如何实现AI大模型应用服务的多模型管理？

AI大模型学习不迷路

于 2024-07-30 10:57:43 发布

阅读量340

点赞数 5

文章标签：人工智能语言模型自然语言处理 AI大模型大模型 AI 大语言模型

本文链接：https://blog.csdn.net/Z4400840/article/details/140791391

版权

AI大模型框架-多模型管理

一、为什么要做多模型管理？

在LLMs百花齐放的时代，大量的模型涌现出来，不仅仅是大语言模型，还有很多图像生成模型，视频生成模型，甚至是多模态模型，项目中使用的模型也不可能只有一种，更不可能只有一个。很可能是x个LLM_A, y个LLM_B, z个LLM_C这样的复杂组合，在实际业务场景中将会面临大量要解决的问题。

如何实现多个模型调度？
如何实现负载均衡？
如何做推理服务健康管理？
如何快速接入三方模型？
如何实现模型免适配的快速共享？
如何…

大量的应用场景和技术诉求驱使了多模型管理的诞生。

二、架构

2.1 多模型现状

目前较好的私有化大语言模型有Llama系列，ChatGLM系列，Baichuan系列。而对于商用大模型如ChatGPT, Bard, Claude这样的模型，推理成本低于私有化部署的模型并且远优于私有化部署的模型，用户也会通过Proxy的形式轻量级接入。
图像模型目前表现不错的有商用模型Midjourney, 以及开源模型StableDiffusion, 最新的StableDiffusion模型参数近50GB，支持在8GB显卡上推理，CPU推理较慢。
视频模型目前表现较好的有商用模型Gen-2, 其他开源视频模型目前效果都比较差，伴随着多模态模型的高度关注下，也在快速推进，效果在不断变好。

2.2 AI大模型特点

私有化推理服务部署成本高昂，动就需要几十GB的内存和GPU显存，多模型部署基本上都是通过服务API管理，而商用大模型也会通过API的形式接入，所以完全可以基于推理服务API构建多模型管理系统。

2.3 多模型管理架构

三、多模型管理API

代码地址：OperateGPT多模型管理/llms目录

# 启动模型管理服务（也可以将API绑定到自己的应用服务中）
python operategpt/llms/worker_manager.py

# 【如果你已经有模型服务则可选】启动模型服务，需要配置一些相关参数，参考model_config.py文件
python operategpt/llms/llmserver.py

3.1 模型注册：

模型注册需要将API注册到LLM框架服务中进行管理，其中注册的关键参数需要选择性替换，一般只需要替换{USER_PROMPT}

response_extract: 采用a.b[].c的形式表示提取 `response["a"]["b"][0]["c"]`
owner是模型的拥有者
req_url_template 是推理了服务的url模板
model_name是模型名，多个同名的模型将会被负载均衡的调用
body是请求体
注册模型时，需要将模型请求的部分参数修改成以下枚举类的对应值，{USER_PROMPT}是必须映射的，其他可选:
    USER_PROMPT = "{USER_PROMPT}"
    MODEL_TEMPERATURE = "{MODEL_TEMPERATURE}"
    MODEL_NAME = "{MODEL_NAME}"

示例：将一个大模型推理服务注册到模型管理器:

# 注册请求
curl -X POST -H "Content-Type: application/json" -d '{
    "model_name": "proxyllm",
    "body": {
        "input": "{USER_PROMPT}",
        "model_name": "{MODEL_NAME}"
    },
    "req_url_template": "http://127.0.0.1/api/generate",
    "owner": "OperateGPT",
    "response_extract": "data.items[].attributes.answer"
}' http://127.0.0.1:8007/api/server/register

# 返回结果
{
    "success": true,
    "msg": "register LLM proxyllm succeed!"
}

3.2 模型查询

# 查询请求
curl http://127.0.0.1:8007/api/server/workers

# 返回结果

{
    "success": true,
    "data": [
        {"model_name": "chatglm2-6b", "req_url_template": "https://xxx/openapi/xxx/inference/query"}, 
        {"model_name": "proxyllm", "req_url_template": "http://localhost:8008/generate"}
    ]
}

