跳到主要內容

【Azure OpenAI】o1 模型與 2024-09-01-preview API

距離上篇在 Early Access Playground 試用 o1 模型後又過了兩週，今天終於等到 API 開放使用啦！本篇將紀錄如何使用 Python SDK 存取 o1 模型。 系列文章 【Azure OpenAI】快速試用 o1 模型 模型佈署 在先前開放的 Early Access Playground 中使用 o1 是不需要另外佈署模型的，不過回到使用 API 來存取 o1 模型，就需要像之前的模型一樣先進行佈署才能使用，相信大家都很熟悉了。 使用 Python SDK 一樣使用熟悉的 openai 套件： 2024-09-01-preview 初始化的方式與先前模型都一樣，需要注意的是 o1 模型目前只能使用最新的 API 版本 2024-09-01-preview 來訪問。 Chat Completions 將 model 填入 o1-preview ，或是你的模型佈署名稱， messages 也一樣是歷史對話堆疊的 List。 回應如下： 查看 Token 使用量 內建 Chain of Thought 的 o1 比起過往的模型會消耗較多的 Token，因此我們特別把 Token 使用量拉出來看。 回應如下： 其中 prompt_tokens 、 completion_tokens 、 total_tokens 在先前的 API 就已經存在了，分別代表Token 的 Input、Output 與總使用量，而在新的 completion_tokens_details 中可以看到  reasoning_tokens 使用了 320 個 Tokens，居然佔了總輸出 Token 的 80% 以上！ 控制 Token 成本 已往我們可以使用  max_tokens 參數來控制 Token 的用量，但在 o1 模型中棄用了 max_tokens ，取而代之的是使用  max_completion_tokens 參數，來看看這段程式碼： 回應如下： 沒東西？那再看一次 Token 量。 回應如下： Token 居然是有被使用的！ 這表示 max_completion_tokens 並不像過往使用  max_tokens 這麼簡單，先前在回應遇到...
張貼留言

【Azure Blob Storage】用高 CP 值的方式在 Azure Blob Storage 上開啟 SFTP 功能（上）

最近遇到的一個資料上雲的問題，情境是這樣的：User 非 IT 背景出生，在傳輸檔案時，原先都是透過 FileZilla 等介面使用 FTP 的方式上傳檔案；現在期望在極小的影響下改成直接將資料上到 Azure，而最無痛的作法就是開啟 Azure Blob Storage 的 SFTP 功能。

但 Azure Blob Storage 中的 SFTP 功能目前在費用方面不是很友善，這邊會講解使用 Azure Automation Runbook 的服務，來做到定時自動開關 SFTP 功能，在確定沒有使用到 SFTP 時可以自動關閉該功能，是一個高 CP 值的用法！

