1. ভূমিকা
RAG কি
পুনরুদ্ধার অগমেন্টেড জেনারেশন (RAG), একটি কৌশল যা বাহ্যিক জ্ঞান উত্স থেকে প্রাসঙ্গিক তথ্য পুনরুদ্ধার করার ক্ষমতার সাথে বড় ভাষা মডেলের (LLMs) শক্তিকে একত্রিত করে। এর অর্থ হল একটি LLM শুধুমাত্র তার অভ্যন্তরীণ প্রশিক্ষণ ডেটার উপর নির্ভর করে না, তবে প্রতিক্রিয়া তৈরি করার সময় আপ-টু-ডেট, নির্দিষ্ট তথ্য অ্যাক্সেস করতে এবং অন্তর্ভুক্ত করতে পারে।
RAG বিভিন্ন কারণে জনপ্রিয়তা পাচ্ছে:
- বর্ধিত নির্ভুলতা এবং প্রাসঙ্গিকতা: RAG LLM-কে বাহ্যিক উত্স থেকে প্রাপ্ত বাস্তব তথ্যের ভিত্তিতে আরও সঠিক এবং প্রাসঙ্গিক প্রতিক্রিয়া প্রদান করার অনুমতি দেয়। এটি এমন পরিস্থিতিতে বিশেষভাবে উপযোগী যেখানে আপ-টু-ডেট জ্ঞান গুরুত্বপূর্ণ, যেমন বর্তমান ঘটনা সম্পর্কে প্রশ্নের উত্তর দেওয়া বা নির্দিষ্ট বিষয়ে তথ্য প্রদান করা।
- হ্যালুসিনেশন হ্রাস করা: এলএলএমগুলি কখনও কখনও এমন প্রতিক্রিয়া তৈরি করতে পারে যা বিশ্বাসযোগ্য বলে মনে হয় কিন্তু আসলে ভুল বা অর্থহীন। RAG বাহ্যিক উত্সের বিরুদ্ধে উত্পন্ন তথ্য যাচাই করে এই সমস্যাটি প্রশমিত করতে সহায়তা করে।
- বৃহত্তর অভিযোজনযোগ্যতা: RAG বিভিন্ন ডোমেন এবং কাজের সাথে LLM-কে আরও খাপ খাইয়ে নেয়। বিভিন্ন জ্ঞানের উত্স ব্যবহার করে, একটি এলএলএম সহজেই বিস্তৃত বিষয়ের উপর তথ্য প্রদানের জন্য কাস্টমাইজ করা যেতে পারে।
- উন্নত ব্যবহারকারীর অভিজ্ঞতা: RAG আরও তথ্যপূর্ণ, নির্ভরযোগ্য এবং প্রাসঙ্গিক প্রতিক্রিয়া প্রদান করে সামগ্রিক ব্যবহারকারীর অভিজ্ঞতা উন্নত করতে পারে।
কেন মাল্টি-মোডাল
আজকের ডেটা-সমৃদ্ধ বিশ্বে, নথিগুলি প্রায়শই পাঠ্য এবং চিত্রগুলিকে একত্রিত করে তথ্যকে ব্যাপকভাবে জানাতে। যাইহোক, বেশিরভাগ পুনরুদ্ধার অগমেন্টেড জেনারেশন (RAG) সিস্টেমগুলি ছবির মধ্যে লক করা মূল্যবান অন্তর্দৃষ্টি উপেক্ষা করে। মাল্টি-মডেল লার্জ ল্যাঙ্গুয়েজ মডেলগুলি (LLMs) প্রাধান্য লাভ করে, তথ্যের ল্যান্ডস্কেপ সম্পর্কে গভীর উপলব্ধি আনলক করে, RAG-তে পাঠ্যের পাশাপাশি আমরা কীভাবে ভিজ্যুয়াল বিষয়বস্তু ব্যবহার করতে পারি তা অন্বেষণ করা অত্যন্ত গুরুত্বপূর্ণ।
মাল্টি-মডাল RAG-এর জন্য দুটি বিকল্প
- মাল্টিমোডাল এমবেডিংস - মাল্টিমোডাল এমবেডিং মডেল আপনার দেওয়া ইনপুটের উপর ভিত্তি করে 1408-ডাইমেনশন ভেক্টর তৈরি করে, যার মধ্যে ইমেজ, টেক্সট এবং ভিডিও ডেটার সমন্বয় থাকতে পারে। ইমেজ এম্বেডিং ভেক্টর এবং টেক্সট এম্বেডিং ভেক্টর একই মাত্রার সাথে একই শব্দার্থগত স্থানে রয়েছে। ফলস্বরূপ, এই ভেক্টরগুলি টেক্সট দ্বারা চিত্র অনুসন্ধান, বা চিত্র দ্বারা ভিডিও অনুসন্ধানের মতো ব্যবহারের ক্ষেত্রে বিনিময়যোগ্যভাবে ব্যবহার করা যেতে পারে। এই ডেমো এ কটাক্ষপাত আছে.
