ChatGPT на стероидах: возможности плагина-ретривера для семантического поиска. Чаcть 1

OpenAI добавил поддержку плагинов в ChatGPT, и теперь он может подключаться к сторонним сервисам и искать информацию в сети. А помните, была такая компания Гугл?

В этой статье я хотел бы рассказать о самом, на мой взгляд, интересном плагине, который позволяет искать ответы в собственной базе.

Основные преимущества плагина

1. Семантический поиск: Плагин позволяет получать наиболее релевантные фрагменты документов, задавая вопросы на естественном языке.
2. Интеграция с векторными базами данных: Retrieval Plugin использует модель эмбеддингов OpenAI для генерации векторных представлений документов и их поиска в векторной базе данных. Причем он позволяет использовать разные базы для векторного поиска.
3. Функция памяти для ChatGPT: Плагин позволяет сохранять фрагменты разговоров для дальнейшего использования, тем самым обеспечивая контекстно-зависимый диалог.

Установка и интеграция плагина

Чтобы начать использовать Retrieval Plugin, вам потребуется:

1. Получитьключ для использования OpenAI API.
2. Сгенерировать BEARER_TOKEN. Можно использовать этотсервис.
3. Настроить базу данных для хранения собственных документов. Плагин предоставляет возможность выбрать из следующего списка (pinecone, weaviate, zilliz, milvus, qdrant, илиredis), но код можно допилить и для собственного варианта (куда же без elasticsearch). В обзоре я буду использоватьpinecone.
4. Создать и настроить собственный сервер FastAPI.

Настраиваем хранилище pinecone

1. Регистрируемсяв pinecone. Можно с помощью github-аккаунта.
2. Получаем ключ API.
3. Создаем свой собственный индекс, это можно сделать в приложении либо через питоновскую библиотеку.

         # PINECONE_ENVIRONMENT - можно посмотреть в приложении, в моем примере выше это значение равно us-west4-gcp # PINECONE_INDEX - название для вашего индекса   import os, pinecone  pinecone.init(api_key=os.environ['PINECONE_API_KEY'],               environment=os.environ['PINECONE_ENVIRONMENT'])  pinecone.create_index(name=os.environ['PINECONE_INDEX'],                       dimension=1536, # размерность вектора, в данном случае будут использоваться эмбеддинги Open AI                       metric='cosine',                       metadata_config={                           "indexed": ['source', 'source_id', 'url', 'created_at', 'author', 'document_id']})      

Настраиваем окружение для проекта

1. Поставьте Python 3.10
2. Клонируйте репозиторий:git clone https://github.com/openai/chatgpt-retrieval-plugin.git
3. Перейдите в папку с репозиторием:cd /path/to/chatgpt-retrieval-plugin
4. Установите poetry:pip install poetry. Можно использовать и другой способ создания виртуального окружения, но тогда надо будет внести исправления в код проекта.
5. Создайте виртуальное окружение с Python 3.10:poetry env use python3.10
6. Активируйте виртуальное окружение:poetry shell
7. Установите зависимости приложения:poetry install
8. Задайте необходимые переменные окружения.

         export BEARER_TOKEN=<your_bearer_token> export OPENAI_API_KEY=<your_openai_api_key>  export DATASTORE=pinecone export PINECONE_API_KEY=<your_pinecone_api_key> export PINECONE_ENVIRONMENT=<your_pinecone_env_key> export PINECONE_INDEX=<your_pinecone_index>       

• Запустите API локально:poetry run start. Если вы все сделали по инструкции, то в терминале вы увидите нечто похожее на картинку ниже. Я создал индекс с оригинальным названиемtest, поэтому плагин подключается к нему.

• Если перейти по ссылкеhttp://0.0.0.0:8000/docs, то попадете на страничку с документацией. Здесь же можно производить отладку. Нажмите наauthorizeи введитеBEARER_TOKEN, который указали в настройках.

Интересно, перейти к каналу

Описание эндпоинтов

Плагин предоставляет следующие эндпоинты для работы с документами:

1. /upsert: Загрузка и хранение текста и метаданных одного или нескольких документов в векторной базе данных. Документы разбиваются на фрагменты размером около 200 токенов, каждый с уникальным идентификатором.
2. /upsert-file: Позволяет загрузить один файл (PDF, TXT, DOCX, PPTX или MD) и сохранить его текст и метаданные в векторной базе данных. Файл конвертируется в простой текст и разбивается на части примерно по 200 токенов, каждая с уникальным идентификатором.
3. /query: Запрос к векторной базе данных с использованием одного или нескольких запросов на естественном языке и дополнительных фильтров метаданных. Возвращает список объектов, каждый из которых содержит список наиболее релевантных фрагментов документов для заданного запроса.
4. /delete: Удаление одного или нескольких документов из базы данных с использованием их идентификаторов, фильтра метаданных или флага удаления всех документов.

Тестируем индекс

Пришло время опробовать плагин в работе. К сожалению, это не получится сделать в самом приложении ChatGPT, т. к. функционал пока ограничен, и для интеграции нужно вставать в очередь. Но кое-что можно попробовать сделать, например, протестировать векторный поиск.

Представим себе, что мы хотим автоматизировать службу поддержки. Наша цель – научить бота автоматически отвечать на вопросы пользователей и давать им дополнительную информацию в виде ссылок на внутреннюю документацию(это может быть confluence).

