炸裂——关于Azure OpenAI的几个更新

感觉好久没有写随笔了，虽然从年初至今，一直被持续不断涌现的新 AI 消息震惊，也一直不断组织和参与各种 AI 相关的活动、直播，但确实挺久没有写文字了。今天是下半年的第一天，也是暑假的第一天，忙完家务，晚上正好趁着最近几个更新写几笔。

从 GPT-3 惊艳世界开始，到 Azure OpenAI 的发布，到 GPT-4…这段时间真的是——根本停不下来。首先容我得瑟一下，我应该算是第一批用上 AOAI 的、特别是 GPT-4 模型 AOAI 的人了。这需要感谢 Microsoft MVP 计划，以及 Azure 和 AI 奖励方向之下 PG 对我们的支持。正如大家知道的，OpenAI 在我生日那天（算上时差哈哈），发布了新的模型版本 0613，同时也提供了新的使用 GPT 的方式——Function calling。

得知这一消息后我第一时间就联系了 PG，他们反馈说月底这个模型版本就会部署到 AOAI 上，function calling 则还需要等一阵子。可惜限于 NDA 的约束，我不能公开这个好消息。今天，我终于把自己 AOAI 的模型部署升级到了 0613 版本。

Azure OpenAI Studio

先看看 AOAI 的工作室有些什么更新。

升级部署模型

有了 0613 版本，当然是要升级了。升级模型版本并不需要删除现有模型，也不需要部署一个新的，只需要“编辑部署”，然后在模型版本处，选择需要的模型版本就行。

当然，如果想省事情，直接选择自动更新也行。AOAI将会自动把模型更新到新版本。

上图可以看到，我把 GPT-3.5-turbo 和 GPT-4/32K 的几个模型都升级到最新的 0613 了。一会试试有什么不同。

调整内容过滤

细心的你可能发现了，在 Content Filter 这一列，有几个模型没有使用默认的值，取而代之的是一个另外的内容过滤器。内容过滤是 AOAI 使用多模态大语言模型模型的重要组成部分，负责对用户输入的提示，以及模型的输出内容进行筛选过滤，避免出现诸如仇恨、色情、自残和暴力等内容。

默认内容过滤是开启的，且不能被关闭。默认设置为低，可以改成中或高。内容过滤有效的避免了不适当的内容进入到人和模型的交互，对于运行在 Azure 的 OpenAI 模型，触发内容过滤还会导致微软的人工审核。但对于一些研究场景来说，可能需要观察未开启内容过滤的提示过程，或者设置调试自己的内容过滤流程或模型。因此微软也提供了自定义内容过滤的选项，前提是填表申请，通过之后就可以像上图一样，进行自定义设置了。

使用自己的数据

全称应该是“在 GPT 的 Chat Playground 通过认知搜索使用自己的数据”这么长吧……

这个功能在 Build 以及之前的 PGI 会议看到过。最早结合认知搜索的 GPT 使用示例其实是通过 Azure 模板等手动部署的，使用了很多 Python 代码和其他。所以一看到 AOAI Studio 里面可以直接配置，还是挺兴奋的，当时也是问 PG 什么时候可以使用——很快。于是现在我们就看到了～

我看了一下，不论是直接使用 Azure 认知搜索，或让认知搜索使用 Azure Blob 存储，还是上传文件到 Blob 存储再使用认知搜索（这不是差不多一码事么…）都离不开使用认知搜索服务。

直接使用配置好的 Azure 认知搜索，只要指定认知搜索服务实例，并指定索引。

选择使用 Azure Blob 存储的话，就需要指定已有 Blob 存储的实例和容器，然后连接到认知搜索实例上，指定索引。

如果选择上传文件，其实也是指定 Blob 存储实例。可以自动配置好 CORS 设置，然后连接到认知搜索实例，指定索引。

这几种方式，都需要使用非免费定价层的认知搜索（注意图中黄色提示）。所以我暂时都没创建。等开个非免费定价层的实例运行，再另外写一点吧。

直接发布WebApp

在我拿到 AOAI 的预览不久，我就很想把这个 GPT 模型做成一个 Web 应用，这样其他人就可以通过浏览器，而不需要通过访问 AOAI 工作室来使用 GPT 了。为了实现这个目的，我还特意用 Python 写了点代码放在 Hugging Face 上，通过 API 调用来实现。

( https://huggingface.co/spaces/haohoo/Azure-OpenAI-QuickDemo )

如今，做这件事就太简单了～

‍ 在 Azure OpenAI Studio 里，进入聊天的 Play Ground，在右上角可以看到多了一个 Deploy to 的按钮，通过它就可以直接将当前的 Playground 部署到 Web App。

‍ 整个部署过程都是自动的，需要说明的是，部署的 WebApp 会使用 Azure AD 作为用户验证方式。想让其他人来访问你的 Chat App，可以在 AAD 的控制台里添加用户和 B2B/B2C 账户。

看，不用写一行代码，你专用的 ChatGPT 站点就有了～整个具体的过程，到时候和使用自己的数据一起再开一篇吧。

Azure ML Studio

再看看机器学习工作室有啥更新吧。

我告诉你 Build 上被惊艳了之后，我就通过 PG 整了整“船新”的 ML Studio，可惜 NDA 不能说，只在 Build After Party 上偷偷秀了一下，可憋坏我了。现在终于发布 PuPr，也就是 Public Preview 了，那么就可以放开聊聊了。

