פיתוח אפליקציה של שאלות ותשובות עם RAG רב-שלבי בעזרת Gemini Pro

‫1. מבוא

מה זה RAG

אחזור Augmented Generation (RAG), היא שיטה שמשלבת את הכוח של מודלים גדולים של שפה (LLM) עם יכולת לאחזר מידע רלוונטי ממקורות ידע חיצוניים. כלומר, מודל שפה גדול לא מסתמך רק על נתוני האימון הפנימיים שלו, אלא יכול גם לגשת למידע עדכני וספציפי ולשלב אותו כשיוצרים תשובות.

RAG צוברת פופולריות מכמה סיבות:

• דיוק ורלוונטיות יותר: מודלים של RAG מאפשרים למודלים גדולים של שפה (LLM) לתת תשובות מדויקות ורלוונטיות יותר, כי הם מבססים אותם על מידע עובדתי שאוחזר ממקורות חיצוניים. האפשרות הזאת שימושית במיוחד במקרים שבהם ידע עדכני הוא חיוני, כמו מענה על שאלות לגבי אירועים אקטואליים או מתן מידע על נושאים ספציפיים.
• פחות תגובות לא תואמות נתונים: לפעמים מודלים מסוג LLM יכולים לתת תשובות שנראות הגיוניות, אבל למעשה הן שגויות או חסרות היגיון. RAG עוזר לצמצם את הבעיה על ידי אימות המידע שנוצר מול מקורות חיצוניים.
• יכולת התאמה טובה יותר: בעזרת RAG, מודלים גדולים של שפה יכולים להתאים יותר למשימות ולדומיינים שונים. על-ידי שימוש במקורות ידע שונים, אפשר להתאים אישית מודל שפה גדול (LLM) בקלות, כך שהוא יספק מידע במגוון רחב של נושאים.
• חוויית משתמש משופרת: תכונת RAG יכולה לשפר את חוויית המשתמש הכוללת באמצעות תשובות אינפורמטיביות, מהימנות ורלוונטיות יותר.

למה כדאי להשתמש בריבוי מודולים

בעולם של ימינו העשיר בנתונים, מסמכים משלבים טקסט ותמונות כדי להעביר מידע באופן מקיף. עם זאת, רוב מערכות האחזור של התכונה 'דור חוזר' (RAG) מתעלמות מתובנות חשובות שמופיעות בתמונות. מודלים גדולים של שפה, שנקראים גם LLMs (LLMs) בולטים יותר, ולכן חשוב מאוד לבחון איך אנחנו יכולים למנף את התוכן החזותי לצד טקסט ב-RAG, כדי להגיע להבנה עמוקה יותר של סביבת המידע.

שתי אפשרויות ל-RAG מרובה מצבים

• הטמעות מרובות מצבים – מודל ההטמעות הרב-אופניים יוצר וקטורים של 1408 מימדים* על סמך הקלט שסיפקתם, ויכולים לכלול שילוב של נתונים של תמונה, טקסט ווידאו. הווקטור של הטמעת התמונות והוקטור של הטמעת הטקסט נמצאים באותו שטח סמנטי עם אותה מידות. לכן אפשר להשתמש בווקטורים האלה לסירוגין בתרחישים לדוגמה, כמו חיפוש תמונה לפי טקסט או חיפוש סרטון לפי תמונה. כדאי להציץ בהדגמה הזו.

1. שימוש בהטמעה מרובת מצבים כדי להטמיע טקסט ותמונות
2. אחזור של שניהם באמצעות חיפוש דמיון
3. מעבירים גם את מקטעי התמונה הגולמיים וגם את מקטעי הטקסט שאוחזרו אל מודל שפה גדול (LLM) לצורך סינתזת התשובה

• הטמעות טקסט –

1. להשתמש ב-LLM מרובה מצבים כדי ליצור סיכומי טקסט של התמונות
2. הוטמע ואחזור של טקסט
3. העברה של צ'אק טקסט ל-LLM לצורך סינתזת תשובה

מהו Multi-Vector Retriever

באחזור מספר וקטורים נעשה שימוש בסיכומים של קטעי המסמך כדי לאחזר תוכן מקורי לסינתזת התשובות. הוא משפר את האיכות של ה-RAG במיוחד בטבלה, בתרשימים, בתרשימים ובמשימות אינטנסיביות. פרטים נוספים זמינים בבלוג של Langchain.

