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 VNet】虛擬網路中的服務端點

在 Azure 中提供了 Azure VNet Service Endpoint 與 Azure Private Endpoint 兩項服務，用來確保其他 Azure 服務僅能透過 VNet 中的流量訪問，藉此將這些 Azure 服務保護在 VNet 中以提高安全性。

Service Endpoint 與 Private Endpoint 都可以使 VNet 中的私人 IP 到達其他 Azure 服務，而不需要使用到公用 IP，而兩者也存在部分差異，本系列包含以下四篇文章，以最常用的儲存服務 Azure Storage Account 為例，簡單講解這兩項服務。

  • 【Azure VNet】服務端點 vs 專用端點

架構說明

以下 Demo 架構供 VNet 中的 VM 透過 Service Endpoint 訪問 Azure Storage ：

  • Azure Storage 停用外網訪問，並允許僅有特定的 Subnet 才能訪問。

  • 保護在 VNet 中的 VM 到達 Azure Storage 時，使用 VNet 中的私人 IP 作為來源 IP。

建立虛擬網路

首先建立最基本的 VNet，沒有太多特別需要注意的地方，這邊在資源群組 charlie-test 中建立名為 charlie-test-vent 的虛擬網路。

建立虛擬網路

進到「IP 位址」頁籤，根據架構圖中的 IP 規劃將 VNet 設定為 10.1.0.0/16，其中包含一個 10.1.1.0/24 的子網段。

設定 IP 位址

建立虛擬機器

VM 「基本」頁籤中選擇 Windows 方便後續的測試。

建立 Windows VM

網路部分需要稍微注意，子網路記得選到剛剛建立的 VNet 與 Subnet，另外也需要建立公用 IP，方便後續測試直接 RDP 連線進去 VM。

設定 VM 網路

建立 Azure Storage Account

最後就是主角的 Azure Storage Account，不過這邊沒有任何需要特別設定的項目，直接全部預設值建立起來就可以了！

建立儲存體

啟用服務端點

以上服務都建立完成後，就可以來啟用服務端點了，找到剛剛建立的 VNet 後切換到「服務端點」頁籤點擊新增。

加入服務端點

因為這次要連線到的服務是 Storage Account，所以服務這邊就選擇 Microsoft.Storage，而子網路當然就是選到 VM 所在的那個子網路。

稍待幾分鐘等服務端點啟用完成後，就會看到如下畫面：

服務端點啟用完成

調整儲存體帳戶的網路設定

Azure Storage Account 剛建立起來時，對於公網的預設存取是完全開放的，可以如下到「網路」頁籤中查看。

網路預設對公網開放

在「公用網路存取」的選項中預設是使用「已從所有網路啟用」，第一步就是先切到相對安全的「已從選取的虛擬網路和 IP 位址啟用」。

再來點擊「新增現有的虛擬網路」將 VM 所在的 VNet 與 Subnet 加到白名單中，設定完成記得按下儲存。

完成儲存體帳戶的網路設定

連線測試

到此我們完成了所有服務的建立與網路設定，而關於測試連線到 Azure Storage Account 的方式有很多種，這邊我們選擇一個不用下載任何 Client，只需要在 Portal 上就能進行測試的方式。

在 Storage Account 中隨意建立一個容器並點擊進入，以下是使用正在編寫此篇文章的機器看到的畫面，這台機器當然與 VNet 沒有任何關係。

失敗

一樣的頁面我們切換到 VM 中：

成功

它是怎麼運作的？

透過上述測試，我們已經確認了只能由虛擬網路內部發起的流量才能到達 Storage Account，但身為好奇寶寶的我們才不會止步於此。

從 Portal 選到 VM 的網路介面並進入「有效的路由」頁籤就能明白了，在啟用服務端點後會在路由中自動新增一條規則，而這條規則包含了 Storage Account 所有的公用 IP 範圍，並將到達這些 IP 的流量跳轉到 VirtualNetworkServiceEndpoint，可以把它當作 Azure 結構的入口，最終它將流量導向至 Storage Account。

有效的路由

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