Попросим ChatGPT придумать нам примеры для такого индекса. Мой промт для этой цели:

         Сгенерируй набор из 10 тестовых примеров документов, которые будут добавлены в векторное хранилище pinecone. В документах содержится информаци о запросах в службу поддержки компании. Каждый документ должен иметь следующую структуру:  1. id: int (уникальный идентификатор документа) 2. text: str(основной текст документа) 3. metadata: dict(содержит дополнительную информацию о документе): 	- title (необязательное поле с названием или описанием документа) 	- url (ссылка на источник информации, предпочтительно страницу confluence)  Обратите внимание, что тексты документов и метаданные должны быть разнообразными и содержательными. Результат должен быть реализован в виде python кода      

ChatGPT мне предложил следующие варианты:

         documents = [     {         "id": 1,         "text": "Как настроить автоматическое обновление ПО?",         "metadata": {             "title": "Настройка автоматического обновления",             "url": "https://confluence.example.com/display/support/automatic-updates",         }     },     {         "id": 2,         "text": "Необходимо восстановить удаленные данные. Какие есть варианты?",         "metadata": {             "title": "Восстановление удаленных данных",             "url": "https://confluence.example.com/display/support/data-recovery",         }     },     {         "id": 3,         "text": "Проблемы с подключением к интернету. Как исправить?",         "metadata": {             "title": "Решение проблем с подключением",             "url": "https://confluence.example.com/display/support/internet-connection-issues",         }     },     {         "id": 4,         "text": "Как ускорить работу компьютера?",         "metadata": {             "title": "Оптимизация работы компьютера",             "url": "https://confluence.example.com/display/support/computer-optimization",         }     },     {         "id": 5,         "text": "Как настроить VPN подключение?",         "metadata": {             "title": "Настройка VPN",             "url": "https://confluence.example.com/display/support/vpn-setup",         },     },     {         "id": 6,         "text": "Сбой при обновлении системы. Как решить проблему?",         "metadata": {             "title": "Решение проблем с обновлением системы",             "url": "https://confluence.example.com/display/support/update-failure",         }     },     {         "id": 7,         "text": "Как настроить электронную почту на мобильном устройстве?",         "metadata": {             "title": "Настройка электронной почты на мобильных устройствах",             "url": "https://confluence.example.com/display/support/mobile-email-setup",         }     },     {         "id": 8,         "text": "Проблемы с печатью на сетевом принтере. Как исправить?",         "metadata": {             "title": "Решение проблем с сетевой печатью",             "url": "https://confluence.example.com/display/support/network-printing-issues",         }     },     {         "id": 9,         "text": "Как восстановить пароль пользователя?",         "metadata": {             "title": "Восстановление пароля пользователя",             "url": "https://confluence.example.com/display/support/password-recovery",         },     }    {         "id": 10,         "text": "Как установить и настроить брандмауэр?",         "metadata": {             "title": "Установка и настройка брандмауэра",             "url": "https://confluence.example.com/display/support/firewall-setup",         }     } ]      

Теперь индексируем эти примеры в Pycone:

         # pip install requests tqdm import os  import requests from requests.adapters import HTTPAdapter from requests.packages.urllib3.util.retry import Retry from typing import List, Dict, Optional from tqdm import tqdm    BEARER_TOKEN = os.environ.get('BEARER_TOKEN')  headers = {       'Authorization': f'Bearer {BEARER_TOKEN}' }  def upsert_documents(documents: List[Dict], endpoint_url: str = "http://localhost:8000", batch_size: int = 100, headers: Optional[Dict[str, str]] = None, timeout: float = 10.0):          s = requests.Session()      # Устанавливаем стратегию повторных попыток для 5xx ошибок     retries = Retry(         total=5,  # количество попыток перед вызовом ошибки         backoff_factor=0.1,         status_forcelist=[500, 502, 503, 504]     )     s.mount('http://', HTTPAdapter(max_retries=retries))      for i in tqdm(range(0, len(documents), batch_size)):         i_end = min(len(documents), i + batch_size)         try:             # Отправляем POST-запрос, разрешая до 5 повторных попыток             res = s.post(                 f'{endpoint_url}/upsert',                 headers=headers,                 json={                     "documents": documents[i:i_end]                 },                 timeout=timeout             )             res.raise_for_status()         except requests.exceptions.RequestException as e:             print(f'Ошибка при вставке/обновлении: {e}')   upsert_documents(documents, headers=headers)       

В случае успеха в pycone вы должны увидеть проиндексированные документы:

Осталось узнать, будет ли работать этот гениальный код. Для этого надо перейти по адресуhttp://0.0.0.0:8000/sub/docs (да, создатели не поленились и создали отдельную страничку) и написать запрос в нашу базу:

ИИ выдал следующие варианты решения проблемы нашего пользователя:

Внимательный читатель ресурса, возможно, начал догадываться, что где-то он уже это видел. Все верно, похожий функционал был описан в моей предыдущей статье. В ней была реализована базовая версия векторного поиска, но без использования модного хранилища(кстати, тоже на FastAPI).

На сегодня у меня все – в следующей части, если CloseAI все-таки выдаст мне талон, посмотрим, как это будет работать в самом интерфейсе ChatGPT, а также попробуем сохранить историю наших запросов в векторной базе.

Подписывайтесь также на мой канал, в котором я хайпую и спекулирую на теме NLP и AI.

Заключение

Retrieval Plugin значительно расширяет возможности ChatGPT, предоставляя функции семантического поиска, интеграции с векторными базами данных и поддержки памяти. Это позволит погружать модель в контекст необходимой для вас информации. Такой функционал откроет огромные возможности для организаций, которые хотят использовать AI для работы с внутренними документами.