|
導(dǎo)讀 如何基于向量數(shù)據(jù)庫(kù)+LLM（大語(yǔ)言模型），打造更懂你的企業(yè)專(zhuān)屬Chatbot？ 1、為什么Chatbot需要大語(yǔ)言模型+向量數(shù)據(jù)庫(kù)？ 這個(gè)春天，最讓人震感的科技產(chǎn)品莫過(guò)于ChatGPT的橫空出世，通過(guò)大語(yǔ)言模型（LLM）讓人們看到了生成式AI能實(shí)現(xiàn)到和人類(lèi)語(yǔ)言高度相仿的語(yǔ)言表達(dá)能力，AI不再遙不可及而已經(jīng)可以走進(jìn)人類(lèi)的工作和生活，這使得沉寂一段時(shí)間的AI領(lǐng)域重新煥發(fā)了能量，無(wú)數(shù)的從業(yè)者正趨之若鶩地投身于下一個(gè)改變時(shí)代的機(jī)會(huì)；據(jù)不完全統(tǒng)計(jì)，在短短的4個(gè)月時(shí)間內(nèi)，美國(guó)已經(jīng)完成了超4000筆的生成式AI的行業(yè)融資。生成式AI已經(jīng)成為了資本和企業(yè)都無(wú)法忽視的下一代的技術(shù)密碼，而其對(duì)于底層的基礎(chǔ)設(shè)施能力提供了更高的要求。 大模型能夠回答較為普世的問(wèn)題，但是若要服務(wù)于垂直專(zhuān)業(yè)領(lǐng)域，會(huì)存在知識(shí)深度和時(shí)效性不足的問(wèn)題， 那么企業(yè)如何抓住機(jī)會(huì)并構(gòu)建垂直領(lǐng)域服務(wù)？目前有兩種模式，第一種是基于大模型之上做垂直領(lǐng)域模型的Fine Tune，這個(gè)綜合投入成本較大，更新的頻率也較低，并不適用于所有的企業(yè)；第二種就是在向量數(shù)據(jù)庫(kù)中構(gòu)建企業(yè)自有的知識(shí)資產(chǎn)，通過(guò)大模型 + 向量數(shù)據(jù)庫(kù)來(lái)搭建垂直領(lǐng)域的深度服務(wù)，本質(zhì)是使用數(shù)據(jù)庫(kù)進(jìn)行提示工程(Prompt Engineering)。以法律行業(yè)為例，基于垂直類(lèi)目的法律條文和判例，企業(yè)可以構(gòu)建垂直領(lǐng)域的法律科技服務(wù)。如法律科技公司Harvey，正在構(gòu)建“律師的副駕駛”（Copilot for Lawyer）以提高法律條文的起草和研究服務(wù)。將企業(yè)知識(shí)庫(kù)文檔和實(shí)時(shí)信息通過(guò)向量特征提取然后存儲(chǔ)到向量數(shù)據(jù)庫(kù)，結(jié)合LLM大語(yǔ)言模型可以讓Chatbot（問(wèn)答機(jī)器人）的回答更具專(zhuān)業(yè)性和時(shí)效性，構(gòu)建企業(yè)專(zhuān)屬Chatbot。 如何基于大語(yǔ)言模型 + 阿里云AnalyticDB for PostgreSQL（以下簡(jiǎn)稱(chēng)ADB-PG，內(nèi)置向量數(shù)據(jù)庫(kù)能力）讓Chatbot更好地回答時(shí)事問(wèn)題？歡迎移步“阿里云瑤池?cái)?shù)據(jù)庫(kù)”視頻號(hào)觀看演示Demo。 本文接下來(lái)將重點(diǎn)介紹基于大語(yǔ)言模型（LLM）+向量數(shù)據(jù)庫(kù)打造企業(yè)專(zhuān)屬Chatbot的原理和流程，以及ADB-PG構(gòu)建該場(chǎng)景的核心能力。 