Feinabstimmung großer Sprachmodelle mit Azure Databricks und Azure OpenAI

Mit Azure Databricks können Benutzende nun die Leistungsfähigkeit von LLMs für spezielle Aufgaben nutzen, indem sie diese mit ihren eigenen Daten abstimmen und so die domänenspezifische Leistung verbessern. Um ein Sprachmodell mit Azure Databricks zu optimieren, können Sie die Mosaik AI Model-Training-Schnittstelle verwenden, die den Prozess der vollständigen Modelloptimierung vereinfacht. Mit dieser Funktion können Sie ein Modell mit Ihren benutzerdefinierten Daten feinabstimmen, wobei die Prüfpunkte in MLflow gespeichert werden, sodass Sie die vollständige Kontrolle über das feinabgestimmte Modell behalten.

Dieses Lab dauert ungefähr 60 Minuten.

Vorbereitung

Sie benötigen ein Azure-Abonnement, in dem Sie Administratorzugriff besitzen.

Bereitstellen einer Azure OpenAI-Ressource

Wenn Sie noch keine Azure OpenAI-Ressource haben, stellen Sie eine in Ihrem Azure-Abonnement bereit.

Melden Sie sich beim Azure-Portal unter https://portal.azure.com an.
Erstellen Sie eine Azure OpenAI-Ressource mit den folgenden Einstellungen:
- Abonnement: Wählen Sie ein Azure-Abonnement aus, das für den Zugriff auf den Azure OpenAI-Dienst freigegeben wurde.
- Ressourcengruppe: Wählen Sie eine Ressourcengruppe aus, oder erstellen Sie eine.
- Region: Treffen Sie eine zufällige Auswahl aus einer der folgenden Regionen*
  - USA (Ost) 2
  - USA Nord Mitte
  - Schweden, Mitte
  - Schweiz, Westen
- Name: Wählen Sie einen Namen Ihrer Wahl aus.
- Tarif: Standard S0.

* Azure OpenAI-Ressourcen werden durch regionale Kontingente eingeschränkt. Die aufgeführten Regionen enthalten das Standardkontingent für die in dieser Übung verwendeten Modelltypen. Durch die zufällige Auswahl einer Region wird das Risiko reduziert, dass eine einzelne Region ihr Kontingentlimit in Szenarien erreicht, in denen Sie ein Abonnement für andere Benutzer freigeben. Wenn später in der Übung ein Kontingentlimit erreicht wird, besteht eventuell die Möglichkeit, eine andere Ressource in einer anderen Region zu erstellen.

Warten Sie, bis die Bereitstellung abgeschlossen ist. Wechseln Sie dann zur bereitgestellten Azure OpenAI-Ressource im Azure-Portal.
Wählen Sie im linken Fensterbereich unter Ressourcenverwaltung die Option Tasten und Endpunkt.
Kopieren Sie den Endpunkt und einen der verfügbaren Schlüssel, da Sie ihn später in dieser Übung verwenden werden.
Starten Sie Cloud Shell und führen Sie az account get-access-token aus, um ein temporäres Autorisierungstoken für API-Tests zu erhalten. Notieren Sie dies zusammen mit dem zuvor kopierten Endpunkt und Schlüssel.

Bereitstellen des erforderlichen Modells

Azure bietet ein webbasiertes Portal namens Azure AI Studio, das Sie zur Bereitstellung, Verwaltung und Untersuchung von Modellen verwenden können. Sie beginnen Ihre Erkundung von Azure OpenAI, indem Sie Azure AI Studio verwenden, um ein Modell bereitzustellen.

Hinweis: Während Sie Azure AI Studio verwenden, werden möglicherweise Meldungsfelder mit Vorschlägen für auszuführende Aufgaben angezeigt. Sie können diese schließen und die Schritte in dieser Übung ausführen.