3.3 模型下线

# 发起下线请求
curl -X POST -H "Content-Type: application/json" -d '{
    "model_name": "chatglm2-6b",
    "req_url_template": "https://xxx/openapi/xxx/inference/query"
}' http://127.0.0.1:8007/api/server/offline

# 返回结果
{
    "success": true,
    "msg": "remove llm worker(model_name=chatglm2-6b, url=https://xxx/openapi/xxx/inference/query) succeed!"
}

3.4 模型推理

# 模型请求1
curl -X POST -H "Content-Type: application/json" -d '{
    "input": "who are you?",
    "model_name": "chatglm2-6b"
}' http://127.0.0.1:8007/api/v1/chat/completions

# 返回数据1
{
    "success": true,
    "msg": "execute succeed",
    "result": "Hey there! My name is Noxix, and I am an AI chatbot designed to have conversations with users like you. How can I assist you today?"
}



# 模型请求2
curl -X POST -H "Content-Type: application/json" -d '{
    "input": "who are you?",
    "model_name": "proxyllm"
}' http://127.0.0.1:8007/api/v1/chat/completions

# 返回数据2
{
    "success": true,
    "msg": "execute succeed",
    "result": "I am an AI language model developed by OpenAI. I am programmed to provide information and assist with various tasks. How can I help you today?"
}

四、代码详细地址

OperateGPT多模型管理/llms目录

如何学习AI大模型？

我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。

我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

在这里插入图片描述

第一阶段：从大模型系统设计入手，讲解大模型的主要方法；

第二阶段：在通过大模型提示词工程从Prompts角度入手更好发挥模型的作用；

第三阶段：大模型平台应用开发借助阿里云PAI平台构建电商领域虚拟试衣系统；

第四阶段：大模型知识库应用开发以LangChain框架为例，构建物流行业咨询智能问答系统；

第五阶段：大模型微调开发借助以大健康、新零售、新媒体领域构建适合当前领域大模型；

第六阶段：以SD多模态大模型为主，搭建了文生图小程序案例；

第七阶段：以大模型平台应用与开发为主，通过星火大模型，文心大模型等成熟大模型构建大模型行业应用。

在这里插入图片描述

👉学会后的收获：👈
• 基于大模型全栈工程实现（前端、后端、产品经理、设计、数据分析等），通过这门课可获得不同能力；

• 能够利用大模型解决相关实际项目需求：大数据时代，越来越多的企业和机构需要处理海量数据，利用大模型技术可以更好地处理这些数据，提高数据分析和决策的准确性。因此，掌握大模型应用开发技能，可以让程序员更好地应对实际项目需求；

• 基于大模型和企业数据AI应用开发，实现大模型理论、掌握GPU算力、硬件、LangChain开发框架和项目实战技能，学会Fine-tuning垂直训练大模型（数据准备、数据蒸馏、大模型部署）一站式掌握；

• 能够完成时下热门大模型垂直领域模型训练能力，提高程序员的编码能力：大模型应用开发需要掌握机器学习算法、深度学习框架等技术，这些技术的掌握可以提高程序员的编码能力和分析能力，让程序员更加熟练地编写高质量的代码。

在这里插入图片描述

1.AI大模型学习路线图
2.100套AI大模型商业化落地方案
3.100集大模型视频教程
4.200本大模型PDF书籍
5.LLM面试题合集
6.AI产品经理资源合集

👉获取方式：
😝有需要的小伙伴，可以保存图片到wx扫描二v码免费领取【保证100%免费】🆓

AI大模型学习不迷路

关注

5
点赞
踩
11

收藏

觉得还不错? 一键收藏
0
评论
如何实现AI大模型应用服务的多模型管理？

在LLMs百花齐放的时代，大量的模型涌现出来，不仅仅是大语言模型，还有很多图像生成模型，视频生成模型，甚至是多模态模型，项目中使用的模型也不可能只有一种，更不可能只有一个。• 基于大模型和企业数据AI应用开发，实现大模型理论、掌握GPU算力、硬件、LangChain开发框架和项目实战技能，学会Fine-tuning垂直训练大模型（数据准备、数据蒸馏、大模型部署）一站式掌握；第七阶段：以大模型平台应用与开发为主，通过星火大模型，文心大模型等成熟大模型构建大模型行业应用。帮助很多人得到了学习和成长。
复制链接

扫一扫