ステップ1: コードレポジトリのクローンと計算資源の作成

実装セクションは、Databricksで動作するように設計されたサンプルコードのレポジトリとセットになっています。

お使いのDatabricksワークスペースにサンプルコードをロードし、アプリケーションのグローバル設定を行うためにこれらのステップに従ってください。

コードレポジトリ
こちらからこのセクションで参照しているすべてのサンプルコードにアクセスすることができます。

要件

サーバレスとUnity Catalogが有効化されているDatabricksワークスペース
以下のいずれかのMosaic AI Vector Searchエンドポイント:
- 既存エンドポイント
- 新規エンドポイントを作成する権限 - setupノートブックがこの作業を行なってくれます
パース/チャンクされたドキュメントのアウトプットDeltaテーブルと、Vector Searchのインデックスが格納されるUnity Catalogのスキーマ:
- 既存のUnity CatalogとSchemaへの書き込み権限
- 新規Unity Catalogとスキーマを作成する権限 - setupノートブックがこの作業を行なってくれます
インターネットにアクセスできるDBR 14.3+が稼働しているシングルユーザークラスター
- これらのチュートリアルでは、機械学習ランタイムでは競合するPythonパッケージを使用します
- 必要なPythonやシステムパッケージのダウンロードにインターネットアクセスが必要です

手順

Gitフォルダーを用いて、ワークスペースにレポジトリをクローンします。

rag_app_sample_code/00_global_configノートブックを開き、設定を調整します。

# The name of the RAG application.  This is used to name the chain's UC model and prepended to the output Delta Tables + Vector Indexes
RAG_APP_NAME = 'my_agent_app'

# UC Catalog & Schema where outputs tables/indexs are saved
# If this catalog/schema does not exist, you need create catalog/schema permissions.
UC_CATALOG = f'{user_name}_catalog'
UC_SCHEMA = f'rag_{user_name}'

## UC Model name where the POC chain is logged
UC_MODEL_NAME = f"{UC_CATALOG}.{UC_SCHEMA}.{RAG_APP_NAME}"

# Vector Search endpoint where index is loaded
# If this does not exist, it will be created
VECTOR_SEARCH_ENDPOINT = f'{user_name}_vector_search'

# Source location for documents
# You need to create this location and add files
SOURCE_PATH = f"/Volumes/{UC_CATALOG}/{UC_SCHEMA}/source_docs"

01_validate_config_and_create_resourcesノートブックを開きます。

POCのデプロイステップに進みます。

目次
前のセクション: 前提条件: 要件の収集
次のセクション: ステップ2: ステークホルダーのフィードバックを収集するPOCのデプロイ

はじめてのDatabricks

はじめてのDatabricks

Databricks無料トライアル

Databricks無料トライアル