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 Cognitive Search】使用 Python SDK 在認知搜尋中進行全文檢索

認知搜尋 Azure Cognitive Search，在需要限縮 ChatGPT  回答內容的對話機器人情境中，Cognitive Search 可以作為其中最關鍵的「知識庫」角色，其 PaaS 服務的方便性加上後期與 Azure OpenAI 的整合，可說是 2023 年最受益於 ChatGPT 的 Azure 服務之一。

此篇會由快速入門 Cognitive Search 的角度出發，使用 Python SDK 建立 Cognitive Search 的 Index ，並在其中載入測試資料與進行全文檢索。


建立服務

由 Portal 建立 Cognitive Search 服務是最簡單快速的，基本上在建立時只需要決定「定價層」、「復本數」與「分割區數量」。

選擇建立免費層的 Cognitive Search

這邊我們先從最簡單的免費層開始就好，在這個層級中「復本數」與「分割區數量」都被限制在 1 份，所以只需要無腦點建立就可以囉。

免費層無法調動設定

看到預估成本是 0 元就莫名的開心..

API 金鑰

建立完成後進入 Cognitive Search 畫面左邊的「金鑰」頁籤，先複製下來備用。

查看 API 金鑰

測試資料

先借用以下官方放在 GitHub 上的範例資料，資料中包含了 108 項 Azure 服務的名稱與簡介，並存放於 Json 格式中。

相關連結：https://github.com/Azure/cognitive-search-vector-pr/blob/main/demo-python/data/text-sample.json

Python 套件安裝

Cognitive Search 的官方 Python SDK，使用以下指令安裝：

建立 Index

首先透過以下這段程式，使用剛剛暫存下來的金鑰連線到 Cognitive Search，記得將 endpoint 與 credential 替換成自己的。

在將測試資料放入 Cognitive Search 前，必須先建立 Index，這邊可以將 Index 想像成資料庫中的表，與在資料庫中建立表的流程一下，需要先定義表的欄位與其格式，在 Cognitive Search 中使用 Field 來設定這些。

配合測試資料中的 4 個欄位：id、title、content、category 分別建立 Field，簡單說明一下：

  • 在 Index 中需要指定一個欄位作為 Primary Key，使用 key=True 來設定。

  • 可以簡單將 SearchableField 理解為能被全文檢索到的欄位

以下程式碼使用設定好的欄位在 Cognitive Search 中建立 Index：

其中 SearchIndex 的 name 可以自行設定 Index 的名稱。

建立完成後就能在 Portal 上看到該 Index，切換到 Cognitive Search 畫面左邊的「索引」頁籤，其中可以看到所有欄位與相關設定：

由 Portal 查看建立完成的 Index

在 Index 中寫入資料

建立好 Index 後就能開始將測試資料載入，因為測試資料已經揪甘心的整理成漂亮的 Json 格式，所以打開讀取後就能直接載入 Index，一樣記得要將 endpoint 與 credential 替換成自己的。

寫入完成，一樣回到 Cognitive Search 畫面左邊的「索引」頁籤，稍等幾分鐘後重新整理畫面，就能看到 108 筆資料成功被載入 Index 了！

108 筆資料成功被載入 Index

全文檢索

資料載入 Index 後就能開始檢索這些資料了，第一次先使用 search_text="*" 查詢，代表不包含任何關鍵字的空查詢：

執行結果如下：

使用 search_text="*" 的空查詢會返還所有在 Index 內的資料，這也表示查詢是成功的。

再來使用關鍵字 web 搜尋有沒有相關的服務：

執行結果如下：

這次多印出了 @search.score，是由最常見的 BM25 算法計算而得，可以簡單將他視為這次檢索的分數，分數越高代表這個項目與關鍵字越相關。

總結

如同開頭提到的，Cognitive Search 已經是一個成熟的 PaaS 服務，在載入資料與檢索等都已經有簡單易用的 API，尤其在檢索時還有非常多可以塞選結果的語法可以使用，對於需要建立私有資料的檢索平台來說，Cognitive Search 幾乎把後端加資料庫都幫你做好了，真的非常方便阿！

而目前的檢索方式還建立在簡單的關鍵字搜尋，在這個大 ChatGPT 時代似乎在搜尋結果上還是差強人意了點，下一篇會繼續結合 Azure OpenAI ，讓 Cognitive Search 能使用自然語言的問答方式來做資料檢索，請繼續收看！

系列文章

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

【Azure OpenAI】快速試用 o1 模型

在 OpenAI 與 Azure OpenAI 同時發佈 o1 系列模型的一週後，我也順利通過 Azure OpenAI 的使用申請啦！本篇就來快速試用一下最新的o1 系列模型。 提出申請 目前如果要使用 o1 系列模型都需要經過微軟的資格審查，申請表單可以參考以下連結，表單只需要填寫一份，申請通過後 o1-preview 和 o1-mini 兩個模型都能使用。 相關連結： https://aka.ms/oai/modelaccess 使用 AI Studio 首先你必須要有一個位於 美東 2 地區的 Azure OpenAI 資源，不管是原有的或是新建立的資源都可以。 因為目前 o1 系列模型還處於早期訪問階段，資源中不需要自行佈署模型，取而代之的是需要透過 Early Access Playground 才能使用到 o1 系列模型。 而這次比較特別的是只能使用 AI Studio 的 Playground，看得出來微軟要慢慢整併掉 Azure OpenAI Studio 了。 草莓問題 這次就拿近期已經被大家玩爛的草莓問題來測試，在這個問題中我們會詢問 GPT 在「Strawberry」這個單字裡包含了多少個字母「r」，沒錯，這個草莓問題就是這麼簡單無聊，但結果卻出乎意料。 gpt-4o：兩次 gpt-4o 會有非常高的機率回答：兩次，看似如此簡單的問題又能讓 gpt-4o 屢屢回答錯誤，這就是草莓問題出名的原因，大家也可以自己嘗試看看。 o1-preview：三次 反觀加入 Chain of Thought 概念的 o1-preview 就輕鬆解決了這個草莓問題 😂 總結 根據官方資訊，具有 Chain of Thought 的 o1 模型犧牲了回應的即時性，但大幅改善在邏輯與推理類型問題中的表現，同時成本方面 o1-preview 相較 gpt-4o-0806 貴了 6 倍，對於企業來說就需要好好思考是否有適用的情境了，不過現階段還是繼續期待 API 可用的那天。
張貼留言
閱讀完整內容