OpenVINO™协同Semantic Kernel：优化大模型应用性能新路径

作为主要面向 RAG 任务方向的框架，Semantic Kernel 可以简化大模型应用开发过程，而在 RAG 任务中最常用的深度学习模型就是 Embedding 和 Text completion，分别实现文本的语义向量化和文本生成，因此本文主要会分享如何在 Semantic Kernel 中调用 OpenVINO runtime 部署 Embedding 和 Text completion 模型。

Semantic Kernel简介

Semantic Kernel 是微软推出的大模型应用框架，支持 C#, Python 和 Java 等开发环境，通过 Semantic Kernel 集成的API接口，开发者可以直接调用 OpenAI 或是 Hugging Face 中的大语言模型，进一步构建上层应用任务，例如 Chat Copilot 或是 Code completion ，等。顾名思义，Semantic Kernel 的核心就在于由 Kernel 所连接的 pipeline/chain，它通过上下文，实现在各个函数组件间共享数据，下面这张展示的就是用户的输入 Prompt 如何在这些组件中进行流转，最终返回响应结果。

图：Semantic Kernel组件示意图

OpenVINO 简介

OpenVINO 作为英特尔官方推出的深度学习模型部署工具，可以极大地提升本地模型任务的推理性能。同时 OpenVINO 支持了多种推理后端，使模型可以在多种不同的硬件架构上进行部署和切换，进一步提升任务的灵活性与系统资源利用率，例如我们可以利用 NPU 来部署一些轻负载的 AI 模型以降低功耗，利用 GPU 来部署大模型以优化反馈延迟。总之，在大模型本地化趋势越来越热的今天，OpenVINO 势必成为在 PC 端部署大模型任务的好帮手。

OpenVINO 与 Semantic Kernel

集成实现

Semantic Kernel 的 Connector 是一种用于连接外部数据源和服务的设计模式，包括获取数据和保存输出结果，而 Semantic Kernel 已经原生集成了许多开箱即用的大模型服务 Plugin，其中就包括了基于 Hugging Face Transformers 构建的的 Embedding 和 Text completion Service，因此我们可以参考这两个 Service 的代码，来实现一组 OpenVINO 的 Service，完成和 Connectors 组件的集成，分别命名为 OpenVINOTextEmbedding 以及 OpenVINOTextCompletion。

1

Text completion service

首先是 Text completion  任务，由于 OpenVINO 可以通过 Optimum-intel 直接部署 Hugging Face中的 "summarization", "text-generation", "text2text-generation" 等模型，相较原生 Transformers API 的使用方式，也仅仅需要做少量修改(如以下代码所示)。

- from transformers import AutoModelForCausalLM

+ from optimum.intel.openvino import OVModelForCausalLM

- model = AutoModelForCausalLM.from_pretrained(model_id)

+ ov_model = OVModelForCausalLM.from_pretrained(model_id)

generate_ids = ov_model.generate(input_ids)

因此，我们也可以直接在 Hugging Face Text completion service 的基础上直接将 Transformers 的模型加载对象切换为 Optimum-intel 的对象，以实现基于 OpenVINO runtime 的模型推理。这里可通过 OVModelForCausalLM 类来部署 "text-generation" 类型的大模型，通过 OVModelForSeq2SeqLM 类调用 "text2text-generation", "summarization" 类型模型。

 

if task == "text-generation":
   ov_model = OVModelForCausalLM.from_pretrained(
       ai_model_id, **_model_kwargs)
 elif task in ("text2text-generation", "summarization"):
     ov_model = OVModelForSeq2SeqLM.from_pretrained(
        ai_model_id, **_model_kwargs)

 

2

Embedding service

不同于 Text completion service， Semantic Kernel 中集成的 Hugging Face Embedding service 是基于 sentence_transformers 库来实现的，并调用 encode 函数来进行 Embedding 文本向量化。

 

generator=sentence_transformers.SentenceTransformer(model_name_or_path=ai_model_id, device=resolved_device),
embeddings = self.generator.encode(texts)

 

而 OpenVINO 目前暂未直接对接 sentence_transformers 的模型部署接口，因此这里我们需要手动将 sentence_transformers 的 PyTorch 模型对象转化为 OpenVINO IR 格式后，再重新构建它的 encode 函数 pipeline。

可以看到 Hugging Face 的 embedding 模型除了支持 Sentence-Transformers 对象部署方式外，还可以基于 Transformers 库的方式，通过 AutoModel.from_pretrained 获取 nn.module 格式的模型对象，而 OpenVINO 的 PyTorch 前端则已经支持对该格式对象的直接转换，所以我们首先需要手写一个转换脚本，来实现 Embedding 模型从 PyTorch 对象到 OpenVINO IR 格式的转化过程。

