구조화된 생성으로 근거 강조 표시가 있는 RAG 시스템 구축하기
작성자: Aymeric Roucher, 번역: 유용상
구조화된 생성(Structured generation)은 LLM 출력이 특정 패턴을 따르도록 강제하는 방법입니다.
이 방법은 여러 가지 용도로 사용될 수 있습니다:
- ✅ 특정 키가 있는 딕셔너리 출력
- 📏 출력이 N글자 이상이 되도록 보장
- ⚙️ 더 일반적으로, 다운스트림 처리를 위해 출력이 특정 정규 표현식 패턴을 따르도록 강제
- 💡 검색 증강 생성(RAG)에서 답변을 뒷받침하는 소스를 강조 표시
이 노트북은 마지막 예시를 구체적으로 보여줍니다.
➡️ 우리는 답변을 제공할 뿐만 아니라 이 답변의 근거가 되는 스니펫을 강조 표시하는 RAG 시스템을 구축합니다.
RAG에 대한 소개가 필요하다면, 이 쿡북을 확인해 보세요.
이 노트북은 먼저 프롬프트를 통한 구조화된 생성의 단순한 접근 방식을 보여주고 그 한계를 강조한 다음, 더 효율적인 구조화된 생성을 위한 제한된 디코딩(constrained decoding)을 시연합니다.
이 노트북은 HuggingFace Inference Endpoints를 활용합니다 (예제는 서버리스 엔드포인트를 사용하지만, 전용 엔드포인트로 변경할 수 있습니다), 또한 outlines라는 구조화된 텍스트 생성 라이브러리를 사용한 로컬 추론 예제도 보여줍니다.
!pip install pandas json huggingface_hub pydantic outlines accelerate -q
import pandas as pd
import json
from huggingface_hub import InferenceClient
pd.set_option("display.max_colwidth", None)repo_id = "mistralai/Mistral-Nemo-Instruct-2407"
llm_client = InferenceClient(model=repo_id, timeout=120)
# Test your LLM client
llm_client.text_generation(prompt="대한민국의 수도는?", max_new_tokens=50)모델에 프롬프트 제공하기
모델에서 구조화된 출력을 얻으려면, 충분히 성능이 좋은 모델에 적절한 지시사항을 포함한 프롬프트를 제공하면 됩니다. 대부분의 경우 이 방법이 잘 작동할 것입니다.
이번 경우, 우리는 RAG 모델이 답변뿐만 아니라 신뢰도 점수와 근거가 되는 스니펫도 함께 생성하기를 원합니다.
이러한 출력을 JSON 형식의 딕셔너리로 생성하면, 나중에 쉽게 처리할 수 있습니다 (여기서는 근거가 되는 스니펫을 강조하여 표시할 예정입니다).
RELEVANT_CONTEXT = """
문서:
오늘 서울의 날씨가 정말 좋네요.
Transformers에서 정지 시퀀스를 정의하려면 파이프라인 또는 모델에 stop_sequence 인수를 전달해야 합니다.
"""RAG_PROMPT_TEMPLATE_JSON = """문서를 기반으로 사용자 쿼리에 응답합니다.
다음은 문서입니다: {context}
답변을 JSON 형식으로 제공하고, 답변의 직접적 근거가 된 문서의 모든 관련 짧은 소스 스니펫과 신뢰도 점수를 0에서 1 사이의 부동 소수점으로 제공해야 합니다.
근거 스니펫은 전체 문장이 아닌 기껏해야 몇 단어 정도로 매우 짧아야 합니다! 그리고 문맥에서 정확히 동일한 문구와 철자를 사용하여 추출해야 합니다.
답변은 다음과 같이 작성해야 하며, “Answer:” 및 “End of answer.” 를 포함해야 합니다.
Answer:
{{
“answer": 정답 문장,
“confidence_score": 신뢰도 점수,
“source_snippets": [“근거_1”, “근거_2”, ...]
}}
End of answer.
이제 시작하세요!
다음은 사용자 질문입니다: {user_query}.
