Implementação de um sistema RAG multimodal utilizando vLLM e Milvus

Nov 13, 20248 min read

Imagine que passou meses a afinar a sua aplicação de IA em torno de um [LLM] específico (https://zilliz.com/glossary/large-language-models-(llms)) através de um fornecedor de API. Então, do nada, recebe um e-mail: "Estamos a descontinuar o modelo que está a utilizar em favor da nossa nova versão". Parece familiar? Embora os provedores de API em nuvem ofereçam a conveniência de recursos de IA poderosos e prontos para uso, confiar apenas neles também apresenta vários riscos significativos:

  • Falta de controlo: Não tem controlo sobre as versões ou actualizações dos modelos.
  • Imprevisibilidade**: Pode deparar-se com alterações súbitas no comportamento ou nas capacidades do modelo.
  • Visão limitada**: A visibilidade do desempenho e dos padrões de utilização é frequentemente limitada.
  • Preocupações com a privacidade**: A privacidade dos dados pode ser uma questão crítica, especialmente quando se lida com informações sensíveis.

Então, qual é a solução? Como é que pode recuperar o controlo? Como pode mitigar estes riscos enquanto melhora as capacidades do seu sistema? A resposta está na construção de um sistema mais robusto e independente utilizando soluções de código aberto.

Este blogue irá guiá-lo na criação de um Multimodal RAG com Milvus e vLLM. Tirando partido do poder de uma base de dados vetorial combinada com inferência LLM de código aberto, pode conceber um sistema capaz de processar e compreender vários tipos de dados - texto, imagens, áudio e até vídeos. Esta abordagem não só lhe dá o controlo total da tecnologia, como também garante um sistema que é simultaneamente poderoso e versátil, ultrapassando as soluções tradicionais baseadas em texto.

O que vamos construir: um RAG multimodal totalmente sob o seu controlo

Vamos construir um sistema Multimodal RAG usando Milvus e vLLM, ilustrando como pode auto-hospedar o seu LLM e ganhar controlo total sobre as suas aplicações de IA. O nosso tutorial irá guiá-lo através da criação de uma aplicação Streamlit que demonstra o poder da integração de vários tipos de dados. Veja o que abordaremos:

  1. Processar a entrada de vídeo extraindo fotogramas e transcrevendo o áudio

  2. Armazenar e indexar eficientemente dados multimodais utilizando Milvus

    1. Utilizamos o OpenAI CLIP para codificar as imagens em embeddings que podem depois ser pesquisados com o Milvus
    2. Usamos o modelo Mistral Embedding para codificar o texto em embeddings.
  3. Recuperar o contexto relevante com base nas consultas do utilizador utilizando o Milvus

  4. Gerar respostas utilizando o Pixtral em execução com o vLLM, tirando partido da compreensão visual e textual

No final deste tutorial, terá desenvolvido um sistema flexível e escalável totalmente sob o seu controlo - sem ter de se preocupar mais com as depreciações da API ou alterações inesperadas.

O que é Milvus?

Milvus é um banco de dados vetorial de código aberto, de alto desempenho e altamente escalável que pode armazenar, indexar e pesquisar dados não estruturados em escala de bilhões por meio de vetor embeddings de alta dimensão. É perfeita para criar aplicações modernas de IA, como a geração aumentada de recuperação (RAG), a pesquisa semântica, a pesquisa multimodal e os sistemas de recomendação. O Milvus funciona eficientemente em vários ambientes, desde computadores portáteis a sistemas distribuídos em grande escala.

O que é vLLM?

A ideia central do vLLM (Virtual Large Language Model) é otimizar o serviço e a execução de LLMs através da utilização de técnicas eficientes de gestão de memória. Aqui estão os principais aspectos:

  • Gerenciamento de memória otimizado: O vLLM implementa técnicas avançadas de alocação e gerenciamento de memória para aproveitar ao máximo os recursos de hardware disponíveis. Essa otimização ajuda a executar grandes modelos de linguagem com eficiência, evitando gargalos de memória que podem prejudicar o desempenho.
  • Lote dinâmico**: O vLLM adapta os tamanhos e as seqüências dos lotes com base na memória e nos recursos de computação do hardware subjacente. Esse ajuste dinâmico aumenta o rendimento do processamento e minimiza a latência durante a inferência do modelo.
  • Projeto modular**: A arquitetura do vLLM é modular, facilitando a integração direta com vários aceleradores de hardware. Essa modularidade também permite o escalonamento fácil em vários dispositivos ou clusters, tornando-o altamente adaptável a diferentes cenários de implantação.
  • Utilização eficiente de recursos**: o vLLM otimiza o uso de recursos críticos, como CPUs, GPUs e memória. Essa eficiência permite que o sistema ofereça suporte a modelos maiores e lide com um número maior de solicitações simultâneas, o que é essencial em ambientes de produção em que tanto a escalabilidade quanto o desempenho são fundamentais.
  • Integração perfeita**: Concebido para se integrar sem problemas com as estruturas e bibliotecas de aprendizagem automática existentes, o vLLM fornece uma interface fácil de utilizar. Isso garante que os desenvolvedores possam implantar e gerenciar facilmente grandes modelos de linguagem em uma variedade de aplicativos sem reconfiguração extensiva.

