作為主要面向 RAG 任務(wù)方向的框架，Semantic Kernel 可以簡(jiǎn)化大模型應(yīng)用開(kāi)發(fā)過(guò)程，而在 RAG 任務(wù)中最常用的深度學(xué)習(xí)模型就是 Embedding 和 Text completion，分別實(shí)現(xiàn)文本的語(yǔ)義向量化和文本生成，因此本文主要會(huì)分享如何在 Semantic Kernel 中調(diào)用 OpenVINO runtime 部署 Embedding 和 Text completion 模型。

Semantic Kernel簡(jiǎn)介

Semantic Kernel 是微軟推出的大模型應(yīng)用框架，支持 C#, Python 和 Java 等開(kāi)發(fā)環(huán)境，通過(guò) Semantic Kernel 集成的API接口，開(kāi)發(fā)者可以直接調(diào)用 OpenAI 或是 Hugging Face 中的大語(yǔ)言模型，進(jìn)一步構(gòu)建上層應(yīng)用任務(wù)，例如 Chat Copilot 或是 Code completion ，等。顧名思義，Semantic Kernel 的核心就在于由 Kernel 所連接的 pipeline/chain，它通過(guò)上下文，實(shí)現(xiàn)在各個(gè)函數(shù)組件間共享數(shù)據(jù)，下面這張展示的就是用戶的輸入 Prompt 如何在這些組件中進(jìn)行流轉(zhuǎn)，最終返回響應(yīng)結(jié)果。

圖：Semantic Kernel組件示意圖

OpenVINO 簡(jiǎn)介

OpenVINO 作為英特爾官方推出的深度學(xué)習(xí)模型部署工具，可以極大地提升本地模型任務(wù)的推理性能。同時(shí) OpenVINO 支持了多種推理后端，使模型可以在多種不同的硬件架構(gòu)上進(jìn)行部署和切換，進(jìn)一步提升任務(wù)的靈活性與系統(tǒng)資源利用率，例如我們可以利用 NPU 來(lái)部署一些輕負(fù)載的 AI 模型以降低功耗，利用 GPU 來(lái)部署大模型以優(yōu)化反饋延遲?？傊?strong>在大模型本地化趨勢(shì)越來(lái)越熱的今天，OpenVINO 勢(shì)必成為在 PC 端部署大模型任務(wù)的好幫手。

OpenVINO 與 Semantic Kernel

集成實(shí)現(xiàn)

Semantic Kernel 的 Connector 是一種用于連接外部數(shù)據(jù)源和服務(wù)的設(shè)計(jì)模式，包括獲取數(shù)據(jù)和保存輸出結(jié)果，而 Semantic Kernel 已經(jīng)原生集成了許多開(kāi)箱即用的大模型服務(wù) Plugin，其中就包括了基于 Hugging Face Transformers 構(gòu)建的的 Embedding 和 Text completion Service，因此我們可以參考這兩個(gè) Service 的代碼，來(lái)實(shí)現(xiàn)一組 OpenVINO 的 Service，完成和 Connectors 組件的集成，分別命名為 OpenVINOTextEmbedding 以及 OpenVINOTextCompletion。

1

Text completion service

首先是 Text completion 任務(wù)，由于 OpenVINO 可以通過(guò) Optimum-intel 直接部署 Hugging Face中的 "summarization", "text-generation", "text2text-generation" 等模型，相較原生 Transformers API 的使用方式，也僅僅需要做少量修改(如以下代碼所示)。

- from transformers import AutoModelForCausalLM

+ from optimum.intel.openvino import OVModelForCausalLM

- model = AutoModelForCausalLM.from_pretrained(model_id)

+ ov_model = OVModelForCausalLM.from_pretrained(model_id)

generate_ids = ov_model.generate(input_ids)