- টেক্সট এবং ছবি এম্বেড করতে মাল্টি-মডেল এম্বেডিং ব্যবহার করুন
- মিল অনুসন্ধান ব্যবহার করে উভয় পুনরুদ্ধার করুন
- উত্তর সংশ্লেষণের জন্য পুনরুদ্ধার করা কাঁচা চিত্র এবং পাঠ্য-খণ্ড উভয়ই মাল্টি-মডাল এলএলএম- এ পাস করুন
- পাঠ্য এম্বেডিং -
- চিত্রগুলির পাঠ্য সারাংশ তৈরি করতে মাল্টি-মডাল এলএলএম ব্যবহার করুন
- এমবেড করা এবং টেক্সট পুনরুদ্ধার
- উত্তর সংশ্লেষণের জন্য LLM-এ পাঠ্য চক পাস করুন
মাল্টি-ভেক্টর রিট্রিভার কি?
মাল্টি-ভেক্টর পুনরুদ্ধার উত্তর সংশ্লেষণের জন্য মূল বিষয়বস্তু পুনরুদ্ধার করতে নথি বিভাগের সারাংশ নিয়োগ করে। এটি বিশেষ করে টেবিল, গ্রাফ, চার্ট ইত্যাদি নিবিড় কাজগুলির জন্য RAG-এর গুণমান উন্নত করে। Langchain এর ব্লগে আরো বিস্তারিত জানুন ।
আপনি কি নির্মাণ করবেন
কেস ব্যবহার করুন: Gemini Pro ব্যবহার করে প্রশ্ন-উত্তর দেওয়ার সিস্টেম তৈরি করা
কল্পনা করুন আপনার কাছে জটিল গ্রাফ বা ডায়াগ্রাম সহ তথ্যে ভরা ডকুমেন্ট আছে। আপনি প্রশ্ন বা প্রশ্নের উত্তর দিতে এই ডেটা বের করতে চান।
এই কোডল্যাবে, আপনি নিম্নলিখিতগুলি সম্পাদন করবেন:
- LangChain
document_loadersব্যবহার করে ডেটা লোড হচ্ছে - Google-এর
gemini-proমডেল ব্যবহার করে পাঠ্য সারাংশ তৈরি করুন - Google-এর
gemini-pro-visionমডেল ব্যবহার করে ছবির সারাংশ তৈরি করুন - ভেক্টর স্টোর হিসাবে ক্রোমা ডিবি সহ Google এর
textembedding-geckoমডেল ব্যবহার করে মাল্টি-ভেক্টর পুনরুদ্ধার তৈরি করুন - প্রশ্নের উত্তরের জন্য মাল্টি-মডাল RAG চেইন তৈরি করুন
2. আপনি শুরু করার আগে
- Google ক্লাউড কনসোলে , প্রকল্প নির্বাচক পৃষ্ঠায়, একটি Google ক্লাউড প্রকল্প নির্বাচন করুন বা তৈরি করুন।
- আপনার Google ক্লাউড প্রকল্পের জন্য বিলিং সক্ষম করা আছে তা নিশ্চিত করুন৷ একটি প্রকল্পে বিলিং সক্ষম কিনা তা পরীক্ষা করতে শিখুন।
- Vertex AI ড্যাশবোর্ড থেকে সমস্ত প্রস্তাবিত API সক্রিয় করুন৷
- Colab Notebook খুলুন এবং আপনার বর্তমান সক্রিয় Google ক্লাউড অ্যাকাউন্টের মতো একই অ্যাকাউন্টে লগইন করুন।
3. মাল্টি-মোডাল RAG নির্মাণ
এই কোডল্যাবটি পাইথন এবং ল্যাংচেইনের জন্য Vertex AI SDK ব্যবহার করে Google ক্লাউডের সাথে এখানে বর্ণিত 'বিকল্প 2' কীভাবে প্রয়োগ করা যায় তা প্রদর্শন করতে।
আপনি রেফারেন্সড রিপোজিটরি থেকে Google ক্লাউড সহ মাল্টি-মডাল RAG ফাইলে সম্পূর্ণ কোড উল্লেখ করতে পারেন।
4. ধাপ 1: ইন্সটল এবং ইমপোর্ট নির্ভরতা
!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
আপনার প্রজেক্ট আইডি লিখুন এবং প্রমাণীকরণ সম্পূর্ণ করুন
#TODO : ENter project and location
PROJECT_ID = ""
REGION = "us-central1"
from google.colab import auth
auth.authenticate_user()
ভার্টেক্স এআই প্ল্যাটফর্ম শুরু করুন
import vertexai
vertexai.init(project = PROJECT_ID , location = REGION)
5. ধাপ 2: ডেটা প্রস্তুত এবং লোড করুন
