paint-brush
AI के 100 दिन, दिन 18: Microsoft Semantic Kernel का उपयोग करके RAG विकसित करनाद्वारा@sindamnataraj
1,546 रीडिंग
1,546 रीडिंग

AI के 100 दिन, दिन 18: Microsoft Semantic Kernel का उपयोग करके RAG विकसित करना

द्वारा Nataraj5m2024/04/05
Read on Terminal Reader

बहुत लंबा; पढ़ने के लिए

इस पोस्ट में हम माइक्रोसॉफ्ट के सिमेंटिक कर्नेल का उपयोग करके RAG बनाने पर विचार करेंगे।
featured image - AI के 100 दिन, दिन 18: Microsoft Semantic Kernel का उपयोग करके RAG विकसित करना
Nataraj HackerNoon profile picture

सुनिये सब लोग! मैं नटराज हूं। , और आपकी तरह ही, मैं भी कृत्रिम बुद्धिमत्ता की हालिया प्रगति से रोमांचित हूँ। यह महसूस करते हुए कि मुझे सभी हो रहे विकासों से अवगत रहने की आवश्यकता है, मैंने सीखने की एक व्यक्तिगत यात्रा शुरू करने का फैसला किया, इस प्रकार एआई के 100 दिन जन्म हुआ! इस श्रृंखला के साथ, मैं एलएलएम के बारे में सीखूंगा और अपने ब्लॉग पोस्ट के माध्यम से विचार, प्रयोग, राय, रुझान और सीख साझा करूंगा। आप HackerNoon पर इस यात्रा का अनुसरण कर सकते हैं यहाँ या मेरी निजी वेबसाइट यहाँ आज के लेख में, हम देखेंगे कि माइक्रोसॉफ्ट के सिमेंटिक कर्नेल का उपयोग करके RAG कैसे विकसित किया जाए।

रिट्रीवल ऑगमेंटेड जेनरेशन (RAG) सबसे आम अनुप्रयोगों में से एक है जिसे विभिन्न LLM का उपयोग करके विकसित किया जा रहा है। हमने पहले पता लगाया है कि लैंगचेन का उपयोग करके RAG कैसे विकसित किया जाए। इस पोस्ट में हम Microsoft के सेमेंटिक कर्नेल का उपयोग करके RAG बनाएंगे।


इसका अनुसरण करने के लिए आपको ओपन एआई एपीआई की आवश्यकता होगी।

चरण 1: सिमेंटिक कर्नेल आरंभ करें

पहला कदम सिमेंटिक कर्नेल को आरंभ करना है और कर्नेल को बताना है कि हम ओपन एआई के चैट कम्प्लीशन और ओपन एआई के एम्बेडिंग मॉडल का उपयोग करना चाहते हैं जिसका उपयोग हम बाद में एम्बेडिंग बनाने के लिए करेंगे। हम कर्नेल को यह भी बताएंगे कि हम मेमोरी स्टोर का उपयोग करना चाहते हैं जो हमारे मामले में क्रोमा डीबी होगा। ध्यान दें कि हम कर्नेल को यह भी निर्देश दे रहे हैं कि इस मेमोरी स्टोर को स्थायी होना चाहिए।


 kernel = sk.Kernel() kernel.add_text_completion_service("openai", OpenAIChatCompletion("gpt-4",api_key)) kernel.add_text_embedding_generation_service("openai-embedding", OpenAITextEmbedding("text-embedding-ada-002", api_key)) # chrome db kernel.register_memory_store(memory_store=ChromaMemoryStore(persist_directory='mymemories2')) print("Made two new services attached to the kernel and made a Chroma memory store that's persistent.")

चरण 2 – एम्बेडिंग बनाएं

इस उदाहरण में, हम एक RAG बना रहे हैं जो एक SWOT विश्लेषण पर प्रश्नों का उत्तर दे सकता है जिसे हमने एक पिज़्ज़ा व्यवसाय के लिए बनाया था। इसलिए ऐसा करने के लिए हम SWOT विश्लेषण लेते हैं और उनके लिए एम्बेडिंग प्राप्त करते हैं और संबंधित एम्बेडिंग को "SWOT" नामक संग्रह में संग्रहीत करते हैं जो कि हमने पिछले चरण में बनाए गए स्थायी डेटास्टोर में है।


