Passaggio 1: Clonare il repository di codice e creare il calcolo

Per il codice di esempio in questa sezione, vedere il repository GitHub. È anche possibile usare il codice del repository come modello con cui creare applicazioni di intelligenza artificiale personalizzate.

Seguire questa procedura per caricare il codice di esempio nell'area di lavoro di Databricks e configurare le impostazioni globali per l'applicazione.

Requisiti

• Un'area di lavoro di Azure Databricks con calcolo serverless e Catalogo Unity abilitato.
• Un endpoint o autorizzazioni esistenti di Ricerca vettoriale ai mosaici per intelligenza artificiale per creare un nuovo endpoint di ricerca vettoriale( in questo caso, il notebook di configurazione ne crea uno per l'utente).
• L'accesso in scrittura a uno schema del catalogo Unity esistente in cui vengono archiviate le tabelle Delta di output che includono i documenti analizzati e in blocchi e gli indici di ricerca vettoriale o le autorizzazioni per creare un nuovo catalogo e uno schema (in questo caso il notebook di installazione ne crea uno per l'utente).
• Un singolo cluster utente che esegue DBR 14.3 o versione successiva che ha accesso a Internet. L'accesso a Internet è necessario per scaricare i pacchetti di sistema e Python necessari. Non usare un cluster che esegue Databricks Runtime per Machine Learning, perché queste esercitazioni presentano conflitti di pacchetti Python con Databricks Runtime ML.

Diagramma di flusso dell'esercitazione

Il diagramma mostra il flusso dei passaggi usati in questa esercitazione.

Istruzioni

1. Clonare questo repository nell'area di lavoro usando le cartelle Git.

   

2. Aprire il notebook rag_app_sample_code/00_global_config e regolare le impostazioni.

   # The name of the RAG application.  This is used to name the chain's model in Unity Catalog and prepended to the output Delta tables and vector indexes
   RAG_APP_NAME = 'my_agent_app'
   
   # Unity Catalog catalog and schema where outputs tables and indexes are saved
   # If this catalog/schema does not exist, you need create catalog/schema permissions.
   UC_CATALOG = f'{user_name}_catalog'
   UC_SCHEMA = f'rag_{user_name}'
   
   ## Name of model in Unity Catalog where the POC chain is logged
   UC_MODEL_NAME = f"{UC_CATALOG}.{UC_SCHEMA}.{RAG_APP_NAME}"
   
   # Vector Search endpoint where index is loaded
   # If this does not exist, it will be created
   VECTOR_SEARCH_ENDPOINT = f'{user_name}_vector_search'
   
   # Source location for documents
   # You need to create this location and add files
   SOURCE_PATH = f"/Volumes/{UC_CATALOG}/{UC_SCHEMA}/source_docs"
   

3. Aprire ed eseguire il notebook 01_validate_config_and_create_resources.

Passaggio successivo

Continuare con Deploy POC (Distribuisci modello di verifica).

< Precedente: Prerequisiti

Successivo: Passaggio 2. Distribuire poC e raccogliere commenti e suggerimenti >