2、什么是向量數(shù)據(jù)庫(kù)？ 在現(xiàn)實(shí)世界中，絕大多數(shù)的數(shù)據(jù)都是以非結(jié)構(gòu)化數(shù)據(jù)的形式存在的，如圖片，音頻，視頻，文本等。這些非結(jié)構(gòu)化的數(shù)據(jù)隨著智慧城市，短視頻，商品個(gè)性化推薦，視覺(jué)商品搜索等應(yīng)用的出現(xiàn)而爆發(fā)式增長(zhǎng)。為了能夠處理這些非結(jié)構(gòu)化的數(shù)據(jù)，我們通常會(huì)使用人工智能技術(shù)提取這些非結(jié)構(gòu)化數(shù)據(jù)的特征，并將其轉(zhuǎn)化為特征向量，再對(duì)這些特征向量進(jìn)行分析和檢索以實(shí)現(xiàn)對(duì)非結(jié)構(gòu)化數(shù)據(jù)的處理。因此，我們把這種能存儲(chǔ)，分析和檢索特征向量的數(shù)據(jù)庫(kù)稱(chēng)之為向量數(shù)據(jù)庫(kù)。 向量數(shù)據(jù)庫(kù)對(duì)于特征向量的快速檢索，一般會(huì)采用構(gòu)建向量索引的技術(shù)手段，我們通常說(shuō)的向量索引都屬于ANNS（Approximate Nearest Neighbors Search，近似最近鄰搜索），它的核心思想是不再局限于只返回最精確的結(jié)果項(xiàng)，而是僅搜索可能是近鄰的數(shù)據(jù)項(xiàng)，也就是通過(guò)犧牲可接受范圍內(nèi)的一點(diǎn)精確度來(lái)?yè)Q取檢索效率的提高。這也是向量數(shù)據(jù)庫(kù)與傳統(tǒng)數(shù)據(jù)庫(kù)最大的差別。 為了將ANNS向量索引更加方便的應(yīng)用到實(shí)際的生產(chǎn)環(huán)境中，目前業(yè)界主要有兩種實(shí)踐方式。一種是單獨(dú)將ANNS向量索引服務(wù)化，以提供向量索引創(chuàng)建和檢索的能力，從而形成一種專(zhuān)有的向量數(shù)據(jù)庫(kù)；另一種是將ANNS向量索引融合到傳統(tǒng)結(jié)構(gòu)化數(shù)據(jù)庫(kù)中，形成一種具有向量檢索功能的DBMS。在實(shí)際的業(yè)務(wù)場(chǎng)景中，專(zhuān)有的向量數(shù)據(jù)庫(kù)往往都需要和其他傳統(tǒng)數(shù)據(jù)庫(kù)配合起來(lái)一起使用，這樣會(huì)造成一些比較常見(jiàn)的問(wèn)題，如數(shù)據(jù)冗余、數(shù)據(jù)遷移過(guò)多、數(shù)據(jù)一致性問(wèn)題等，與真正的DBMS相比，專(zhuān)有的向量數(shù)據(jù)庫(kù)需要額外的專(zhuān)業(yè)人員維護(hù)、額外的成本，以及非常有限的查詢(xún)語(yǔ)言能力、可編程性、可擴(kuò)展性和工具集成。 而融合了向量檢索功能的DBMS則不同，它首先是一個(gè)非常完備的現(xiàn)代數(shù)據(jù)庫(kù)平臺(tái)，能滿(mǎn)足應(yīng)用程序開(kāi)發(fā)人員的數(shù)據(jù)庫(kù)功能需求；然后它集成的向量檢索能力一樣也可以實(shí)現(xiàn)專(zhuān)有的向量數(shù)據(jù)庫(kù)的功能，并且使向量存儲(chǔ)和檢索繼承了DBMS的優(yōu)秀能力，如易用性（直接使用SQL的方式處理向量）、事務(wù)、高可用性、高可擴(kuò)展性等等。 