Rumah > Artikel > Peranti teknologi > Menggunakan Azure Semantic Search dan OpenAI untuk membina sistem carian kognitif
Menggunakan Azure Semantic Search dan OpenAI untuk membina sistem carian kognitif
- DDDke hadapan
- 2023-10-12 10:18:04765semak imbas
Dalam era digital hari ini, mempunyai sistem yang teguh, berskala dan cekap adalah lebih daripada sekadar kelebihan daya saing; Ini adalah perlu. Sama ada anda berusaha untuk mengoptimumkan pemprosesan input pengguna untuk memudahkan carian dokumen, gabungan perkhidmatan dan platform adalah kunci kepada prestasi yang tiada tandingan. Dalam artikel ini, kami akan meneroka pendekatan holistik yang menggabungkan kuasa Perkhidmatan Kognitif Azure dengan keupayaan OpenAI. Dengan mendalami pengecaman niat, penapisan dokumen, algoritma khusus domain dan ringkasan teks, anda akan belajar untuk mencipta sistem yang bukan sahaja memahami niat pengguna tetapi juga memproses dan mempersembahkan maklumat dengan cekap.
Kami akan membina ini:
Menyediakan persekitaran
Sebelum kita menyelam, mari pastikan kita telah memasang pakej yang diperlukan dan pembolehubah persekitaran ditetapkan:
rreeeDi sini kita menggunakan API yang diperlukan titik akhir dan jenis untuk menyediakan persekitaran OpenAI.
Sediakan Azure Search
Untuk menggunakan Azure Semantic Search, kami perlu mengimport modul yang diperlukan dan menyediakan persekitaran.
!pip show azure-search-documents
%pip install azure-search-documents --pre
%pip show azure-search-documents
!pip install python-dotenv
!pip install openai
import os
import requests
import json
import openai
openai.api_key = os.getenv("AZURE_OPENAI_KEY")
openai.api_base = os.getenv("AZURE_OPENAI_ENDPOINT")
openai.api_type = 'azure'
openai.api_version = '2023-05-15'
# Look in Azure OpenAI Studio > Deployments
deployment_name = 'gpt-35-turbo'Selepas mengimport modul, kini kami boleh menyediakan titik akhir perkhidmatan Azure Search dan kunci API:
import os
from azure.core.credentials import AzureKeyCredential
from azure.search.documents.indexes import SearchIndexClient
from azure.search.documents import SearchClient
from azure.search.documents.indexes.models import (
ComplexField,
CorsOptions,
SearchIndex,
ScoringProfile,
SearchFieldDataType,
SimpleField,
SearchableField
)(Nota: Pastikan untuk menutup atau menyembunyikan kunci anda sebelum berkongsi sebarang kod.)
untuk Penyediaan Carian Semantik Azure indeks
Sebelum menambah data pada Carian Azure, kita perlu mentakrifkan indeks yang menerangkan struktur data:
# 从环境中设置服务端点和 API 密钥
service_name = "xxxxx"
admin_key ="xxxxx"
# 如果您共享密钥 - 请确保您的 index_name 是唯一的！
index_name = "hotels-quickstart"
# 创建 SDK 客户
endpoint = "https://{}.search.windows.net/".format(service_name)
admin_client = SearchIndexClient(endpoint=endpoint,
index_name=index_name,
credential=AzureKeyCredential(admin_key))
search_client = SearchClient(endpoint=endpoint,
index_name=index_name,
credential=AzureKeyCredential(admin_key))Coretan kod ini memastikan bahawa jika indeks sudah wujud, ia dipadamkan. Ini berguna apabila menjalankan semula kod atau menukar indeks.
