Weave 및 Models 인테그레이션 데모

Try in Colab 이 노트북은 W&B Weave를 W&B Models와 함께 사용하는 방법을 보여줍니다. 구체적으로, 이 예제는 두 개의 서로 다른 팀이 협업하는 시나리오를 고려합니다.

모델 팀(Model Team): 모델 구축 팀이 새로운 Chat Model(Llama 3.2)을 파인튜닝하고 W&B Models를 사용하여 레지스트리에 저장합니다.
앱 팀(App Team): 앱 개발 팀이 해당 Chat Model을 가져와 W&B Weave를 사용하여 새로운 RAG 챗봇을 생성하고 평가합니다.

W&B Models와 W&B Weave가 모두 포함된 공개 Workspace는 여기에서 확인할 수 있습니다.

워크플로우는 다음 단계로 구성됩니다:

W&B Weave로 RAG 앱 코드를 계측(Instrument)합니다.
LLM(Llama 3.2 등, 다른 LLM으로 교체 가능)을 파인튜닝하고 W&B Models로 추적합니다.
파인튜닝된 모델을 W&B Registry에 로그합니다.
새로운 파인튜닝 모델로 RAG 앱을 구현하고 W&B Weave로 앱을 평가합니다.
결과가 만족스러우면 업데이트된 Rag 앱의 레퍼런스를 W&B Registry에 저장합니다.

참고: 아래에서 언급되는 RagModel은 전체 RAG 앱으로 간주할 수 있는 최상위 weave.Model입니다. 여기에는 ChatModel, 벡터 데이터베이스 및 프롬프트가 포함됩니다. ChatModel 또한 W&B Registry에서 아티팩트를 다운로드하는 코드가 포함된 또 다른 weave.Model이며, RagModel의 일부로서 다른 채팅 모델을 지원하도록 변경할 수 있습니다. 자세한 내용은 Weave의 전체 모델에서 확인하세요.

1. 설정

먼저 weave와 wandb를 설치한 다음 API 키로 로그인합니다. API 키는 User Settings에서 생성하고 확인할 수 있습니다.

pip install weave wandb

import wandb
import weave
import pandas as pd

PROJECT = "weave-cookboook-demo"
ENTITY = "wandb-smle"

# wandb 로그인
wandb.login()
# weave 초기화
weave.init(ENTITY + "/" + PROJECT)

2. Artifact 기반의 `ChatModel` 만들기

레지스트리에서 파인튜닝된 채팅 모델을 가져와 weave.Model을 생성합니다. 이는 다음 단계의 RagModel에 직접 연결할 수 있습니다. 기존 ChatModel과 동일한 파라미터를 사용하며, init과 predict만 변경됩니다.

pip install unsloth
pip uninstall unsloth -y && pip install --upgrade --no-cache-dir "unsloth[colab-new] @ git+https://github.com/unslothai/unsloth.git"

모델 팀은 더 빠른 속도를 위해 unsloth 라이브러리를 사용하여 다양한 Llama-3.2 모델을 파인튜닝했습니다. 따라서 레지스트리에서 다운로드한 모델을 로드할 때 어댑터가 포함된 특수 unsloth.FastLanguageModel 또는 peft.AutoPeftModelForCausalLM 모델을 사용하세요. 레지스트리의 “Use” 탭에서 로딩 코드를 복사하여 model_post_init에 붙여넣습니다.

import weave
from pydantic import PrivateAttr
from typing import Any, List, Dict, Optional
from unsloth import FastLanguageModel
import torch


class UnslothLoRAChatModel(weave.Model):
    """
    모델 이름 이상의 파라미터를 저장하고 버전 관리하기 위해 추가 ChatModel 클래스를 정의합니다.
    이를 통해 특정 파라미터에 대한 파인튜닝이 가능해집니다.
    """

    chat_model: str
    cm_temperature: float
    cm_max_new_tokens: int
    cm_quantize: bool
    inference_batch_size: int
    dtype: Any
    device: str
    _model: Any = PrivateAttr()
    _tokenizer: Any = PrivateAttr()

    def model_post_init(self, __context):
        # wandb run 시작 및 아티팩트 다운로드
        run = wandb.init(project=PROJECT, job_type="model_download")
        artifact_ref = self.chat_model.replace("wandb-artifact://", "")
        artifact = run.use_artifact(artifact_ref)
        model_path = artifact.download()