因此，我們也可以直接在 Hugging Face Text completion service 的基礎(chǔ)上直接將 Transformers 的模型加載對(duì)象切換為 Optimum-intel 的對(duì)象，以實(shí)現(xiàn)基于 OpenVINO runtime 的模型推理。這里可通過(guò) OVModelForCausalLM 類來(lái)部署 "text-generation" 類型的大模型，通過(guò) OVModelForSeq2SeqLM 類調(diào)用 "text2text-generation", "summarization" 類型模型。

if task == "text-generation":
  ov_model = OVModelForCausalLM.from_pretrained(
   ai_model_id, **_model_kwargs)
 elif task in ("text2text-generation", "summarization"):
   ov_model = OVModelForSeq2SeqLM.from_pretrained(
    ai_model_id, **_model_kwargs)

2

Embedding service

不同于 Text completion service， Semantic Kernel 中集成的 Hugging Face Embedding service 是基于 sentence_transformers 庫(kù)來(lái)實(shí)現(xiàn)的，并調(diào)用 encode 函數(shù)來(lái)進(jìn)行 Embedding 文本向量化。

generator=sentence_transformers.SentenceTransformer(model_name_or_path=ai_model_id, device=resolved_device),
embeddings = self.generator.encode(texts)

而 OpenVINO 目前暫未直接對(duì)接 sentence_transformers 的模型部署接口，因此這里我們需要手動(dòng)將 sentence_transformers 的 PyTorch 模型對(duì)象轉(zhuǎn)化為 OpenVINO IR 格式后，再重新構(gòu)建它的 encode 函數(shù) pipeline。

可以看到 Hugging Face 的 embedding 模型除了支持 Sentence-Transformers 對(duì)象部署方式外，還可以基于 Transformers 庫(kù)的方式，通過(guò) AutoModel.from_pretrained 獲取 nn.module 格式的模型對(duì)象，而 OpenVINO 的 PyTorch 前端則已經(jīng)支持對(duì)該格式對(duì)象的直接轉(zhuǎn)換，所以我們首先需要手寫一個(gè)轉(zhuǎn)換腳本，來(lái)實(shí)現(xiàn) Embedding 模型從 PyTorch 對(duì)象到 OpenVINO IR 格式的轉(zhuǎn)化過(guò)程。

  tokenizer = AutoTokenizer.from_pretrained(args.model_id)
  model = AutoModel.from_pretrained(args.model_id)


  dummy_inputs = {"input_ids": torch.ones((1, 10), dtype=torch.long), "attention_mask": torch.ones(
    (1, 10), dtype=torch.long), "token_type_ids": torch.zeros((1, 10), dtype=torch.long)}


  ov_model = ov.convert_model(model, example_input=dummy_inputs)
  ov.save_model(ov_model, model_path / "openvino_model.xml")

在定義新的 encode 函數(shù)時(shí)，鑒于在 RAG 系統(tǒng)中的各個(gè)句子的向量化任務(wù)往往沒(méi)有依賴關(guān)系，因此我們可以通過(guò) OpenVINO 的 AsyncInferQueue 接口，將這部分任務(wù)并行化，以提升整個(gè) Embedding 任務(wù)的吞吐量。

infer_queue = ov.AsyncInferQueue(self.model, nireq)
    for i, sentence in enumerate(sentences_sorted):
      inputs = {}
      features = self.tokenizer(
        sentence, padding=True, truncation=True, return_tensors='np')
      for key in features:
        inputs[key] = features[key]
      infer_queue.start_async(inputs, i)
    infer_queue.wait_all()

此外，從 HuggingFace Transfomers 庫(kù)中導(dǎo)出的 Embedding 模型是不包含 mean_pooling 和歸一化操作的，因此我們需要在獲取模型推理結(jié)果后，再實(shí)現(xiàn)這部分后處理任務(wù)。并將其作為 callback function 與 AsyncInferQueue 進(jìn)行綁定。

    def postprocess(request, userdata):
      embeddings = request.get_output_tensor(0).data
      embeddings = np.mean(embeddings, axis=1)
      if self.do_norm:
        embeddings = normalize(embeddings, 'l2')
      all_embeddings.extend(embeddings)


    infer_queue.set_callback(postprocess)

