モデルカタログで Cohere-embed-v3-multilingual をデプロイして Azure AI Search でベクトル検索する

Last updated at 2024-05-20Posted at 2024-05-19

Azure AI Studio または Azure Machine Learning から利用できるモデルカタログを使用し、従量課金制の Cohere Embed モデルを MaaS(Models-as-a-Service) としてデプロイします。デプロイしたモデルを使用して Embeddings を生成して、そのデータを Azure AI Search に格納してベクトル検索を実行します。

モデルカタログ

Azure 上のモデルカタログでは 1,600 以上のモデルを検索・比較・テスト・ファインチューニング・デプロイ・モニタリング等をすることができます。モデルカタログのコレクションフィルターで「Cohere」を選択してフィルタリングすると、以下のようなモデルが表示されます。

MaaS(Models-as-a-Service) デプロイ

モデルカタログには、カタログからモデルをデプロイして使用するための 2 つの異なる方法が用意されています。それはリアルタイムエンドポイントと従量課金制です。従量課金制のデプロイ方法は、 "サービスとしてのモデル (MaaS)" と呼ばれます。 MaaS を介して使用できるモデルは、Microsoft によって管理されるインフラ上でホストされます。これにより、モデルプロバイダーのモデルへの API ベースのアクセスが可能になります。API ベースのアクセスにより、モデルへのアクセスコストが大幅に削減され、プロビジョニング手順が大幅に簡素化されます。ほとんどの MaaS モデルは、トークンベースの価格で使用できます。これは Azure OpenAI Service の使用・課金方法と同様になります。

今回「Cohere-embed-v3-multilingual」を使用して Embeddings を生成します。

「サブスクライブとデプロイ」をクリックして、デプロイ名を入力してデプロイします。

「サーバーレスエンドポイント」にデプロイが完了したエンドポイントが表示されます。「Target URI」と「キー」をコピーしておきます。

Cohere-embed-v3-multilingual モデル

Embed v3 は Cohere の最新の埋め込みモデルであり、多言語用の「Cohere-embed-v3-multilingual」は日本語を含む 100 以上の言語に対応しています。モデルの諸元は以下の通りです。

次元数: 1024
コンテキストウィンドウ: 512 トークン
入力タイプ: search_document, search_query, classification, clustering
型: float, int8, uint8, binary, ubinary
価格: $0.0001 / 1000 トークン

OpenAI の Ada-002 と比べてコンテキストウィンドウが少ない点に注意ですね。複数の入力タイプがあり、それぞれのタスクで最高の品質が保証されます。様々な型を選択できるのも魅力的です。価格については Ada-002 と同じになります。

Cohere SDK(Python)

pip install cohere で Cohere の SDK をインストールできます。あとは以下のようにして Embeddings を取得します。

url = "https://<Your-Endpoint>.eastus2.inference.ai.azure.com/v1"
api_key = "Your-API-Key"

co = cohere.Client(
    base_url=url, api_key=api_key
)

def generate_embeddings_cohere(text):
    response = co.embed(
        texts=[text],
        input_type="search_document"
    )
    return response.embeddings[0]

トークン数計測

残念ながら、MaaS エンドポイントには /tokenize がありませんでした。Cohere 公式のアカウントを使用すれば以下のようにしてトークン数を計測できます。

response = co.tokenize(text="こんにちは", model="embed-multilingual-v3.0")
print(len(response.tokens))

2

Azure AI Search 統合

Azure AI Search と Cohere-embed-v3-multilingual をデプロイした MaaS エンドポイントを統合するには、データインジェスト時とクエリ時に Embeddings API をコールする必要があります。特に、Integrated Vectorization の Vectorizer にデータ形式を合わせるため、MaaS エンドポイントをコールするための Azure Functions を配置します。

1. データインジェスト時

カスタムスキルのデータ形式ルールに従って以下のような入出力ができる Functions を開発します。Cohere Embed v3 はデータインジェスト時とクエリ時の入力タイプを変える必要があるため input_type を指定できるようにしています。デフォルトは search_query。

さらにチャンク分割処理を実装する場合、SplitSkill をスキルセットに実装します。

カスタムスキル

Sample Input:

{
    "values": [
        {
            "recordId": "record1",
            "data": { 
                "text": "平清盛は、山城国の京都または伊勢国の産品（うぶしな）の生まれとされる。",
                "input_type": "search_document"
            }
        }
    ]
}

Sample Output:

{
    "values": [
        {
            "recordId": "record1",
            "data": {
                "vector": [
                    -0.036010742,
                    -0.02658081,
                    -0.0335083,
                    ...
                ]
            }
        }
    ]
}

