4185
引導(dǎo)語：最近，谷歌宣布旗下Vertex人工智能平臺最新支持了生成式人工智能，是什么支持語言模型實現(xiàn)與人類的語言交互呢？語言模型的大量知識儲備從何而來呢？
簡介：基礎(chǔ)模型和高性能數(shù)據(jù)層這兩個基本組件始終是創(chuàng)建高效、可擴(kuò)展語言模型應(yīng)用的關(guān)鍵，利用Redis搭建大語言模型，能夠?qū)崿F(xiàn)高效可擴(kuò)展的語義搜索、檢索增強(qiáng)生成、LLM 緩存機(jī)制、LLM記憶和持久化。有Redis加持的大語言模型可應(yīng)用于文檔檢索、虛擬購物助手、客戶服務(wù)助理等，為企業(yè)帶來益處。
朋友圈文案：人工智能如火如荼，語言模型人類實時交互的同時，又怎能少了背后高性能可擴(kuò)展的數(shù)據(jù)層支持呢？結(jié)合可靠的Redis，谷歌大語言模型實現(xiàn)了高效可擴(kuò)展的語義搜索、檢索增強(qiáng)生成、LLM 緩存機(jī)制、記憶和持久化。
一、語言模型構(gòu)件
應(yīng)用程序生成、理解和使用人類語言的能力正變得越來越重要，從客服機(jī)器人到虛擬助手，再到內(nèi)容生成，人們對AI應(yīng)用功能的需求橫跨眾多領(lǐng)域，而這一切的實現(xiàn)，都要?dú)w功于谷歌的 PaLM 2 等基礎(chǔ)模型，這些模型經(jīng)過精心調(diào)教，可以生成類似人類表達(dá)風(fēng)格的內(nèi)容。
在這一動態(tài)環(huán)境中，基礎(chǔ)模型和高性能數(shù)據(jù)層這兩個基本組件始終是創(chuàng)建高效、可擴(kuò)展語言模型應(yīng)用的關(guān)鍵。
1、基礎(chǔ)模型：
基礎(chǔ)模型是生成式人工智能應(yīng)用的基石，大型語言模型（Large Language Model，LLM）是其中的一個子集。LLM 通過大量的文本訓(xùn)練，使其能夠為各種任務(wù)生成具有上下文相關(guān)性的類似人類表達(dá)風(fēng)格的文本。改進(jìn)這些模型，使其更加復(fù)雜，從而使應(yīng)用可以更精煉、更有效地響應(yīng)用戶輸入。所選擇的語言模型會顯著影響應(yīng)用的性能、成本和服務(wù)質(zhì)量。
然而，PaLM 2 等模型雖然功能強(qiáng)大，但也有其局限性，例如當(dāng)缺乏特定領(lǐng)域的數(shù)據(jù)時，模型可能不夠相關(guān)，而且可能無法及時呈現(xiàn)新信息或準(zhǔn)確信息。LLM 在提示（prompts）中可以處理的上下文長度（即詞組數(shù)量）有硬性限制，此外，LLM 的訓(xùn)練或微調(diào)需要大量的計算資源，這會使成本劇增。要在這些限制和優(yōu)勢之間取得平衡，需要進(jìn)行謹(jǐn)慎的策略和強(qiáng)大基礎(chǔ)設(shè)施的支持。
2、高性能的數(shù)據(jù)層
高效的 LLM 應(yīng)用程序由可擴(kuò)展的高性能數(shù)據(jù)層支撐，該組件可確保高速交易和低延遲，這對于保持用戶流暢交互至關(guān)重要。它在以下方面發(fā)揮關(guān)鍵作用：
- 緩存預(yù)計算的請求響應(yīng)或嵌入
- 對過去的交互歷史進(jìn)行持久化
- 進(jìn)行語義搜索以檢索相關(guān)的上下文或知識
