跳到主要內容

【Azure OpenAI】o1 模型與 2024-09-01-preview API

距離上篇在 Early Access Playground 試用 o1 模型後又過了兩週，今天終於等到 API 開放使用啦！本篇將紀錄如何使用 Python SDK 存取 o1 模型。 系列文章 【Azure OpenAI】快速試用 o1 模型 模型佈署 在先前開放的 Early Access Playground 中使用 o1 是不需要另外佈署模型的，不過回到使用 API 來存取 o1 模型，就需要像之前的模型一樣先進行佈署才能使用，相信大家都很熟悉了。 使用 Python SDK 一樣使用熟悉的 openai 套件： 2024-09-01-preview 初始化的方式與先前模型都一樣，需要注意的是 o1 模型目前只能使用最新的 API 版本 2024-09-01-preview 來訪問。 Chat Completions 將 model 填入 o1-preview ，或是你的模型佈署名稱， messages 也一樣是歷史對話堆疊的 List。 回應如下： 查看 Token 使用量 內建 Chain of Thought 的 o1 比起過往的模型會消耗較多的 Token，因此我們特別把 Token 使用量拉出來看。 回應如下： 其中 prompt_tokens 、 completion_tokens 、 total_tokens 在先前的 API 就已經存在了，分別代表Token 的 Input、Output 與總使用量，而在新的 completion_tokens_details 中可以看到  reasoning_tokens 使用了 320 個 Tokens，居然佔了總輸出 Token 的 80% 以上！ 控制 Token 成本 已往我們可以使用  max_tokens 參數來控制 Token 的用量，但在 o1 模型中棄用了 max_tokens ，取而代之的是使用  max_completion_tokens 參數，來看看這段程式碼： 回應如下： 沒東西？那再看一次 Token 量。 回應如下： Token 居然是有被使用的！ 這表示 max_completion_tokens 並不像過往使用  max_tokens 這麼簡單，先前在回應遇到...
張貼留言

【Azure OpenAI】使用 Assistants API 建立個人助理

千呼萬喚的 Assistants API 終於趕在農曆年假期前一天上線了！我絕對不會說隔壁棚已經上線超過兩個月，趕緊記錄下來試用的心得。

Assistants API 這次增加了託管上下文的線程管理功能，終於不用再每次都把對話紀錄全部塞進 Prompt 了，同時也整合 Function calling、Code Interpreter 與讀取多種格式文件等功能，最後再加上允許圖表輸出，讓開發者可以輕鬆在應用中打造出個人助理。

這次參考了官方的範例程式，其中使用的是 Python SDK 與 2024-02-15-preview 的 API，並且結合目前工作上遇到的一個場景，來演示這次推出的新功能，完整程式碼歡迎查看下方 GitHub。

相關連結：https://github.com/charliewei0716/azure-openai-assistant-data-engineer

Assistants API 概念

在過去 OpenAI 的 API 一直都是無狀態的設計，所以如果希望 GPT 的回答是朔及前文的，就必須在每次的對話中，將所有歷史對話紀錄都塞進 API 內，常用的做法是塞入最新的 10 筆對話紀錄，以減少 Token 爆量的問題發生。

而 Assistants API 新增了 Thread 的概念，Thread 支援上下文的持久儲存，這使 API 變成是有狀態的，同時 Thread 將自動管理存入的對話紀錄，雖然這部份就像是黑盒子，官方並沒有明確說明對話的保留機制，但從此以後終於不用再自己搞個 DB 把對話都記錄下來，只需要一直無腦的新增訊息就好。

當一個 Thread 被建立後，可以將每一次對話視為一個 Run，其中我們可以定義 Function calling 與 Code Interpreter 兩類工具：Function calling 就像平常寫程式一樣，可以客製化編寫自己的邏輯，一般常用來做第三方串接，讓自然語言可以轉化為實際的動作；另一項 Code Interpreter 會在背後啟動一個 Python 沙盒環境，Assistants API 會在環境中編輯運行程式碼，藉此提升程式碼回答的正確性。而最終在每一次的 Run 中，GPT 將根據對話自動判斷是否呼叫這些定義好的工具。

