1. Introducción
Qué es la RAG
La generación aumentada por recuperación (RAG) es una técnica que combina el poder de los modelos de lenguaje grandes (LLM) con la capacidad de recuperar información relevante de fuentes de conocimiento externas. Esto significa que un LLM no solo se basa en sus datos de entrenamiento internos, sino que también puede acceder a información específica y actualizada para incorporarla cuando genera respuestas.
La RAG está ganando popularidad por varios motivos:
- Mayor precisión y relevancia: La RAG permite que los LLM proporcionen respuestas más precisas y relevantes, ya que se basan en información fáctica recuperada de fuentes externas. Esto es particularmente útil en situaciones en las que el conocimiento actualizado es fundamental, como responder preguntas sobre eventos actuales o proporcionar información sobre temas específicos.
- Alucinaciones reducidas: A veces, los LLM pueden generar respuestas que parecen posibles, pero que en realidad son incorrectas o sin sentido. La RAG ayuda a mitigar este problema verificando la información generada en fuentes externas.
- Mayor adaptabilidad: La RAG hace que los LLM sean más adaptables a diferentes dominios y tareas. Aprovechando diferentes fuentes de conocimiento, un LLM se puede personalizar fácilmente para proporcionar información sobre una amplia variedad de temas.
- Experiencia del usuario mejorada: La RAG puede mejorar la experiencia general del usuario, ya que proporciona respuestas más informativas, confiables y relevantes.
Por qué la multimodalidad
En el mundo actual, repleto de datos, los documentos suelen combinar texto e imágenes para transmitir información de forma integral. Sin embargo, la mayoría de los sistemas de generación aumentada de recuperación (RAG) pasan por alto las estadísticas valiosas que se encuentran en las imágenes. A medida que los modelos de lenguaje extensos (LLM) multimodales ganan protagonismo, es fundamental explorar cómo podemos aprovechar el contenido visual junto con el texto en la RAG, lo que nos permitirá comprender mejor el panorama de la información.
Dos opciones para la RAG multimodal
- Incorporaciones multimodales: El modelo de incorporaciones multimodales genera vectores de 1, 408 dimensiones* según la entrada que proporcionas, que puede incluir una combinación de datos de imagen, texto y video. El vector de incorporación de imágenes y el vector de incorporación de texto están en el mismo espacio semántico con la misma dimensionalidad. En consecuencia, estos vectores se pueden usar indistintamente para casos de uso como la búsqueda de imágenes por texto o de texto por imagen. Consulta esta demo.
- Usa la incorporación multimodal para incorporar texto e imágenes
- Cómo recuperar ambos con la búsqueda de similitud
- Pasa la imagen sin procesar recuperada y los fragmentos de texto al LLM multimodal para la síntesis de respuestas.
- Incorporaciones de texto:
- Usa un LLM multimodal para generar resúmenes de texto de las imágenes
- Cómo incorporar y recuperar texto
- Pasa fragmentos de texto al LLM para la síntesis de respuestas
Qué es el Multi-Vector Retriever
La recuperación de varios vectores emplea resúmenes de las secciones del documento para recuperar el contenido original para la síntesis de respuestas. Mejora la calidad del RAG, especialmente para las tareas intensivas de tablas, gráficos, diagramas, etcétera. Obtén más detalles en el blog de Langchain.
Qué compilarás
Caso de uso: Desarrolla un sistema de respuesta a preguntas con Gemini Pro
Imagina que tienes documentos que contienen gráficos o diagramas complejos repletos de información. Quieres extraer estos datos para responder preguntas o consultas.
En este codelab, realizarás las siguientes tareas:
- Carga de datos con LangChain
document_loaders - Genera resúmenes de texto con el modelo
gemini-prode Google - Genera resúmenes de imágenes con el modelo
gemini-pro-visionde Google - Crea una recuperación de varios vectores con el modelo
textembedding-geckode Google con Croma Db como almacén de vectores - Desarrolla una cadena de RAG multimodal para la búsqueda de respuestas
2. Antes de comenzar
- En la página del selector de proyectos de la consola de Google Cloud, selecciona o crea un proyecto de Google Cloud.
- Asegúrate de que la facturación esté habilitada para tu proyecto de Google Cloud. Obtén información sobre cómo verificar si la facturación está habilitada en un proyecto.
- Habilita todas las APIs recomendadas en el panel de Vertex AI.
- Abre Colab Notebook y accede a la misma cuenta que tu cuenta activa actual de Google Cloud.
3. Cómo compilar RAG multimodal
En este codelab, se usa el SDK de Vertex AI para Python y Langchain para demostrar cómo implementar la "Opción 2" que se describe aquí con Google Cloud.
Puedes consultar el código completo en el archivo RAG multimodal con Google Cloud del repositorio al que se hace referencia.
4. Paso 1: Instala e importa dependencias
!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
Ingresa el ID de tu proyecto y completa la autenticación
#TODO : ENter project and location
PROJECT_ID = ""
REGION = "us-central1"
from google.colab import auth
auth.authenticate_user()
Inicializa la plataforma de Vertex AI
import vertexai
vertexai.init(project = PROJECT_ID , location = REGION)
5. Paso 2: Prepara y carga los datos
Usamos un archivo ZIP con un subconjunto de las imágenes y los archivos PDF extraídos de esta entrada de blog. Si deseas seguir el flujo completo, usa el ejemplo original.
Primero, descarga los datos
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()
Carga el contenido de texto del documento
from langchain_community.document_loaders import PyPDFLoader
loader = PyPDFLoader("./cj/cj.pdf")
docs = loader.load()
tables = []
texts = [d.page_content for d in docs]
Verifica el contenido de la primera página
texts[0]
Deberías ver el resultado
Es el total de páginas del documento.
len(texts)
El resultado esperado es
6. Paso 3: Genera resúmenes de texto
Importa primero las bibliotecas requeridas
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
Cómo obtener resúmenes de texto
# 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]
El resultado esperado es
7. Paso 4: Genera resúmenes de imágenes
Importa primero las bibliotecas requeridas
import base64
import os
from langchain_core.messages import HumanMessage
Genera resúmenes de imágenes
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]
Deberías ver un resultado como este 
8. Paso 5: Compila la recuperación de varios vectores
Generemos resúmenes de texto e imágenes y guárdalos en un vectorstore de ChromaDB.
Importa bibliotecas necesarias
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
Crea una recuperación de varios vectores
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. Paso 6: Compila la RAG multimodal
- Define funciones de utilidad
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}
- Define una instrucción de imagen específica del dominio
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)]
- Define la cadena de RAG multimodal
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. Paso 7: Prueba tus consultas
- Cómo recuperar documentos relevantes
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])
- Ejecuta nuestro RAG en la misma consulta
result = chain_multimodal_rag.invoke(query)
from IPython.display import Markdown as md
md(result)
Resultado de ejemplo (puede variar cuando ejecutes el código)
11. Limpia
Sigue estos pasos para evitar que se apliquen cargos a tu cuenta de Google Cloud por los recursos que usaste en este codelab:
- En la consola de Google Cloud, ve a la página Administrar recursos.
- En la lista de proyectos, elige el proyecto que deseas borrar y haz clic en Borrar.
- En el diálogo, escribe el ID del proyecto y, luego, haz clic en Cerrar para borrarlo.
12. ¡Felicitaciones!
¡Felicitaciones! Desarrollaste correctamente una RAG multimodal con Gemini.