Tworzenie aplikacji pytań i odpowiedzi z funkcją Multi-Modal RAG przy użyciu Gemini Pro

1. Wprowadzenie

Co to jest RAG

Generowanie wzbogacone o pobieranie (RAG) to technika, która łączy możliwości dużych modeli językowych (LLM) z możliwością pobierania istotnych informacji z zewnętrznych źródeł wiedzy. Oznacza to, że LLM nie tylko korzysta z wewnętrznych danych treningowych, ale może też uzyskiwać i wplatać w swoje odpowiedzi aktualne i konkretne informacje.

RAG zyskuje popularność z kilku powodów:

• Większa dokładność i trafność: RAG pozwala dużym modelom językowym udzielać dokładniejszych i trafniejszych odpowiedzi, ponieważ opiera się na informacjach o rzeczywistych zdarzeniach pozyskanych ze źródeł zewnętrznych. Jest to szczególnie przydatne w sytuacjach, w których aktualna wiedza jest kluczowa, np. podczas udzielania odpowiedzi na pytania o bieżące wydarzenia lub dostarczania informacji na konkretne tematy.
• Zmniejszone iluzje: duże modele językowe mogą czasami generować odpowiedzi, które wydają się wiarygodne, ale w rzeczywistości są nieprawidłowe lub bezsensowne. RAG pomaga rozwiązać ten problem, weryfikując informacje wygenerowane na podstawie źródeł zewnętrznych.
• Większa zdolność dostosowania: RAG umożliwia dostosowanie dużych modeli językowych do różnych dziedzin i zadań. Dzięki wykorzystaniu różnych źródeł wiedzy można łatwo dostosować LLM do dostarczania informacji na wiele tematów.
• Ulepszone wrażenia użytkowników: RAG może poprawić ogólne wrażenia użytkowników, zapewniając bardziej wiarygodne i trafne odpowiedzi.

Dlaczego warto korzystać z trybu multimodalnego

W dzisiejszym świecie bogatym w dane dokumenty często łączą tekst i obrazy, aby przekazywać wyczerpujące informacje. Jednak większość systemów wykorzystujących generowanie rozszerzone przez wyszukiwanie w zapisanych informacjach (RAG) pomija cenne informacje zawarte w obrazach. Wraz z rosnącym znaczeniem wielomodalnych dużych modeli językowych (LLM) ważne jest, abyśmy poznali sposoby wykorzystywania treści wizualnych wraz z tekstem w ramach RAG, co pozwoli nam lepiej zrozumieć krajobraz informacyjny.

2 opcje wielomodalnego RAG

• Wektory dystrybucyjne multimodalne – model wektorów dystrybucyjnych multimodalnych generuje wektory 1408-wymiarowe* na podstawie podanych przez Ciebie danych wejściowych, które mogą zawierać kombinację danych obrazów, tekstu i filmów. Wektor reprezentacji właściwościowej obrazu i wektor reprezentacji właściwościowej tekstu znajdują się w tej samej przestrzeni semantycznej o tej samej wymiarowości. W konsekwencji te wektory mogą być używane zamiennie w przypadku takich zastosowań jak wyszukiwanie obrazu na podstawie tekstu lub wyszukiwanie filmu na podstawie obrazu. Obejrzyj tę prezentację.

1. Używanie reprezentacji wielomodalnej do umieszczania tekstu i obrazów
2. Pobierz oba obrazy za pomocą wyszukiwania podobieństw
3. Przekazać zarówno pobrane surowe zdjęcie, jak i fragmenty tekstu do wielomodalnego modelu LLM na potrzeby syntezy odpowiedzi.

• Wektory dystrybucyjne tekstu –

1. Używanie wielomodalnego modelu LLM do generowania tekstowych podsumowań obrazów
2. Wstawianie i pobieranie tekstu
3. Przekazywanie fragmentów tekstu do modelu LLM na potrzeby syntezy odpowiedzi

Co to jest narzędzie Multi-Vector Retriever

Wyszukiwanie wielowektorowe wykorzystuje podsumowania sekcji dokumentu, aby pobrać oryginalne treści na potrzeby syntezy odpowiedzi. Zwiększa to jakość RAG, zwłaszcza w przypadku zadań wymagających częstego korzystania z tabel, wykresów itp. Więcej informacji znajdziesz na blogu Langchain.

