Azure Databricks의 구조적 출력

아티클
10/30/2024

Important

이 기능은 공개 미리 보기로 제공되며, 토큰당 종량제 및 프로비전된 처리량 엔드포인트 모두에서 지원됩니다.

이 문서에서는 Azure Databricks의 구조화된 출력과 이를 생성 AI 애플리케이션 워크플로의 일부로 사용하는 방법을 설명합니다. 구조적 출력은 OpenAI와 호환되며 파운데이션 모델 API의 일부로 사용되는 모델 중에만 사용할 수 있습니다.

구조화된 출력이란?

구조적 출력은 입력 데이터에서 JSON 개체의 형태로 구조화된 데이터를 생성하는 방법을 제공합니다. 텍스트, 구조화되지 않은 JSON 개체 및 특정 JSON 스키마를 준수하는 JSON 개체를 생성하도록 선택할 수 있습니다. 구조적 출력은 토큰당 종량제 및 프로비전된 처리량 엔드포인트를 사용하여 제공되는 채팅 모델에 대해 지원됩니다.

Databricks는 다음 시나리오에 대해 구조화된 출력을 사용하는 것이 좋습니다.

대량의 문서에서 데이터를 추출합니다. 예를 들어 제품 검토 피드백을 부정, 긍정 또는 중립으로 식별하고 분류합니다.
출력이 지정된 형식이어야 하는 일괄 처리 유추 작업입니다.
구조화되지 않은 데이터를 구조화된 데이터로 전환하는 것과 같은 데이터 처리입니다.

구조화된 출력 사용

채팅 요청에 사용하여 response_format 구조화된 출력을 지정합니다. Foundation 모델 REST API 참조를 참조하세요.

다음은 특정 JSON 스키마에 대한 연구 논문의 데이터 추출 예제입니다.

import os
import json
from openai import OpenAI

DATABRICKS_TOKEN = os.environ.get('YOUR_DATABRICKS_TOKEN')
DATABRICKS_BASE_URL = os.environ.get('YOUR_DATABRICKS_BASE_URL')

client = OpenAI(
  api_key=DATABRICKS_TOKEN,
  base_url=DATABRICKS_BASE_URL
  )

response_format = {
      "type": "json_schema",
      "json_schema": {
        "name": "research_paper_extraction",
        "schema": {
          "type": "object",
          "properties": {
            "title": { "type": "string" },
            "authors": {
              "type": "array",
              "items": { "type": "string" }
            },
            "abstract": { "type": "string" },
            "keywords": {
              "type": "array",
              "items": { "type": "string" }
            }
          },
        },
        "strict": True
      }
    }

messages = [{
        "role": "system",
        "content": "You are an expert at structured data extraction. You will be given unstructured text from a research paper and should convert it into the given structure."
      },
      {
        "role": "user",
        "content": "..."
      }]

response = client.chat.completions.create(
    model="databricks-meta-llama-3-1-70b-instruct",
    messages=messages,
    response_format=response_format
)

print(json.dumps(response.choices[0].message.model_dump()['content'], indent=2))

다음은 JSON 추출의 예이지만 JSON 스키마는 미리 알 수 없습니다.

import os
import json
from openai import OpenAI

DATABRICKS_TOKEN = os.environ.get('YOUR_DATABRICKS_TOKEN')
DATABRICKS_BASE_URL = os.environ.get('YOUR_DATABRICKS_BASE_URL')

client = OpenAI(
  api_key=DATABRICKS_TOKEN,
  base_url=DATABRICKS_BASE_URL
  )

response_format = {
      "type": "json_object",
    }

messages = [
      {
        "role": "user",
        "content": "Extract the name, size, price, and color from this product description as a JSON object:\n<description>\nThe SmartHome Mini is a compact smart home assistant available in black or white for only $49.99. It's 5 inches wide.\n</description>"
      }]

response = client.chat.completions.create(
    model="databricks-meta-llama-3-1-70b-instruct",
    messages=messages,
    response_format=response_format
)

print(json.dumps(response.choices[0].message.model_dump()['content'], indent=2))

JSON 스키마

파운데이션 모델 API는 OpenAI에서 허용하는 구조적 출력을 광범위하게 지원합니다. 그러나 JSON 스키마 정의에 더 간단한 JSON 스키마를 사용하면 고품질 JSON 생성이 발생합니다. 더 높은 품질의 생성을 촉진하기 위해 Foundation Model API는 JSON 스키마 사양의 하위 집합만 지원합니다.

다음 함수 호출 정의 키는 지원되지 않습니다.

pattern을 사용한 정규식.
다음을 사용하는 복합 중첩 또는 스키마 컴퍼지션 및 유효성 검사: anyOf, oneOf, allOf, prefixItems, 또는 $ref.
목록의 한 형식이 유효한 JSON 형식이고 다른 형식이 "null"인 특수한 경우 [type, “null”]를 제외한 형식 목록

토큰 사용량

프롬프트 주입 및 기타 기술은 구조화된 출력의 품질을 향상시키는 데 사용됩니다. 이렇게 하면 모델에서 사용하는 입력 및 출력 토큰의 수에 영향을 미치므로 청구에 영향을 줍니다.

제한 사항

JSON 스키마에 지정된 최대 키 수는 64입니다.
파운데이션 모델 API는 개체 및 배열에 대한 길이 또는 크기 제약 조건을 적용하지 않습니다.
- 여기에는 maxProperties, minProperties 및 maxLength와 같은 키워드가 포함됩니다.
중첩된 JSON 스키마는 품질이 저하됩니다. 가능한 경우 더 나은 결과를 위해 JSON 스키마를 평면화해 봅니다.

다음을 통해 공유