模型目录

如以往的活动和文章介绍，机器学习工作室是学习使用机器学习的一站式工作环境。对于不同要求和基础的用户，提供记事本、脱拽式机器学习管道线设计器和自动化机器学习。现在，机器学习工作室又新增了模型目录功能。

如图所示，在新推出的模型目录中，除了由 Azure ML 提供的可用模型，也将很多开源社区 Hugging Face 的模型放进了模型目录。可以按照模型分类和许可类型筛选模型，也可以在搜索框里使用关键字查找模型。如果模型未出现在目录中，可以点击右上角“建议模型”建议微软将模型放入目录。

点击目录中的模型，会显示简介以及模型发布的链接，例如 Hugging Face 目录中的可以链接到模型卡。如果已经有示例部署，可以直接进行模型的尝试。模型的一些示例和性能参考也会提供，甚至有示例的记事本直接运行。如果觉得合适就可以直接部署，和以往机器学习工作室部署模型一样，部署模型可选实时终结点和批处理终结点。

而实际在 Hugging Face 站点上，也可以将 Azure ML 支持的（已经引入的）模型直接部署到 Azure ML 服务。

可以通过 AzureML Studio 按钮打开机器学习工作室、Python 代码或使用 YAML描述的 CLI Shell 进行部署。

Python 或 Shell 自动部署时，需要提供 Azure 订阅、资源组名称、ML 工作空间名称等信息。以 Python 为例：

import time# follow steps here to connect to workspace: https://aka.ms/AzureML-WorkspaceHandlePython
ml_client = MLClient(credential=DefaultAzureCredential(),subscription_id="<SUBSCRIPTION_ID>",resource_group_name="<RESOURCE_GROUP>",workspace_name="<WORKSPACE_NAME>",
)
# fetch model
registry_ml_client = MLClient(credential=DefaultAzureCredential(), registry_name="HuggingFace"
)
foundation_model = registry_ml_client.models.get("<model-name>", version="<model-version>"
)
# create endpoint
endpoint_name = "hf-ep-" + str(int(time.time())
)  # endpoint name must be unique per Azure region, hence appending timestamp
ml_client.begin_create_or_update(ManagedOnlineEndpoint(name=endpoint_name)).wait()
# create deployment
ml_client.online_deployments.begin_create_or_update(ManagedOnlineDeployment(name="demo",endpoint_name=endpoint_name,model=foundation_model.id,instance_type="Standard_DS2_v2",instance_count=1,)
).wait()
endpoint.traffic = {"demo": 100}
ml_client.begin_create_or_update(endpoint_name).result()
# go to Endpoints hub in AzureML Studio to get the endpoint URL and test your endpoint

提示流

更新的 Azure ML Studio 提供了提示流的预览。何谓提示流呢？如果你已经是 Azure 机器学习工作室的老司机，你肯定知道在设计器里，通过拖拽就能建立起机器学习的管道线。提示流就是将我们说的提示工程，使用这种可视化管道线的方式进行设计，然后运行起来。

光说肯定难理解，不如就看看提供的示例吧。下图是一个跟 Wikipedia 在线百科全书站点聊天的提示流示例。首先设置一个输入模块，提供会话历史和提出的问题。由于使用的 GPT 模型的 Chat 方式，会话历史和我们使用 API 调用一样，需要 List。然后设置一个输出模块，用于显示 GPT 模型的输出。

在输入和输出之间，还有几个模块处理整个提示流。

首先是“从问题中解析查询”，通过 GPT 的完成方式，从自然语言的问题中，解析出需要查询的关键字。在示例里，使用了单样本提示，将传入的会话历史作为参考，将输入的提问作为人类输入，将 GPT 完成的输出作为 AI 的输出。

接下来是“获取搜索的URL”，使用 Wiki 自己的查询，将上一模块输出的查询关键字构造为 Wiki 的查询 URL，并且获取查询给出的 URL。

再下来是“URL的搜索结果”，通过前一步骤获得的 URL 访问 Wiki，并将内容转化为文本输出。

如果你也使用过 new Bing 的 chat 功能，估计看过对话回复中会提供引用内容的链接。所以在接下来的模块里，需要“处理搜索结果”，将前一步骤获得的内容加上引用的 URL。

内容有了，现在可以让 GPT 来聊天了。在这一模块里，使用 GPT 模型的 Chat 方式，对 system 角色进行定义，规范 GPT 的输出方式，然后引用前一模块的内容输出以及会话历史，构成完整的上下文。user 角色会添加输入模块的问题， assistant 角色会添加输出的答案。调用 GPT 的 Chat 方法，就能够输出关于查询 Wiki 之后，以自然语言表述对话的结果了。

这样的提示流基本上不用写代码，或只需要简单修改代码，即可完成一些常见的 ChatGPT 的要求，逻辑上说我们也可以基于这样的示例，做一个和 new Bing 差不多的聊天应用。可以看到，提示流的设计方式大大地降低了定制使用 GPT 的复杂度。

一篇随笔里放了不少惊艳的更新，可惜篇幅有限。后续看看把这些更新再单独做一些更详细的介绍吧～顺手把下面几个图标都点一下吧，哈哈哈多谢啦～