице выбора проекта выберите или создайте проект Google Cloud.
2. Убедитесь, что для вашего проекта Google Cloud включена оплата. Узнайте, как проверить, включена ли оплата в проекте .
3. Вы будете использовать Cloud Shell , среду командной строки, работающую в Google Cloud. Чтобы получить к нему доступ, нажмите «Активировать Cloud Shell» в верхней части консоли Google Cloud.

4. После подключения к Cloud Shell вы проверяете, что вы уже прошли аутентификацию и что для проекта установлен идентификатор вашего проекта, используя следующую команду:

gcloud auth list

5. Выполните следующую команду в Cloud Shell, чтобы убедиться, что команда gcloud знает о вашем проекте.

gcloud config list project

6. Если ваш проект не установлен, используйте следующую команду, чтобы установить его:

gcloud config set project <YOUR_PROJECT_ID>

7. Убедитесь, что включены следующие API:

• Облачный бег
• Вертексный ИИ
• Облачное хранилище

Альтернативой использованию команды gcloud является переход через консоль по этой ссылке . Обратитесь к документации по командам и использованию gcloud.

3. Шаг 1. Создайте сегмент GCP

• Перейдите в консоль и в строке поиска введите Cloud Storage.
• Выберите облачное хранилище из предложенных результатов.
• Нажмите «Создать сегмент».

• Укажите глобально уникальное имя для сегмента.
• Нажмите «Продолжить».
• В поле «Тип местоположения» выберите «Мультирегиональный».
• В раскрывающемся списке обязательно выберите вариант us (multiple regions in United States)

• Нажмите «Создать сегмент».

• После создания сегмента загрузите alphabet-metadata.json из репозитория.

4. Шаг 2. Создайте хранилище данных Vertex AI.

• В строке поиска на странице консоли введите «Vertex AI Agent Builder».
• Выберите первый продукт «Agent Builder».

• На странице Agent Builder нажмите «Хранилища данных», как показано на левой панели навигации.

• Нажмите «Создать хранилище данных».

• Выберите облачное хранилище в качестве хранилища данных.
• Нажмите «Выбрать» под значком облачного хранилища.

• На вкладке под опцией «Папка» нажмите кнопку «Обзор».
• Выберите сегмент, который вы создали на шаге 1.
• В приведенных ниже параметрах обязательно выберите «Связанные неструктурированные документы (JSONL с метаданными)».
• Нажмите Продолжить

• На странице конфигурации выберите «глобальный» в качестве местоположения вашего хранилища данных.
• Укажите идентифицируемое имя для вашего хранилища данных.
• Нажмите «Создать».

Брауни:

• Чуть выше кнопки «Создать» вы можете увидеть опцию обработки документа.
• Вы можете поэкспериментировать с различными анализаторами, такими как цифровой, OCR или анализатор макета.
• Вы также можете включить расширенное разбиение на фрагменты и указать свои собственные ограничения на размер фрагментов.

5. Шаг 3: Создайте агента

• После создания хранилища данных щелкните приложение на панели навигации слева и выберите «Приложения».
• Нажмите кнопку «Создать приложение».
• Выберите тип приложения «Поиск» (вы также можете создавать агентов, диалоговых ботов, рекомендации и т. д.).

• Убедитесь, что вы выбрали «Общий» в разделе «Содержимое». Вы также можете выбрать «Медиа» или «Рекомендации» в зависимости от хранилища данных и типа данных и систем, которые вы хотите создать.
• Обязательно включите функции Enterprise Edition и Advanced LLM.
• Укажите название вашего приложения
• Укажите название вашей компании

• Обязательно выберите регион как «глобальный».
• Нажмите «Продолжить»
• На следующем экране выберите хранилище данных, созданное на шаге 2.
• Нажмите «Создать»

6. Шаг 4. Докеризируйте свое приложение

• Откройте свой терминал в консоли Google Cloud.
• Клонируйте репозиторий <sample_repository_link>, используя следующую команду

git clone https://github.com/kkrishnan90/vertex-ai-search-agent-builder-demo

• Измените каталог и перейдите к клонированному репозиторию, используя следующую команду

cd vertex-ai-search-agent-builder-demo

• Структура папок
• Бэкэнд. Здесь будет реализована реализация API на основе Python, которая поможет создать спокойные конечные точки для взаимодействия с вашим интерфейсом.
• Интерфейс — он будет содержать приложение на основе реагирования и обслуживать пользовательский интерфейс. Он также будет содержать необходимые вызовы уровня приложения к бэкэнду через конечные точки отдыха.
• Dockerfile — этот файл будет содержать все необходимые команды для создания докер-контейнера.
• В корне каталога репозитория выполните следующую команду, которая поможет создать образ докера (примечание: обязательно используйте флаг - - platform при создании контейнеров докеров в Macbook, которые используют чипы Apple Silicon, такие как M1, M2 и т. д. Этот флаг не используется). необходимо, если вы собираете машину с Windows или если ваша архитектура ЦП основана на Intel)

docker build --platform linux/amd64 -t your-image-name .

