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 在認知搜尋中進行向量搜尋（下）

在上一篇中，我們已經建立了一個可以儲存向量的 Index，並寫入了包含向量欄位在內的 108 筆資料，還沒看過的可以先到下方連結查看喔！

接續上篇，我們會在這個 Index 上開始執行向量搜尋，交叉使用先前設定好的兩種演算法，最後會結合全文檢索進行混和搜尋。

完整程式碼於文末 GitHub 連結提供！

相關連結：【Azure Cognitive Search】使用 Python SDK 在認知搜尋中進行全文檢索

相關連結：【Azure Cognitive Search】使用 Python SDK 在認知搜尋中進行向量搜尋（上）

相關連結：https://github.com/Azure/cognitive-search-vector-pr/tree/main/demo-python

必要條件

  • 具有與上篇相同設定的 Cognitive Search Index

  • Cognitive Search 的官方 Python SDK：azure-search-documents 的 11.4.0b11 版

連線 Index

首先必須要連線到在上篇建立好的 Index：

使用 SearchClient 類與現有的 Index 建立連線，這邊要注意 index_name 是要建立連線的 Index 名稱 ，後面都會使用到這個物件，不過文章中就不會再重複這段程式碼了。

單一欄位的純向量搜尋

在執行向量搜尋時，一般都需要先將要搜尋的語句轉換為向量，後續才能與其他向量計算相似度，但每次執行都需要多這一步確實有點麻煩，常見的解法也是把流程包成函數來重複使用。

但在 Cognitive Search 中，非常貼心的幫我們把這一步處理掉了，現在我們可以直接把查詢問句丟進呼叫的接口，而不再是先轉換成向量，以下程式碼會更清楚這個流程：

原因是我們使用 VectorizableTextQuery 這個類別，背後他會自己去使用我們在上篇設定給 Index 的 Azure OpenAI 連線資訊來轉換向量，真的是非常方便，但因為還是使用我們自己的 Azure OpenAI 資源，所以轉換費用還是逃不了的😓

VectorizableTextQuery 代表的是一組向量搜尋的設定，k=3 表示回傳分數前三高的結果，fields="contentVector" 指定對哪一個欄位進行搜尋。

search_client.search 是真正執行搜尋的方法，vector_queries 放的是上述的向量搜尋設定，select 指定回傳時需要包含哪些欄位。

再來看看執行結果：

這邊使用 @search.score 印出每個搜尋結果的分數，但要注意的是這個分數並不是向量間的餘弦值，Cognitive Search 對分數進行了一些轉換，確保 @search.score 是一個單調遞減函數：

  • 餘弦相似度定義為兩個向量之間角度的餘弦值
  • 餘弦距離為 1 - cosine_similarity
  • 最終的 @search.score 為 1 / (1 + cosine_distance)

如果你跟我一樣什麼都不想管，那你只要知道輸出的 @search.score 分數越高代表越相近就可以囉！

換個語言

就像上面說的，VectorizableTextQuery 背後使用 Azure OpenAI 的 Embedding 模型做向量轉換，所以進行向量搜尋的語句事實上是不限語言的，就像這樣：

執行結果：

Exhaustive KNN

因為在上篇中我們有加入 Exhaustive KNN 的設定，所以可以由預設的 HNSW  轉換成使用 Exhaustive KNN 算法。

執行結果：

只要加上 exhaustive=True 參數就能快速地切換到 Exhaustive KNN！

多欄位的純向量搜尋

這邊有兩種方式可以做到同時多欄位的向量搜尋：

跨欄位的單一向量搜尋

第一種方式比較簡單，適用在同一個搜尋語句在多個欄位中搜尋的情況，只要在 VectorizableTextQuery 的 fields 中加入要一起執行向量搜尋的欄位就可以了。

多個向量搜尋

第二種方式是將每個向量搜尋分別建立 VectorizableTextQuery 實例，當執行 search_client.search 方法時再彙整到 vector_queries 中。

這個方式有比較廣泛的適用情境，例如兩個欄位需要分別使用不同的 Embedding 模型，甚至轉換後的向量是不同維度的；而另一個常見的案例是希望執行多模態的搜尋，想要同時對圖片與文字進行向量搜尋，這些情況下都可以透過這個方式來達成。

在目前這個範例中，兩種方式的執行結果是一樣的：

可以看到分數似乎與先前都有點不同，這是因為當同時執行多個查詢時，Cognitive Search 會轉換成一種 RRF 評分算法來混和多個查詢的結果，最終呈現出來的分數一樣是一個望大的值。

帶有篩選條件的向量搜尋

Cognitive Search 本身就帶有篩選的功能，與原本使用的語法相同，當執行 search_client.search 方法時在 filter 參數帶上即可。

執行結果：

注意到執行時有加上 vector_filter_mode=VectorFilterMode.PRE_FILTER 參數，與之相反的是 VectorFilterMode.POST_FILTER，分別代表在向量搜尋前或後執行篩選，這個設定對於查詢結果的數量會有影響，如果要盡可能確保輸出數量保持 k=3，那就是選擇 VectorFilterMode.PRE_FILTER。

混合式搜尋

最後則是結合全文檢索與向量搜尋的混合式搜尋。

在搜尋中如果帶有特別的專有名詞或是特定領域的行話時，還是需要使用一般的全文檢索來做補強，這種情況下使用全文檢索與向量搜尋的混合式搜尋，甚至可以達到更好的效果。

最終的執行結果：

總結

整體來說，Cognitive Search 在加入向量搜尋的功能後，真正成為了完整的搜尋服務解決方案，多種搜尋方式的快速切換與任意的混和搭配使用，在程式設計上也簡單直觀，內建的數種算法與 Azure OpenAI 的整合，甚至讓完全不懂演算法的開發者也能快速上手，推薦給有興趣的人都來玩玩看！

系列文章

完整程式碼

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