建立儲存體帳戶

做為要開啟 SFTP 的 Blob Storage，在建立時需要注意必須開啟「階層命名空間」，也就是需要 Gen2 的儲存體。

必須啟用「階層命名空間」才能啟用 SFTP

使用 Portal 進入儲存體帳戶的建立畫面後，在第二個「進階」的頁籤下可以啟用「階層命名空間」，同時也會提醒這是啟用 SFTP 的必要條件。

在儲存體帳戶中啟用 SFTP

勾選啟用「階層命名空間」後，啟用 SFTP 的勾選框也會同時亮起，基本上只要跟著 Portal 建立儲存體都不會有太大的問題。

勾選啟用 SFTP

其餘設定都依照自己需求建立即可，隨後等待儲存體帳戶建立完成。

建立容器

這邊先建立一個名為 sftp-test 的容器，跟一般建立容器的方式一樣，沒什麼需要特別注意的事項。

建立容器 sftp-test 

建立本機使用者

從 Portal 左測進入「設定」→「SFTP」，然後點擊「新增本機使用者」，第一次設定建議使用以下設定值：

  • 使用者名稱：自行命名，這邊使用 testuser

  • 驗證方式：勾選 SSH 密碼

  • 容器名稱：剛剛建立的 sftp-test 

  • 權限：勾選全部

  • 首頁（登陸）目錄：/sftp-test/
建立完成的使用者

設定完成並點擊「新增」後會跳出 SSH 密碼，記得先複製下來備用。

關掉就回不來的 SSH 密碼

使用 FileZilla 上傳檔案到容器中

在 FileZilla 中新增一個站台，其中各項設定如下：

  • 協定：選 SFTP
  • 主機：<儲存體帳戶名稱>.blob.core.windows.net
  • 登入型式：一般
  • 使用者：<儲存體帳戶名稱>.<使用者名稱>
  • 密碼：剛剛建立使用者時複製下來的 SSH 密碼

如設定建立新站台

連線成功後趕緊上傳一個檔案來測試，上傳方式就跟平常使用 FileZilla 一樣輕鬆簡單，對著檔案點兩下就可以了。

使用 FileZilla 上傳一個測試檔案

回到 Portal 中的容器畫面確認剛剛上傳的測試檔案，成功！

確認檔案有上傳到容器

總結

到此為止已經完成在 Azure Blob Storage 上啟用 SFTP 功能，並透過 FileZilla 上傳檔案；其中的設定值也花了一些時間踩雷，最後才整理出這組設定，可以簡單快速的測試一次 SFTP 的功能，如果有更進階的密碼與權限管理的需求還是建議回去參考微軟的官方文檔喔！

下一篇將會繼續使用 Azure Automation Runbook 來實作定時自動開關 SFTP，請繼續觀看！

相關連結：【Azure Blob Storage】用高 CP 值的方式在 Azure Blob Storage 上開啟 SFTP 功能（下）

標籤：
位置： 407台灣台中市西屯區

留言

張貼留言

這個網誌中的熱門文章

【Azure OpenAI】購買 PTU 時微軟不會告訴你的事

Provisioned Throughput Units 一直是目前在 Azure OpenAI 對於延遲問題的最有效解法，同時也是官方最推薦的方案。有別於基本的隨付即用，PTU 具有穩定、可預測的延遲等優勢，適合用於正式上線的生產環境。 但 PTU 的成本是一個不可忽視的問題，儘管選購最小單位量的 PTU，也是需要應用到達一定規模後才看得出使用效益。在確認是否購買 PTU 時，除了詳細閱讀官方文件並使用官方推出的計算機規劃額度外，以下幾點或許也是你該注意的。 不可自行購買 PTU 首先，是的，截自撰文當日 (2024/07/09) PTU 只能透過微軟業務窗口洽詢購買細節，這可能對於多數用戶是不友善的，但我相信這個過程很快就能得到優化。 相關連結： https://learn.microsoft.com/en-us/azure/ai-services/openai/concepts/provisioned-throughput#how-do-i-get-access-to-provisioned PTU 的可用區域僅供參考 在官方文件中記錄了下述表格，其中詳細的呈現各種模型的 PTU 在不同地區的可用性，但這張表只是一個參考，因為當你洽詢業務窗口時你會得到另一張不同的表格。 其中對於台灣用戶可能最有影響的，是我們沒辦法在日本東部購買 gpt-4o 模型的 PTU，對於想透過購買 PTU 以降低模型延遲的用戶來說這是一個矛盾的選擇，當然更不用提隨之產生的跨區傳輸量成本。 一樣截至撰文為止，為何在打勾區域✅無法購買的問題，官方並沒有給出任何理由，或許是我們採購量沒有達到官方需要解釋的程度😔 相關連結： https://learn.microsoft.com/en-us/azure/ai-services/openai/concepts/provisioned-throughput#what-models-and-regions-are-available-for-provisioned-throughput 有別於你認知的定價策略 承如前述，PTU 的成本絕對是導入時的重要考量點。 PTU 的售價到底是多少 事實上 PTU 的官方售價早就是公開的秘密，稱之為秘密是因為 PTU 的售價截至目前並沒有被列在官方文件或定價計算機中，但在最新的 Azure OpenAI S...
張貼留言
閱讀完整內容