Sekarang, mari tentukan skema indeks:
# 删除索引（如果存在）
try:
result = admin_client.delete_index(index_name)
print ('Index', index_name, 'Deleted')
except Exception as ex:
print (ex)Seterusnya, anda perlu mencipta indeks ini pada Azure:
# 指定索引模式
name = index_name
fields = [
SimpleField(name= "HotelId" , type=SearchFieldDataType.String, key= True ),
SearchableField(name= "HotelName" , type=SearchFieldDataType.String, sortable= True ),
SearchableField （名称= “描述”，类型=SearchFieldDataType.String，analyzer_name= “en.lucene”），
SearchableField（名称= “Description_fr”，类型=SearchFieldDataType.String，analyzer_name= “fr.lucene”），
SearchableField（名称= “类别”、 type=SearchFieldDataType.String、facetable= True、filterable= True、sortable= True )、
SearchableField(name= "Tags"、collection= True、type=SearchFieldDataType.String、facetable= True、filterable= True )、
SimpleField(name = “ParkingInincluded”，类型=SearchFieldDataType.Boolean，facetable= True，filterable= True，sortable= True），
SimpleField（name= “LastRenovationDate”，type=SearchFieldDataType.DateTime关闭设置，facetable= True，filterable=True、sortable= True )、
SimpleField(name= "Rating"、 type=SearchFieldDataType.Double、facetable= True、filterable= True、sortable= True )、
ComplexField(name= "地址"、 fields=[
SearchableField(name= " StreetAddress"、 type=SearchFieldDataType.String)、
SearchableField(name= "City"、 type=SearchFieldDataType.String、facetable= True、 filterable= True、 sortable= True )、
SearchableField(name= "StateProvince"、 type=SearchFieldDataType.String、facetable= True、filterable= True、sortable= True )、
SearchableField(name= "邮政编码"、 type=SearchFieldDataType.String、facetable= True、filterable= True、sortable= True )、
SearchableField(name = “国家”，类型= SearchFieldDataType.String，facetable = True，filterable = True，sortable = True），
]）
]
cors_options = CorsOptions（allowed_origins = [ “*” ]，max_age_in_seconds = 60）
Scoring_profiles = []
suggester = [{ 'name' : 'sg' , 'source_fields' : [ '标签' , '地址/城市' , '地址/国家' ]}]Selepas mencipta indeks, kita perlu mengisinya dengan dokumen. Adalah penting untuk menunjukkan bahawa ia boleh menjadi apa-apa jenis dokumen! Saya hanya menambah secara manual dokumen yang akan kekal dalam storan gumpalan di sini:
index = SearchIndex(
name=name,
fields=fields,
scoring_profiles=scoring_profiles,
suggesters = suggester,
cors_options=cors_options)
try:
result = admin_client.create_index(index)
print ('Index', result.name, 'created')
except Exception as ex:
print (ex)Sekarang tolak dokumen ini ke indeks carian semantik.
文档 = [
{
"@search.action": "上传", "@search.action" : "上传" ,
"HotelId" : "1" ,
"HotelName" : "秘密点汽车旅馆" ,
"Description" : "酒店地理位置优越，位于纽约市中心的城市主要商业干道上。几分钟即可到达时代广场和城市的历史中心，以及使纽约成为美国最具吸引力的城市之一的其他名胜古迹和国际大都市。” ，
“Description_fr”：“L'hôtel est idéalement situé sur la prime artère Commerciale de la ville en plein cœur de New York.A insi que d'autres lieux d'intérêt qui font纽约的城市充满魅力和美国的国际化。” ,
"Category" : "精品店" ,
"Tags" : [ "游泳池" , "空调" , "礼宾服务" ],
"ParkingInincluded" : "false" ,
"LastRenovationDate" : "1970-01-18T00:00:00Z ”，
"Rating" : 3.60 ,
"Address" : {
“StreetAddress”：“677 第五大道”，
“City”：“纽约”，
“StateProvince”：“纽约” ，
“PostalCode”：“10022”，
“Country”：“美国”
}
}，
{
“@search. action" : "上传" ,
"HotelId" : "2" ,
"HotelName" : "双圆顶汽车旅馆" ,
"Description" :“该酒店坐落在一座十九世纪的广场上，该广场已按照最高建筑标准进行扩建和翻新，打造出一座现代化、实用的一流酒店，艺术和独特的历史元素与最现代的舒适设施共存。” ,
