Sdílet prostřednictvím

Kurz: Vytvoření koncových bodů externího modelu pro dotazování modelů OpenAI

  • Článek

Tento článek obsahuje podrobné pokyny pro konfiguraci a dotazování koncového bodu externího modelu, který slouží modelům OpenAI k dokončení, chatu a vkládání pomocí sady SDK pro nasazení MLflow. Přečtěte si další informace o externích modelech.

Pokud chcete k provedení této úlohy použít uživatelské rozhraní obsluhy, přečtěte si téma Vytvoření externího modelu obsluhující koncový bod.

Požadavky

Krok 1: Uložení klíče rozhraní API OpenAI pomocí rozhraní příkazového řádku tajných kódů Databricks

Klíč rozhraní API OpenAI můžete uložit pomocí Rozhraní příkazového řádku pro tajné kódy Databricks (verze 0.205 a vyšší). Rozhraní REST API můžete také použít pro tajné kódy.

Následující kód vytvoří obor tajného kódu s názvem my_openai_secret_scopea pak v tomto oboru vytvoří tajný klíč openai_api_key .

databricks secrets create-scope my_openai_secret_scope
databricks secrets put-secret my_openai_secret_scope openai_api_key

Krok 2: Instalace MLflow s podporou externích modelů

K instalaci verze MLflow s podporou externích modelů použijte následující:

%pip install mlflow[genai]>=2.9.0

Krok 3: Vytvoření a správa koncového bodu externího modelu

Důležité

Příklady kódu v této části ukazují použití sady CRUD SDK pro nasazení MLflow ve verzi Public Preview .

Pokud chcete vytvořit koncový bod externího modelu pro rozsáhlý jazykový model (LLM), použijte create_endpoint() metodu ze sady SDK pro nasazení MLflow. V uživatelském rozhraní obsluhy můžete také vytvořit koncové body externího modelu.

Následující fragment kódu vytvoří koncový bod dokončení pro OpenAI gpt-3.5-turbo-instruct, jak je uvedeno v served_entities části konfigurace. V případě koncového bodu nezapomeňte name vyplnit jedinečné hodnoty pro každé pole a openai_api_key s jejich jedinečnými hodnotami.

import mlflow.deployments

client = mlflow.deployments.get_deploy_client("databricks")
client.create_endpoint(
    name="openai-completions-endpoint",
    config={
        "served_entities": [{
            "name": "openai-completions",
            "external_model": {
                "name": "gpt-3.5-turbo-instruct",
                "provider": "openai",
                "task": "llm/v1/completions",
                "openai_config": {
                    "openai_api_key": "{{secrets/my_openai_secret_scope/openai_api_key}}"
                }
            }
        }]
    }
)

Pokud používáte Azure OpenAI, můžete také zadat název nasazení Azure OpenAI, adresu URL koncového bodu a verzi rozhraní API v openai_config části konfigurace.

client.create_endpoint(
    name="openai-completions-endpoint",
    config={
        "served_entities": [
          {
            "name": "openai-completions",
            "external_model": {
                "name": "gpt-3.5-turbo-instruct",
                "provider": "openai",
                "task": "llm/v1/completions",
                "openai_config": {
                    "openai_api_type": "azure",
                    "openai_api_key": "{{secrets/my_openai_secret_scope/openai_api_key}}",
                    "openai_api_base": "https://my-azure-openai-endpoint.openai.azure.com",
                    "openai_deployment_name": "my-gpt-35-turbo-deployment",
                    "openai_api_version": "2023-05-15"
                },
            },
          }
        ],
    },
)

Pokud chcete aktualizovat koncový bod, použijte update_endpoint(). Následující fragment kódu ukazuje, jak aktualizovat limity rychlosti koncového bodu na 20 volání za minutu na uživatele.

client.update_endpoint(
    endpoint="openai-completions-endpoint",
    config={
        "rate_limits": [
            {
                "key": "user",
                "renewal_period": "minute",
                "calls": 20
            }
        ],
    },
)

Krok 4: Odeslání požadavků do koncového bodu externího modelu

Důležité

Příklady kódu v této části ukazují použití metody sady predict() SDK pro nasazení MLflow.

