Inspección de datos de telemetría con Application Insights

• Una implementación de finalización de chat de Azure OpenAI.
• Una instancia de Application Insights. Siga las instrucciones que se indican aquí para crear un recurso si no tiene uno. Copie el cadena de conexión para su uso posterior.
• El SDK de .Net más reciente para el sistema operativo.

• Una implementación de finalización de chat de Azure OpenAI.
• Una instancia de Application Insights. Siga las instrucciones que se indican aquí para crear un recurso si no tiene uno. Copie el cadena de conexión para su uso posterior.
• Python 3.10, 3.11 o 3.12 instalado en el equipo.

Creación de una nueva aplicación de consola

En un terminal, ejecute el siguiente comando para crear una nueva aplicación de consola en C#:

dotnet new console -n TelemetryApplicationInsightsQuickstart

Vaya al directorio del proyecto recién creado una vez completado el comando.

Instalación de los paquetes requeridos

• Kernel semántico

  dotnet add package Microsoft.SemanticKernel
  

• Exportador de consola de OpenTelemetry

  dotnet add package Azure.Monitor.OpenTelemetry.Exporter
  

Creación de una aplicación sencilla con kernel semántico

En el directorio del proyecto, abra el Program.cs archivo con su editor favorito. Vamos a crear una aplicación sencilla que use kernel semántico para enviar un mensaje a un modelo de finalización de chat. Reemplace el contenido existente por el código siguiente y rellene los valores necesarios para deploymentName, endpointy apiKey:

using Azure.Monitor.OpenTelemetry.Exporter;

using Microsoft.Extensions.DependencyInjection;
using Microsoft.Extensions.Logging;
using Microsoft.SemanticKernel;
using OpenTelemetry;
using OpenTelemetry.Logs;
using OpenTelemetry.Metrics;
using OpenTelemetry.Resources;
using OpenTelemetry.Trace;

namespace TelemetryApplicationInsightsQuickstart
{
    class Program
    {
        static async Task Main(string[] args)
        {
            // Telemetry setup code goes here

            IKernelBuilder builder = Kernel.CreateBuilder();
            // builder.Services.AddSingleton(loggerFactory);
            builder.AddAzureOpenAIChatCompletion(
                deploymentName: "your-deployment-name",
                endpoint: "your-azure-openai-endpoint",
                apiKey: "your-azure-openai-api-key"
            );

            Kernel kernel = builder.Build();

            var answer = await kernel.InvokePromptAsync(
                "Why is the sky blue in one sentence?"
            );

            Console.WriteLine(answer);
        }
    }
}

Adición de telemetría

Si ejecuta la aplicación de consola ahora, debería esperar ver una frase que explique por qué el cielo es azul. Para observar el kernel mediante telemetría, reemplace el // Telemetry setup code goes here comentario por el código siguiente:

// Replace the connection string with your Application Insights connection string
var connectionString = "your-application-insights-connection-string";

var resourceBuilder = ResourceBuilder
    .CreateDefault()
    .AddService("TelemetryApplicationInsightsQuickstart");

// Enable model diagnostics with sensitive data.
AppContext.SetSwitch("Microsoft.SemanticKernel.Experimental.GenAI.EnableOTelDiagnosticsSensitive", true);

using var traceProvider = Sdk.CreateTracerProviderBuilder()
    .SetResourceBuilder(resourceBuilder)
    .AddSource("Microsoft.SemanticKernel*")
    .AddAzureMonitorTraceExporter(options => options.ConnectionString = connectionString)
    .Build();

using var meterProvider = Sdk.CreateMeterProviderBuilder()
    .SetResourceBuilder(resourceBuilder)
    .AddMeter("Microsoft.SemanticKernel*")
    .AddAzureMonitorMetricExporter(options => options.ConnectionString = connectionString)
    .Build();

using var loggerFactory = LoggerFactory.Create(builder =>
{
    // Add OpenTelemetry as a logging provider
    builder.AddOpenTelemetry(options =>
    {
        options.SetResourceBuilder(resourceBuilder);
        options.AddAzureMonitorLogExporter(options => options.ConnectionString = connectionString);
        // Format log messages. This is default to false.
        options.IncludeFormattedMessage = true;
        options.IncludeScopes = true;
    });
    builder.SetMinimumLevel(LogLevel.Information);
});

Por último, quite la marca de comentario de la línea // builder.Services.AddSingleton(loggerFactory); para agregar el generador del registrador al generador.

Consulte este artículo para obtener más información sobre el código de configuración de telemetría. La única diferencia aquí es que estamos usando AddAzureMonitor[Trace|Metric|Log]Exporter para exportar datos de telemetría a Application Insights.

Creación de un nuevo entorno virtual de Python

python -m venv telemetry-application-insights-quickstart

Active el entorno virtual.

telemetry-application-insights-quickstart\Scripts\activate

Instalación de los paquetes requeridos

pip install semantic-kernel azure-monitor-opentelemetry-exporter

Creación de un script de Python sencillo con kernel semántico

Cree un nuevo script de Python y ábralo con su editor favorito.