Scrollen Sie im Azure-Portal auf der Seite Übersicht für Ihre Azure OpenAI-Ressource nach unten zum Abschnitt Erste Schritte und klicken Sie auf die Schaltfläche, um zu Azure AI Studio zu gelangen.
Wählen Sie in Azure AI Studio im linken Bereich die Seite “Deployments” aus und sehen Sie sich Ihre vorhandenen Modellbereitstellungen an. Falls noch nicht vorhanden, erstellen Sie eine neue Bereitstellung des gpt-35-turbo-Modells mit den folgenden Einstellungen:
- Bereitstellungsname: gpt-35-turbo-0613
- Modell: gpt-35-turbo
- Modellversion: 0613
- Bereitstellungstyp: Standard
- Ratenlimit für Token pro Minute: 5K*
- Inhaltsfilter: Standard
- Dynamische Quote aktivieren: Deaktiviert

* Ein Ratenlimit von 5.000 Token pro Minute ist mehr als ausreichend, um diese Aufgabe zu erfüllen und gleichzeitig Kapazität für andere Personen zu schaffen, die das gleiche Abonnement nutzen.

Bereitstellen eines Azure Databricks-Arbeitsbereichs

Tipp: Wenn Sie bereits über einen Azure Databricks-Arbeitsbereich verfügen, können Sie dieses Verfahren überspringen und Ihren vorhandenen Arbeitsbereich verwenden.

Melden Sie sich beim Azure-Portal unter https://portal.azure.com an.
Erstellen Sie eine Azure Databricks-Ressource mit den folgenden Einstellungen:
- Abonnement: Wählen Sie das gleiche Azure-Abonnement aus, das Sie zum Erstellen Ihrer Azure OpenAI-Ressource verwendet haben
- Ressourcengruppe: Die gleiche Ressourcengruppe, in der Sie Ihre Azure OpenAI-Ressource erstellt haben
- Region: Die gleiche Region, in der Sie Ihre Azure OpenAI-Ressource erstellt haben
- Name: Wählen Sie einen Namen Ihrer Wahl aus.
- Preisstufe: Premium oder Testversion
Wählen Sie Überprüfen + Erstellen und warten Sie, bis die Bereitstellung abgeschlossen ist. Wechseln Sie dann zur Ressource, und starten Sie den Arbeitsbereich.

Erstellen eines Clusters

Azure Databricks ist eine verteilte Verarbeitungsplattform, die Apache Spark-Cluster verwendet, um Daten parallel auf mehreren Knoten zu verarbeiten. Jeder Cluster besteht aus einem Treiberknoten, um die Arbeit zu koordinieren, und Arbeitsknoten zum Ausführen von Verarbeitungsaufgaben. In dieser Übung erstellen Sie einen Einzelknotencluster , um die in der Lab-Umgebung verwendeten Computeressourcen zu minimieren (in denen Ressourcen möglicherweise eingeschränkt werden). In einer Produktionsumgebung erstellen Sie in der Regel einen Cluster mit mehreren Workerknoten.

Tipp: Wenn Sie bereits über einen Cluster mit einer Runtime 13.3 LTS ML oder einer höheren Runtimeversion in Ihrem Azure Databricks-Arbeitsbereich verfügen, können Sie ihn verwenden, um diese Übung abzuschließen, und dieses Verfahren überspringen.

Navigieren Sie im Azure-Portal zu der Ressourcengruppe, in der der Azure Databricks-Arbeitsbereich erstellt wurde.
Wählen Sie Ihre Azure Databricks Service-Ressource aus.
Verwenden Sie auf der Seite Übersicht für Ihren Arbeitsbereich die Schaltfläche Arbeitsbereich starten, um Ihren Azure Databricks-Arbeitsbereich auf einer neuen Browserregisterkarte zu öffnen. Melden Sie sich an, wenn Sie dazu aufgefordert werden.

Tipp: Während Sie das Databricks-Arbeitsbereichsportal verwenden, werden möglicherweise verschiedene Tipps und Benachrichtigungen angezeigt. Schließen Sie diese, und folgen Sie den Anweisungen, um die Aufgaben in dieser Übung auszuführen.