Žádosti o chat, dokončování a vkládání můžete odesílat do koncového bodu externího modelu pomocí metody sady predict() SDK pro nasazení MLflow.

Následující příkaz odešle žádost hostované gpt-3.5-turbo-instruct platformou OpenAI.

completions_response = client.predict(
    endpoint="openai-completions-endpoint",
    inputs={
        "prompt": "What is the capital of France?",
        "temperature": 0.1,
        "max_tokens": 10,
        "n": 2
    }
)
completions_response == {
    "id": "cmpl-8QW0hdtUesKmhB3a1Vel6X25j2MDJ",
    "object": "text_completion",
    "created": 1701330267,
    "model": "gpt-3.5-turbo-instruct",
    "choices": [
        {
            "text": "The capital of France is Paris.",
            "index": 0,
            "finish_reason": "stop",
            "logprobs": None
        },
        {
            "text": "Paris is the capital of France",
            "index": 1,
            "finish_reason": "stop",
            "logprobs": None
        },
    ],
    "usage": {
        "prompt_tokens": 7,
        "completion_tokens": 16,
        "total_tokens": 23
    }
}

Krok 5: Porovnání modelů od jiného poskytovatele

Obsluha modelů podporuje mnoho externích poskytovatelů modelů, včetně Open AI, Anthropic, Cohere, Amazon Bedrock, Google Cloud Vertex AI a dalších. LlMs můžete porovnat mezi poskytovateli, což vám pomůže optimalizovat přesnost, rychlost a náklady vašich aplikací pomocí AI Playgroundu.

Následující příklad vytvoří koncový bod pro Anthropic claude-2 a porovná jeho odpověď na otázku, která používá OpenAI gpt-3.5-turbo-instruct. Obě odpovědi mají stejný standardní formát, což usnadňuje jejich porovnání.

Vytvoření koncového bodu pro Anthropic claude-2

import mlflow.deployments

client = mlflow.deployments.get_deploy_client("databricks")

client.create_endpoint(
    name="anthropic-completions-endpoint",
    config={
        "served_entities": [
            {
                "name": "claude-completions",
                "external_model": {
                    "name": "claude-2",
                    "provider": "anthropic",
                    "task": "llm/v1/completions",
                    "anthropic_config": {
                        "anthropic_api_key": "{{secrets/my_anthropic_secret_scope/anthropic_api_key}}"
                    },
                },
            }
        ],
    },
)

Porovnání odpovědí z každého koncového bodu


openai_response = client.predict(
    endpoint="openai-completions-endpoint",
    inputs={
        "prompt": "How is Pi calculated? Be very concise."
    }
)
anthropic_response = client.predict(
    endpoint="anthropic-completions-endpoint",
    inputs={
        "prompt": "How is Pi calculated? Be very concise."
    }
)
openai_response["choices"] == [
    {
        "text": "Pi is calculated by dividing the circumference of a circle by its diameter."
                " This constant ratio of 3.14159... is then used to represent the relationship"
                " between a circle's circumference and its diameter, regardless of the size of the"
                " circle.",
        "index": 0,
        "finish_reason": "stop",
        "logprobs": None
    }
]
anthropic_response["choices"] == [
    {
        "text": "Pi is calculated by approximating the ratio of a circle's circumference to"
                " its diameter. Common approximation methods include infinite series, infinite"
                " products, and computing the perimeters of polygons with more and more sides"
                " inscribed in or around a circle.",
        "index": 0,
        "finish_reason": "stop",
        "logprobs": None
    }
]

Další materiály

Externí modely ve službě Mosaic AI Model Serving.