با استفاده از Gemini Pro یک برنامه پرسش و پاسخ با RAG Multi-Modal بسازید

1. معرفی

RAG چیست

Retrieval Augmented Generation (RAG)، تکنیکی است که قدرت مدل‌های زبان بزرگ (LLM) را با توانایی بازیابی اطلاعات مرتبط از منابع دانش خارجی ترکیب می‌کند. این بدان معناست که یک LLM فقط به داده‌های آموزشی داخلی خود متکی نیست، بلکه می‌تواند هنگام تولید پاسخ‌ها به اطلاعات به‌روز و خاص دسترسی پیدا کند و آن‌ها را ترکیب کند.

RAG به چند دلیل محبوبیت پیدا می کند:

• افزایش دقت و ارتباط: RAG به LLMها اجازه می‌دهد تا پاسخ‌های دقیق‌تر و مرتبط‌تری را با پایه‌گذاری اطلاعات واقعی بازیابی شده از منابع خارجی ارائه دهند. این به ویژه در سناریوهایی مفید است که دانش به روز بسیار مهم است، مانند پاسخ دادن به سؤالات در مورد رویدادهای جاری یا ارائه اطلاعات در مورد موضوعات خاص.
• کاهش توهم: LLM ها گاهی اوقات می توانند پاسخ هایی را ایجاد کنند که قابل قبول به نظر می رسند اما در واقع نادرست یا بی معنی هستند. RAG با تأیید اطلاعات تولید شده در برابر منابع خارجی به کاهش این مشکل کمک می کند.
• سازگاری بیشتر: RAG باعث می شود LLM ها با حوزه ها و وظایف مختلف سازگارتر شوند. با استفاده از منابع مختلف دانش، یک LLM می تواند به راحتی برای ارائه اطلاعات در مورد طیف گسترده ای از موضوعات سفارشی شود.
• تجربه کاربری پیشرفته: RAG می‌تواند تجربه کلی کاربر را با ارائه پاسخ‌های آموزنده‌تر، قابل اعتمادتر و مرتبط‌تر بهبود بخشد.

چرا مولتی مدال

در دنیای پر داده امروزی، اسناد اغلب متن و تصاویر را ترکیب می کنند تا اطلاعات را به طور جامع منتقل کنند. با این حال، بیشتر سیستم‌های Retrieval Augmented Generation (RAG) از بینش‌های ارزشمند قفل شده در تصاویر چشم‌پوشی می‌کنند. همانطور که مدل‌های زبان بزرگ چندوجهی (LLM) برجستگی پیدا می‌کنند، بسیار مهم است که بررسی کنیم چگونه می‌توانیم محتوای بصری را در کنار متن در RAG به کار ببریم و درک عمیق‌تری از چشم‌انداز اطلاعات را باز کنیم.

دو گزینه برای Multi-modal RAG

• تعبیه‌های چندوجهی - مدل تعبیه‌های چندوجهی بردارهای 1408 بعدی* را بر اساس ورودی‌هایی که ارائه می‌کنید، تولید می‌کند که می‌تواند ترکیبی از داده‌های تصویر، متن و ویدیو باشد. وکتور تعبیه تصویر و وکتور جاسازی متن در یک فضای معنایی با ابعاد یکسان قرار دارند. در نتیجه، این بردارها را می توان به جای یکدیگر برای موارد استفاده مانند جستجوی تصویر بر اساس متن یا جستجوی ویدئو بر اساس تصویر استفاده کرد. نگاهی به این نسخه ی نمایشی بیندازید.

1. از تعبیه چند وجهی برای جاسازی متن و تصاویر استفاده کنید
2. هر دو را با استفاده از جستجوی شباهت بازیابی کنید
3. هم تصویر خام بازیابی شده و هم تکه های متن را به LLM چند وجهی برای ترکیب پاسخ ارسال کنید

• جاسازی متن -

1. از LLM چند وجهی برای تولید خلاصه متنی از تصاویر استفاده کنید
2. متن جاسازی شده و بازیابی
3. برای ترکیب پاسخ، کلیدهای متنی را به LLM ارسال کنید

Multi-Vector Retriever چیست؟

بازیابی چند برداری از خلاصه بخش های سند برای بازیابی محتوای اصلی برای ترکیب پاسخ استفاده می کند. کیفیت RAG را به ویژه برای کارهای فشرده جدول، نمودارها، نمودارها و غیره افزایش می دهد. جزئیات بیشتر را در وبلاگ Langchain بیابید .

چیزی که خواهی ساخت

مورد استفاده: توسعه سیستم پاسخگویی به پرسش با استفاده از Gemini Pro

تصور کنید اسنادی دارید که حاوی نمودارها یا نمودارهای پیچیده مملو از اطلاعات هستند. شما می خواهید این داده ها را برای پاسخ به سوالات یا پرس و جوها استخراج کنید.