Co utworzysz

Przypadek użycia: tworzenie systemu udzielania odpowiedzi za pomocą Gemini Pro

Wyobraź sobie, że masz dokumenty zawierające skomplikowane wykresy lub diagramy pełne informacji. Chcesz wyodrębnić te dane, aby odpowiedzieć na pytania lub zapytania.

W tym ćwiczeniu:

• Ładowanie danych za pomocą LangChain document_loaders
• Generowanie tekstowych podsumowań za pomocą modelu gemini-pro od Google
• generować podsumowania obrazów za pomocą modelu gemini-pro-vision od Google;
• Tworzenie wyszukiwania wielowektorów za pomocą modelu textembedding-gecko Google z użyciem bazy danych Chrome jako magazynu wektorów
• Tworzenie wielomodalnego łańcucha RAG do udzielania odpowiedzi na pytania

2. Zanim zaczniesz

1. W konsoli Google Cloud na stronie selektora projektu wybierz lub utwórz projekt Google Cloud.
2. Sprawdź, czy w projekcie Google Cloud włączone są płatności. Dowiedz się, jak sprawdzić, czy w projekcie są włączone płatności.
3. Włącz wszystkie zalecane interfejsy API w panelu Vertex AI.
4. Otwórz notatnika Colab i zaloguj się na to samo konto, na którym masz aktywne konto Google Cloud.

3. Tworzenie RAG multimodalnego

W tym ćwiczeniu z programowania używamy pakietu Vertex AI SDK for Python i Langchain, aby pokazać, jak zaimplementować opisaną tutaj „Opcję 2” w Google Cloud.

Pełny kod znajdziesz w pliku Multi-modal RAG with Google Cloud w odwołanym repozytorium.

4. Krok 1. Zainstaluj i importuj zależności

!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

Wpisz identyfikator projektu i zakończ uwierzytelnianie

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

from google.colab import auth
auth.authenticate_user()

Inicjowanie platformy Vertex AI

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

5. Krok 2. Przygotuj i załaduj dane

Używamy pliku ZIP z podzbiorem wyodrębnionych obrazów i pliku PDF z tego wpisu na blogu. Jeśli chcesz wykonać pełny proces, użyj oryginalnego przykładu.

Najpierw pobierz dane

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()

Wczytaj zawartość tekstową z dokumentu.

from langchain_community.document_loaders import PyPDFLoader

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

Sprawdź zawartość na pierwszej stronie

texts[0]

Powinny się wyświetlić dane wyjściowe

Łączna liczba stron w dokumencie

len(texts)

Oczekiwany wynik to

6. Krok 3. Generowanie podsumowań tekstowych

Najpierw zaimportuj wymagane biblioteki

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

Pobieranie podsumowań tekstowych

# 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]

Oczekiwany wynik to

7. Krok 4. Generowanie podsumowań obrazu

Najpierw zaimportuj wymagane biblioteki.

import base64
import os

from langchain_core.messages import HumanMessage

Generowanie podsumowań obrazu

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]

Powinny się wyświetlić dane wyjściowe podobne do tych:

8. Krok 5. Utwórz funkcję wyszukiwania wielowektorów

Wygenerujmy podsumowania tekstowe i obrazowe oraz zapiszmy je w magazynie wektorów ChromaDB.

Biblioteki wymagane do importu

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

Tworzenie wyszukiwania wielowektorów

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. Krok 6. Tworzenie wielomodalnego narzędzia do analizy ryzyka

1. Definiowanie funkcji użyteczności

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. Definiowanie promptu graficznego dla konkretnej domeny

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. Definiowanie łańcucha RAG w przypadku wielu trybów

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. Krok 7. Przetestuj zapytania

1. Pobieranie odpowiednich dokumentów

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. Wykonaj na tym samym zapytaniu nasz test RAG

result = chain_multimodal_rag.invoke(query)

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

Przykładowe dane wyjściowe (mogą się różnić w zależności od tego, jak uruchomisz kod)

11. Czyszczenie danych

Aby uniknąć obciążenia konta Google Cloud opłatami za zasoby wykorzystane w tym ćwiczeniu, wykonaj te czynności:

1. W konsoli Google Cloud otwórz stronę Zarządzanie zasobami.
2. Na liście projektów wybierz projekt do usunięcia, a potem kliknij Usuń.
3. W oknie wpisz identyfikator projektu i kliknij Wyłącz, aby usunąć projekt.

12. Gratulacje

Gratulacje! Udało Ci się utworzyć wielomodalny model RAG za pomocą Gemini.