1. Introdução
O que é RAG?
A geração aumentada de recuperação (RAG) é uma técnica que combina o poder dos modelos de linguagem grandes (LLMs) com a capacidade de recuperar informações relevantes de fontes de conhecimento externas. Isso significa que um LLM não depende apenas dos dados de treinamento internos, mas também pode acessar e incorporar informações atualizadas e específicas ao gerar respostas.
A RAG está ganhando popularidade por vários motivos:
- Maior precisão e relevância:a RAG permite que os LLMs forneçam respostas mais precisas e relevantes, porque as fundamentam em informações factuais extraídas de fontes externas. Isso é especialmente útil em situações em que é essencial ter conhecimento atualizado, como para responder a perguntas sobre eventos atuais ou fornecer informações sobre tópicos específicos.
- Redução de alucinações:às vezes, os LLMs podem gerar respostas plausíveis, mas que, na verdade, são incorretas ou sem sentido. A RAG ajuda a atenuar esse problema ao verificar as informações geradas em relação a fontes externas.
- Maior adaptabilidade:a RAG torna os LLMs mais adaptáveis a diferentes domínios e tarefas. Usando diferentes fontes de conhecimento, é possível personalizar um LLM para fornecer informações sobre uma ampla variedade de temas.
- Experiência do usuário aprimorada:a RAG pode melhorar a experiência geral do usuário fornecendo respostas mais informativas, confiáveis e relevantes.
Por que usar multimodal
No mundo rico em dados de hoje, os documentos costumam combinar texto e imagens para transmitir informações de forma abrangente. No entanto, a maioria dos sistemas de geração aumentada de recuperação (RAG, na sigla em inglês) negligenciam os insights valiosos contidos nas imagens. À medida que os modelos de linguagem grandes (LLMs) multimodais ganham destaque, é crucial explorar como podemos aproveitar o conteúdo visual junto com o texto em RAG, desbloqueando uma compreensão mais profunda do cenário da informação.
Duas opções para RAG multimodal
- Embeddings multimodais: o modelo de embeddings multimodais gera vetores* de 1.408 dimensões com base na entrada fornecida, que pode incluir uma combinação de dados de imagem, texto e vídeo. O vetor de embedding de imagem e o de texto estão no mesmo espaço semântico com a mesma dimensionalidade. Consequentemente, esses vetores podem ser usados de modo intercambiável para casos de uso como pesquisar imagem por texto ou vídeo por imagem. Confira esta demonstração.
- Usar incorporação multimodal para incorporar texto e imagens
- Recupere os dois usando a pesquisa por similaridade
- Transmita a imagem bruta e os blocos de texto recuperados para um LLM multimodal para síntese de respostas
- Embeddings de texto:
- Usar LLM multimodal para gerar resumos de texto das imagens
- Texto incorporado e recuperado
- Transmitir blocos de texto ao LLM para síntese de respostas
O que é um recuperador multivetorial
A recuperação multivetorial emprega resumos das seções do documento para recuperar o conteúdo original para síntese de respostas. Isso melhora a qualidade do RAG especialmente para tarefas intensivas de tabelas, gráficos, tabelas etc. Veja mais detalhes no blog da Langchain.
O que você vai criar
Caso de uso: desenvolvimento de um sistema de resposta a perguntas com o Gemini Pro
Imagine que você tem documentos com gráficos ou diagramas complexos cheios de informações. Você quer extrair esses dados para responder a perguntas ou consultas.
Neste codelab, você vai fazer o seguinte:
- Carregamento de dados usando LangChain
document_loaders - Gere resumos de texto usando o modelo
gemini-prodo Google - Gere resumos de imagens usando o modelo
gemini-pro-visiondo Google - Criar a recuperação multivetorial usando o modelo
textembedding-geckodo Google com o Croma Database como repositório de vetores - Desenvolver uma cadeia de RAG multimodal para responder a perguntas
2. Antes de começar
- No console do Google Cloud, na página de seletor de projetos, selecione ou crie um projeto do Google Cloud.
- Verifique se o faturamento está ativado para seu projeto do Google Cloud. Saiba como verificar se o faturamento está ativado em um projeto.
- Ative todas as APIs recomendadas no painel da Vertex AI.
- Abra o Notebook do Colab e faça login na mesma conta que sua conta ativa do Google Cloud.
3. Como criar RAG multimodal
Este codelab usa o SDK da Vertex AI para Python e o Langchain para demonstrar como implementar a "Opção 2" descrita aqui com o Google Cloud.
Você pode consultar o código completo no arquivo RAG multimodal com o Google Cloud no repositório referenciado.
4. Etapa 1: instalar e importar dependências
!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
Insira o ID do projeto e conclua a autenticação
#TODO : ENter project and location
PROJECT_ID = ""
REGION = "us-central1"
from google.colab import auth
auth.authenticate_user()
Inicializar a plataforma Vertex AI
import vertexai
vertexai.init(project = PROJECT_ID , location = REGION)
5. Etapa 2: preparar e carregar dados
Usamos um arquivo ZIP com um subconjunto das imagens extraídas e o PDF desta postagem do blog. Se você quiser seguir o fluxo completo, use o exemplo original.
Primeiro, faça o download dos dados
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()
Carregar o conteúdo de texto do 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]
Verificar o conteúdo da primeira página
texts[0]
A saída vai aparecer
Total de páginas no documento
len(texts)
A saída esperada é
6. Etapa 3: gerar resumos de texto
Importar primeiro as bibliotecas necessárias
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
Acessar resumos de texto
# 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]
A saída esperada é
7. Etapa 4: gerar resumos de imagens
Importar primeiro as bibliotecas necessárias
import base64
import os
from langchain_core.messages import HumanMessage
Gerar resumos de imagens
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]
A saída será semelhante a esta: 
8. Etapa 5: criar a recuperação de vários vetores
Vamos gerar resumos de texto e imagem e salvá-los em um ChromaDB vetorstore.
Importar bibliotecas necessárias
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
Criar recuperação multivetorial
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. Etapa 6: criar RAG multimodal
- Definir funções utilitárias
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}
- Definir comando de imagem específico do domínio
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)]
- Definir cadeia RAG multimodal
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. Etapa 7: testar as consultas
- Recuperar documentos relevantes
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])
- Executar o RAG na mesma consulta
result = chain_multimodal_rag.invoke(query)
from IPython.display import Markdown as md
md(result)
Exemplo de saída (pode variar quando você executar o código)
11. Limpar
Para evitar cobranças dos recursos usados neste codelab na conta do Google Cloud, siga estas etapas:
- No console do Google Cloud, acesse a página Gerenciar recursos.
- Na lista de projetos, selecione o projeto que você quer excluir e clique em Excluir.
- Na caixa de diálogo, digite o ID do projeto e clique em Encerrar para excluí-lo.
12. Parabéns
Parabéns! Você desenvolveu um RAG multimodal usando o Gemini.