Skala Azure OpenAI för Python med Azure API Management

Artikel
05/16/2024

Lär dig hur du lägger till belastningsutjämning i företagsklass i ditt program för att utöka chattappen utöver gränserna för Azure OpenAI-token och modellkvoter. Den här metoden använder Azure API Management för att intelligent dirigera trafik mellan tre Azure OpenAI-resurser.

Den här artikeln kräver att du distribuerar två separata exempel:

Chattapp
- Om du inte har distribuerat chattappen ännu väntar du tills lastbalanserarens exempel har distribuerats.
- Om du redan har distribuerat chattappen en gång ändrar du miljövariabeln så att den stöder en anpassad slutpunkt för lastbalanseraren och distribuerar om den igen.
Lastbalanserare med Azure API Management

Kommentar

Den här artikeln använder en eller flera AI-appmallar som grund för exemplen och vägledningen i artikeln. Med AI-appmallar får du väl underhållna och enkla att distribuera referensimplementeringar som hjälper dig att säkerställa en högkvalitativ startpunkt för dina AI-appar.

Arkitektur för belastningsutjämning av Azure OpenAI med Azure API Management

Eftersom Azure OpenAI-resursen har specifika token- och modellkvotgränser är en chattapp med en enda Azure OpenAI-resurs benägen att få konversationsfel på grund av dessa gränser.

Diagram som visar chattappens arkitektur med Azure OpenAI-resursen markerad.

Om du vill använda chattappen utan att nå dessa gränser använder du en belastningsutjämningslösning med Azure API Management. Den här lösningen exponerar sömlöst en enskild slutpunkt från Azure API Management för din chattappserver.

Diagram som visar chattapparkitektur med Azure API Management framför tre Azure OpenAI-resurser.

Azure API Management-resursen, som ett API-lager, finns framför en uppsättning Azure OpenAI-resurser. API-lagret gäller för två scenarier: normal och begränsad. I ett normalt scenario där token- och modellkvoten är tillgänglig returnerar Azure OpenAI-resursen 200 tillbaka via API-lagret och serverdelsappservern.

Diagram som visar ett normalt scenario. Det normala scenariot visar tre Azure OpenAI-slutpunktsgrupper där den första gruppen med två slutpunkter får lyckad trafik.

När en resurs begränsas på grund av kvotgränser kan API-lagret försöka igen med en annan Azure OpenAI-resurs omedelbart för att uppfylla den ursprungliga chattappens begäran.

Diagram som visar ett begränsningsscenario med en 429-felande svarskod och ett svarshuvud för hur många sekunder klienten måste vänta på att försöka igen.

Förutsättningar

En Azure-prenumeration. Skapa en kostnadsfritt
Åtkomst beviljad till Azure OpenAI i den önskade Azure-prenumerationen.

För närvarande måste man ansöka om att få åtkomst till den här tjänsten. Du kan ansöka om åtkomst till Azure OpenAI genom att fylla i formuläret på https://aka.ms/oai/access.
Dev-containrar är tillgängliga för båda exemplen, med alla beroenden som krävs för att slutföra den här artikeln. Du kan köra dev-containrarna i GitHub Codespaces (i en webbläsare) eller lokalt med hjälp av Visual Studio Code.
- Kodområden (rekommenderas)
- Visual Studio Code
- Endast ett GitHub-konto krävs för att använda Codespaces
- Docker Desktop – starta Docker Desktop om det inte redan körs
- Visual Studio Code
- Dev Container-tillägg

Öppna exempelappen azure API Management local balancer

Kodområden (rekommenderas)
Visual Studio Code

GitHub Codespaces kör en utvecklingscontainer som hanteras av GitHub med Visual Studio Code för webben som användargränssnitt. För den enklaste utvecklingsmiljön använder du GitHub Codespaces så att du har rätt utvecklarverktyg och beroenden förinstallerade för att slutföra den här artikeln.

Viktigt!

Alla GitHub-konton kan använda Codespaces i upp till 60 timmar kostnadsfritt varje månad med 2 kärninstanser. Mer information finns i GitHub Codespaces månadsvis inkluderade lagrings- och kärntimmar.

Distribuera Lastbalanserare för Azure API Management

Om du vill distribuera lastbalanseraren till Azure loggar du in på Azure Developer CLI (AZD).
```
azd auth login
```
Slutför inloggningsinstruktionerna.
Distribuera lastbalanserarens app.
```
azd up
```
Du måste välja en prenumeration och region för distributionen. Dessa behöver inte vara samma prenumeration och region som chattappen.
Vänta tills distributionen är klar innan du fortsätter. Det kan ta upp till 30 minuter.