Componentes principais do nosso RAG multimodal

A aplicação RAG multimodal que estamos a construir é composta pelos seguintes componentes principais:

  • vLLM é a biblioteca de inferência que utilizaremos para a inferência e o fornecimento do modelo multimodal Pixtral.
  • Koyeb fornece a camada de infraestrutura para nossa implantação, oferecendo uma plataforma sem servidor especializada para cargas de trabalho de IA. Com integração vLLM nativa e gerenciamento automatizado de recursos de GPU, facilita a implantação do LLM, mantendo o desempenho e a escalabilidade de nível de produção.
  • Pixtral da Mistral AI actua como o nosso cérebro multimodal, combinando um codificador de visão de 400M parâmetros com um descodificador multimodal de 12B parâmetros. Esta arquitetura permite-lhe processar imagens e texto na mesma [janela de contexto] (https://zilliz.com/glossary/context-window).
  • O Milvus fornece a base de armazenamento de vectores, gerindo eficazmente os embeddings de diferentes modalidades. A sua capacidade para lidar com vários tipos de vectores e realizar rapidamente pesquisa de semelhanças torna-o perfeito para aplicações multimodais.

Figura - A arquitetura multimodal do RAG.png Figura - A arquitetura multimodal do RAG.png

Figura: A arquitetura multimodal das RAG

Introdução

Primeiro, vamos instalar as nossas dependências:

# Pacotes principais do LlamaIndex
pip install -U llama-index-vetor-stores-milvus llama-index-multi-modal-llms-mistralai llama-index-embeddings-mistralai llama-index-multi-modal-llms-openai llama-index-embeddings-clip llama_index

# Processamento de vídeo e áudio
pip install moviepy pytube pydub SpeechRecognition openai-whisper ffmpeg-python soundfile

# Processamento e visualização de imagens
pip install torch torchvision matplotlib scikit-image git+https://github.com/openai/CLIP.git

# Utilitários e infra-estruturas
pip install pymilvus streamlit ftfy regex tqdm

Configurando o ambiente

Vamos começar configurando nosso ambiente e importando as bibliotecas necessárias:

import os
import base64
import json
from pathlib import Path
from dotenv import load_dotenv
from llama_index.core import Settings
from llama_index.embeddings.mistralai import MistralAIEmbedding

# Carregar variáveis de ambiente
load_dotenv()

# Configurar o modelo padrão de embedding
Settings.embed_model = MistralAIEmbedding(
    "mistral-embed",
    api_key=os.getenv("MISTRAL_API_KEY")
)

Pipeline de processamento de vídeo

O coração do nosso sistema é o pipeline de processamento de vídeo, que transforma o conteúdo bruto de vídeo em dados que o nosso sistema RAG pode compreender e processar de forma eficiente.

def process_video(video_path: str, output_folder: str, output_audio_path: str) -> dict:
    # Cria o diretório de saída se ele não existir
    Path(pasta_de_saída).mkdir(parents=True, exist_ok=True)
    
    # Extrair fotogramas do vídeo
    video_to_images(video_path, output_folder)
    
    # Extrair e transcrever o áudio
    video_to_audio(video_path, output_audio_path)
    dados_de_texto = audio_to_text(output_audio_path)
    
    # Guardar a transcrição
    com open(os.path.join(pasta_de_saída, "texto_de_saída.txt"), "w") as file:
        file.write(text_data)
    
    os.remove(output_audio_path)
    return {"Autor": "Exemplo de Autor", "Título": "Exemplo de título", "Visualizações": "1000000"}

Esse pipeline divide os vídeos em:

  • Quadros de imagem (extraídos a 0,2 FPS)
  • Transcrição de áudio usando o Whisper
  • Metadados sobre o vídeo

Construir o índice vetorial

Usamos o Milvus para armazenar nossos embeddings multimodais. Aqui está como criamos nosso índice:

def create_index(pasta_de_saída: str):
    # Criar colecções diferentes para texto e imagens
    text_store = MilvusVectorStore(
        uri="milvus_local.db",
        nome_da_colecção="colecção_de_texto",
        overwrite=True,
        dim=1024
    )
    
    image_store = MilvusVectorStore(
        uri="milvus_local.db",
        nome_da_colecção="colecção_de_imagens",
        overwrite=True,
        dim=512
    )
    
    storage_context = StorageContext.from_defaults(
        vector_store=text_store,
        image_store=image_store
    )
    