本文介紹的ADB-PG即是具有向量檢索功能的DBMS，在包含向量檢索功能的同時(shí)，還具備一站式的數(shù)據(jù)庫(kù)能力。在介紹ADB-PG的具體能力之前，我們先來(lái)看一下Demo視頻中Chatbot的創(chuàng)建流程和相關(guān)原理。 3、LLM大語(yǔ)言模型+ADB-PG：打造企業(yè)專(zhuān)屬Chatbot 案例-本地知識(shí)問(wèn)答系統(tǒng) 對(duì)于前面Demo視頻結(jié)合大語(yǔ)言模型LLM和ADB-PG進(jìn)行時(shí)事新聞點(diǎn)評(píng)解答的例子，讓LLM回答“通義千問(wèn)是什么”。可以看到，如果我們讓LLM直接回答，得到的答案沒(méi)有意義，因?yàn)長(zhǎng)LM的訓(xùn)練數(shù)據(jù)集里并不包含相關(guān)的內(nèi)容。而當(dāng)我們使用向量數(shù)據(jù)庫(kù)作為本地知識(shí)存儲(chǔ)，讓LLM自動(dòng)提取相關(guān)的知識(shí)之后，其正確地回答了“通義千問(wèn)是什么”。 回答“通義千問(wèn)是什么” 同樣地，這種方式可以應(yīng)用于處理文檔，PDF，郵件，網(wǎng)絡(luò)資訊等等尚未被LLM訓(xùn)練數(shù)據(jù)集覆蓋到的內(nèi)容。比如： 1.結(jié)合最新的航班信息和最新的網(wǎng)紅打卡地點(diǎn)等旅游攻略資源，打造旅游助手。比如回答下周最適合去哪里旅游，如何最經(jīng)濟(jì)實(shí)惠的問(wèn)題。 2.體育賽事點(diǎn)評(píng)，時(shí)事熱點(diǎn)新聞點(diǎn)評(píng)，總結(jié)。今天誰(shuí)是NBA比賽的MVP。 3.教育行業(yè)，最新的教育熱點(diǎn)解讀，比如，告訴我什么是AIGC，什么是Stable Diffusion以及如何使用等等。 4.金融領(lǐng)域，快速分析各行業(yè)領(lǐng)域金融財(cái)報(bào)，打造金融咨詢(xún)助手。 5.專(zhuān)業(yè)領(lǐng)域的客服機(jī)器人... 實(shí)現(xiàn)原理 本地知識(shí)問(wèn)答系統(tǒng)(Local QA System)主要是通過(guò)結(jié)合了大語(yǔ)言模型的推理能力和向量數(shù)據(jù)庫(kù)的存儲(chǔ)和檢索能力。來(lái)實(shí)現(xiàn)通過(guò)向量檢索到最相關(guān)的語(yǔ)義片段，然后讓大語(yǔ)言模型結(jié)合相關(guān)片段上下文來(lái)進(jìn)行正確的推理得到結(jié)論。在這個(gè)過(guò)程中主要有兩個(gè)流程： a. 后端數(shù)據(jù)處理和存儲(chǔ)流程 b. 前端問(wèn)答流程 同時(shí)其底層主要依賴(lài)兩個(gè)模塊： 1. 基于大語(yǔ)言模型的推理模塊 2. 基于向量數(shù)據(jù)庫(kù)的向量數(shù)據(jù)管理模塊 Local QA system on LLM & VectorStore原理 后端數(shù)據(jù)處理和存儲(chǔ)流程 上圖黑色的部分為后端的數(shù)據(jù)處理流程，主要是將我們的原始數(shù)據(jù)求解embedding，并和原始數(shù)據(jù)一起存入到向量數(shù)據(jù)庫(kù)ADB-PG中。這里你只需要關(guān)注上圖的藍(lán)色虛線(xiàn)框部分。