• После успешной сборки контейнера Docker выполните следующую команду, чтобы пометить контейнер правильными тегами и убедиться, что вы предоставили версию своего образа. Помните, что может существовать несколько версий приложения и, следовательно, несколько версий в виде тегов в контейнерах Docker. С точки зрения DevOps рекомендуется всегда обеспечивать использование последней стабильной версии.

docker tag your-image-name REGION-docker.pkg.dev/PROJECT-ID/REPOSITORY-NAME/IMAGE-NAME:TAG

• Как только тегирование образа Docker-контейнера будет успешным, давайте теперь отправим изображение в реестр артефактов Google (GAR). GAR — это полностью управляемая платформа от Google, которая помогает управлять вашими докер-контейнерами и контролировать их версии. Запустите следующую команду, которая отправит указанный выше контейнер с тегами в GAR. Для получения дополнительной информации перейдите по следующей ссылке [ https://cloud.google.com/artifact-registry/docs/docker/pushing-and-pulling ]

docker push REGION-docker.pkg.dev/PROJECT-ID/REPOSITORY-NAME/IMAGE-NAME:TAG

7. Шаг 5. Разверните приложение в Cloud Run.

• Сверните свой терминал. В строке поиска консоли Google Cloud найдите Cloud Run.
• Нажмите на предложенный продукт Cloud Run.

• Нажмите «Создать услугу».
• На следующей странице убедитесь, что выбран вариант «Развернуть одну ревизию из существующего образа контейнера».
• Ниже нажмите «Выбрать»
• Теперь справа появится панель навигации.
• Обязательно проверьте, выбран ли «Реестр артефактов» в качестве вкладки.
• Обязательно проверьте правильность выбора проекта
• Нажмите на стрелку, чтобы развернуть аккордеон на ссылке на образ развернутого контейнера.
• Выберите тег контейнера и разверните его (всегда выбирайте самые последние развернутые — с правильными последними тегами, например v1, v2 и т. д.).
• Нажмите на изображение контейнера, показанное под именем тега контейнера.

• В области настройки
• Укажите имя службы для вашего приложения Cloud Run (оно будет частью URL-адреса при развертывании приложения в Cloud Run).
• Выберите соответствующий регион (в данном случае us-central1 или любой другой по вашему выбору)
• Под аутентификацией
• Убедитесь, что выбран параметр «Разрешить неаутентифицированные вызовы».
• В разделе «Распределение ЦП и цены»
• Выберите «ЦП выделяется только во время обработки запроса».
• Измените автоматическое масштабирование службы на 1 (для производственных целей рекомендуется иметь минимальное количество запущенных экземпляров для обработки ежедневного трафика, вы даже можете оставить его 0, т.е. ноль).
• Установите для параметра «Входящий контроль» значение «Все», чтобы разрешить трафику из Интернета доступ к вашему приложению.
• Нажмите «Создать»
• При этом будет развернут экземпляр Cloud Run, и его подготовка займет несколько минут.

• После развертывания вы сможете увидеть общедоступный URL-адрес, по которому вы можете получить доступ к своему веб-приложению.

8. Как все это работает

• На главной странице приложения нажмите кнопку «Загрузить документ».
• Загрузите свой PDF-файл
• Как только загрузка будет завершена
• Нажмите на панель поиска в верхней части веб-страницы.
• Начните поиск запросов, связанных с загруженным вами документом.
• После того, как вы введете запрос и нажмете «Поиск», он должен отобразить все соответствующие ответы из только что загруженного документа.
• Вы можете поиграть, заглянув в внутренний код, и добавить дополнительные конфигурации, как показано ниже.
• Добавление фрагментов
• Добавление добывающих сегментов
• Добавление ответов
• Настройка результатов Top-k, чтобы помочь LLM обобщить ответ (что-то вроде обзора AI в поиске Google).
• В качестве дополнения вы также можете добавлять теги метаданных при загрузке документа. Это поможет генерировать фасеты и фильтруемые категории.

9. Очистка

Чтобы избежать взимания платы с вашей учетной записи Google Cloud за ресурсы, используемые в этой лаборатории кода, выполните следующие действия:

1. В консоли Google Cloud перейдите на страницу «Управление ресурсами» .
2. В списке проектов выберите проект, который хотите удалить, и нажмите «Удалить» .
3. В диалоговом окне введите идентификатор проекта, а затем нажмите «Завершить работу» , чтобы удалить проект.
4. Альтернативно вы можете перейти в Cloud Run на консоли, выбрать только что развернутую службу и удалить ее.

10. Поздравления

Поздравляем! Вы успешно создали быструю готовую систему RAG, используя новейшие модели Google, и обеспечиваете качественные результаты Google по вашим поисковым запросам. Эта кодовая лаборатория предназначена только для демонстрационных целей, для случаев производственного использования необходимо установить дополнительные меры безопасности и ограждения. Ссылка на полный репозиторий здесь. Используя Google Cloud и выполнив всего 5 шагов, мы можем создать комплексную систему RAG, которая сможет предоставить вам результаты качества Google прямо из коробки за несколько минут. По мере развития генеративного ИИ и больших языковых моделей создание таких RAG-систем также помогает нам избежать ловушек галлюцинаций и появления нецитируемой информации.

Хотя это только отправная точка, мы можем творить чудеса с помощью полностью настраиваемых API-интерфейсов DIY RAG, которые обеспечивают еще большую прозрачность, мощность и эффективность для эффективной обработки каждой части конвейерного процесса.