"Description_fr" : "L'hôtel 位于十九世纪的地方，是一座现代化酒店的高级规范建筑，在艺术和历史独特方面具有一流的功能和一流的设计舒适与现代共存。” ,
"Category" : "精品店" ,
"Tags" : [ "泳池" ,],
"ParkingInincluded" : "false" ,
"LastRenovationDate" : "1979-02-18T00:00:00Z" ,
"Rating" : 3.60 ,
"Address" : {
"StreetAddress" : "140 大学城中心" ,
"City”：“萨拉索塔”，
“StateProvince”：“佛罗里达州”，
“PostalCode”：“34243”，
“Country”：“美国”
}
}，
{
"@search.action" : "上传" ,
"HotelId" :"3" ,
"HotelName" : "三重景观酒店" ,
"Description" : "该酒店在 William Dough 的管理下以其卓越的美食脱颖而出，他为酒店的所有餐厅服务提供建议并监督。" ,
"Description_fr" : "L'hôtel 位于十九世纪的地方，是一座现代化酒店的高级规范建筑，在艺术和历史独特方面具有一流的功能和一流的设计舒适与现代共存。” ,
"Category" : "度假村中心" ,
"Tags" : [ "酒吧" , "欧陆式早餐" ],
"ParkingInincluded" : "true" ,
"LastRenovationDate" : "2015-09-20T00:00:00Z" ,
"Rating" : 4.80 ,
"Address" : {
"StreetAddress" : “3393 Peachtree Rd”、
“City”：“亚特兰大”、
“StateProvince”：“GA”、
“PostalCode”：“30326”、
“Country”：“美国”
}
}
]Integrasi dengan OpenAI
Mari kita buat sambungan ke OpenAI:
try:
result = search_client.upload_documents(documents=documents)
print("Upload of new document succeeded: {}".format(result[0].succeeded))
except Exception as ex:
print (ex.message)Kemudian, tambah sambungan Azure OpenAI:
question="What is the address of ChatGpt Hotel?"
Pada ketika ini, anda boleh menggunakan Carian Semantik dan Azure OpenAI Mari kita bertanya Carian Semantik:
###
import os
import requests
import json
import openai
os.environ["AZURE_OPENAI_KEY"] = "xxxx"
os.environ["AZURE_OPENAI_ENDPOINT"] = "xxxx"
openai.api_key = os.getenv("AZURE_OPENAI_KEY")
openai.api_base = os.getenv("AZURE_OPENAI_ENDPOINT")
openai.api_type = 'azure'
openai.api_version = '2023-05-15'
# 在 Azure OpenAI Studio > 部署中查找
deployment_name = 'gpt-35-turbo'
###
# 定义一个函数，根据系统消息和消息创建提示
def create_prompt(system_message, messages):
prompt = system_message
message_template = "\n<|im_start|>{}\n{}\n<|im_end|>"
for message in messages:
prompt += message_template.format(message['sender'], message['text'])
prompt += "\n<|im_start|>assistant\n"
return prompt
# 定义系统消息
system_message_template = "<|im_start|>system\n{}\n<|im_end|>"
system_message = system_message_template.format("")
print(system_message)Dengan hasil carian di tangan, kami kini boleh memanfaatkan Azure OpenAI untuk mentafsir atau memproses keputusan selanjutnya.
import json
results = search_client.search(search_text=question, include_total_count=True, select='HotelId,HotelName,Tags,Address')= search_client.search(search_text=question, include_total_count=True, select='HotelId,HotelName,Tags,Address')
json_results=""
print ('Total Documents Matching Query:', results.get_count())
for result in results:
#print("{}: {}: {}".format(result["HotelId"], result["HotelName"], result["Tags"],results["Address"]))
json_results+=str(result)
print(json_results)Kod ini menggesa model OpenAI dengan hasil carian dan soalan asal kami, membolehkannya memproses dan memberikan maklumat yang bermakna berdasarkan data.
Kesimpulan
Dalam artikel ini, kami mempelajari cara menggabungkan kuasa Azure Semantic Search dengan keupayaan OpenAI. Dengan menyepadukan dua alatan berkuasa ini, kami boleh menyediakan pengguna hasil carian yang kaya dan pintar dalam aplikasi kami.
Atas ialah kandungan terperinci Menggunakan Azure Semantic Search dan OpenAI untuk membina sistem carian kognitif. Untuk maklumat lanjut, sila ikut artikel berkaitan lain di laman web China PHP!