إنشاء تطبيق أسئلة وأجوبة باستخدام لعبة RAG متعددة النماذج باستخدام Gemini Pro

1. مقدمة

ما هو مقياس RAG

إنّ أسلوب "التوليد المعزّز لاسترداد المعلومات" (RAG) هو أسلوب يجمع بين فعالية النماذج اللغوية الكبيرة (LLM) والقدرة على استرداد المعلومات ذات الصلة من مصادر المعرفة الخارجية. وهذا يعني أنّ النموذج اللغوي الكبير لا يعتمد فقط على بيانات التدريب الداخلية، بل يمكنه أيضًا الوصول إلى معلومات محدّثة ودقيقة ودمجها عند إنشاء الردود.

936b7eedba773cac.png

تزداد شعبية نموذج RAG لعدة أسباب:

  • زيادة الدقة والصلة: تسمح ميزة RAG للنماذج اللغوية الكبيرة بتقديم ردود أكثر دقة وصلة من خلال ربطها بمعلومات وقائعية يتم استرجاعها من مصادر خارجية. ويُعدّ ذلك مفيدًا بشكل خاص في السيناريوهات التي تكون فيها المعرفة المحدّثة ضرورية، مثل الإجابة عن أسئلة حول الأحداث الجارية أو تقديم معلومات حول مواضيع معيّنة.
  • تقليل الهلوسة: يمكن أن تنشئ النماذج اللغوية الكبيرة أحيانًا ردودًا تبدو منطقية ولكنها في الواقع غير صحيحة أو غير منطقية. تساعد ميزة "التقييم حسب مدى الصلة بالموضوع" في الحدّ من هذه المشكلة من خلال التحقّق من صحة المعلومات التي يتم إنشاؤها من خلال مراجعتها مع مصادر خارجية.
  • إمكانية التكيّف بشكلٍ أكبر: تجعل تقنية RAG النماذج اللغوية الكبيرة أكثر قدرة على التكيّف مع النطاقات والمهام المختلفة. من خلال الاستفادة من مصادر المعلومات المختلفة، يمكن تخصيص نموذج "الذكاء الاصطناعي القانوني" بسهولة لتقديم معلومات حول مجموعة كبيرة من المواضيع.
  • تجربة مستخدم محسّنة: يمكن أن تحسِّن ميزة RAG تجربة المستخدم بشكل عام من خلال تقديم ردود أكثر إفادة وموثوقية وملاءمةً.

مزايا استخدام أسلوب "الوسائط المتعددة"

في عالمنا اليوم الذي يضمّ الكثير من البيانات، غالبًا ما تجمع المستندات النصوص والصور لنقل المعلومات بشكل شامل. ومع ذلك، تتجاهل معظم أنظمة "الإنشاء المعزّز لاسترداد المعلومات" (RAG) الإحصاءات القيّمة المخزّنة في الصور. مع تزايد أهمية النماذج اللغوية الكبيرة (LLM) متعددة الوسائط، من المهم استكشاف كيفية الاستفادة من المحتوى المرئي إلى جانب النص في نموذج RAG، ما يؤدي إلى فهم أعمق للمشهد المعلوماتي.

خياران لتقييم RAG المتعدّد الوسائط

  • العناصر المضمّنة المتعددة الوسائط: ينشئ نموذج العناصر المضمّنة المتعددة الوسائط ناقلات* تتألف من 1408 سمة استنادًا إلى الإدخال الذي تقدّمه، والذي يمكن أن يتضمّن مجموعة من بيانات الصور والنصوص والفيديوهات. يكون متجه تضمين الصورة ومتجه تضمين النص في المساحة الدلالية نفسها وبنفس الأبعاد. وبالتالي، يمكن استخدام هذه المتجهات بشكل متبادل في حالات استخدام مثل البحث عن صورة حسب النص أو البحث عن فيديو حسب الصورة. اطّلِع على هذا العرض التوضيحي.
  1. استخدام ميزة "التضمين المتعدّد الوسائط" لتضمين النصوص والصور
  2. استرداد كليهما باستخدام البحث عن التشابه
  3. تمرير كلّ من الصورة الأولية التي تم استرجاعها ومقاطع النص إلى نموذج لغوي متعدد الوسائط لإنشاء الإجابات
  • إدراج النصوص:
  1. استخدام النماذج اللغوية الكبيرة المتعددة الوسائط لإنشاء ملخّصات نصية للصور
  2. تضمين النص واسترداده
  3. تمرير أجزاء من النص إلى نموذج لغوي كبير (LLM) لإنشاء إجابات

