1. Introduzione
Che cos'è la RAG
La Retrieval Augmented Generation (RAG) è una tecnica che combina la potenza dei modelli linguistici di grandi dimensioni (LLM) con la capacità di recuperare informazioni pertinenti da fonti di conoscenza esterne. Ciò significa che un LLM non si basa solo sui suoi dati di addestramento interni, ma può anche accedere e incorporare informazioni specifiche e aggiornate durante la generazione delle risposte.
La RAG sta guadagnando popolarità per diversi motivi:
- Maggiore accuratezza e pertinenza:la RAG consente agli LLM di fornire risposte più accurate e pertinenti basandole su informazioni oggettive recuperate da fonti esterne. Questo è particolarmente utile in scenari in cui le conoscenze aggiornate sono fondamentali, ad esempio per rispondere a domande su eventi di attualità o fornire informazioni su argomenti specifici.
- Riduzione delle allucinazioni:a volte gli LLM possono generare risposte che sembrano plausibili, ma che sono in realtà errate o prive di senso. La RAG contribuisce ad attenuare questo problema verificando le informazioni generate rispetto a fonti esterne.
- Maggiore adattabilità:la RAG rende gli LLM più adattabili a diversi domini e attività. Sfruttando diverse fonti di conoscenza, un LLM può essere facilmente personalizzato per fornire informazioni su una vasta gamma di argomenti.
- Esperienza utente migliorata:RAG può migliorare l'esperienza utente complessiva fornendo risposte più informative, affidabili e pertinenti.
Perché multi-modale
Nel mondo di oggi, ricco di dati, i documenti spesso combinano testo e immagini per trasmettere informazioni in modo completo. Tuttavia, la maggior parte dei sistemi di RAG (Retrieval Augmented Generation) trascura le informazioni preziose racchiuse nelle immagini. Con l'aumento dell'importanza dei modelli linguistici di grandi dimensioni (LLM) multimodali, è fondamentale esplorare come possiamo sfruttare i contenuti visivi insieme al testo nella RAG, per ottenere una comprensione più profonda del panorama delle informazioni.
Due opzioni per i raggruppamenti di annunci multi-modali
- Incorporamenti multimodali: il modello di incorporamenti multimodali genera vettori di 1408 dimensioni* in base all'input fornito, che può includere una combinazione di dati di immagini, testo e video. Il vettore di embedding dell'immagine e il vettore di embedding del testo si trovano nello stesso spazio semantico con la stessa dimensionalità. Di conseguenza, questi vettori possono essere utilizzati in modo intercambiabile per casi d'uso come la ricerca di immagini per testo o di video per immagine. Dai un'occhiata a questa demo.
- Utilizza l'embedding multimodale per incorporare testo e immagini
- Recupera entrambi utilizzando la ricerca di similarità
- Passare sia l'immagine non elaborata recuperata sia i blocchi di testo a un LLM multimodale per la sintesi delle risposte
- Incorporamenti di testo:
- Utilizza un LLM multimodale per generare riepiloghi di testo delle immagini
- Testo incorporato e recupero
- Passare i blocchi di testo all'LLM per la sintesi delle risposte
Che cos'è Multi-Vector Retriever
Il recupero multivettoriale utilizza i riepiloghi delle sezioni del documento per recuperare i contenuti originali per la sintesi delle risposte. Migliora la qualità della RAG, in particolare per le attività che richiedono l'uso intensivo di tabelle, grafici e così via. Scopri di più nel blog di Langchain.
Cosa creerai
Caso d'uso: sviluppo di un sistema di risposta alle domande utilizzando Gemini Pro
Immagina di avere documenti contenenti grafici o diagrammi complessi ricchi di informazioni. Vuoi estrarre questi dati per rispondere a domande o query.
In questo codelab, dovrai:
- Caricamento dei dati utilizzando LangChain
document_loaders - Genera riepiloghi di testo utilizzando il modello
gemini-prodi Google - Generare riepiloghi delle immagini utilizzando il modello
gemini-pro-visiondi Google - Creare il recupero multivettore utilizzando il modello
textembedding-geckodi Google con Croma Db come archivio di vettori - Sviluppare una catena RAG multimodale per la risposta alle domande
2. Prima di iniziare
- Nella console Google Cloud, nella pagina di selezione del progetto, seleziona o crea un progetto Google Cloud.
- Verifica che la fatturazione sia attivata per il tuo progetto Google Cloud. Scopri come verificare se la fatturazione è abilitata in un progetto.
- Abilita tutte le API consigliate dalla dashboard di Vertex AI
- Apri Colab Notebook e accedi allo stesso account del tuo attuale account Google Cloud attivo.
3. Creazione di RAG multimodali
Questo codelab utilizza l'SDK Vertex AI per Python e Langchain per dimostrare come implementare l'opzione 2 descritta qui con Google Cloud.
Puoi fare riferimento al codice completo nel file Multi-modal RAG with Google Cloud del repository a cui si fa riferimento.
4. Passaggio 1: installa e importa le dipendenze
!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
Inserisci l'ID progetto e completa l'autenticazione
#TODO : ENter project and location
PROJECT_ID = ""
REGION = "us-central1"
from google.colab import auth
auth.authenticate_user()
Inizializza la piattaforma Vertex AI
import vertexai
vertexai.init(project = PROJECT_ID , location = REGION)
5. Passaggio 2: prepara e carica i dati
Utilizziamo un file ZIP con un sottoinsieme delle immagini estratte e del PDF di questo post del blog. Se vuoi seguire il flusso completo, utilizza l'esempio originale.
Scaricare prima i dati
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()
Carica i contenuti di testo dal 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]
Controlla i contenuti della prima pagina
texts[0]
Dovresti vedere l'output
Pagine totali del documento
len(texts)
L'output previsto è
6. Passaggio 3: genera riepiloghi di testo
Importa prima le librerie richieste
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
Ricevere riepiloghi di testo
# 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]
L'output previsto è
7. Passaggio 4: genera riepiloghi delle immagini
Importa prima le librerie richieste
import base64
import os
from langchain_core.messages import HumanMessage
Generare riepiloghi delle immagini
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]
Dovresti visualizzare un output simile a questo 
8. Passaggio 5: crea la ricerca con più vettori
Generiamo riepiloghi di testo e immagini e salviamoli in un vettore di ChromaDB.
Importa le librerie richieste
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
Creare il recupero multi-vettore
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. Passaggio 6: creazione di un RAG multimodale
- Definisci funzioni di utilità
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}
- Definire un prompt immagine specifico per il 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)]
- Definire una catena RAG multimodale
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. Passaggio 7: testa le query
- Recuperare i documenti pertinenti
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])
- Esegui il nostro RAG sulla stessa query
result = chain_multimodal_rag.invoke(query)
from IPython.display import Markdown as md
md(result)
Esempio di output (potrebbe variare quando esegui il codice)
11. Esegui la pulizia
Per evitare che al tuo account Google Cloud vengano addebitati costi relativi alle risorse utilizzate in questo codelab, segui questi passaggi:
- Nella console Google Cloud, vai alla pagina Gestisci risorse.
- Nell'elenco dei progetti, seleziona il progetto che vuoi eliminare, quindi fai clic su Elimina.
- Nella finestra di dialogo, digita l'ID progetto, quindi fai clic su Chiudi per eliminare il progetto.
12. Complimenti
Complimenti! Hai sviluppato correttamente un RAG multimodale utilizzando Gemini.