測(cè)試驗(yàn)證

當(dāng)完成這兩個(gè)關(guān)鍵對(duì)象的創(chuàng)建后，我們可以來(lái)驗(yàn)證一下重新構(gòu)建的 OpenVINO 任務(wù)效果。

第一步：我們需要將 Embedding 和 Text completion 這兩個(gè)模型分轉(zhuǎn)換并導(dǎo)出到本地。這里以 all-MiniLM-L6-v2 和 gpt2 為例。

Embedding 模型可以通過(guò)剛剛定義的轉(zhuǎn)換腳本導(dǎo)出模型：

python3 export_embedding.py -m sentence-transformers/all-MiniLM-L6-v2

Text completion 模型可以通過(guò) Optimum-intel 中自帶命令行工具導(dǎo)出：

optimum-cli export openvino --model gpt2 llm_model

第二步：通過(guò)修改 Semantic Kernel 官方提供的 Hugging Face Plugins 示例

來(lái)測(cè)試 OpenVINO Plugin 的效果，該示例基于 Embedding 和 Text completion 模型構(gòu)建了一個(gè)最小化的 RAG 任務(wù) pipeline。此處只需要把原始的 Hugging Face service 對(duì)象替換為我們剛剛構(gòu)建的 OpenVINOTextEmbedding 和 OpenVINOTextCompletion 對(duì)象，其中 ai_model_id 需要修改為模型文件夾的本地路徑。

kernel.add_text_completion_service(
  service_id="gpt2",
  service=OpenVINOTextCompletion(ai_model_id="./llm_model", task="text-generation", model_kwargs={
                  "device": "CPU", "ov_config": ov_config}, pipeline_kwargs={"max_new_tokens": 64})
)


kernel.add_text_embedding_generation_service(
  service_id="sentence-transformers/all-MiniLM-L6-v2",
  service=OpenVINOTextEmbedding(ai_model_id="./embedding_model"),
)

在這個(gè)示例中 Kernel 是通過(guò) kernel.memory.save_information 函數(shù)來(lái)實(shí)現(xiàn)知識(shí)的注入，過(guò)程中會(huì)調(diào)用 Embedding service 來(lái)完成對(duì)于文本的語(yǔ)義向量化操作。我們可以通過(guò)執(zhí)行以下命令來(lái)執(zhí)行完整的 notebook 測(cè)試腳本。

$ jupyter lab sample.ipynb

示例中為了簡(jiǎn)化模型下載和轉(zhuǎn)化步驟，采用了相較主流 LLM 更輕量化的gpt2來(lái)實(shí)現(xiàn)文本內(nèi)容生成，因此在輸出內(nèi)容上會(huì)相對(duì)單一，如果需要實(shí)現(xiàn)更復(fù)雜的內(nèi)容生成能力，可以將其替換為一些參數(shù)規(guī)模更大的文本生成模型，最終輸出結(jié)果如下：

gpt2 completed prompt with: 'I know these animal facts: ["Dolphins are mammals."] ["Flies are insects."] ["Penguins are birds."] and "Horses are mammals."

對(duì)比官方原始 Hugging Face Plugins 示例的輸出結(jié)果，與注入的知識(shí)庫(kù)信息，兩者對(duì)于 animal facts 的判斷使一致的，這也證明我們的重新構(gòu)建的 OpenVINO Plugin 在模型輸出的準(zhǔn)確性上是沒(méi)有問(wèn)題的。

總結(jié)

在醫(yī)療、工業(yè)等領(lǐng)域，行業(yè)知識(shí)庫(kù)的構(gòu)建已經(jīng)成為了一個(gè)普遍需求，通過(guò) Semantic-Kernel 與 OpenVINO 的加持，我們可以讓用戶對(duì)于知識(shí)庫(kù)的查詢以及反饋?zhàn)兊酶泳珳?zhǔn)高效，降低 RAG 任務(wù)的開(kāi)發(fā)門檻，帶來(lái)更加友好的交互體驗(yàn)。

審核編輯：劉清