ما هو "أداة استرجاع البيانات باستخدام جهات اتصال متعددة"؟

تستخدِم ميزة "الاسترداد باستخدام متعدّد المتجهات" ملخّصات لأقسام المستند لاسترداد المحتوى الأصلي من أجل تجميع الإجابات. ويُحسِّن ذلك من جودة مقياس RAG، خاصةً للمهام المكثّفة التي تتضمّن الجداول والرسومات البيانية وغيرها. يمكنك الاطّلاع على مزيد من التفاصيل في مدوّنة Langchain.

التطبيق الذي ستصممه

حالة الاستخدام: تطوير نظام للإجابة عن الأسئلة باستخدام Gemini Pro

تخيل أنّ لديك مستندات تحتوي على رسوم بيانية أو مخططات بيانية معقّدة مليئة بالمعلومات. تريد استخراج هذه البيانات للإجابة عن أسئلة أو طلبات بحث.

في هذا الدليل التعليمي حول الرموز البرمجية، ستنفِّذ ما يلي:

  • تحميل البيانات باستخدام LangChain document_loaders
  • إنشاء ملخّصات نصية باستخدام نموذج gemini-pro من Google
  • إنشاء ملخصات للصور باستخدام نموذج gemini-pro-vision من Google
  • إنشاء عملية استرجاع متعددة المتجهات باستخدام نموذج textembedding-gecko من Google مع Croma Db كمخزن متجهات
  • تطوير سلسلة RAG متعددة الوسائط للإجابة عن الأسئلة

2. قبل البدء

  1. في Google Cloud Console، في صفحة أداة اختيار المشاريع، اختَر مشروعًا على Google Cloud أو أنشِئه.
  2. تأكَّد من تفعيل الفوترة لمشروعك على Google Cloud. تعرَّف على كيفية التحقّق مما إذا كانت الفوترة مفعَّلة في مشروع.
  3. تفعيل جميع واجهات برمجة التطبيقات المقترَحة من لوحة بيانات Vertex AI
  4. افتح دفتر ملاحظات Colab وسجِّل الدخول إلى الحساب نفسه المستخدَم في حسابك الحالي والنشط على Google Cloud.

3- إنشاء الحالة العامة (RAG) للمحتوى المتعدّد الوسائط

يستخدم هذا الدرس التطبيقي حزمة تطوير البرامج (SDK) Vertex AI لبرنامج Python وLangchain لشرح كيفية تنفيذ "الخيار 2" الموضّح هنا باستخدام Google Cloud.

يمكنك الرجوع إلى الرمز الكامل في الملف Multi-modal RAG with Google Cloud من المستودع المُشار إليه.

4. الخطوة 1: تثبيت التبعيات واستيرادها 

!pip install -U --quiet langchain langchain_community chromadb  langchain-google-vertexai
!pip install --quiet "unstructured[all-docs]" pypdf pillow pydantic lxml pillow matplotlib chromadb tiktoken

أدخِل رقم تعريف المشروع وأكمِل عملية المصادقة.

#TODO : ENter project and location
PROJECT_ID = ""
REGION = "us-central1"

from google.colab import auth
auth.authenticate_user()

بدء منصة Vertex AI

import vertexai
vertexai.init(project = PROJECT_ID , location = REGION)

5- الخطوة 2: إعداد البيانات وتحميلها

نستخدم ملفًا مضغوطًا يحتوي على مجموعة فرعية من الصور المستخرَجة وملفات PDF من هذه المشاركة في المدونة. إذا أردت اتّباع العملية الكاملة، يُرجى استخدام المثال الأصلي.

