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 OpenAI】Azure OpenAI Python SDK 使用方式：Embedding

 繼前文介紹完聊天模型的使用方式後，本篇將介紹另一類重要的模型：內嵌 Embedding。

Embedding 模型能夠將一段文字轉換成數學中的向量，在 NLP 中是一個非常大的研究領域，不過本篇不會包含任何理論方面的說明，主要還是會把重心放在如何透過 Azure OpenAI 的 Embedding API 快速的產生詞向量。

部署 Embedding 模型

Embedding 模型其實在 OpenAI 最一開始推出時，根據不同任務屬性區分成了數個模型，而在後來的更新中又推出了 text-embedding-ada-002 (Version 2) 才統一了所有的 Embedding 模型，所以目前最多人使用，同時也是官方建議使用的 Embedding 模型即為 text-embedding-ada-002。

模型部署一樣是透過 Azure OpenAI Studio，操作步驟也都是類似的，可以參考之前的基礎設定文章。

模型部署完成的畫面

必要條件

  • 需要具備可使用 Azure OpenAI 服務的 Azure 訂閱，可參考下方連結中的申請流程。
  • 此系列文皆使用 Python 的 openai 函式庫，安裝與引入方式可參考下方連結中的基本設定。
  • 可先設定 Azure OpenAI 端點與金鑰，以下設定方式不會再重複出現在每個範例中。
import openai
openai.api_type = "azure"
openai.api_version = "2023-08-01-preview"
openai.api_base = "https://xxxxx.openai.azure.com/"  # 你的 Azure OpenAI 端點
openai.api_key = "OPENAI_API_KEY" # 你的 Azure OpenAI 金鑰

相關連結：【Azure OpenAI】Azure OpenAI Python SDK 使用方式：基本設定

Embedding API 呼叫方式

使用方式直接看以下最基本的範例：

response = openai.Embedding.create(
  deployment_id="text-embedding-ada-002",
  input="Hello"
)

與先前介紹的 Chat Completion API 類似， deployment_id 是在 Aazure OpenAI 中模型的部署名稱；而在這邊的 Embedding 模型中，短至一個單詞，長至一整篇文章，都可以使用相同的 API 呼叫方式快速轉換成詞向量，將文字直接以字串型式給在 input 即可。

Embedding API 回應

Embedding API 回傳的是一個多層的 Json 物件，可以使用以下方式取出轉換後的向量：

embedding = response['data'][0]['embedding'] # [-0.02181987278163433, -0.00725163146853447, -0.02838272973895073, ..., -0.0034146346151828766]
len_embedding = len(embedding) # 1536

text-embedding-ada-002 模型將回傳的詞向量壓在了 1536 維，這邊官方號稱可以有更便宜的儲存成本與更好的準確度，對比最初代 Embedding 模型的 8000 多維，確實有很大的進步。

向量之後呢？

如果讀者是完全沒有 NLP 的概念（應該只有我），到這邊可能會想為什麼要把文字轉換成向量？而最先看到一件事是：不分語言，因為 Embedding 模型只限制輸入需要字串格式，可以嘗試看看以下範例。

多個輸入

將輸入的字串修改為字串列表，就能在一次呼叫中包含多個輸入。

response = openai.Embedding.create(
    deployment_id="text-embedding-ada-002",
    input=["Hello", "Bonjour"]
)

不論是英文或法語的 Bonjour，在 Embedding API 中都一致的轉換為長度是 1536 的向量。

相似度

而相同長度的向量在數學中可以計算兩向量間的距離，這時可以很直觀的將向量間的距離看成是兩段文字的相似度；在計算時一般可以使用餘弦相似度 cosine_similarity，而 openai 也已經把公式包進函式庫中。

from openai.embeddings_utils import cosine_similarity
cosine_similarity(response['data'][0]["embedding"], response['data'][1]["embedding"])
# 0.9476516594734119

簡單調用 cosine_similarity 函數可以快速計算出兩向量的餘弦相似度。

回到範例，這兩個向量是由英文的 Hello 與法語的 Bonjour 轉換而成的，而兩者計算出了 94.7% 的相似度！

總結

這邊透過一個簡單的範例快速了解 Python 呼叫 Embedding 模型與計算相似度的使用方式。在後面的文章中會再進一步介紹，如何結合「Embedding 計算相似度」與「ChatGPT 聊天模型」來實做「搜尋推薦引擎」、「企業使用聊天助手」等應用。

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

【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