        # unsloth 버전 (기본적으로 2배 빠른 추론 활성화)
        self._model, self._tokenizer = FastLanguageModel.from_pretrained(
            model_name=model_path,
            max_seq_length=self.cm_max_new_tokens,
            dtype=self.dtype,
            load_in_4bit=self.cm_quantize,
        )
        FastLanguageModel.for_inference(self._model)

    @weave.op()
    async def predict(self, query: List[str]) -> dict:
        # add_generation_prompt = true - 생성을 위해 반드시 추가해야 함
        input_ids = self._tokenizer.apply_chat_template(
            query,
            tokenize=True,
            add_generation_prompt=True,
            return_tensors="pt",
        ).to("cuda")

        output_ids = self._model.generate(
            input_ids=input_ids,
            max_new_tokens=64,
            use_cache=True,
            temperature=1.5,
            min_p=0.1,
        )

        decoded_outputs = self._tokenizer.batch_decode(
            output_ids[0][input_ids.shape[1] :], skip_special_tokens=True
        )

        return "".join(decoded_outputs).strip()

이제 레지스트리의 특정 링크를 사용하여 새로운 모델을 생성합니다:

ORG_ENTITY = "wandb32"  # 조직 이름으로 변경하세요
artifact_name = "Finetuned Llama-3.2" # 아티팩트 이름으로 변경하세요
MODEL_REG_URL = f"wandb-artifact://{ORG_ENTITY}/wandb-registry-RAG Chat Models/{artifact_name}:v3"

max_seq_length = 2048
dtype = None
load_in_4bit = True

new_chat_model = UnslothLoRAChatModel(
    name="UnslothLoRAChatModelRag",
    chat_model=MODEL_REG_URL,
    cm_temperature=1.0,
    cm_max_new_tokens=max_seq_length,
    cm_quantize=load_in_4bit,
    inference_batch_size=max_seq_length,
    dtype=dtype,
    device="auto",
)

마지막으로 비동기 방식으로 예측을 실행합니다:

await new_chat_model.predict(
    [{"role": "user", "content": "독일의 수도는 어디인가요?"}]
)

3. 새로운 `ChatModel` 버전을 `RagModel`에 통합

파인튜닝된 채팅 모델로 RAG 앱을 구축하면 대화형 AI 시스템의 성능과 범용성을 향상시키는 데 여러 가지 이점이 있습니다. 이제 기존 Weave 프로젝트에서 RagModel을 가져와서(아래 이미지처럼 use 탭에서 현재 RagModel의 weave ref를 가져올 수 있습니다) ChatModel을 새 모델로 교체합니다. 다른 컴포넌트(VDB, 프롬프트 등)를 변경하거나 다시 만들 필요가 없습니다!

pip install litellm faiss-gpu

RagModel = weave.ref(
    "weave://wandb-smle/weave-cookboook-demo/object/RagModel:cqRaGKcxutBWXyM0fCGTR1Yk2mISLsNari4wlGTwERo"
).get()
# MAGIC: chat_model을 교체하고 새 버전을 게시 (다른 RAG 컴포넌트는 걱정할 필요 없음)
RagModel.chat_model = new_chat_model
# 예측 중에 참조될 수 있도록 먼저 새 버전을 게시합니다
PUB_REFERENCE = weave.publish(RagModel, "RagModel")
await RagModel.predict("첫 번째 기후 변화 회의는 언제 열렸나요?")