تنزيل البيانات أولاً

import logging
import zipfile
import requests

logging.basicConfig(level=logging.INFO)

data_url = "https://storage.googleapis.com/benchmarks-artifacts/langchain-docs-benchmarking/cj.zip"
result = requests.get(data_url)
filename = "cj.zip"
with open(filename, "wb") as file:
   file.write(result.content)

with zipfile.ZipFile(filename, "r") as zip_ref:
   zip_ref.extractall()

تحميل محتوى النص من المستند

from langchain_community.document_loaders import PyPDFLoader

loader = PyPDFLoader("./cj/cj.pdf")
docs = loader.load()
tables = []
texts = [d.page_content for d in docs]

التحقّق من المحتوى من الصفحة الأولى

texts[0]

من المفترض أن يظهر لك الناتج التالي:

2c5c257779c0f52a.png

إجمالي الصفحات في المستند

len(texts)

الناتج المتوقّع هو

b5700c0c1376abc2.png

6- الخطوة 3: إنشاء ملخّصات نصية

استيراد المكتبات المطلوبة أولاً

from langchain_google_vertexai import VertexAI , ChatVertexAI , VertexAIEmbeddings
from langchain.prompts import PromptTemplate
from langchain_core.messages import AIMessage
from langchain_core.output_parsers import StrOutputParser
from langchain_core.runnables import RunnableLambda

الحصول على ملخّصات نصية

# Generate summaries of text elements
def generate_text_summaries(texts, tables, summarize_texts=False):
   """
   Summarize text elements
   texts: List of str
   tables: List of str
   summarize_texts: Bool to summarize texts
   """

   # Prompt
   prompt_text = """You are an assistant tasked with summarizing tables and text for retrieval. \
   These summaries will be embedded and used to retrieve the raw text or table elements. \
   Give a concise summary of the table or text that is well optimized for retrieval. Table or text: {element} """
   prompt = PromptTemplate.from_template(prompt_text)
   empty_response = RunnableLambda(
       lambda x: AIMessage(content="Error processing document")
   )
   # Text summary chain
   model = VertexAI(
       temperature=0, model_name="gemini-pro", max_output_tokens=1024
   ).with_fallbacks([empty_response])
   summarize_chain = {"element": lambda x: x} | prompt | model | StrOutputParser()

   # Initialize empty summaries
   text_summaries = []
   table_summaries = []

   # Apply to text if texts are provided and summarization is requested
   if texts and summarize_texts:
       text_summaries = summarize_chain.batch(texts, {"max_concurrency": 1})
   elif texts:
       text_summaries = texts

   # Apply to tables if tables are provided
   if tables:
       table_summaries = summarize_chain.batch(tables, {"max_concurrency": 1})

   return text_summaries, table_summaries


# Get text summaries
text_summaries, table_summaries = generate_text_summaries(
   texts, tables, summarize_texts=True
)

text_summaries[0]

الناتج المتوقّع هو

aa76e4b523d8a958.png

7- الخطوة 4: إنشاء ملخّصات الصور

استيراد المكتبات المطلوبة أولاً

import base64
import os

from langchain_core.messages import HumanMessage

إنشاء ملخّصات الصور

def encode_image(image_path):
   """Getting the base64 string"""
   with open(image_path, "rb") as image_file:
       return base64.b64encode(image_file.read()).decode("utf-8")


def image_summarize(img_base64, prompt):
   """Make image summary"""
   model = ChatVertexAI(model_name="gemini-pro-vision", max_output_tokens=1024)

   msg = model(
       [
           HumanMessage(
               content=[
                   {"type": "text", "text": prompt},
                   {
                       "type": "image_url",
                       "image_url": {"url": f"data:image/jpeg;base64,{img_base64}"},
                   },
               ]
           )
       ]
   )
   return msg.content


def generate_img_summaries(path):
   """
   Generate summaries and base64 encoded strings for images
   path: Path to list of .jpg files extracted by Unstructured
   """

   # Store base64 encoded images
   img_base64_list = []

   # Store image summaries
   image_summaries = []

   # Prompt
   prompt = """You are an assistant tasked with summarizing images for retrieval. \
   These summaries will be embedded and used to retrieve the raw image. \
   Give a concise summary of the image that is well optimized for retrieval."""