スキルセット

 "skills": [
    {
      "@odata.type": "#Microsoft.Skills.Custom.WebApiSkill",
      "name": "#1",
      "description": null,
      "context": "/document/pages/*",
      "uri": "[AzureFunctionEndpointUrl]/api/embeddings?code=[AzureFunctionDefaultHostKey]",
      "inputs": [
        {
          "name": "text",
          "source": "/document/pages/*"
        },
        {
          "name": "input_type",
          "source": "= 'search_document'"
        }
      ],
      "outputs": [
        {
          "name": "vector",
          "targetName": "vector"
        }
      ]
    },
    {
      "@odata.type": "#Microsoft.Skills.Text.SplitSkill",
      "name": "#2",
      "description": "Split skill to chunk documents",
      "context": "/document",
      "defaultLanguageCode": "ja",
      "textSplitMode": "pages",
      "maximumPageLength": 500,
      "pageOverlapLength": 50,
      "maximumPagesToTake": 0,
      "inputs": [
        {
          "name": "text",
          "source": "/document/text"
        }
      ],
      "outputs": [
        {
          "name": "textItems",
          "targetName": "pages"
        }
      ]
    }
  ],

Index Projection

SplitSkill によって分割されたチャンクは /document/pages/* 配下に保持されますが、これを子インデックスとして投射します。

 "indexProjections": {
    "selectors": [
      {
        "targetIndexName": "cohere-embed-v3-multi",
        "parentKeyFieldName": "parent_id",
        "sourceContext": "/document/pages/*",
        "mappings": [
          {
            "name": "chunk",
            "source": "/document/pages/*",
            "sourceContext": null,
            "inputs": []
          },
          {
            "name": "vector",
            "source": "/document/pages/*/vector",
            "sourceContext": null,
            "inputs": []
          },
          {
            "name": "title",
            "source": "/document/title",
            "sourceContext": null,
            "inputs": []
          },
          {
            "name": "docid",
            "source": "/document/docid",
            "sourceContext": null,
            "inputs": []
          }
        ]
      }
    ],
    "parameters": {
      "projectionMode": "skipIndexingParentDocuments"
    }
  },

2. クエリ時の自動ベクトル化

クエリ時に自動的に Embeddings 化を行うには、インデックスに vectorizers 設定を追加します。Azure OpenAI Service 統合だけでなく、customWebApiParameters によって独自の Embeddings API エンドポイントを指定することができます。

    "vectorizers": [
      {
        "name": "vectorizer-1716053850371",
        "kind": "customWebApi",
        "azureOpenAIParameters": null,
        "customWebApiParameters": {
          "httpMethod": "POST",
          "uri": "[AzureFunctionEndpointUrl]/api/embeddings?code=[AzureFunctionDefaultHostKey]",
          "timeout": "PT3M50S",
          "authResourceId": "",
          "httpHeaders": {},
          "authIdentity": null
        }
      }
    ],

データの入出力形式はカスタムスキルと同様になりますが、エンドポイントからの出力形式についての Docs がありませんでした。こちらの方が values[].data.vector であることを発見されています。

Azure AI Search SDK(Python)

Azure AI Search の Python SDK は 11.6.0b4 をインストールします。

!pip install azure-search-documents==11.6.0b4

vectorizers で検索するには VectorizableTextQuery を使用する必要があります。

from azure.search.documents import SearchClient
from azure.search.documents.models import (
    VectorizableTextQuery
)

search_client = SearchClient(
    service_endpoint, index_name, credential=credential
)
vector_query = VectorizableTextQuery(
    text=query, k_nearest_neighbors=5, fields="vector", exhaustive=False
)
docs = search_client.search(
    search_text=None,
    vector_queries=[vector_query],
    select=["text,docid"],
)

for doc in docs:
    print(doc["docid"], doc["text"])

精度比較

以前行った OpenAI v2/v3 との精度比較と同様の試験を行うと、大体 ada-v2,v3-small 以上、 v3-large 以下というデータが取れました。

	text-embedding-ada-002	text-embedding-3-small	Cohere-embed-v3-multi(document)	Cohere-embed-v3-multi(query)
#1 Recall@3 avg	0.521	0.562	0.617	0.652
#1 Recall@5 avg	0.706	0.723	0.737	0.786
#2 Recall@3 avg	0.524	0.594	0.619	0.686
#2 Recall@5 avg	0.643	0.657	0.781	0.817

ドキュメントは　input_type: search_document で Embeddings を生成し、クエリ時に input_type を search_query にした場合と、 search_document のままにした場合で比較しています。Docs 通りにクエリ時は search_query にするべきですね。

MaaS 従量課金モデルのデータプライバシー

気になる入出力データのプライバシーポリシーについては、以下のように規定されているので安心です。

Microsoft は、これらのプロンプトおよび出力をモデルプロバイダーと共有しません。また、Microsoft は、Microsoft、モデルプロバイダー、またはサードパーティのモデルをトレーニングまたは改善するためにこれらのプロンプトおよび出力を使用しません。モデルはステートレスであり、プロンプトや出力はモデルに保存されません。

モデルのライセンス条項

モデルはモデルプロバイダーによって提供され、モデルの使用 (およびモデルとその出力に対するモデルプロバイダーの責任) はモデルに付属のライセンス条項に従うものとします

カスタムスキル GitHub

次回

You get articles that match your needs
You can efficiently read back useful information
You can use dark theme

What you can do with signing up

モデルカタログ で Cohere-embed-v3-multilingual をデプロイして Azure AI Search でベクトル検索する