আমরা এই ব্লগ পোস্ট থেকে নিষ্কাশিত ছবি এবং পিডিএফের একটি উপ-সেট সহ একটি জিপ ফাইল ব্যবহার করি। আপনি যদি সম্পূর্ণ প্রবাহ অনুসরণ করতে চান, অনুগ্রহ করে, মূল উদাহরণটি ব্যবহার করুন।
প্রথমে ডাটা ডাউনলোড করুন
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()
নথি থেকে পাঠ্য বিষয়বস্তু লোড করুন
from langchain_community.document_loaders import PyPDFLoader
loader = PyPDFLoader("./cj/cj.pdf")
docs = loader.load()
tables = []
texts = [d.page_content for d in docs]
প্রথম পৃষ্ঠা থেকে বিষয়বস্তু পরীক্ষা করুন
texts[0]
আপনি আউটপুট দেখতে হবে
নথিতে মোট পৃষ্ঠা
len(texts)
প্রত্যাশিত আউটপুট হয়
6. ধাপ 3: টেক্সট সারাংশ তৈরি করুন
প্রথমে প্রয়োজনীয় লাইব্রেরি আমদানি করুন
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
টেক্সট সারাংশ পান
# 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]
প্রত্যাশিত আউটপুট হয়
7. ধাপ 4: ছবির সারাংশ তৈরি করুন
প্রথমে প্রয়োজনীয় লাইব্রেরি আমদানি করুন
import base64
import os
from langchain_core.messages import HumanMessage
ছবির সারাংশ তৈরি করুন
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]
আপনি এই মত আউটপুট দেখতে হবে 
8. ধাপ 5: মাল্টি-ভেক্টর পুনরুদ্ধার তৈরি করুন
আসুন পাঠ্য এবং চিত্রের সারাংশ তৈরি করি এবং সেগুলিকে একটি ChromaDB ভেক্টরস্টোরে সংরক্ষণ করি।
আমদানি লাইব্রেরি প্রয়োজন
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
মাল্টি-ভেক্টর পুনরুদ্ধার তৈরি করুন
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. ধাপ 6: মাল্টি-মোডাল RAG তৈরি করা
- ইউটিলিটি ফাংশন সংজ্ঞায়িত করুন
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}
- ডোমেন নির্দিষ্ট ইমেজ প্রম্পট সংজ্ঞায়িত করুন
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)]
- মাল্টি-মোডাল RAG চেইন সংজ্ঞায়িত করুন
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. ধাপ 7: আপনার প্রশ্ন পরীক্ষা করুন
- প্রাসঙ্গিক নথি উদ্ধার করুন
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
plt_img_base64(docs[3])
- একই প্রশ্নে আমাদের RAG চালান
result = chain_multimodal_rag.invoke(query)
from IPython.display import Markdown as md
md(result)
নমুনা আউটপুট (আপনি কোড চালানোর সময় পরিবর্তিত হতে পারে)
11. পরিষ্কার করুন
এই কোডল্যাবে ব্যবহৃত সংস্থানগুলির জন্য আপনার Google ক্লাউড অ্যাকাউন্টে চার্জ এড়াতে, এই পদক্ষেপগুলি অনুসরণ করুন:
- Google ক্লাউড কনসোলে, সম্পদ পরিচালনা পৃষ্ঠাতে যান।
- প্রকল্প তালিকায়, আপনি যে প্রকল্পটি মুছতে চান সেটি নির্বাচন করুন এবং তারপরে মুছুন ক্লিক করুন।
- ডায়ালগে, প্রজেক্ট আইডি টাইপ করুন এবং তারপরে প্রোজেক্ট মুছে ফেলতে শাট ডাউন ক্লিক করুন।
12. অভিনন্দন
অভিনন্দন! আপনি মিথুন ব্যবহার করে সফলভাবে একটি মাল্টি-মোডাল RAG তৈরি করেছেন।