   # Apply to images
   for img_file in sorted(os.listdir(path)):
       if img_file.endswith(".jpg"):
           img_path = os.path.join(path, img_file)
           base64_image = encode_image(img_path)
           img_base64_list.append(base64_image)
           image_summaries.append(image_summarize(base64_image, prompt))

   return img_base64_list, image_summaries


# Image summaries
img_base64_list, image_summaries = generate_img_summaries("./cj")

len(img_base64_list)

len(image_summaries)

image_summaries[0]

من المفترض أن يظهر لك الناتج على النحو التالي fad6d479dd46cb37.png

8. الخطوة 5: إنشاء ميزة "الاسترداد باستخدام عدّة مسارات"

لننشئ ملخّصات للنص والصور ونحفظها في قاعدة بيانات رسومات متجاوبة في ChromaDB.

استيراد المكتبات المطلوبة

import uuid
from langchain.retrievers.multi_vector import MultiVectorRetriever
from langchain.storage import InMemoryStore
from langchain_community.vectorstores import Chroma
from langchain_core.documents import Document

إنشاء ميزة "الاسترداد باستخدام عدّة متجهات"

def create_multi_vector_retriever(
   vectorstore, text_summaries, texts, table_summaries, tables, image_summaries, images
):
   """
   Create retriever that indexes summaries, but returns raw images or texts
   """

   # Initialize the storage layer
   store = InMemoryStore()
   id_key = "doc_id"

   # Create the multi-vector retriever
   retriever = MultiVectorRetriever(
       vectorstore=vectorstore,
       docstore=store,
       id_key=id_key,
   )

   # Helper function to add documents to the vectorstore and docstore
   def add_documents(retriever, doc_summaries, doc_contents):
       doc_ids = [str(uuid.uuid4()) for _ in doc_contents]
       summary_docs = [
           Document(page_content=s, metadata={id_key: doc_ids[i]})
           for i, s in enumerate(doc_summaries)
       ]
       retriever.vectorstore.add_documents(summary_docs)
       retriever.docstore.mset(list(zip(doc_ids, doc_contents)))

   # Add texts, tables, and images
   # Check that text_summaries is not empty before adding
   if text_summaries:
       add_documents(retriever, text_summaries, texts)
   # Check that table_summaries is not empty before adding
   if table_summaries:
       add_documents(retriever, table_summaries, tables)
   # Check that image_summaries is not empty before adding
   if image_summaries:
       add_documents(retriever, image_summaries, images)

   return retriever


# The vectorstore to use to index the summaries
vectorstore = Chroma(
   collection_name="mm_rag_cj_blog",
   embedding_function=VertexAIEmbeddings(model_name="textembedding-gecko@latest"),
)

# Create retriever
retriever_multi_vector_img = create_multi_vector_retriever(
   vectorstore,
   text_summaries,
   texts,
   table_summaries,
   tables,
   image_summaries,
   img_base64_list,
)

9. الخطوة 6: إنشاء نموذج RAG متعدد الوسائط

  1. تحديد الدوالّ الخدمية
import io
import re

from IPython.display import HTML, display
from langchain_core.runnables import RunnableLambda, RunnablePassthrough
from PIL import Image


def plt_img_base64(img_base64):
   """Disply base64 encoded string as image"""
   # Create an HTML img tag with the base64 string as the source
   image_html = f'<img src="data:image/jpeg;base64,{img_base64}" />'
   # Display the image by rendering the HTML
   display(HTML(image_html))


def looks_like_base64(sb):
   """Check if the string looks like base64"""
   return re.match("^[A-Za-z0-9+/]+[=]{0,2}$", sb) is not None


def is_image_data(b64data):
   """
   Check if the base64 data is an image by looking at the start of the data
   """
   image_signatures = {
       b"\xFF\xD8\xFF": "jpg",
       b"\x89\x50\x4E\x47\x0D\x0A\x1A\x0A": "png",
       b"\x47\x49\x46\x38": "gif",
       b"\x52\x49\x46\x46": "webp",
   }
   try:
       header = base64.b64decode(b64data)[:8]  # Decode and get the first 8 bytes
       for sig, format in image_signatures.items():
           if header.startswith(sig):
               return True
       return False
   except Exception:
       return False


def resize_base64_image(base64_string, size=(128, 128)):
   """
   Resize an image encoded as a Base64 string
   """
   # Decode the Base64 string
   img_data = base64.b64decode(base64_string)
   img = Image.open(io.BytesIO(img_data))