מה תפַתחו

תרחיש לדוגמה: פיתוח מערכת למענה לשאלות באמצעות Gemini Pro

נניח שיש לכם מסמכים שמכילים גרפים מורכבים או דיאגרמות שמלאות במידע. צריך לחלץ את הנתונים האלה כדי לענות על שאלות או שאילתות.

ב-Codelab הזה מבצעים את הפעולות הבאות:

• טעינת נתונים באמצעות LangChain document_loaders
• יצירת סיכומי טקסט באמצעות מודל gemini-pro של Google
• יצירת סיכומי תמונות באמצעות מודל gemini-pro-vision של Google
• יצירת אחזור מרובה וקטורים באמצעות מודל textembedding-gecko של Google באמצעות Croma Db כחנות וקטורית
• פיתוח שרשרת RAG רב-אופנית למענה על שאלות

‫2. לפני שמתחילים

1. במסוף Google Cloud, בדף בורר הפרויקטים, בוחרים או יוצרים פרויקט ב-Google Cloud.
2. צריך לוודא שהחיוב מופעל בפרויקט שלכם ב-Cloud. איך בודקים אם החיוב מופעל בפרויקט
3. הפעלה של כל ממשקי ה-API המומלצים במרכז הבקרה של Vertex AI
4. פותחים את Colab Notebook ומתחברים לאותו חשבון פעיל הנוכחי ב-Google Cloud.

3. בניית מספר מודלים של RAG

ב-Codelab הזה נעשה שימוש ב-Vertex AI SDK for Python וב-Langchain כדי להדגים איך להטמיע את 'Option 2' שמתוארת כאן עם Google Cloud.

אפשר לעיין בקוד המלא שמופיע בקובץ Multi-modal RAG with Google Cloud מהמאגר הרלוונטי.

‫4. שלב 1: יחסי תלות של התקנה וייבוא

!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

צריך להזין את מזהה הפרויקט ולהשלים את האימות

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

from google.colab import auth
auth.authenticate_user()

אתחול פלטפורמת Vertex AI

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

5. שלב 2: הכנה וטעינה של הנתונים

אנחנו משתמשים בקובץ ZIP עם קבוצת משנה של התמונות וקובץ ה-PDF שחולצו מהפוסט הזה בבלוג. אם ברצונך לבצע את התהליך המלא, אפשר להשתמש בדוגמה המקורית.

ראשית, מורידים את הנתונים

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()

טעינת תוכן הטקסט מהמסמך

from langchain_community.document_loaders import PyPDFLoader

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

בדיקת התוכן מהדף הראשון

texts[0]

הפלט אמור להיראות

סה"כ דפים במסמך

len(texts)

הפלט הצפוי הוא

6. שלב 3: יוצרים סיכומי טקסט

קודם צריך לייבא את הספריות הנדרשות

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

קבלת סיכומי טקסט

# 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]

הפלט הצפוי הוא

‫7. שלב 4: יוצרים סיכומי תמונות

קודם צריך לייבא את הספריות הנדרשות

import base64
import os

from langchain_core.messages import HumanMessage

יצירת סיכומי תמונות

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]

הפלט אמור להיראות כך:

‫8. שלב 5: בנייה של אחזור מרובה וקטורים

ניצור סיכומים של טקסט ותמונות ונשמור אותם במאגר וקטורים של ChromaDB.

כדי לייבא נדרשות ספריות

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

יצירת אחזור מרובה וקטורים

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. שלב 6: בניית RAG רב-צדדי

1. להגדיר פונקציות שימושיות

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. הגדרת הנחיה לתמונה ספציפית לדומיין

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. הגדרה של שרשרת RAG רב-מצבית

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. שלב 7: בודקים את השאילתות

1. אחזור מסמכים רלוונטיים

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. מריצים את ה-RAG שלנו לאותה שאילתה

result = chain_multimodal_rag.invoke(query)

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

פלט לדוגמה (עשוי להשתנות בעת הרצת הקוד)

11. הסרת המשאבים

כדי לא לצבור חיובים לחשבון Google Cloud עבור המשאבים שבהם השתמשתם ב-Codelab הזה:

1. במסוף Google Cloud, נכנסים לדף Manage resources:
2. ברשימת הפרויקטים, בוחרים את הפרויקט שרוצים למחוק ולוחצים על Delete.
3. כדי למחוק את הפרויקט, כותבים את מזהה הפרויקט בתיבת הדו-שיח ולוחצים על Shut down.

12. מזל טוב

כל הכבוד! פיתחת בהצלחה RAG עם ריבוי מצבים באמצעות Gemini.