Answer:
"""USER_QUERY = "Transformers에서 정지 시퀀스를 어떻게 정의하나요?">>> prompt = RAG_PROMPT_TEMPLATE_JSON.format(context=RELEVANT_CONTEXT, user_query=USER_QUERY)
>>> print(prompt)문서를 기반으로 사용자 쿼리에 응답합니다. 다음은 문서입니다: 문서: 오늘 서울의 날씨가 정말 좋네요. Transformers에서 정지 시퀀스를 정의하려면 파이프라인 또는 모델에 stop_sequence 인수를 전달해야 합니다. 답변을 JSON 형식으로 제공하고, 답변의 직접적 근거가 된 문서의 모든 관련 짧은 소스 스니펫과 신뢰도 점수를 0에서 1 사이의 부동 소수점으로 제공해야 합니다. 근거 스니펫은 전체 문장이 아닌 기껏해야 몇 단어 정도로 매우 짧아야 합니다! 그리고 문맥에서 정확히 동일한 문구와 철자를 사용하여 추출해야 합니다. 답변은 다음과 같이 작성해야 하며, “Answer:” 및 “End of answer.” 를 포함해야 합니다. Answer: { “answer": 정답 문장, “confidence_score": 신뢰도 점수, “source_snippets": [“근거_1”, “근거_2”, ...] } End of answer. 이제 시작하세요! 다음은 사용자 질문입니다: Transformers에서 정지 시퀀스를 어떻게 정의하나요?. Answer:
>>> answer = llm_client.text_generation(
... prompt,
... max_new_tokens=256,
... )
>>> answer = answer.split("End of answer.")[0]
>>> print(answer){ "answer": "Transformers에서 정지 시퀀스를 정의하려면 파이프라인 또는 모델에 stop_sequence 인수를 전달해야 합니다.", "confidence_score": 0.95, "source_snippets": ["정지 시퀀스를 정의하려면 파이프라인 또는 모델에 stop_sequence 인수를 전달해야 합니다."] }
LLM의 출력은 딕셔너리의 문자열 표현입니다. 따라서 literal_eval을 사용하여 이를 딕셔너리로 로드합시다.
from ast import literal_eval
parsed_answer = literal_eval(answer)>>> def highlight(s):
... return "\x1b[1;32m" + s + "\x1b[0m"
>>> def print_results(answer, source_text, highlight_snippets):
... print("Answer:", highlight(answer))
... print("\n\n", "=" * 10 + " Source documents " + "=" * 10)
... for snippet in highlight_snippets:
... source_text = source_text.replace(snippet.strip(), highlight(snippet.strip()))
... print(source_text)
>>> print_results(parsed_answer["answer"], RELEVANT_CONTEXT, parsed_answer["source_snippets"])Answer: [1;32mTransformers에서 정지 시퀀스를 정의하려면 파이프라인 또는 모델에 stop_sequence 인수를 전달해야 합니다.[0m ========== Source documents ========== 문서: 오늘 서울의 날씨가 정말 좋네요. Transformers에서 [1;32m정지 시퀀스를 정의하려면 파이프라인 또는 모델에 stop_sequence 인수를 전달해야 합니다.[0m
잘 작동합니다! 🥳
하지만 성능이 낮은 모델을 사용하는 경우는 어떨까요?
성능이 떨어지는 모델의 불안정한 출력을 시뮬레이션하기 위해, temperature 값을 높여보겠습니다.
>>> answer = llm_client.text_generation(
... prompt,
... max_new_tokens=250,
... temperature=1.6,
... return_full_text=False,
... )
>>> print(answer){
"answer": adjectistiques Banco Comambique-howiktenल्ल 없을Ela Nal realisticINTEn обор reminding frustPolit lMer Maria Banco Comambique-howiktenल्ल 없을Ela Nal realisticINTEn обор музы inférieurke Zendaya alguna７ Mons ram incColumn Orth manages Richie HackAUcasismo<< fpsTIvlOcriptive Ou Tam psycho-Kinsic Serum SecurityülY on Hazard SautéFust St I With 모 clans Eddy Bindingtsoke funeral Stefano authenticitatcontent。
적으로ებულიização finnotes fins witCamera 하나 ls Metallurne couleur platinum/c وأنت textarea Golfyyzuhalten assume prog_reset"Piagn Ameth amivio COR '',
ze Columbia padchart": Poul?"
φsin den Qu tiendas Mister�cling tercero política’avenir emploi banque inertکا …
anic lucommon-contagsbor ruvisending frustPolit lMer Maria Banco Comambique-howiktenल्ल 없을Ela Nal realisticINTEn обор музы inférieurke Zendaya alguna７ Mons ram incColumn Orth masses frustPolit lMer Maria Banco Comambique-howiktenल्ल 없을Ela Nal realisticINTEn обор музы inférieurke Zendaya alguna７ Mons ram incColumn Orth manages Richie HackAUcasismo<< fpsTIvlOcriptive Ou Tam psycho-Kinsic Serum SecurityülY on Hazard SautéFust
출력이 올바른 JSON 형식조차 아닌 것을 확인할 수 있습니다.
