Запрос внешней модели с помощью ai_query
Важный
Эта функция находится в общедоступной предварительной версии. Чтобы запросить конечные точки, которые служат внешним моделям, включите AI_Query для кастомных моделей и внешних моделей в пользовательском интерфейсе Databricks Previews.
В этой статье показано, как настроить и выполнить запрос к внешней конечной точке модели с помощью встроенной функции Databricks SQL ai_query()
. В этом примере используется поддержка внешних моделей в Службе модели ИИ Для мозаики для запроса gpt-4
, предоставленного OpenAI, и выполнения задач чата. Дополнительные сведения об этой функции ИИ см . в разделе "Функции ИИ" в Azure Databricks .
Требования
- Ознакомьтесь с требованиями ai_query функции SQL.
- Ключ API OpenAI.
- Сохраните ключ в секрете Databricks. В этом примере ключ API хранится в области
my-external-model
и секретеopenai
.
Создание конечной точки внешней модели
В следующем примере создается внешняя конечная точка обслуживания модели, которая обслуживает OpenAI gpt-4
для задачи чата.
Сведения о создании личного маркера доступа см. в разделе "Проверка подлинности для автоматизации Databricks".
import requests
import json
personal_access_token = "your-personal-access-token"
headers = {
"Authorization": "Bearer " + personal_access_token,
}
host = "https://oregon.cloud.databricks.com/"
url = host + "api/2.0/serving-endpoints"
data = {
"name": "my-external-openai-chat",
"config": {
"served_entities": [
{
"name": "my_entity",
"external_model": {
"name": "gpt-4",
"provider": "openai",
"openai_config": {
"openai_api_key": "{{secrets/my-external-model/openai}}",
},
"task": "llm/v1/chat",
},
}
],
},
}
response = requests.post(url, headers=headers, json=data)
print("Status Code", response.status_code)
print("JSON Response ", json.dumps(json.loads(response.text), indent=4))
Запрос внешней модели с помощью ai_query()
В редакторе sql-запросов Databricks можно написать SQL-запросы для запроса внешней конечной точки обслуживания модели.
Примеры запросов:
SELECT ai_query(
"my-external-openai-chat",
"What is a large language model?"
)
SELECT question, ai_query(
"my-external-openai-chat",
"You are a customer service agent. Answer the customer's question in 100 words: " || question
) AS answer
FROM
uc_catalog.schema.customer_questions
SELECT
sku_id,
product_name,
ai_query(
"my-external-openai-chat",
"You are a marketing expert for a winter holiday promotion targeting GenZ. Generate a promotional text in 30 words mentioning a 50% discount for product: " || product_name
)
FROM
uc_catalog.schema.retail_products
WHERE
inventory > 2 * forecasted_sales