同時 Assistants API 也接受非常多類型的文件上傳，一樣只要在對話內容中，被 GPT 認為是與文件相關的，他就會自己去參考這些文件內容，並給出相應的回覆。

接著我們將會舉一個情境範例，進一步了解對話的生命週期與各項功能。


情境說明

我們將使用 Assistants API  搭建一個資料工程師助手，這位助手具備以下功能：

  • 分析上傳的 CSV 文件並給出其見解
  • 根據需求繪製視覺化報表
  • 協助使用者將這個 CSV 文件在 Databricks 上建立一張 Table

事前準備

主程式是一個 Jupyter Notebook，可以直接在我的 GitHub 上找到，接著你還需要以下：

  • 一個可以使用 Azure OpenAI 的 Azure 訂閱
  • 佈署一個符合地區規定可使用 Assistants API 的模型，範例中使用的是瑞典中部的 gpt-4-1106-preview
  • 可以執行 Jupyter Notebook 的環境，歡迎直接使用儲存庫中的 Codespaces，適合懶得自己處理套件版本的朋友

建立 Azure OpenAI client

重要的第一步，使用 Azure OpenAI 的各項連線資訊建立 client，這邊的 API 版本是 2024-02-15-preview。

Function calling

首先編寫一個模擬在 Databricks 建表的 Function，直接視需求寫邏輯就好，這邊沒有太多規定的寫法

根據需求將 Function 設定進 Function calling，整理成規定格式的 tools_list。

需要注意的是目前如果沒有包含 {"type": "code_interpreter"} 會直接報錯，也就是強制使用 Code Interpreter，還不確定是不是正常設定。

上傳檔案

這邊我們會上傳一個帶有風力發電廠資料的 CSV，後續交由 GPT 來幫忙分析這組資料。

每個文件上傳完成會分配一組 id。

建立 Assistant and a Thread

接著就能用以上定義好的各項資訊來建立 Assistant，其中 instructions 可以當成 system prompt 來使用，其他東西就依序照著填入，再建立 Thread 就好。

處理 Function calling

這邊編寫一個處理 Function calling 的函數，方便後續對話時重複使用。

基本上就是用 Assistants API 判斷出的 input 放入 create_databricks_table 完成建表動作，至於何時會使用到這個函數，我們後面會看到。

呈現對話與圖片

一樣編寫成函數，方便後續對話時重複使用。這邊看起來似乎複雜了一點，但其實只是做了一些文字與圖片的格式整理，建議直接用就好有需要再來看這段。

處理對話

最後這個就是主程式了，他會往 thread 內放入一句對話並開始執行 run，因為目前執行一次 run 可能會到 1 分鐘以上，所以這邊就先簡單用 while True 與 time.sleep(5) 處理了。

比較重要的兩個狀態，當狀態是 completed 會去呼叫呈現對話與圖片的函數 format_messages，狀態是 completed 會去呼叫處理 Function calling 的函數 call_functions。

實際使用

完成以上，我們終於可以使用 Assistants API 來跟助手對話了，直接呼叫主程式 process_message。

這是什麼資料？

測試是否可以讀取上傳的檔案。

幫我畫一張漂亮的圖表

測試圖表輸出的功能。

幫我在能源 schema 上建立一張 Databricks table

測試 Function calling。

用 PySpark 查找表中前十筆資料

測試 Code Interpreter。

結論

Assistants API 可說是階段性的集大成者，2023 一整年我們可能都在搭建整合 ChatGPT 的應用，並且花費大量時間在歷史對話儲存、資料上傳後的 Embedding 與向量搜尋，但 Assistants API 的出現短短數行程式就能達到類似效果，看起來又再次打破了整個架構。

但我認為目前還沒必要把辛苦建立的系統全部打掉重練，一方面 Assistants API 還在預覽階段本來就不建議整進上線系統，再加上有了 Function calling 和 Code Interpreter 等功能後，本來 GPT-4 就被詬病的反應時間似乎又更難處理了，對於一些即時性需求這樣的反應速度還不是能被接受的。