黑色的處理模塊和ADB-PG向量數(shù)據(jù)庫(kù)。 Step1：先將原始文檔中的文本內(nèi)容全部提取出來(lái)。然后根據(jù)語(yǔ)義切塊，切成多個(gè)chunk，可以理解為可以完整表達(dá)一段意思的文本段落。在這個(gè)過(guò)程中還可以額外做一些元數(shù)據(jù)抽取，敏感信息檢測(cè)等行為。 Step2：將這些Chunk都丟給embedding模型，來(lái)求取這些chunk的embedding。 Step3：將embedding和原始chunk一起存入到向量數(shù)據(jù)庫(kù)中。 前端問(wèn)答流程 在這個(gè)過(guò)程中主要分為三個(gè)部分：1.問(wèn)題提煉部分；2.向量檢索提取最相關(guān)知識(shí)；3.推理求解部分。在這里我們需要關(guān)注橙色部分。單單說(shuō)原理可能比較晦澀，我們還是用上面的例子來(lái)說(shuō)明。 Local QA system on LLM & VectorStore Part1 問(wèn)題提煉 這個(gè)部分是可選的，之所以存在是因?yàn)橛行﹩?wèn)題是需要依賴(lài)于上下文的。因?yàn)橛脩?hù)問(wèn)的新問(wèn)題可能沒(méi)辦法讓LLM理解這個(gè)用戶(hù)的意圖。 比如用戶(hù)的新問(wèn)題是“它能做什么”。LLM并不知道它指的是誰(shuí)，需要結(jié)合之前的聊天歷史，比如“通義千問(wèn)是什么”來(lái)推理出用戶(hù)需要求解答案的獨(dú)立問(wèn)題“通義千問(wèn)能做什么”。LLM沒(méi)法正確回答“它有什么用”這樣的模糊問(wèn)題，但是能正確回答“通義千問(wèn)有什么用”這樣的獨(dú)立問(wèn)題。如果你的問(wèn)題本身就是獨(dú)立的，則不需要這個(gè)部分。 得到獨(dú)立問(wèn)題后，我們可以基于這個(gè)獨(dú)立問(wèn)題，來(lái)求取這個(gè)獨(dú)立問(wèn)題的embedding。然后去向量數(shù)據(jù)庫(kù)中搜索最相似的向量，找到最相關(guān)的內(nèi)容。這個(gè)行為在Part2 Retrieval Plugin的功能中。 Part2 向量檢索 獨(dú)立問(wèn)題求取embedding這個(gè)功能會(huì)在text2vec模型中進(jìn)行。在獲得embedding之后就可以通過(guò)這個(gè)embedding來(lái)搜索已經(jīng)事先存儲(chǔ)在向量數(shù)據(jù)庫(kù)中的數(shù)據(jù)了。比如我們已經(jīng)在ADB-PG中存儲(chǔ)了下面內(nèi)容。我們就可以通過(guò)求取的向量來(lái)獲得最相近的內(nèi)容或者知識(shí)，比如第一條和第三條。通義千問(wèn)是...，通義千問(wèn)可以幫助我們xxx。 Part3 推理求解 在獲得最相關(guān)的知識(shí)之后，我們就可以就可以讓LLM基于最相關(guān)的知識(shí)和獨(dú)立問(wèn)題來(lái)進(jìn)行求解推理，得到最終的答案了。這里就是結(jié)合“通義千問(wèn)是...”，“通義千問(wèn)可以幫助我們xxx”等等最有效的信息來(lái)回答“通義千問(wèn)有什么用”這個(gè)問(wèn)題了。最終讓GPT的推理求解大致是這樣： 4、ADB-PG：內(nèi)置向量檢索+全文檢索的一站式企業(yè)知識(shí)數(shù)據(jù)庫(kù) 為什么ADB-PG適合作為Chatbot的知識(shí)數(shù)據(jù)庫(kù)？