    # Carregar e indexar documentos
    documents = SimpleDirectoryReader(output_folder).load_data()
    return MultiModalVectorStoreIndex.from_documents(
        documentos,
        storage_context=storage_context
    )

Processamento de consulta com Pixtral

Quando um utilizador faz uma pergunta, precisamos de:

  1. Recuperar o contexto relevante da nossa loja de vectores
  2. Processar a consulta com o Pixtral usando texto e imagens

Aqui está a nossa função de processamento de consultas:

def process_query_with_image(query_str, context_str, metadata_str, image_document):
    client = OpenAI(
        base_url=os.getenv("KOYEB_ENDPOINT"),
        api_key=os.getenv("KOYEB_TOKEN")
    )
    
    com open(image_document.image_path, "rb") as image_file:
        image_base64 = base64.b64encode(image_file.read()).decode("utf-8")
    
    qa_tmpl_str = """
    Com base nas informações fornecidas, incluindo imagens relevantes e contexto recuperado
    do vídeo, responder com exatidão e precisão à consulta sem qualquer
    conhecimento prévio adicional.
    ---------------------
    Contexto: {context_str}
    Metadados: {metadata_str}
    ---------------------
    Consulta: {query_str}
    Resposta: """
    
    # Preparar as mensagens para o Pixtral
    mensagens = [
        {
            "role": "utilizador",
            "content": [
                {
                    "tipo": "text",
                    "texto": qa_tmpl_str.format(
                        context_str=context_str,
                        query_str=query_str,
                        metadata_str=metadata_str
                    )
                },
                {
                    "type": "image_url",
                    "image_url": {
                        "url": f "data:image/jpeg;base64,{image_base64}"
                    }
                },
            ],
        }
    ]
    
    conclusão = client.chat.completions.create(
        model="mistralai/Pixtral-12B-2409",
        messages=messages,
        max_tokens=300
    )
    return completion.choices[0].message.content

Construindo a interface do Streamlit

Finalmente, criamos uma interface amigável com o Streamlit:

def main():
    st.title("RAG MultiModal com Pixtral & Milvus")
    
    # Inicializar o estado da sessão
    if 'index' not in st.session_state:
        st.session_state.index = None
        st.session_state.retriever_engine = None
        st.session_state.metadata = None
    
    # Entrada de vídeo
    video_path = st.text_input("Introduza o caminho do vídeo:")
    
    if video_path and not st.session_state.index:
        with st.spinner("Processing video..."):
            # Processa o vídeo e cria um índice
            [... código de processamento ...]
    
    if st.session_state.index:
        st.subheader("Conversar com o vídeo")
        consulta = st.text_input("Fazer uma pergunta sobre o vídeo:")
        
        if consulta:
            com st.spinner("Gerando resposta..."):
                # Gerar e apresentar a resposta
                [... código de processamento da pergunta ...]

se __name__ == "__main__":
    main()

Executando a aplicação

Antes de iniciar a aplicação, certifique-se de que tem:

  1. Configurado suas variáveis de ambiente em .env
  2. Instalou todas as dependências necessárias

Em seguida, inicie o aplicativo:

streamlit run app.py

Verá a página inicial onde pode:

  • Carregar vídeos para processamento
  • Fazer perguntas sobre o conteúdo do vídeo
  • Ler as respostas de Pixtral com os quadros de vídeo pertinentes

Figura - A interface da sua aplicação RAG multimodal construída com Milvus e Pixtral.png Figura - A interface da sua aplicação RAG multimodal construída com Milvus e Pixtral.png

Figura: A interface da sua aplicação RAG multimodal criada com Milvus e Pixtral

A partir de agora, pode interagir com o vídeo e, por exemplo, aprender mais sobre a distribuição Gaussiana.

Figura - Realização da pesquisa multimodal.png Figura - Realização da pesquisa multimodal.png

Figura: Realização da pesquisa multimodal

Conclusão

Nesta postagem do blog, demonstramos como construir um poderoso sistema RAG multimodal usando Milvus, Pixtral e vLLM. Através da combinação das capacidades eficientes de armazenamento vetorial do Milvus e da compreensão multimodal avançada do Pixtral, criámos um sistema que pode processar, compreender e responder a consultas sobre conteúdos de vídeo. E este sistema está totalmente sob o seu controlo.

Gostaríamos de ouvir a sua opinião!

Se gostou deste post, por favor considere:

Atualizado em Apr 24, 2026