4. 기존 모델 Run에 연결된 새로운 `weave.Evaluation` 실행

마지막으로, 기존의 weave.Evaluation에서 새로운 RagModel을 평가합니다. 통합을 최대한 쉽게 하기 위해 다음 변경 사항을 포함합니다. Models 관점:

레지스트리에서 모델을 가져오면 채팅 모델의 E2E 계보(Lineage)의 일부인 새로운 run 오브젝트가 생성됩니다.
모델 팀이 링크를 클릭하여 해당 Weave 페이지로 이동할 수 있도록 Run 설정에 Trace ID(현재 평가 ID 포함)를 추가합니다.

Weave 관점:

아티팩트 / 레지스트리 링크를 ChatModel(RagModel 내의)의 입력으로 저장합니다.
weave.attributes를 사용하여 run.id를 trace의 추가 컬럼으로 저장합니다.

# MAGIC: 평가 데이터셋과 scorer가 있는 평가를 가져와서 사용합니다
WEAVE_EVAL = "weave://wandb-smle/weave-cookboook-demo/object/climate_rag_eval:ntRX6qn3Tx6w3UEVZXdhIh1BWGh7uXcQpOQnIuvnSgo"
climate_rag_eval = weave.ref(WEAVE_EVAL).get()

run = wandb.init()

with weave.attributes({"wandb-run-id": run.id}):
    # .call 속성을 사용하여 결과와 call을 모두 가져와 평가 trace를 Models에 저장합니다
    summary, call = await climate_rag_eval.evaluate.call(climate_rag_eval, RagModel)

5. 레지스트리에 새로운 RAG 모델 저장

새로운 RAG 모델을 효율적으로 공유하기 위해, Weave 버전을 에일리어스로 추가하여 레퍼런스 아티팩트로 레지스트리에 푸시합니다.

MODELS_OBJECT_VERSION = PUB_REFERENCE.digest  # weave 오브젝트 버전
MODELS_OBJECT_NAME = PUB_REFERENCE.name  # weave 오브젝트 이름

models_url = f"https://wandb.ai/{ENTITY}/{PROJECT}/weave/objects/{MODELS_OBJECT_NAME}/versions/{MODELS_OBJECT_VERSION}"
models_link = (
    f"weave://{ENTITY}/{PROJECT}/object/{MODELS_OBJECT_NAME}:{MODELS_OBJECT_VERSION}"
)

with wandb.init(project=PROJECT, entity=ENTITY) as run:
    # 새로운 Artifact 생성
    artifact_model = wandb.Artifact(
        name="RagModel",
        type="model",
        description="Weave의 RagModel에서 연결된 모델 링크",
        metadata={"url": models_url},
    )
    artifact_model.add_reference(models_link, name="model", checksum=False)

    # 새로운 아티팩트 로그
    run.log_artifact(artifact_model, aliases=[MODELS_OBJECT_VERSION])

    # 레지스트리에 연결
    run.link_artifact(
        artifact_model, target_path="wandb32/wandb-registry-RAG Models/RAG Model"
    )

Guides

Integrations

Tutorials

Reference

1. 설정

2. Artifact 기반의 `ChatModel` 만들기

3. 새로운 `ChatModel` 버전을 `RagModel`에 통합

4. 기존 모델 Run에 연결된 새로운 `weave.Evaluation` 실행

5. 레지스트리에 새로운 RAG 모델 저장

Guides

Integrations

Tutorials

Reference

​1. 설정

​2. Artifact 기반의 ChatModel 만들기

​3. 새로운 ChatModel 버전을 RagModel에 통합

​4. 기존 모델 Run에 연결된 새로운 weave.Evaluation 실행

​5. 레지스트리에 새로운 RAG 모델 저장

1. 설정

2. Artifact 기반의 `ChatModel` 만들기

3. 새로운 `ChatModel` 버전을 `RagModel`에 통합

4. 기존 모델 Run에 연결된 새로운 `weave.Evaluation` 실행

5. 레지스트리에 새로운 RAG 모델 저장