👉 제한된 디코딩(Constrained decoding)
JSON 출력을 강제하기 위해, 우리는 제한된 디코딩을 사용해야 합니다. 여기서 LLM이 문법이라고 불리는 일련의 규칙에 맞는 토큰만 출력하도록 강제합니다.
이 문법은 Pydantic 모델, JSON 스키마 또는 정규 표현식을 사용하여 정의할 수 있습니다. 그러면 AI는 지정된 문법에 맞는 응답을 생성합니다.
예를 들어, 여기서는 Pydantic 타입을 따릅니다.
from pydantic import BaseModel, confloat, StringConstraints
from typing import List, Annotated
class AnswerWithSnippets(BaseModel):
answer: Annotated[str, StringConstraints(min_length=10, max_length=100)]
confidence: Annotated[float, confloat(ge=0.0, le=1.0)]
source_snippets: List[Annotated[str, StringConstraints(max_length=30)]]생성된 스키마가 요구 사항을 올바르게 나타내는지 확인해 보세요.
AnswerWithSnippets.schema()
클라이언트의 text_generation 메서드를 사용하거나 post 메서드를 사용할 수 있습니다.
>>> # Using text_generation
>>> answer = llm_client.text_generation(
... prompt,
... grammar={"type": "json", "value": AnswerWithSnippets.schema()},
... max_new_tokens=250,
... temperature=1.6,
... return_full_text=False,
... )
>>> print(answer)
>>> # Using post
>>> data = {
... "inputs": prompt,
... "parameters": {
... "temperature": 1.6,
... "return_full_text": False,
... "grammar": {"type": "json", "value": AnswerWithSnippets.schema()},
... "max_new_tokens": 250,
... },
... }
>>> answer = json.loads(llm_client.post(json=data))[0]["generated_text"]
>>> print(answer){
"answer": " neces恨bay внеpok Archives-Common Propsogs’organpern 공격forschfläche elicous neces恨bay внеpok món-�","confidence": 1,"source_snippets": ["Washington Roman Humналеualion", "_styleImplementedAugust lire",
""]
}
{
"answer": " بخopuerto կար因數 kavuts mi Firefox Penguins er sdபெர erinnert publiée 물리 DK\({}^{\ Cis بخopuerto կար因數"
,
"confidence": 0.7825484027713585
,
"source_snippets": [
"Transformerграни moisady отгaನ", ", migrations ceproductionautal",
"Listeners accelerating loocae"
]
}
✅ 높은 temperature 설정으로 인해 답변 내용은 여전히 말이 되지 않지만, 생성된 출력 텍스트는 이제 우리가 문법에서 정의한 정확한 키와 자료형을 가진 올바른 JSON 형식입니다!
이제 이 출력물을 추가 처리를 위해 파싱할 수 있습니다.
Outlines를 사용해서 로컬 환경에서 문법 활용하기
Outlines는 Hugging Face의 Inference API에서 출력 생성을 제한하기 위해 내부적으로 실행되는 라이브러리입니다. 이를 로컬 환경에서도 사용할 수 있습니다.
이 라이브러리는 로짓(logits)에 편향(bias)을 적용하는 방식으로 작동하여, 사용자가 정의한 제약 조건에 부합하는 선택지만 강제로 선택되도록 합니다.
schema_as_str
import outlines
repo_id = "Qwen/Qwen2-7B-Instruct"
# 로컬에서 모델 로드하기
model = outlines.models.transformers(repo_id)
schema_as_str = json.dumps(AnswerWithSnippets.schema())
generator = outlines.generate.json(model, schema_as_str)
# Use the `generator` to sample an output from the model
result = generator(prompt)
print(result)제약 생성(constrained generation)을 사용하여 Text-Generation-Inference를 활용할 수도 있습니다 (자세한 내용과 예시는 문서를 참조하세요).
지금까지 우리는 특정 RAG 사용 사례를 보여주었지만, 제약 생성은 그 이상으로 많은 도움이 됩니다.
예를 들어, LLM judge 워크플로우에서도 제약 생성을 사용하여 다음과 같은 JSON을 출력할 수 있습니다:
{
"score": 1,
"rationale": "The answer does not match the true answer at all.",
"confidence_level": 0.85
}오늘은 여기까지입니다. 끝까지 따라와 주셔서 감사드립니다! 👏
< > Update on GitHub