Codifica di un esperimento AutoAI RAG con un archivio vettoriale Chroma
Ultimo aggiornamento: 21 feb 2025
Codifica di un esperimento AutoAI RAG con un archivio vettoriale Chroma
Esaminare le linee guida e gli esempi di codice per imparare a codificare un esperimento RAG AutoAI utilizzando il database Chroma predefinito e in memoria come archivio vettoriale.
Memorizzazione di contenuti vettoriali in un database Chroma
Copy link to section
Quando si imposta l'esperimento AutoAI RAG e non si specifica una connessione a un archivio vettoriale, il contenuto vettoriale viene salvato nel database Chroma predefinito, in memoria. Il contenuto non persiste al di là dell'esperimento, quindi questo non è un metodo di produzione praticabile per distribuire un modello RAG. Tuttavia, fornisce un percorso rapido per la creazione di un modello RAG.
input_data_references supporta fino a 20 istanze DataConnection.
Dati di valutazione
Copy link to section
I dati di valutazione devono essere in formato JSON con uno schema fisso con questi campi: question, correct_answer, correct_answer_document_ids
Ad esempio:
[
{
"question": "What is the purpose of get_token()?",
"correct_answer": "get_token() is used to retrieve an authentication token for secure API access.",
"correct_answer_document_ids": [
"core_api.html"
]
},
{
"question": "How does the delete_model() function operate?",
"correct_answer": "delete_model() method allows users to delete models they've created or managed.",
"correct_answer_document_ids": [
"core_api.html"
]
}
]
L'oggetto rag_optimizer fornisce un insieme di metodi per lavorare con l'esperimento AutoAI RAG. In questa fase si inseriscono i dettagli per definire l'esperimento. Queste sono le opzioni di configurazione disponibili:
Eseguire l'ottimizzatore per creare i modelli RAG utilizzando le opzioni di configurazione specificate. In questo esempio di codice per l'esecuzione di un esperimento Chroma, il task viene eseguito in modalità interattiva. È possibile eseguire l'attività in background cambiando l'opzione background_mode in True.
Fase 4: Esaminare i modelli e selezionare il migliore
Copy link to section
Dopo che l'esperimento AutoAI RAG è stato completato con successo, è possibile rivedere i modelli. Usare il metodo 'summary per elencare i modelli completati e le informazioni sulle metriche di valutazione sotto forma di un DataFrame Pandas, in modo da poter esaminare i modelli, classificati in base alle prestazioni rispetto alla metrica ottimizzata.
summary = rag_optimizer.summary()
summary
Copy to clipboardCopiato negli appunti
Ad esempio, i risultati dei modelli vengono visualizzati in questo modo:
Modello
correttezza_media_delle_risposte
media_fedeltà
correttezza_del_contesto
chunking.chunk_size
embeddings.model_id
vector_store.distance_metric
retrieval.method
retrieval.number_of_chunks
generation.model_id
Pattern1
0.6802
0.5407
1.0000
512
ibm/slate-125m-english-rtrvr
euclideo
finestra
5
meta-llama/llama-3-70b-instruct
Pattern2
0.7172
0.5950
1.0000
1024
intfloat/multilingual-e5-large
euclideo
finestra
5
ibm/granite-13b-chat-v2
Pattern3
0.6543
0.5144
1.0000
1024
intfloat/multilingual-e5-large
euclideo
semplice
5
ibm/granite-13b-chat-v2
Pattern4
0.6216
0.5030
1.0000
1024
intfloat/multilingual-e5-large
coseno
finestra
5
meta-llama/llama-3-70b-instruct
Pattern5
0.7369
0.5630
1.0000
1024
intfloat/multilingual-e5-large
coseno
finestra
3
mistralai/mixtral-8x7b-instruct-v01
Selezionare un modello da testare localmente
Copy link to section
Il passo successivo è selezionare un modello e testarlo localmente. Poiché Chroma è in-memory, è necessario ricreare l'indice dei documenti.
Suggerimento:
Nel seguente esempio di codice, l'indice viene costruito con i documenti core_api.html e fm_embeddings.html.
payload = {
client.deployments.ScoringMetaNames.INPUT_DATA: [
{
"values": ["How to use new approach of providing credentials to APIClient?"],
}
]
}
best_pattern.query(payload)
Copy to clipboardCopiato negli appunti
La risposta del modello è la seguente:
According to the document, the new approach to provide credentials to APIClient is by using the Credentials class. Here's an example:
from ibm_watsonx_ai import APIClient
from ibm_watsonx_ai import Credentials
credentials = Credentials(
url = "https://us-south.ml.cloud.ibm.com",
token = "***********",
)
client = APIClient(credentials)
This replaces the old approach of passing a dictionary with credentials to the APIClient constructor.
Copy to clipboardCopiato negli appunti
Suggerimento:
Per recuperare un modello specifico, passare il numero del modello a rag_optimizer.get_pattern().
Esame dei risultati degli esperimenti nel Cloud Object Storage
Copy link to section
Se lo stato finale dell'esperimento è fallito o errore, utilizzare rag_optimizer.get_logs() o fare riferimento ai risultati dell'esperimento per capire cosa è andato storto. I risultati degli esperimenti e i registri sono archiviati nell'istanza predefinita Cloud Object Storage collegata all'account. Per impostazione predefinita, i risultati vengono salvati nella directory default_autoai_rag_out.
I risultati sono organizzati per modello. Ad esempio:
Il file evaluation_results.json contiene i risultati della valutazione per ogni domanda di benchmark.
Il file indexing_inference_notebook.ipynb contiene il codice python per la creazione dell'indice del database vettoriale e della funzione di recupero e generazione. Il quaderno introduce i comandi per il recupero dei dati, il chunking e la creazione di embeddings, nonché per il recupero di chunks, la costruzione di prompt e la generazione di risposte.
Nota:
Il quaderno dei risultati indexing_notebook.ipynb contiene il codice per incorporare e indicizzare i documenti. È possibile accelerare l'attività di indicizzazione dei documenti cambiando vector_store.add_documents() con vector_store.add_documents_async().
Ottenere il quaderno di inferenza e indicizzazione
Copy link to section
Per scaricare un quaderno di inferenze specifico, utilizzare l'opzione get_inference_notebook(). Se si lascia pattern_name vuoto, il metodo scarica il blocco note del miglior modello calcolato.
Informazioni sui cookie del presente sitoPer il corretto funzionamento, i nostri siti Web richiedono alcuni cookie (richiesto). Inoltre, con il suo consenso, potrebbero essere utilizzati altri cookie per l'analisi dell'utilizzo del sito, per migliorare l'esperienza utente e per scopi pubblicitari.Per ulteriori informazioni, consultare le Preferenze cookie. Visitando il nostro sito web, accettate il trattamento delle informazioni da parte nostra come descritto nelladichiarazione sulla privacy di IBM.Per consentire una corretta navigazione, le preferenze per i cookie dell'utente verranno condivise sui domini Web IBM qui elencati.