ADB-PG是一款具備大規(guī)模并行處理能力的云原生數(shù)據(jù)倉(cāng)庫(kù)。它支持行存儲(chǔ)和列存儲(chǔ)模式，既可以提供高性能的離線(xiàn)數(shù)據(jù)處理，也可以支持高并發(fā)的海量數(shù)據(jù)在線(xiàn)分析查詢(xún)。因此我們可以說(shuō)ADB-PG是一個(gè)支持分布式事務(wù)、混合負(fù)載的數(shù)據(jù)倉(cāng)庫(kù)平臺(tái)，同時(shí)也支持處理多種非結(jié)構(gòu)化和半結(jié)構(gòu)化數(shù)據(jù)源。如通過(guò)向量檢索插件實(shí)現(xiàn)了對(duì)圖片、語(yǔ)言、視頻、文本等非結(jié)構(gòu)化數(shù)據(jù)的高性能向量檢索分析，對(duì)JSON等半結(jié)構(gòu)化數(shù)據(jù)的全文檢索分析。 因此在AIGC場(chǎng)景下，ADB-PG既可以作為一款向量數(shù)據(jù)庫(kù)滿(mǎn)足其對(duì)向量存儲(chǔ)和檢索的需求，也可以滿(mǎn)足其他結(jié)構(gòu)化數(shù)據(jù)的存儲(chǔ)和查詢(xún)，同時(shí)也可以提供全文檢索的能力，為AIGC場(chǎng)景下的業(yè)務(wù)應(yīng)用提供一站式的解決方案。下面我們將對(duì)ADB-PG的向量檢索、融合檢索和全文檢索這三方面的能力進(jìn)行詳細(xì)介紹。 ADB-PG向量檢索和融合檢索功能于2020年首次在公有云上線(xiàn)，目前已經(jīng)在人臉識(shí)別領(lǐng)域得到了非常廣泛的應(yīng)用。ADB-PG的向量數(shù)據(jù)庫(kù)繼承自數(shù)據(jù)倉(cāng)庫(kù)平臺(tái)，因此它幾乎擁有DBMS的所有好處，如ANSISQL、ACID事務(wù)、高可用性、故障恢復(fù)、時(shí)間點(diǎn)恢復(fù)、可編程性、可擴(kuò)展性等。同時(shí)它支持了點(diǎn)積距離、漢明距離和歐氏距離的向量和向量的相似度搜索。這些功能目前在人臉識(shí)別、商品識(shí)別和基于文本的語(yǔ)義搜索中得到了廣泛應(yīng)用。隨著AIGC的爆炸式增長(zhǎng)，這些功能為基于文本的Chatbot奠定了堅(jiān)實(shí)的基礎(chǔ)。另外，ADB-PG向量檢索引擎也使用Intel SIMD指令極其有效地實(shí)現(xiàn)了向量相似性匹配。 下面我們用一個(gè)具體的例子來(lái)說(shuō)明ADB-PG的向量檢索和融合檢索如何使用。假設(shè)有一個(gè)文本知識(shí)庫(kù)，它是將一批文章分割成chunk再轉(zhuǎn)換為embedding向量后入庫(kù)的，其中chunks表包含以下字段： 那么對(duì)應(yīng)的建表DDL如下： 為了對(duì)向量檢索進(jìn)行加速，我們還需要建立一個(gè)向量索引： 同時(shí)為了對(duì)向量結(jié)構(gòu)化融合查詢(xún)提供加速，我們還需要為常用的結(jié)構(gòu)化列建立索引： 在進(jìn)行數(shù)據(jù)插入的時(shí)候，我們可以直接使用SQL中的insert語(yǔ)法： 在這個(gè)例子中，如果我們要通過(guò)文本搜索它的來(lái)源文章，那么我們就可以直接通過(guò)向量檢索進(jìn)行查找，具體SQL如下： 同樣，如果我們的需求是查找最近一個(gè)月以?xún)?nèi)的某個(gè)文本的來(lái)源文章。