【Azure OpenAI】o1 模型與 2024-09-01-preview API

距離上篇在 Early Access Playground 試用 o1 模型後又過了兩週，今天終於等到 API 開放使用啦！本篇將紀錄如何使用 Python SDK 存取 o1 模型。 系列文章 【Azure OpenAI】快速試用 o1 模型 模型佈署 在先前開放的 Early Access Playground 中使用 o1 是不需要另外佈署模型的，不過回到使用 API 來存取 o1 模型，就需要像之前的模型一樣先進行佈署才能使用，相信大家都很熟悉了。 使用 Python SDK 一樣使用熟悉的 openai 套件： 2024-09-01-preview 初始化的方式與先前模型都一樣，需要注意的是 o1 模型目前只能使用最新的 API 版本 2024-09-01-preview 來訪問。 Chat Completions 將 model 填入 o1-preview ，或是你的模型佈署名稱， messages 也一樣是歷史對話堆疊的 List。 回應如下： 查看 Token 使用量 內建 Chain of Thought 的 o1 比起過往的模型會消耗較多的 Token，因此我們特別把 Token 使用量拉出來看。 回應如下： 其中 prompt_tokens 、 completion_tokens 、 total_tokens 在先前的 API 就已經存在了，分別代表Token 的 Input、Output 與總使用量，而在新的 completion_tokens_details 中可以看到  reasoning_tokens 使用了 320 個 Tokens，居然佔了總輸出 Token 的 80% 以上！ 控制 Token 成本 已往我們可以使用  max_tokens 參數來控制 Token 的用量，但在 o1 模型中棄用了 max_tokens ，取而代之的是使用  max_completion_tokens 參數，來看看這段程式碼： 回應如下： 沒東西？那再看一次 Token 量。 回應如下： Token 居然是有被使用的！ 這表示 max_completion_tokens 並不像過往使用  max_tokens 這麼簡單，先前在回應遇到...
張貼留言
閱讀完整內容

【Document Intelligence】使用 Layout Model 實作 Semantic Chunking

在這個 LLM 時代 RAG 可說是一個非常熱的議題，其中來源資料的品質幾乎決定了整個 RAG 應用的成敗，而在一系列的資料處理流程中，又以 Chunking 做為一個重要的環節，像是常見的固定長度、重疊等等都是基本的 Chunking 策略。 Semantic Chunking 是一種進階的 Chunking 手法，比起基本的固定長度切分，Semantic Chunking 希望藉由語意分析劃分出更具有意義的 Chunk。本篇將使用在 Document Intelligence 中新推出的 Layout Model 文檔分析 API 來實作 Semantic Chunking。 Markdown 與 Semantic Chunking Markdown 是一種具有結構的標記語言，對於人類在閱讀上是非常友好的，而對於 LLM 來說當然也是如此，不過在現實上，我們提供給 RAG 的文件往往都不是 Markdown。 現在我們將使用 Layout Model 來解決這個問題，其提供的文檔分析 API 可以在一次呼叫中將傳入的 PDF、PPT 等常見格式文檔轉換成 Markdown 格式，這個轉換過程中包含了 OCR、文件結構分析等步驟，這也就代表轉換出的 Markdown 結構在某種程度上是蘊含文件語意的。 最後我們將使用這個 Markdown 結構做為 Chunking 的依據，以此來實現 Semantic Chunking。 建立 Document Intelligence 建立 AI 類服務時基本上都不用做太複雜的設定，這邊唯一要注意的是我們預計要使用的 Layout Model API 目前只有在美東、美西 2 與西歐三個地區提供，建議時需要留意選擇的地區。 Document Intelligence Studio 與其他 AI 服務一樣，Document Intelligence 也有提供 Studio 讓我們快速體驗功能，從 Studio 首頁進入「Layout」頁面，我們使用內建的範例文件來看看文檔分析 API 的能力。 首先選擇一篇範例文件，再調整「Output format style」為「Markdown 」後點擊上方的「Run an...
張貼留言
閱讀完整內容