Google
Cloud Platform
Amazon Web Services
Microsoft Azureチュートリアル: OpenAI モデルをクエリーする外部モデルエンドポイントの作成
この記事では、 MLflow Deployments SDK を使用して、入力候補、チャット、埋め込みの OpenAI モデルを提供する外部モデル エンドポイントを構成し、クエリを実行するための詳細な手順について説明します。 外部モデルの詳細については、こちらをご覧ください。
サービング UI を使用してこのタスクを実行する場合は、「 外部モデルサービングエンドポイントを作成する」を参照してください。
要件
Databricks Runtime 13.0 ML以降 。
MLflow 2.9 以降。
OpenAI API キー。
Databricks CLI バージョン 0.205 以降をインストールします。
(オプション) ステップ 0:API DatabricksSecrets を使用して OpenAI キーを保存しますCLI
APIキーは、ステップ 3 でプレーンテキスト文字列として指定するか、Databricks Secrets を使用して指定できます。
OpenAI API キーをシークレットとして保存するには、Databricks Secrets CLI (バージョン 0.205 以降) を使用できます。 シークレットに REST API を使用することもできます。
次の例では、 my_openai_secret_scopeという名前のシークレットスコープを作成し、そのスコープにシークレット openai_api_key を作成します。
databricks secrets create-scope my_openai_secret_scope
databricks secrets put-secret my_openai_secret_scope openai_api_key
ステップ 1:MLflow 外部モデルをサポートする をインストールする
外部モデルをサポートする MLflow バージョンをインストールするには、次を使用します。
%pip install mlflow[genai]>=2.9.0
ステップ 2: 外部モデルエンドポイントを作成して管理する
重要
このセクションのコード例では、 パブリック プレビュー MLflow デプロイ CRUD SDK の使用方法を示します。
大規模言語モデル (LLM) の外部モデル エンドポイントを作成するには、MLflow Deployments SDK の create_endpoint() メソッドを使用します。 また、Serving UI で外部モデルエンドポイントを作成することもできます。
次のコードスニペットは、設定の served_entities セクションで指定されているように、OpenAI gpt-3.5-turbo-instructの入力完了エンドポイントを作成します。エンドポイントについては、各フィールドの一意の値を name と openai_api_key に入力してください。
import mlflow.deployments
client = mlflow.deployments.get_deploy_client("databricks")
client.create_endpoint(
name="openai-completions-endpoint",
config={
"served_entities": [{
"name": "openai-completions",
"external_model": {
"name": "gpt-3.5-turbo-instruct",
"provider": "openai",
"task": "llm/v1/completions",
"openai_config": {
"openai_api_key": "{{secrets/my_openai_secret_scope/openai_api_key}}"
}
}
}]
}
)
次のコード スニペットは、上記と同じ完了エンドポイントを作成する別の方法として、OpenAI API キーをプレーンテキスト文字列として指定する方法を示しています。
import mlflow.deployments
client = mlflow.deployments.get_deploy_client("databricks")
client.create_endpoint(
name="openai-completions-endpoint",
config={
"served_entities": [{
"name": "openai-completions",
"external_model": {
"name": "gpt-3.5-turbo-instruct",
"provider": "openai",
"task": "llm/v1/completions",
"openai_config": {
"openai_api_key_plaintext": "sk-yourApiKey"
}
}
}]
}
)
Azure OpenAI を使用している場合は、構成の openai_config セクションで Azure OpenAI デプロイ名、エンドポイント URL、API バージョンを指定することもできます。
client.create_endpoint(
name="openai-completions-endpoint",
config={
"served_entities": [
{
"name": "openai-completions",
"external_model": {
"name": "gpt-3.5-turbo-instruct",
"provider": "openai",
"task": "llm/v1/completions",
"openai_config": {
"openai_api_type": "azure",
"openai_api_key": "{{secrets/my_openai_secret_scope/openai_api_key}}",
"openai_api_base": "https://my-azure-openai-endpoint.openai.azure.com",
"openai_deployment_name": "my-gpt-35-turbo-deployment",
"openai_api_version": "2023-05-15"
},
},
}
],
},
)