 strength_questions = ["What unique recipes or ingredients does the pizza shop use?","What are the skills and experience of the staff?","Does the pizza shop have a strong reputation in the local area?","Are there any unique features of the shop or its location that attract customers?", "Does the pizza shop have a strong reputation in the local area?", "Are there any unique features of the shop or its location that attract customers?"] weakness_questions = ["What are the operational challenges of the pizza shop? (eg, slow service, high staff turnover)","Are there financial constraints that limit growth or improvements?","Are there any gaps in the product offering?","Are there customer complaints or negative reviews that need to be addressed?"] opportunities_questions = ["Is there potential for new products or services (eg, catering, delivery)?","Are there under-served customer segments or market areas?","Can new technologies or systems enhance the business operations?","Are there partnerships or local events that can be leveraged for marketing?"] threats_questions = ["Who are the major competitors and what are they offering?","Are there potential negative impacts due to changes in the local area (eg, construction, closure of nearby businesses)?","Are there economic or industry trends that could impact the business negatively (eg, increased ingredient costs)?","Is there any risk due to changes in regulations or legislation (eg, health and safety, employment)?"] strengths = [ "Unique garlic pizza recipe that wins top awards","Owner trained in Sicily at some of the best pizzerias","Strong local reputation","Prime location on university campus" ] weaknesses = [ "High staff turnover","Floods in the area damaged the seating areas that are in need of repair","Absence of popular calzones from menu","Negative reviews from younger demographic for lack of hip ingredients" ] opportunities = [ "Untapped catering potential","Growing local tech startup community","Unexplored online presence and order capabilities","Upcoming annual food fair" ] threats = [ "Competition from cheaper pizza businesses nearby","There's nearby street construction that will impact foot traffic","Rising cost of cheese will increase the cost of pizzas","No immediate local regulatory changes but it's election season" ] print("✅ SWOT analysis for the pizza shop is resident in native memory") memoryCollectionName = "SWOT" # lets put these in memory / vector store async def run_storeinmemory_async(): for i in range(len(strengths)): await kernel.memory.save_information_async(memoryCollectionName, id=f"strength-{i}", text=f"Internal business strength (S in SWOT) that makes customers happy and satisfied Q&A: Q: {strength_questions[i]} A: {strengths[i]}") for i in range(len(weaknesses)): await kernel.memory.save_information_async(memoryCollectionName, id=f"weakness-{i}", text=f"Internal business weakness (W in SWOT) that makes customers unhappy and dissatisfied Q&A: Q: {weakness_questions[i]} A: {weaknesses[i]}") for i in range(len(opportunities)): await kernel.memory.save_information_async(memoryCollectionName, id=f"opportunity-{i}", text=f"External opportunity (O in SWOT) for the business to gain entirely new customers Q&A: Q: {opportunities_questions[i]} A: {opportunities[i]}") for i in range(len(threats)): await kernel.memory.save_information_async(memoryCollectionName, id=f"threat-{i}", text=f"External threat (T in SWOT) to the business that impacts its survival Q&A: Q: {threats_questions[i]} A: {threats[i]}") asyncio.run(run_storeinmemory_async()) print("😶‍🌫️ Embeddings for SWOT have been generated and stored in vector db")

चरण 3 – अपना प्रश्न पूछें

अब जबकि हमारे पास क्रोम वेक्टर स्टोर में संग्रहीत डेटा की एम्बेडिंग है, हम पिज्जा व्यवसाय से संबंधित प्रश्न पूछ सकते हैं और उत्तर प्राप्त कर सकते हैं।


 #ask questions on swot potential_question = "What are the easiest ways to make more money?" counter = 0 async def run_askquestions_async(): memories = await kernel.memory.search_async(memoryCollectionName, potential_question, limit=5, min_relevance_score=0.5) display(f"### ❓ Potential question: {potential_question}") for memory in memories: if counter == 0: related_memory = memory.text counter += 1 print(f" > 🧲 Similarity result {counter}:\n >> ID: {memory.id}\n Text: {memory.text} Relevance: {memory.relevance}\n") asyncio.run(run_askquestions_async())


यह इस बात का एक बहुत ही सरलीकृत संस्करण है कि कैसे सिमेंटिक कर्नेल का उपयोग करके RAG बनाया जा सकता है। LLM का उपयोग करके अभी निर्माण करने के लिए सबसे लोकप्रिय विकल्प लैंगचेन है और हमने पहले देखा है कि लैंगचेन का उपयोग करके RAG कैसे बनाया जाता है। हालाँकि लैंगचेन अधिक लोकप्रिय है क्योंकि हम देखते हैं कि अधिक से अधिक कंपनियाँ उपकरण बना रही हैं, वहाँ और अधिक परिष्कृत उपकरण होंगे और मैंने पाया है कि सिमेंटिक कर्नेल में कुछ विशेष विशेषताएँ हैं जो इसे अलग बनाती हैं।


एआई के 100 दिनों के 18वें दिन के लिए बस इतना ही।


मैं एबव एवरेज नामक एक न्यूज़लेटर लिखता हूँ, जहाँ मैं बड़ी तकनीक में होने वाली हर चीज़ के पीछे दूसरे दर्जे की अंतर्दृष्टि के बारे में बात करता हूँ। अगर आप तकनीक में हैं और औसत नहीं बनना चाहते हैं, तो इसकी सदस्यता लें


100 दिनों के AI पर नवीनतम अपडेट के लिए मुझे Twitter , LinkedIn या HackerNoon पर फ़ॉलो करें या इस पेज को बुकमार्क करें । यदि आप तकनीक में हैं तो आप यहाँ तकनीकी पेशेवरों के मेरे समुदाय में शामिल होने में रुचि रख सकते हैं।