Wählen Sie zunächst in der Randleiste auf der linken Seite die Aufgabe (+) Neu und dann Cluster aus.
Erstellen Sie auf der Seite Neuer Cluster einen neuen Cluster mit den folgenden Einstellungen:
- Clustername: Cluster des Benutzernamens (der Standardclustername)
- Richtlinie: Unrestricted
- Clustermodus: Einzelknoten
- Zugriffsmodus: Einzelner Benutzer (Ihr Benutzerkonto ist ausgewählt)
- Databricks-Runtimeversion: Wählen Sie die ML-Edition der neuesten Nicht-Betaversion der Runtime aus (Nicht eine Standard-Runtimeversion), die folgende Kriterien erfüllt:
  - Verwendet keine GPU
  - Umfasst Scala > 2.11
  - Umfasst Spark > 3.4
- Photon-Beschleunigung verwenden: Nicht ausgewählt
- Knotentyp: Standard_D4ds_v5
- Beenden nach 20 Minuten Inaktivität
Warten Sie, bis der Cluster erstellt wurde. Es kann ein oder zwei Minuten dauern.

Hinweis: Wenn Ihr Cluster nicht gestartet werden kann, verfügt Ihr Abonnement möglicherweise über ein unzureichendes Kontingent in der Region, in der Ihr Azure Databricks-Arbeitsbereich bereitgestellt wird. Details finden Sie unter Der Grenzwert für CPU-Kerne verhindert die Clustererstellung. In diesem Fall können Sie versuchen, Ihren Arbeitsbereich zu löschen und in einer anderen Region einen neuen zu erstellen.

Installieren der erforderlichen Bibliotheken

Wählen Sie auf der Seite Ihres Clusters die Registerkarte „Bibliotheken“ aus.
Wählen Sie „Neu installieren“ aus.
Wählen Sie PyPI als Bibliotheksquelle aus und installieren Sie die folgenden Python-Pakete:
- numpy==2.1.0
- requests==2.32.3
- openai==1.42.0
- tiktoken==0.7.0

Erstellen eines neuen Notebooks und Erfassen von Daten

Verwenden Sie in der Randleiste den Link ** (+) Neu, um ein **Notebook zu erstellen.
Benennen Sie Ihr Notebook und wählen Sie in der Dropdown-Liste Verbinden Ihren Cluster aus, falls er nicht bereits ausgewählt ist. Wenn der Cluster nicht ausgeführt wird, kann es eine Minute dauern, bis er gestartet wird.

Geben Sie in der ersten Zelle des Notebooks den folgenden Code ein, der mit Shellbefehlen die Datendateien von GitHub in das von Ihrem Cluster verwendete Dateisystem herunterlädt.

 %sh
 rm -r /dbfs/fine_tuning
 mkdir /dbfs/fine_tuning
 wget -O /dbfs/fine_tuning/training_set.jsonl https://github.com/MicrosoftLearning/mslearn-databricks/raw/main/data/training_set.jsonl
 wget -O /dbfs/fine_tuning/validation_set.jsonl https://github.com/MicrosoftLearning/mslearn-databricks/raw/main/data/validation_set.jsonl

Führen Sie in einer neuen Zelle den folgenden Code mit den Zugriffsinformationen aus, die Sie am Anfang dieser Übung kopiert haben, um beständige Umgebungsvariablen für die Authentifizierung bei Verwendung von Azure OpenAI-Ressourcen zuzuweisen:
```
 import os

 os.environ["AZURE_OPENAI_API_KEY"] = "your_openai_api_key"
 os.environ["AZURE_OPENAI_ENDPOINT"] = "your_openai_endpoint"
 os.environ["TEMP_AUTH_TOKEN"] = "your_access_token"
```

Validieren der Tokenanzahl

Sowohl training_set.jsonl als auch validation_set.jsonl bestehen aus verschiedenen Konversationsbeispielen zwischen user und assistant, die als Datenpunkte für das Training und die Validierung des fein abgestimmten Modells dienen. Einzelne Beispiele müssen unter dem Eingabetokenlimit des gpt-35-turbo-Modells von 4.096 Token bleiben.