New-Item -Path telemetry_application_insights_quickstart.py -ItemType file

touch telemetry_application_insights_quickstart.py

Vamos a crear un script de Python sencillo que use kernel semántico para enviar un mensaje a un modelo de finalización de chat. Reemplace el contenido existente por el código siguiente y rellene los valores necesarios para deployment_name, endpointy api_key:

import asyncio
import logging

from azure.monitor.opentelemetry.exporter import (
    AzureMonitorLogExporter,
    AzureMonitorMetricExporter,
    AzureMonitorTraceExporter,
)

from opentelemetry._logs import set_logger_provider
from opentelemetry.metrics import set_meter_provider
from opentelemetry.sdk._logs import LoggerProvider, LoggingHandler
from opentelemetry.sdk._logs.export import BatchLogRecordProcessor
from opentelemetry.sdk.metrics import MeterProvider
from opentelemetry.sdk.metrics.export import PeriodicExportingMetricReader
from opentelemetry.sdk.metrics.view import DropAggregation, View
from opentelemetry.sdk.resources import Resource
from opentelemetry.sdk.trace import TracerProvider
from opentelemetry.sdk.trace.export import BatchSpanProcessor
from opentelemetry.semconv.resource import ResourceAttributes
from opentelemetry.trace import set_tracer_provider

from semantic_kernel import Kernel
from semantic_kernel.connectors.ai.open_ai import AzureChatCompletion


# Telemetry setup code goes here

async def main():
    # Create a kernel and add a service
    kernel = Kernel()
    kernel.add_service(AzureChatCompletion(
        api_key="your-azure-openai-api-key",
        endpoint="your-azure-openai-endpoint",
        deployment_name="your-deployment-name"
    ))

    answer = await kernel.invoke_prompt("Why is the sky blue in one sentence?")
    print(answer)


if __name__ == "__main__":
    asyncio.run(main())

Adición de telemetría

Variables de entorno

Consulte este artículo para obtener más información sobre cómo configurar las variables de entorno necesarias para permitir que el kernel emita intervalos para los conectores de IA.

Código

Si ejecuta el script ahora, debería esperar ver una frase que explique por qué el cielo es azul. Para observar el kernel mediante telemetría, reemplace el # Telemetry setup code goes here comentario por el código siguiente:

# Replace the connection string with your Application Insights connection string
connection_string = "your-application-insights-connection-string"

# Create a resource to represent the service/sample
resource = Resource.create({ResourceAttributes.SERVICE_NAME: "telemetry-application-insights-quickstart"})


def set_up_logging():
    exporter = AzureMonitorLogExporter(connection_string=connection_string)

    # Create and set a global logger provider for the application.
    logger_provider = LoggerProvider(resource=resource)
    # Log processors are initialized with an exporter which is responsible
    # for sending the telemetry data to a particular backend.
    logger_provider.add_log_record_processor(BatchLogRecordProcessor(exporter))
    # Sets the global default logger provider
    set_logger_provider(logger_provider)

    # Create a logging handler to write logging records, in OTLP format, to the exporter.
    handler = LoggingHandler()
    # Add filters to the handler to only process records from semantic_kernel.
    handler.addFilter(logging.Filter("semantic_kernel"))
    # Attach the handler to the root logger. `getLogger()` with no arguments returns the root logger.
    # Events from all child loggers will be processed by this handler.
    logger = logging.getLogger()
    logger.addHandler(handler)
    logger.setLevel(logging.INFO)


def set_up_tracing():
    exporter = AzureMonitorTraceExporter(connection_string=connection_string)

    # Initialize a trace provider for the application. This is a factory for creating tracers.
    tracer_provider = TracerProvider(resource=resource)
    # Span processors are initialized with an exporter which is responsible
    # for sending the telemetry data to a particular backend.
    tracer_provider.add_span_processor(BatchSpanProcessor(exporter))
    # Sets the global default tracer provider
    set_tracer_provider(tracer_provider)


def set_up_metrics():
    exporter = AzureMonitorMetricExporter(connection_string=connection_string)

    # Initialize a metric provider for the application. This is a factory for creating meters.
    meter_provider = MeterProvider(
        metric_readers=[PeriodicExportingMetricReader(exporter, export_interval_millis=5000)],
        resource=resource,
        views=[
            # Dropping all instrument names except for those starting with "semantic_kernel"
            View(instrument_name="*", aggregation=DropAggregation()),
            View(instrument_name="semantic_kernel*"),
        ],
    )
    # Sets the global default meter provider
    set_meter_provider(meter_provider)


# This must be done before any other telemetry calls
set_up_logging()
set_up_tracing()
set_up_metrics()

Consulte este artículo para obtener más información sobre el código de configuración de telemetría. La única diferencia aquí es que estamos usando AzureMonitor[Trace|Metric|Log]Exporter para exportar datos de telemetría a Application Insights.

Ejecute la aplicación de consola con el siguiente comando:

dotnet run

Ejecute el script de Python con el siguiente comando:

python telemetry_application_insights_quickstart.py

Si tiene el modificador Microsoft.SemanticKernel.Experimental.GenAI.EnableOTelDiagnosticsSensitive establecido trueen , también verá dos seguimientos que llevan los datos confidenciales del símbolo del sistema y el resultado de la finalización.

Haga clic en ellos y verá el mensaje y el resultado de finalización en la sección de propiedades personalizadas.

Si tiene la variable SEMANTICKERNEL_EXPERIMENTAL_GENAI_ENABLE_OTEL_DIAGNOSTICS_SENSITIVE de entorno establecida trueen , también verá dos seguimientos que llevan los datos confidenciales del símbolo del sistema y el resultado de la finalización.

Haga clic en ellos y verá el mensaje y el resultado de finalización en la sección de propiedades personalizadas.