   # Resize the image
   resized_img = img.resize(size, Image.LANCZOS)

   # Save the resized image to a bytes buffer
   buffered = io.BytesIO()
   resized_img.save(buffered, format=img.format)

   # Encode the resized image to Base64
   return base64.b64encode(buffered.getvalue()).decode("utf-8")


def split_image_text_types(docs):
   """
   Split base64-encoded images and texts
   """
   b64_images = []
   texts = []
   for doc in docs:
       # Check if the document is of type Document and extract page_content if so
       if isinstance(doc, Document):
           doc = doc.page_content
       if looks_like_base64(doc) and is_image_data(doc):
           doc = resize_base64_image(doc, size=(1300, 600))
           b64_images.append(doc)
       else:
           texts.append(doc)
   if len(b64_images) > 0:
       return {"images": b64_images[:1], "texts": []}
   return {"images": b64_images, "texts": texts}
  1. تحديد طلب الصورة الخاص بالنطاق
def img_prompt_func(data_dict):
   """
   Join the context into a single string
   """
   formatted_texts = "\n".join(data_dict["context"]["texts"])
   messages = []

   # Adding the text for analysis
   text_message = {
       "type": "text",
       "text": (
           "You are financial analyst tasking with providing investment advice.\n"
           "You will be given a mixed of text, tables, and image(s) usually of charts or graphs.\n"
           "Use this information to provide investment advice related to the user question. \n"
           f"User-provided question: {data_dict['question']}\n\n"
           "Text and / or tables:\n"
           f"{formatted_texts}"
       ),
   }
   messages.append(text_message)
   # Adding image(s) to the messages if present
   if data_dict["context"]["images"]:
       for image in data_dict["context"]["images"]:
           image_message = {
               "type": "image_url",
               "image_url": {"url": f"data:image/jpeg;base64,{image}"},
           }
           messages.append(image_message)
   return [HumanMessage(content=messages)]
  1. تحديد سلسلة RAG متعددة الوسائط
def multi_modal_rag_chain(retriever):
   """
   Multi-modal RAG chain
   """

   # Multi-modal LLM
   model = ChatVertexAI(
       temperature=0, model_name="gemini-pro-vision", max_output_tokens=1024
   )

   # RAG pipeline
   chain = (
       {
           "context": retriever | RunnableLambda(split_image_text_types),
           "question": RunnablePassthrough(),
       }
       | RunnableLambda(img_prompt_func)
       | model
       | StrOutputParser()
   )

   return chain


# Create RAG chain
chain_multimodal_rag = multi_modal_rag_chain(retriever_multi_vector_img)

10. الخطوة 7: اختبار طلبات البحث

  1. استرداد المستندات ذات الصلة
query = "What are the EV / NTM and NTM rev growth for MongoDB, Cloudflare, and Datadog?"
docs = retriever_multi_vector_img.get_relevant_documents(query, limit=1)

# We get relevant docs
len(docs)

docs

         You may get similar output

74ecaca749ae459a.png

plt_img_base64(docs[3])

989ad388127f5d60.png

  1. تنفيذ نموذج RAG على طلب البحث نفسه
result = chain_multimodal_rag.invoke(query)

from IPython.display import Markdown as md
md(result)

نموذج للناتج (قد يختلف عند تنفيذ الرمز)

e5e102eaf10289ab.png

11. تَنظيم

لتجنُّب تحصيل رسوم من حسابك على Google Cloud مقابل الموارد المستخدَمة في هذا الدليل التعليمي، اتّبِع الخطوات التالية:

  1. في وحدة تحكّم Google Cloud، انتقِل إلى صفحة إدارة الموارد.
  2. في قائمة المشاريع، اختَر المشروع الذي تريد حذفه، ثم انقر على حذف.
  3. في مربّع الحوار، اكتب رقم تعريف المشروع، ثم انقر على إيقاف لحذف المشروع.

12. تهانينا

تهانينا! لقد نجحت في تطوير نموذج RAG متعدد الوسائط باستخدام Gemini.