Führen Sie in einer neuen Zelle den folgenden Code aus, um die Tokenanzahl für jede Datei zu überprüfen:

 import json
 import tiktoken
 import numpy as np
 from collections import defaultdict

 encoding = tiktoken.get_encoding("cl100k_base")

 def num_tokens_from_messages(messages, tokens_per_message=3, tokens_per_name=1):
     num_tokens = 0
     for message in messages:
         num_tokens += tokens_per_message
         for key, value in message.items():
             num_tokens += len(encoding.encode(value))
             if key == "name":
                 num_tokens += tokens_per_name
     num_tokens += 3
     return num_tokens

 def num_assistant_tokens_from_messages(messages):
     num_tokens = 0
     for message in messages:
         if message["role"] == "assistant":
             num_tokens += len(encoding.encode(message["content"]))
     return num_tokens

 def print_distribution(values, name):
     print(f"\n##### Distribution of {name}:")
     print(f"min / max: {min(values)}, {max(values)}")
     print(f"mean / median: {np.mean(values)}, {np.median(values)}")

 files = ['/dbfs/fine_tuning/training_set.jsonl', '/dbfs/fine_tuning/validation_set.jsonl']

 for file in files:
     print(f"File: {file}")
     with open(file, 'r', encoding='utf-8') as f:
         dataset = [json.loads(line) for line in f]

     total_tokens = []
     assistant_tokens = []

     for ex in dataset:
         messages = ex.get("messages", {})
         total_tokens.append(num_tokens_from_messages(messages))
         assistant_tokens.append(num_assistant_tokens_from_messages(messages))

     print_distribution(total_tokens, "total tokens")
     print_distribution(assistant_tokens, "assistant tokens")
     print('*' * 75)

Hochladen von Feinabstimmungsdateien in Azure OpenAI

Bevor Sie mit der Feinabstimmung des Modells beginnen, müssen Sie einen OpenAI-Client initialisieren und die Feinabstimmungsdateien zu seiner Umgebung hinzufügen und Datei-IDs generieren, die zum Initialisieren des Auftrags verwendet werden.

Führen Sie in einer neuen Zelle den folgenden Code aus:

 import os
 from openai import AzureOpenAI

 client = AzureOpenAI(
   azure_endpoint = os.getenv("AZURE_OPENAI_ENDPOINT"),
   api_key = os.getenv("AZURE_OPENAI_API_KEY"),
   api_version = "2024-05-01-preview"  # This API version or later is required to access seed/events/checkpoint features
 )

 training_file_name = '/dbfs/fine_tuning/training_set.jsonl'
 validation_file_name = '/dbfs/fine_tuning/validation_set.jsonl'

 training_response = client.files.create(
     file = open(training_file_name, "rb"), purpose="fine-tune"
 )
 training_file_id = training_response.id

 validation_response = client.files.create(
     file = open(validation_file_name, "rb"), purpose="fine-tune"
 )
 validation_file_id = validation_response.id

 print("Training file ID:", training_file_id)
 print("Validation file ID:", validation_file_id)

Übermitteln des Feinabstimmungsauftrags

Nachdem die Feinabstimmungsdateien erfolgreich hochgeladen wurden, können Sie Ihren Trainingsauftrag für die Optimierung übermitteln. Es ist nicht ungewöhnlich, dass das Training mehr als eine Stunde dauert. Nach Abschluss der Schulung können Sie die Ergebnisse in Azure KI Studio anzeigen, indem Sie im linken Bereich die Option Feinabstimmung auswählen.

Führen Sie in einer neuen Zelle den folgenden Code aus, um den Trainingsauftrag zur Feinabstimmung auszuführen:

 response = client.fine_tuning.jobs.create(
     training_file = training_file_id,
     validation_file = validation_file_id,
     model = "gpt-35-turbo-0613",
     seed = 105 # seed parameter controls reproducibility of the fine-tuning job. If no seed is specified one will be generated automatically.
 )

 job_id = response.id

Der Parameter seed steuert die Reproduzierbarkeit des Feinabstimmungsauftrags. Die Übergabe der gleichen Seed- und Auftragsparameter sollte zu den gleichen Ergebnissen führen, kann aber in seltenen Fällen abweichen. Wenn kein Startwert angegeben ist, wird automatisch einer generiert.