那么我們就可以直接通過(guò)融合檢索進(jìn)行查找，具體SQL如下： 在看完上面的例子之后，我們可以很清楚地發(fā)現(xiàn)，在ADB-PG中使用向量檢索和融合檢索就跟使用傳統(tǒng)數(shù)據(jù)庫(kù)一樣方便，沒(méi)有任何的學(xué)習(xí)門(mén)檻。同時(shí)，我們對(duì)向量檢索也有針對(duì)性地做了很多優(yōu)化，如向量數(shù)據(jù)壓縮、向量索引并行構(gòu)建、向量多分區(qū)并行檢索等等，這里不再詳述。 ADB-PG同時(shí)也具有豐富的全文檢索功能，支持復(fù)雜組合條件、結(jié)果排名等檢索能力；另外對(duì)于中文數(shù)據(jù)集，ADB-PG也支持中文分詞功能，能夠高效、自定義地對(duì)中文文本加工分詞；同時(shí)ADB-PG也支持使用索引加速全文檢索分析性能。這些能力同樣也可以在AIGC業(yè)務(wù)場(chǎng)景下得到充分的使用，如業(yè)務(wù)可以對(duì)知識(shí)庫(kù)文檔結(jié)合上述向量檢索和全文檢索能力進(jìn)行雙路召回。 知識(shí)數(shù)據(jù)庫(kù)搜索部分包括傳統(tǒng)的關(guān)鍵詞全文檢索和向量特征檢索，關(guān)鍵詞全文檢索保證查詢(xún)的精準(zhǔn)性，向量特征檢索提供泛化性和語(yǔ)義匹配，除字面匹配之外召回和語(yǔ)義匹配的知識(shí)，降低無(wú)結(jié)果率，為大模型提供更加豐富的上下文，有利于大語(yǔ)言模型進(jìn)行總結(jié)歸納。 5、總結(jié) 結(jié)合本文前面所提到的內(nèi)容，如果把滿(mǎn)腹經(jīng)綸的Chatbot比喻為人類(lèi)，那么大語(yǔ)言模型可以看成是Chatbot在大學(xué)畢業(yè)前從所有書(shū)本和各領(lǐng)域公開(kāi)資料所獲得的知識(shí)和學(xué)習(xí)推理能力。所以基于大語(yǔ)言模型，Chatbot能夠回答截止到其畢業(yè)前相關(guān)的問(wèn)題，但如果問(wèn)題涉及到特定專(zhuān)業(yè)領(lǐng)域（相關(guān)資料為企業(yè)組織專(zhuān)有，非公開(kāi)）或者是新出現(xiàn)的物種概念（大學(xué)畢業(yè)時(shí)尚未誕生），僅靠在學(xué)校的知識(shí)所得（對(duì)應(yīng)預(yù)訓(xùn)練的大語(yǔ)言模型）則無(wú)法從容應(yīng)對(duì)，需要具備畢業(yè)后持續(xù)獲得新知識(shí)的渠道（如工作相關(guān)專(zhuān)業(yè)學(xué)習(xí)資料庫(kù)），結(jié)合本身的學(xué)習(xí)推理能力，來(lái)做出專(zhuān)業(yè)應(yīng)對(duì)。 同樣的Chatbot需要結(jié)合大語(yǔ)言模型的學(xué)習(xí)推理能力，和像ADB-PG這樣包含向量檢索和全文檢索能力的一站式數(shù)據(jù)庫(kù)（存儲(chǔ)了企業(yè)組織專(zhuān)有的以及最新的知識(shí)文檔和向量特征），在應(yīng)對(duì)問(wèn)題時(shí)具備基于該數(shù)據(jù)庫(kù)中的知識(shí)內(nèi)容來(lái)提供更專(zhuān)業(yè)更具時(shí)效性的回答。 |