エンドポイントを更新するには、 update_endpoint()を使用します。 次のコード スニペットは、エンドポイントのレート制限をユーザーあたり 1 分あたり 20 回の呼び出しに更新する方法を示しています。
client.update_endpoint(
endpoint="openai-completions-endpoint",
config={
"rate_limits": [
{
"key": "user",
"renewal_period": "minute",
"calls": 20
}
],
},
)
ステップ 3: 外部モデルエンドポイントにリクエストを送信する
重要
このセクションのコード例では、MLflow Deployments SDK の predict() メソッドの使用方法を示します。
チャット、補完、エンべディングのリクエストは、MLflow デプロイ SDK の predict() メソッドを使用して、外部モデルエンドポイントに送信できます。
以下は、OpenAIがホストする gpt-3.5-turbo-instruct にリクエストを送信します。
completions_response = client.predict(
endpoint="openai-completions-endpoint",
inputs={
"prompt": "What is the capital of France?",
"temperature": 0.1,
"max_tokens": 10,
"n": 2
}
)
completions_response == {
"id": "cmpl-8QW0hdtUesKmhB3a1Vel6X25j2MDJ",
"object": "text_completion",
"created": 1701330267,
"model": "gpt-3.5-turbo-instruct",
"choices": [
{
"text": "The capital of France is Paris.",
"index": 0,
"finish_reason": "stop",
"logprobs": None
},
{
"text": "Paris is the capital of France",
"index": 1,
"finish_reason": "stop",
"logprobs": None
},
],
"usage": {
"prompt_tokens": 7,
"completion_tokens": 16,
"total_tokens": 23
}
}
ステップ 4: 別のプロバイダーのモデルを比較する
モデルサービングは、Open AI 、Anthropic、Cohere、 Amazon Bedrock、Google Cloud Vertex AIなどを含む多くの外部モデル プロバイダーをサポートしています。
次の例では、Anthropic claude-2 のエンドポイントを作成し、その応答を OpenAI gpt-3.5-turbo-instructを使用する質問と比較します。 どちらの回答も標準形式が同じであるため、簡単に比較できます。
Anthropic claude-2のエンドポイントを作成する
import mlflow.deployments
client = mlflow.deployments.get_deploy_client("databricks")
client.create_endpoint(
name="anthropic-completions-endpoint",
config={
"served_entities": [
{
"name": "claude-completions",
"external_model": {
"name": "claude-2",
"provider": "anthropic",
"task": "llm/v1/completions",
"anthropic_config": {
"anthropic_api_key": "{{secrets/my_anthropic_secret_scope/anthropic_api_key}}"
},
},
}
],
},
)
各エンドポイントからのレスポンスを比較する
openai_response = client.predict(
endpoint="openai-completions-endpoint",
inputs={
"prompt": "How is Pi calculated? Be very concise."
}
)
anthropic_response = client.predict(
endpoint="anthropic-completions-endpoint",
inputs={
"prompt": "How is Pi calculated? Be very concise."
}
)
openai_response["choices"] == [
{
"text": "Pi is calculated by dividing the circumference of a circle by its diameter."
" This constant ratio of 3.14159... is then used to represent the relationship"
" between a circle's circumference and its diameter, regardless of the size of the"
" circle.",
"index": 0,
"finish_reason": "stop",
"logprobs": None
}
]
anthropic_response["choices"] == [
{
"text": "Pi is calculated by approximating the ratio of a circle's circumference to"
" its diameter. Common approximation methods include infinite series, infinite"
" products, and computing the perimeters of polygons with more and more sides"
" inscribed in or around a circle.",
"index": 0,
"finish_reason": "stop",
"logprobs": None
}
]