In einer neuen Zelle können Sie den folgenden Code ausführen, um den Status des Feinabstimmungsauftrags zu überwachen:
```
 print("Job ID:", response.id)
 print("Status:", response.status)
```

Sobald sich der Auftragsstatus in succeeded ändert, führen Sie den folgenden Code aus, um die Endergebnisse zu erhalten:

 response = client.fine_tuning.jobs.retrieve(job_id)

 print(response.model_dump_json(indent=2))
 fine_tuned_model = response.fine_tuned_model

Bereitstellen des optimierten Modells

Da Sie nun über ein fein abgestimmtes Modell verfügen, können Sie es als benutzerdefiniertes Modell bereitstellen und wie jedes andere bereitgestellte Modell entweder im Chat-Playground von Azure KI Studio oder über die Chatvervollständigungs-API verwenden.

Führen Sie in einer neuen Zelle den folgenden Code aus, um Ihr fein abgestimmtes Modell bereitzustellen:

 import json
 import requests

 token = os.getenv("TEMP_AUTH_TOKEN")
 subscription = "<YOUR_SUBSCRIPTION_ID>"
 resource_group = "<YOUR_RESOURCE_GROUP_NAME>"
 resource_name = "<YOUR_AZURE_OPENAI_RESOURCE_NAME>"
 model_deployment_name = "gpt-35-turbo-ft"

 deploy_params = {'api-version': "2023-05-01"}
 deploy_headers = {'Authorization': 'Bearer {}'.format(token), 'Content-Type': 'application/json'}

 deploy_data = {
     "sku": {"name": "standard", "capacity": 1},
     "properties": {
         "model": {
             "format": "OpenAI",
             "name": "<YOUR_FINE_TUNED_MODEL>",
             "version": "1"
         }
     }
 }
 deploy_data = json.dumps(deploy_data)

 request_url = f'https://management.azure.com/subscriptions/{subscription}/resourceGroups/{resource_group}/providers/Microsoft.CognitiveServices/accounts/{resource_name}/deployments/{model_deployment_name}'

 print('Creating a new deployment...')

 r = requests.put(request_url, params=deploy_params, headers=deploy_headers, data=deploy_data)

 print(r)
 print(r.reason)
 print(r.json())

Führen Sie in einer neuen Zelle den folgenden Code aus, um Ihr angepasstes Modell in einem Chatvervollständigungs-Aufruf zu verwenden:

 import os
 from openai import AzureOpenAI

 client = AzureOpenAI(
   azure_endpoint = os.getenv("AZURE_OPENAI_ENDPOINT"),
   api_key = os.getenv("AZURE_OPENAI_API_KEY"),
   api_version = "2024-02-01"
 )

 response = client.chat.completions.create(
     model = "gpt-35-turbo-ft", # model = "Custom deployment name you chose for your fine-tuning model"
     messages = [
         {"role": "system", "content": "You are a helpful assistant."},
         {"role": "user", "content": "Does Azure OpenAI support customer managed keys?"},
         {"role": "assistant", "content": "Yes, customer managed keys are supported by Azure OpenAI."},
         {"role": "user", "content": "Do other Azure AI services support this too?"}
     ]
 )

 print(response.choices[0].message.content)

Bereinigung

Wenn Sie mit Ihrer Azure OpenAI-Ressource fertig sind, denken Sie daran, die Bereitstellung oder die gesamte Ressource im Azure-Portal auf https://portal.azure.com zu löschen.

Wählen Sie zunächst im Azure Databricks-Portal auf der Seite Compute Ihren Cluster und dann ■ Beenden aus, um ihn herunterzufahren.

Wenn Sie die Erkundung von Azure Databricks abgeschlossen haben, löschen Sie die erstellten Ressourcen, um unnötige Azure-Kosten zu vermeiden und Kapazität in Ihrem Abonnement freizugeben.