向量數(shù)據(jù)庫已成為一種流行的數(shù)據(jù)層解決方案。Redis 在向量搜索方面的投入遠(yuǎn)遠(yuǎn)早于當(dāng)下的向量數(shù)據(jù)庫熱潮，這反映了我們具有豐富的經(jīng)驗，尤其是在性能方面。Redis對于向量搜索的經(jīng)驗在剛剛發(fā)布的 Redis 7.2 版本中得到了體現(xiàn)，該版本包括可擴(kuò)展搜索功能預(yù)覽，與前一版本相比，每秒查詢次數(shù)提高了16倍。
基礎(chǔ)模型和向量數(shù)據(jù)庫在不同行業(yè)的 LLM 應(yīng)用中發(fā)揮著至關(guān)重要的作用，因此引發(fā)了業(yè)界的極大興趣和炒作。例如，一些較新的獨(dú)立向量數(shù)據(jù)庫解決方案（如 Pinecone）宣布獲得巨額融資，并投入大量精力以贏得開發(fā)人員的關(guān)注。然而，由于每周都有新的工具出現(xiàn)，因此很難知道哪款工具真的能滿足企業(yè)需求。
GCP （Google’s Google Cloud Platform）的與眾不同之處在于其統(tǒng)一的產(chǎn)品，它將功能強(qiáng)大的基礎(chǔ)模型、可擴(kuò)展的基礎(chǔ)設(shè)施，以及一套用于調(diào)整、部署和維護(hù)這些模型的工具結(jié)合在一起，從而能夠確保最高級別的數(shù)據(jù)安全和隱私安全。
但是，要真正發(fā)揮這些進(jìn)展的潛力，一個高性能且可擴(kuò)展的數(shù)據(jù)層是不可或缺的，這就是Redis的作用所在。
3、可擴(kuò)展語言模型應(yīng)用的推理架構(gòu)
GCP 和 Redis Enterprise 用于語言模型應(yīng)用的推理架構(gòu)
這里所呈現(xiàn)的推理架構(gòu)適用于通用語言模型用例。它結(jié)合使用了 Vertex AI（PaLM 2 基礎(chǔ)模型）、BigQuery 和 Redis Enterprise。
小Tips：GCP 和 Redis Enterprise 用于語言模型應(yīng)用的推理架構(gòu)。
您可以按照開源 GitHub 倉庫中的 Colab 筆記本逐步設(shè)置此 LLM 架構(gòu)。(項目鏈接見文末)
1. 安裝庫和工具：安裝所需的 Python 庫，使用 Vertex AI 進(jìn)行身份驗證，并創(chuàng)建一個 Redis 數(shù)據(jù)庫。
2. 創(chuàng)建 BigQuery 表格：將數(shù)據(jù)集加載到您的 GCP 項目中的 BigQuery 表格中。
3. 生成文本嵌入：循環(huán)遍歷數(shù)據(jù)集中的記錄，使用 PaLM 2 嵌入 API 創(chuàng)建文本嵌入。
4. 加載嵌入：將文本嵌入和一些元數(shù)據(jù)加載到運(yùn)行中的 Redis 服務(wù)器。
5. 創(chuàng)建向量索引：運(yùn)行 Redis 命令來創(chuàng)建一個模式和一個新的索引結(jié)構(gòu)，以實現(xiàn)實時搜索。
完成必要的設(shè)置步驟后，這個架構(gòu)就可以支持多種 LLM 應(yīng)用，如聊天機(jī)器人和虛擬購物助手。
二、在語言模型（LLM）應(yīng)用Redis
即使是經(jīng)驗豐富的軟件開發(fā)人員和應(yīng)用架構(gòu)師也可能對這個新的知識領(lǐng)域不了解，這個簡短的總結(jié)應(yīng)該能幫助你迅速掌握要點(diǎn)。
1、利用Redis實現(xiàn)高效可擴(kuò)展的語義搜索