Hämta lastbalanserarens slutpunkt

Kör följande bash-kommando för att se miljövariablerna från distributionen. Du behöver den här informationen senare.

azd env get-values | grep APIM_GATEWAY_URL

Distribuera om chattappen med lastbalanserarens slutpunkt

Dessa slutförs i chattappexemplet.

Inledande distribution
Omfördelning

Öppna chattappexemplets utvecklingscontainer med något av följande alternativ.

Språk Codespaces Visual Studio-koden

.NET

JavaScript

Python
Logga in på Azure Developer CLI (AZD).
```
azd auth login
```
Slutför inloggningsinstruktionerna.
Skapa en AZD-miljö med ett namn som chat-app.
```
azd env new <name>
```
Lägg till följande miljövariabel, som instruerar chattappens serverdel att använda en anpassad URL för OpenAI-begäranden.
```
azd env set OPENAI_HOST azure_custom
```
Lägg till följande miljövariabel, som talar om för chattappens serverdel vad värdet är för den anpassade URL:en för OpenAI-begäran.
```
azd env set AZURE_OPENAI_CUSTOM_URL <APIM_GATEWAY_URL>
```
Distribuera chattappen.
```
azd up
```

Öppna chattappexemplets utvecklingscontainer igen med något av följande alternativ.

Språk Codespaces Visual Studio-koden

.NET

JavaScript

Python
Lägg till följande miljövariabel, som instruerar chattappens serverdel att använda en anpassad URL för OpenAI-begäranden.
```
azd env set OPENAI_HOST azure_custom
```
Lägg till följande miljövariabel, som talar om för chattappens serverdel vad värdet är för den anpassade URL:en för OpenAI-begäran.
```
azd env set set AZURE_OPENAI_CUSTOM_URL <APIM_GATEWAY_URL>
```
Distribuera chattappen.
```
azd up
```
Vänta tills processen är klar innan du fortsätter.

Konfigurera token per minutkvot (TPM)

Som standard distribueras var och en av OpenAI-instanserna i lastbalanseraren med en kapacitet på 30 000 TPM (token per minut). Du kan använda chattappen med förtroende för att den är skapad för att skala över många användare utan att kvoten tar slut. Ändra det här värdet när:

Du får distributionskapacitetsfel: sänk det värdet.
Planera högre kapacitet, öka värdet.

Använd följande kommando för att ändra värdet.
```
azd env set OPENAI_CAPACITY 50
```
Distribuera om lastbalanseraren.
```
azd up
```

Rensa resurser

När du är klar med både chattappen och lastbalanseraren rensar du resurserna. De Azure-resurser som skapas i den här artikeln faktureras till din Azure-prenumeration. Om du inte förväntar dig att behöva dessa resurser i framtiden tar du bort dem för att undvika att debiteras mer.

Rensa chattappresurser

Gå tillbaka till chattappartikeln för att rensa resurserna.

Rensa lastbalanseringsresurser

Kör följande Azure Developer CLI-kommando för att ta bort Azure-resurserna och ta bort källkoden:

azd down --purge --force

Växlarna tillhandahåller:

purge: Borttagna resurser rensas omedelbart. På så sätt kan du återanvända Azure OpenAI TPM.
force: Borttagningen sker tyst, utan att användarens medgivande krävs.

Om du tar bort GitHub Codespaces-miljön kan du maximera mängden kostnadsfria timmar per kärna som du får för ditt konto.

Viktigt!

Mer information om ditt GitHub-kontos rättigheter finns i GitHub Codespaces månadsvis inkluderade lagrings- och kärntimmar.

Logga in på GitHub Codespaces-instrumentpanelen (https://github.com/codespaces).
Leta upp de codespaces som körs från azure-samples/openai-apim-lb GitHub-lagringsplatsen.
Öppna snabbmenyn för objektet Codespaces och välj sedan Ta bort.

Få hjälp

Om du har problem med att distribuera Azure API Management-lastbalanseraren loggar du problemet till lagringsplatsens problem.

Exempelkod

Exempel som används i den här artikeln är:

Gå vidare

Visa diagnostikdata för Azure API Management i Azure Monitor
Använda Azure Load Testing för att läsa in test av chattappen med

Dela via