1. はじめに
RAG とは
検索拡張生成（RAG）は、大規模言語モデル（LLM）の能力と、外部のナレッジソースから関連情報を取得する機能を組み合わせた手法です。つまり、LLM は内部トレーニング データにのみ依存するのではなく、回答の生成時に最新の特定の情報にアクセスして組み込むこともできます。
RAG が人気を集めている理由はいくつかあります。
- 精度と関連性の向上: RAG を使用すると、LLM は外部ソースから取得した事実に基づく情報に依拠することで、より正確で関連性の高い回答を提供できます。これは、最新の知識が不可欠なシナリオ（現在の出来事に関する質問への回答や、特定のトピックに関する情報の提供など）で特に役立ちます。
- ハルシネーションの軽減: LLM は、もっともらしく見えるものの、実際には間違っているか意味をなさない回答を生成することがあります。RAG は、生成された情報を外部ソースと照合することで、この問題を軽減します。
- 適応性の向上: RAG により、LLM はさまざまなドメインやタスクに適応しやすくなります。さまざまなナレッジソースを活用することで、LLM を簡単にカスタマイズし、幅広いトピックに関する情報を提供できます。
- ユーザー エクスペリエンスの向上: RAG は、より有益で信頼性が高く、関連性の高い回答を提供することで、全体的なユーザー エクスペリエンスを向上させることができます。
マルチモーダルを使用する理由
データが豊富な現代では、文書にテキストと画像を組み合わせて情報を包括的に伝えることがよくあります。ただし、ほとんどの検索拡張生成（RAG）システムは、画像内に閉じ込められた貴重な分析情報を見落としています。マルチモーダル大規模言語モデル（LLM）が普及するにつれ、RAG でテキストとともにビジュアル コンテンツを活用し、情報環境をより深く理解する方法を探ることが重要になっています。
マルチモーダル RAG の 2 つのオプション
- マルチモーダル エンベディング - マルチモーダル エンベディング モデルは、提供された入力に基づいて 1,408 次元のベクトル* を生成します。これには、画像、テキスト、動画データの組み合わせが含まれます。画像エンベディング ベクトルとテキスト エンベディング ベクトルは、同じ次元を持つ同じセマンティック空間にあります。そのため、これらのベクトルは、テキストによる画像の検索や画像による動画の検索などのユースケースでも使用できます。こちらのデモをご覧ください。
- マルチモーダル エンベディングを使用してテキストと画像をエンベディングする
- 類似度検索を使用して両方を取得する
- 取得した元の画像とテキスト チャンクの両方をマルチモーダル LLM に渡して回答を合成します。
- テキスト エンベディング -
- マルチモーダル LLM を使用して画像のテキスト要約を生成する
- テキストの埋め込みと取得
- テキスト チャックを LLM に渡して回答を合成する
マルチベクトル レトリーバーとは
マルチベクトル検索では、ドキュメントのセクションの要約を使用して、回答の合成用に元のコンテンツを取得します。特に表、グラフ、チャートなどの負荷の高いタスクで、RAG の品質が向上します。詳しくは、Langchain のブログをご覧ください。
作成するアプリの概要
ユースケース: Gemini Pro を使用した質問応答システムの開発
情報量の多い複雑なグラフや図を含むドキュメントがあるとします。このデータを抽出して、質問やクエリに回答します。
この Codelab では、次の操作を行います。
- LangChain を使用したデータの読み込み
document_loaders - Google の
gemini-proモデルを使用してテキスト要約を生成する - Google の
gemini-pro-visionモデルを使用して画像の要約を生成する - Croma Db をベクトル ストアとして使用して、Google の
textembedding-geckoモデルを使用してマルチベクトル検索を作成します。 - 質問応答用のマルチモーダル RAG チェーンを開発する
2. 始める前に
- Google Cloud コンソールのプロジェクト選択ページで、Google Cloud プロジェクトを選択または作成します。
- Google Cloud プロジェクトに対して課金が有効になっていることを確認します。詳しくは、プロジェクトで課金が有効になっているかどうかを確認する方法をご覧ください。
- Vertex AI ダッシュボードですべての推奨 API を有効にする
- Colab Notebook を開き、現在アクティブな Google Cloud アカウントと同じアカウントにログインします。
3. マルチモーダル RAG の構築
この Codelab では、Vertex AI SDK for Python と Langchain を使用して、こちらで説明されている「オプション 2」を Google Cloud で実装する方法を示します。
コード全体については、参照されているリポジトリの Google Cloud を使用したマルチモーダル RAG ファイルをご覧ください。
4. ステップ 1: 依存関係をインストールしてインポートする
!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
プロジェクト ID を入力して認証を完了します
#TODO : ENter project and location
PROJECT_ID = ""
REGION = "us-central1"
from google.colab import auth
auth.authenticate_user()
Vertex AI プラットフォームを初期化する
import vertexai
vertexai.init(project = PROJECT_ID , location = REGION)
5. ステップ 2: データの準備と読み込み
こちらのブログ投稿から抽出した画像と PDF のサブセットを含む zip ファイルを使用します。すべてのフローを確認するには、元の例を使用してください。
まずデータをダウンロードします
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()
ドキュメントからテキスト コンテンツを読み込む
from langchain_community.document_loaders import PyPDFLoader
loader = PyPDFLoader("./cj/cj.pdf")
docs = loader.load()
tables = []
texts = [d.page_content for d in docs]
最初のページのコンテンツを確認する
texts[0]
出力が表示されます。
ドキュメントの合計ページ数
len(texts)
想定される出力は次のとおりです。
6. ステップ 3: テキスト サマリーを生成する
必要なライブラリを先にインポートする
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
テキストの要約を取得する
# 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]
想定される出力は次のとおりです。
7. ステップ 4: 画像の概要を生成する
必要なライブラリを先にインポートする
import base64
import os
from langchain_core.messages import HumanMessage
画像の概要を生成する
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]
次のような出力が表示されます。
8. ステップ 5: マルチベクトル検索を作成する
テキストと画像の要約を生成し、ChromaDB ベクトルストアに保存しましょう。
必要なライブラリをインポートする
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
マルチベクトル検索を作成する
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. ステップ 6: マルチモーダル RAG を作成する
- ユーティリティ関数を定義する
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}
- ドメイン固有の画像プロンプトを定義する
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)]
- マルチモーダル RAG チェーンを定義する
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. ステップ 7: クエリをテストする
- 関連ドキュメントを取得する
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])
- 同じクエリで RAG を実行する
result = chain_multimodal_rag.invoke(query)
from IPython.display import Markdown as md
md(result)
出力例（コードの実行時に異なる場合があります）
11. クリーンアップ
この Codelab で使用したリソースについて、Google Cloud アカウントに課金されないようにするには、次の操作を行います。
- Google Cloud コンソールで、[リソースの管理] ページに移動します。
- プロジェクト リストで、削除するプロジェクトを選択し、[削除] をクリックします。
- ダイアログでプロジェクト ID を入力し、[シャットダウン] をクリックしてプロジェクトを削除します。
12. 完了
これで、Gemini を使用してマルチモーダル RAG を正常に開発しました。