語義搜索從龐大的知識語料庫中提取語義相似的內(nèi)容。在這個過程中，知識被轉(zhuǎn)化為可以進(jìn)行比較的數(shù)值嵌入向量，以找到與用戶查詢最相關(guān)的上下文信息。
Redis 作為高性能向量數(shù)據(jù)庫，擅長索引非結(jié)構(gòu)化數(shù)據(jù)，從而實現(xiàn)高效可擴(kuò)展的語義搜索。Redis 可以增強(qiáng)應(yīng)用程序迅速理解和響應(yīng)用戶查詢的能力，其強(qiáng)大的搜索索引能力有助于實現(xiàn)響應(yīng)迅速和準(zhǔn)確的用戶交互。
2、利用Redis實現(xiàn)檢索增強(qiáng)生成
檢索增強(qiáng)生成（Retrieval-Augmented Generation，RAG）方法利用語義搜索等方法，在將提示發(fā)送到 LLM 之前動態(tài)地注入事實知識。這種技術(shù)最大程度上減少了在專有或頻繁變動的數(shù)據(jù)上對 LLM 進(jìn)行微調(diào)的需求。RAG 允許對 LLM 進(jìn)行上下文增強(qiáng)，使其能夠更好地處理當(dāng)前的任務(wù)，例如回答具體問題、總結(jié)檢索內(nèi)容或生成新內(nèi)容。
作為向量數(shù)據(jù)庫和全文搜索引擎，Redis 有助于 RAG 工作流的順暢運(yùn)行。由于其低延遲的數(shù)據(jù)檢索能力，Redis 常常是執(zhí)行此任務(wù)的首選工具。它確保語言模型迅速而準(zhǔn)確地獲得所需的上下文，促進(jìn)了人工智能應(yīng)用高效的執(zhí)行任務(wù)。
檢索增強(qiáng)生成（RAG）架構(gòu)示例
3、利用Redis實現(xiàn)LLM 的緩存機(jī)制
緩存是增強(qiáng) LLM 響應(yīng)能力和計算效率的強(qiáng)大技術(shù)手段。
標(biāo)準(zhǔn)緩存提供了一種機(jī)制，用于存儲并快速檢索預(yù)生成的常見查詢響應(yīng)，從而降低計算負(fù)載和響應(yīng)時間。然而，在動態(tài)對話背景中使用人類語言時，完全匹配的查詢很少，這就是語義緩存發(fā)揮作用的地方。
語義緩存可以理解并利用查詢的潛在語義。語義緩存識別并檢索與輸入查詢在語義上足夠相似的緩存響應(yīng)。這種能力極大地增加了緩存命中率，進(jìn)一步改善了響應(yīng)時間和資源利用率。
例如，在客戶服務(wù)場景中，多個用戶可能會使用不同的措辭詢問類似的常見問題。語義緩存使得 LLM 能夠在不進(jìn)行冗余計算的情況下迅速而準(zhǔn)確地回應(yīng)這些問題。
LLM 的緩存機(jī)制
Redis 非常適用于在 LLM 中實現(xiàn)緩存，其強(qiáng)大的功能集包括支持生存時間（TTL）和逐出策略，用于管理臨時數(shù)據(jù)。結(jié)合其向量數(shù)據(jù)庫的語義搜索能力，Redis 能夠高效快速地檢索緩存響應(yīng)，從而顯著提升 LLM 的響應(yīng)速度和系統(tǒng)整體性能，即使在負(fù)載較重的情況下也能如此。
4、利用Redis實現(xiàn)內(nèi)存和持久化
保留過去的互動和會話元數(shù)據(jù)對于確保上下文連貫和個性化對話至關(guān)重要，然而LLM 并沒有自適應(yīng)記憶，因此依賴一個可靠的系統(tǒng)進(jìn)行快速的對話數(shù)據(jù)存儲變得至關(guān)重要。