در این لبه کد، کارهای زیر را انجام خواهید داد:

• بارگیری داده ها با استفاده از LangChain document_loaders
• با استفاده از مدل gemini-pro گوگل، خلاصه‌های متنی ایجاد کنید
• با استفاده از مدل gemini-pro-vision گوگل، خلاصه‌های تصویری ایجاد کنید
• ایجاد بازیابی چند برداری با استفاده از مدل textembedding-gecko Google با Croma Db به عنوان فروشگاه برداری
• زنجیره RAG چند وجهی را برای پاسخگویی به سوال توسعه دهید

2. قبل از شروع

1. در Google Cloud Console ، در صفحه انتخاب پروژه، یک پروژه Google Cloud را انتخاب یا ایجاد کنید.
2. مطمئن شوید که صورتحساب برای پروژه Google Cloud شما فعال است. با نحوه بررسی فعال بودن صورت‌حساب در پروژه آشنا شوید.
3. همه APIهای توصیه شده را از داشبورد Vertex AI فعال کنید
4. Colab Notebook را باز کنید و به همان حساب کاربری فعلی Google Cloud فعال خود وارد شوید.

3. ساخت چند وجهی RAG

این نرم‌افزار از Vertex AI SDK برای پایتون و Langchain استفاده می‌کند تا نحوه پیاده‌سازی «گزینه ۲» را که در اینجا با Google Cloud توضیح داده شده است، نشان دهد.

می توانید به کد کامل فایل Multi-modal RAG with Google Cloud از مخزن مرجع مراجعه کنید.

4. مرحله 1: وابستگی ها را نصب و وارد کنید

!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

شناسه پروژه خود را وارد کرده و احراز هویت را تکمیل کنید

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

from google.colab import auth
auth.authenticate_user()

پلت فرم Vertex AI را راه اندازی کنید

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

5. مرحله 2: داده ها را آماده و بارگذاری کنید

ما از یک فایل فشرده با زیر مجموعه ای از تصاویر استخراج شده و pdf از این پست وبلاگ استفاده می کنیم. اگر می‌خواهید جریان کامل را دنبال کنید، لطفاً از مثال اصلی استفاده کنید.

ابتدا داده ها را دانلود کنید

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()

محتوای متن را از سند بارگیری کنید

from langchain_community.document_loaders import PyPDFLoader

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

مطالب را از صفحه اول بررسی کنید

texts[0]

شما باید خروجی را ببینید

مجموع صفحات در سند

len(texts)

خروجی مورد انتظار است

6. مرحله 3: ایجاد خلاصه متن

ابتدا کتابخانه های مورد نیاز را وارد کنید

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

دریافت خلاصه متن

# 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]

خروجی مورد انتظار است

7. مرحله 4: ایجاد خلاصه تصویر

ابتدا کتابخانه های مورد نیاز را وارد کنید

import base64
import os

from langchain_core.messages import HumanMessage

ایجاد خلاصه تصویر

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]

شما باید خروجی را مانند این ببینید

8. مرحله 5: ساخت بازیابی چند بردار

بیایید خلاصه‌های متن و تصویر تولید کنیم و آنها را در یک فروشگاه بردار ChromaDB ذخیره کنیم.

واردات نیاز به کتابخانه دارد

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

ایجاد بازیابی چند بردار

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. مرحله 6: ساخت چند وجهی RAG

1. توابع سودمند را تعریف کنید

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}

2. اعلان تصویر خاص دامنه را تعریف کنید

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)]

3. زنجیره RAG چند وجهی را تعریف کنید

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. مرحله 7: سوالات خود را آزمایش کنید

1. اسناد مربوطه را بازیابی کنید

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])

2. RAG ما را روی همان پرس و جو اجرا کنید

result = chain_multimodal_rag.invoke(query)

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

خروجی نمونه (ممکن است هنگام اجرای کد متفاوت باشد)

11. پاکسازی کنید

برای جلوگیری از تحمیل هزینه به حساب Google Cloud خود برای منابع مورد استفاده در این Codelab، این مراحل را دنبال کنید:

1. در کنسول Google Cloud، به صفحه مدیریت منابع بروید.
2. در لیست پروژه، پروژه ای را که می خواهید حذف کنید انتخاب کنید و سپس روی Delete کلیک کنید.
3. در محاوره، شناسه پروژه را تایپ کنید و سپس روی Shut down کلیک کنید تا پروژه حذف شود.

12. تبریک می گویم

تبریک می گویم! شما با موفقیت یک RAG Multi-Modal را با استفاده از Gemini توسعه داده اید.