標籤：
位置： 407台灣台中市西屯區

留言

張貼留言

這個網誌中的熱門文章

【Azure OpenAI】購買 PTU 時微軟不會告訴你的事

Provisioned Throughput Units 一直是目前在 Azure OpenAI 對於延遲問題的最有效解法，同時也是官方最推薦的方案。有別於基本的隨付即用，PTU 具有穩定、可預測的延遲等優勢，適合用於正式上線的生產環境。 但 PTU 的成本是一個不可忽視的問題，儘管選購最小單位量的 PTU，也是需要應用到達一定規模後才看得出使用效益。在確認是否購買 PTU 時，除了詳細閱讀官方文件並使用官方推出的計算機規劃額度外，以下幾點或許也是你該注意的。 不可自行購買 PTU 首先，是的，截自撰文當日 (2024/07/09) PTU 只能透過微軟業務窗口洽詢購買細節，這可能對於多數用戶是不友善的，但我相信這個過程很快就能得到優化。 相關連結： https://learn.microsoft.com/en-us/azure/ai-services/openai/concepts/provisioned-throughput#how-do-i-get-access-to-provisioned PTU 的可用區域僅供參考 在官方文件中記錄了下述表格，其中詳細的呈現各種模型的 PTU 在不同地區的可用性，但這張表只是一個參考，因為當你洽詢業務窗口時你會得到另一張不同的表格。 其中對於台灣用戶可能最有影響的，是我們沒辦法在日本東部購買 gpt-4o 模型的 PTU，對於想透過購買 PTU 以降低模型延遲的用戶來說這是一個矛盾的選擇，當然更不用提隨之產生的跨區傳輸量成本。 一樣截至撰文為止，為何在打勾區域✅無法購買的問題，官方並沒有給出任何理由，或許是我們採購量沒有達到官方需要解釋的程度😔 相關連結： https://learn.microsoft.com/en-us/azure/ai-services/openai/concepts/provisioned-throughput#what-models-and-regions-are-available-for-provisioned-throughput 有別於你認知的定價策略 承如前述，PTU 的成本絕對是導入時的重要考量點。 PTU 的售價到底是多少 事實上 PTU 的官方售價早就是公開的秘密，稱之為秘密是因為 PTU 的售價截至目前並沒有被列在官方文件或定價計算機中，但在最新的 Azure OpenAI S...
張貼留言
閱讀完整內容

【Azure OpenAI】快速試用 o1 模型

在 OpenAI 與 Azure OpenAI 同時發佈 o1 系列模型的一週後，我也順利通過 Azure OpenAI 的使用申請啦！本篇就來快速試用一下最新的o1 系列模型。 提出申請 目前如果要使用 o1 系列模型都需要經過微軟的資格審查，申請表單可以參考以下連結，表單只需要填寫一份，申請通過後 o1-preview 和 o1-mini 兩個模型都能使用。 相關連結： https://aka.ms/oai/modelaccess 使用 AI Studio 首先你必須要有一個位於 美東 2 地區的 Azure OpenAI 資源，不管是原有的或是新建立的資源都可以。 因為目前 o1 系列模型還處於早期訪問階段，資源中不需要自行佈署模型，取而代之的是需要透過 Early Access Playground 才能使用到 o1 系列模型。 而這次比較特別的是只能使用 AI Studio 的 Playground，看得出來微軟要慢慢整併掉 Azure OpenAI Studio 了。 草莓問題 這次就拿近期已經被大家玩爛的草莓問題來測試，在這個問題中我們會詢問 GPT 在「Strawberry」這個單字裡包含了多少個字母「r」，沒錯，這個草莓問題就是這麼簡單無聊，但結果卻出乎意料。 gpt-4o：兩次 gpt-4o 會有非常高的機率回答：兩次，看似如此簡單的問題又能讓 gpt-4o 屢屢回答錯誤，這就是草莓問題出名的原因，大家也可以自己嘗試看看。 o1-preview：三次 反觀加入 Chain of Thought 概念的 o1-preview 就輕鬆解決了這個草莓問題 😂 總結 根據官方資訊，具有 Chain of Thought 的 o1 模型犧牲了回應的即時性，但大幅改善在邏輯與推理類型問題中的表現，同時成本方面 o1-preview 相較 gpt-4o-0806 貴了 6 倍，對於企業來說就需要好好思考是否有適用的情境了，不過現階段還是繼續期待 API 可用的那天。
張貼留言
閱讀完整內容