Redis 提供了一個強(qiáng)大的解決方案，用于管理 LLM 的記憶。它可以在大量需求下高效地訪問聊天歷史和會話元數(shù)據(jù)。Redis使用其數(shù)據(jù)結(jié)構(gòu)存儲來處理傳統(tǒng)的內(nèi)存管理，同時其向量數(shù)據(jù)庫功能有助于提取語義相關(guān)的互動內(nèi)容。
三、LLM 的應(yīng)用場景
1、文檔檢索
一些企業(yè)需要處理大量的文檔，而 LLM 應(yīng)用可以成為文檔發(fā)現(xiàn)和檢索的強(qiáng)大工具，語義搜索有助于從廣泛的知識語料庫中精確定位相關(guān)信息。
2、虛擬購物助手
LLM 可以支持復(fù)雜的電子商務(wù)虛擬購物助手，通過上下文理解和語義搜索，它可以理解客戶的問題，提供個性化的產(chǎn)品推薦，甚至實時模擬對話互動。
3、客戶服務(wù)助理
將 LLM 部署為客戶服務(wù)代理可以徹底改變客戶互動方式，除了回答常見問題外，系統(tǒng)還可以進(jìn)行復(fù)雜的對話，為客戶提供定制化的幫助，并從過去的客戶互動中進(jìn)行學(xué)習(xí)。
四、 Redis 和 Google Cloud：強(qiáng)強(qiáng)聯(lián)合
1、基于知識
GCP 和 Redis 讓 LLM 應(yīng)用不僅僅是先進(jìn)的文本生成器，通過在運(yùn)行時迅速注入來自您自己領(lǐng)域的特定知識，它們確保您的應(yīng)用可以提供基于知識、準(zhǔn)確和有價值的交互，特別適應(yīng)于您的組織知識庫。
2、簡化架構(gòu)
Redis 不僅僅是一個鍵值數(shù)據(jù)庫，它是實時數(shù)據(jù)的多功能工具，通過消除為不同用例管理多個服務(wù)的需求，它極大地簡化了您的體系架構(gòu)。作為許多組織已經(jīng)信任的緩存和其他需求的工具，Redis 在 LLM 應(yīng)用中的集成起到了無縫擴(kuò)展的效果。
3、優(yōu)化性能
Redis 是低延遲和高吞吐量數(shù)據(jù)結(jié)構(gòu)的代名詞。當(dāng)與具有超強(qiáng)計算能力的GCP結(jié)合時 ，您將擁有一個不僅智能而且響應(yīng)迅速的 LLM 應(yīng)用，即使在負(fù)載較重的情況下也能如此。
4、企業(yè)級能力
Redis是經(jīng)過時間驗證的開源數(shù)據(jù)庫核心，可為全球財富100強(qiáng)公司提供可靠服務(wù)。在Redis Enterprise提供的五個九（99.999％）可用性的支持下，并由 GCP 強(qiáng)大的基礎(chǔ)架構(gòu)提供支持，您可以完全信任其可以完全滿足企業(yè)需求。
5、加速上市進(jìn)程
利用Redis Enterprise，您可以更專注于創(chuàng)建 LLM 應(yīng)用，而不必費(fèi)心進(jìn)行數(shù)據(jù)庫設(shè)置。這種集成的便利性加速了上市進(jìn)程，為您的組織提供了競爭優(yōu)勢。
盡管新的向量數(shù)據(jù)庫和生成式 AI 產(chǎn)品可能在市場上引起了很大的關(guān)注，但是 GCP 和 Redis 的可靠組合更加值得信任。這些經(jīng)過時間驗證的解決方案不會很快消失，它們已經(jīng)準(zhǔn)備好為您的 LLM 應(yīng)用提供動力，無論是今天還是未來的數(shù)年。
聯(lián)系虹科工程師：15528663362
聯(lián)系方式鏈接：https://t.dustess.com/Fc6fpUjg
下載ECAD模型