 

    tokenizer = AutoTokenizer.from_pretrained(args.model_id)
    model = AutoModel.from_pretrained(args.model_id)


    dummy_inputs = {"input_ids": torch.ones((1, 10), dtype=torch.long), "attention_mask": torch.ones(
        (1, 10), dtype=torch.long), "token_type_ids": torch.zeros((1, 10), dtype=torch.long)}


    ov_model = ov.convert_model(model, example_input=dummy_inputs)
    ov.save_model(ov_model, model_path / "openvino_model.xml")

 

在定义新的 encode 函数时，鉴于在 RAG 系统中的各个句子的向量化任务往往没有依赖关系，因此我们可以通过 OpenVINO 的 AsyncInferQueue 接口，将这部分任务并行化，以提升整个 Embedding 任务的吞吐量。

 

infer_queue = ov.AsyncInferQueue(self.model, nireq)
        for i, sentence in enumerate(sentences_sorted):
            inputs = {}
            features = self.tokenizer(
                sentence, padding=True, truncation=True, return_tensors='np')
            for key in features:
                inputs[key] = features[key]
            infer_queue.start_async(inputs, i)
        infer_queue.wait_all()

 

此外，从 HuggingFace Transfomers 库中导出的 Embedding 模型是不包含 mean_pooling 和归一化操作的，因此我们需要在获取模型推理结果后，再实现这部分后处理任务。并将其作为 callback function 与 AsyncInferQueue 进行绑定。

 

        def postprocess(request, userdata):
            embeddings = request.get_output_tensor(0).data
            embeddings = np.mean(embeddings, axis=1)
            if self.do_norm:
                embeddings = normalize(embeddings, 'l2')
            all_embeddings.extend(embeddings)


        infer_queue.set_callback(postprocess)

 

测试验证

当完成这两个关键对象的创建后，我们可以来验证一下重新构建的 OpenVINO 任务效果。

第一步：我们需要将 Embedding 和 Text completion 这两个模型分转换并导出到本地。这里以 all-MiniLM-L6-v2 和 gpt2 为例。

Embedding 模型可以通过刚刚定义的转换脚本导出模型：

 

python3 export_embedding.py -m sentence-transformers/all-MiniLM-L6-v2

 

Text completion 模型可以通过 Optimum-intel 中自带命令行工具导出：

 

optimum-cli export openvino --model gpt2 llm_model

 

第二步：通过修改 Semantic Kernel 官方提供的 Hugging Face Plugins 示例

来测试 OpenVINO Plugin 的效果，该示例基于 Embedding 和 Text completion 模型构建了一个最小化的 RAG 任务 pipeline。此处只需要把原始的 Hugging Face service 对象替换为我们刚刚构建的 OpenVINOTextEmbedding 和 OpenVINOTextCompletion 对象，其中 ai_model_id 需要修改为模型文件夹的本地路径。

 

kernel.add_text_completion_service(
    service_id="gpt2",
    service=OpenVINOTextCompletion(ai_model_id="./llm_model", task="text-generation", model_kwargs={
                                   "device": "CPU", "ov_config": ov_config}, pipeline_kwargs={"max_new_tokens": 64})
)


kernel.add_text_embedding_generation_service(
    service_id="sentence-transformers/all-MiniLM-L6-v2",
    service=OpenVINOTextEmbedding(ai_model_id="./embedding_model"),
)

 

在这个示例中 Kernel 是通过 kernel.memory.save_information 函数来实现知识的注入，过程中会调用 Embedding service 来完成对于文本的语义向量化操作。我们可以通过执行以下命令来执行完整的 notebook 测试脚本。

 

$  jupyter lab sample.ipynb

 

示例中为了简化模型下载和转化步骤，采用了相较主流 LLM 更轻量化的gpt2来实现文本内容生成，因此在输出内容上会相对单一，如果需要实现更复杂的内容生成能力，可以将其替换为一些参数规模更大的文本生成模型，最终输出结果如下：

 

gpt2 completed prompt with: 'I know these animal facts: ["Dolphins are mammals."] ["Flies are insects."] ["Penguins are birds."] and  "Horses are mammals."

 

对比官方原始 Hugging Face Plugins 示例的输出结果，与注入的知识库信息，两者对于 animal facts 的判断使一致的，这也证明我们的重新构建的 OpenVINO Plugin 在模型输出的准确性上是没有问题的。

总结

在医疗、工业等领域，行业知识库的构建已经成为了一个普遍需求，通过 Semantic-Kernel 与 OpenVINO 的加持，我们可以让用户对于知识库的查询以及反馈变得更加精准高效，降低 RAG 任务的开发门槛，带来更加友好的交互体验。

审核编辑：刘清