búsqueda semántica sobre roc

Pipeline Multimodular: Búsqueda Semántica Sobre ROC (OCR)

Este documento detalla un pipeline multimodular que recibe un archivo de imagen como entrada, extrae el texto que contiene, y habilita búsqueda semántica sobre el texto extraído.

El documento está dividido en las siguientes secciones:

Monta tu Pipeline
Procesa un Archivo de Entrada
Búsqueda Semántica

Monta tu Pipeline

Para lograr lo arriba descrito, monta un pipeline que consiste de los siguientes módulos en secuencia:

Un módulo ocr (ROC - Reconocimiento Optico de Caracteres).
Un módulo json-to-txt.
Un módulo parser (fragmentación de texto).
Un módulo text-embedder (encaje léxico).
Un módulo vector-db (base de datos vectorial).

Usas la combinación de módulos json-to-txt y parser, que combina los fragmentos transcritos en un solo documento que luego vuelve a fragmentar, para asegurarte que cualquier quiebre indeseado generado por el ROC no resulte en fragmentos parciales que confundan el modelo de encaje léxico.

Para crear el pipeline usarás el método create_pipeline de la siguiente manera:

# creación del pipeline descrito
pipeline = krixik.create_pipeline(
    name="multi_busqueda_semantica_sobre_roc", module_chain=["ocr", "json-to-txt", "parser", "text-embedder", "vector-db"]
)

Procesa un Archivo de Entrada

Examina el archivo de prueba antes de continuar:

# examina el archivo de entrada
from IPython.display import Image

Image(filename=data_dir + "input/sello.png")

png

Usarás los modelos predeterminados en este pipeline, así que el argumento modules del método process no hará falta.

# procesa el archivo a través del pipeline según lo arriba descrito
process_output = pipeline.process(
    local_file_path=data_dir + "input/sello.png",  # la ruta de archivo inicial en la que yace el archivo de entrada
    local_save_directory=data_dir + "output",  # el directorio local en el que se guardará el archivo de salida
    expire_time=60 * 30,  # data de este proceso se eliminará del sistema Krixik en 30 minutos
    wait_for_process=True,  # espera que el proceso termine antes de devolver control del IDE al usuario
    verbose=False,  # no mostrar actualizaciones de proceso al ejecutar el código
)

Reproduce la salida de este proceso con el siguiente código. Para aprender más sobre cada componente de la salida, estudia la documentación del método process.

Dado que la salida de este modelo/módulo es un archivo de base de datos FAISS, process_output se muestra como "null". Sin embargo, el archivo de salida se ha guardado en la ubicación indicada bajo process_output_files. El file_id del archivo procesado es el prefijo del nombre del archivo de salida en esta ubicación.

# nítidamente reproduce la salida de este proceso
print(json.dumps(process_output, indent=2))

{
  "status_code": 200,
  "pipeline": "multi_semantically_searchable_ocr",
  "request_id": "93ad346b-344a-431f-9893-ffd1b55340a7",
  "file_id": "7360a295-435b-4beb-8174-d27aec08aa04",
  "message": "SUCCESS - output fetched for file_id 7360a295-435b-4beb-8174-d27aec08aa04.Output saved to location(s) listed in process_output_files.",
  "warnings": [],
  "process_output": null,
  "process_output_files": [
    "../../../data/output/7360a295-435b-4beb-8174-d27aec08aa04.faiss"
  ]
}

Busqueda Semantica

El método semantic_search de Krixik habilita búsqueda semántica sobre documentos procesados a través de ciertos pipelines. Dado que el método semantic_search hace embedding (encaje léxico) con la consulta y luego lleva a cabo la búsqueda, solo se puede usar con pipelines que de manera consecutiva contienen los módulos text-embedder (encaje léxico) y vector-db (base de datos vectorial).

Ya que tu pipeline satisface esta condición tiene acceso al método semantic_search. Úsalo de la siguiente manera para consultar el texto con lengua natural:

# haz búsqueda semántica sobre el texto procesado por el pipeline
semantic_output = pipeline.semantic_search(query="The man sounds like he's dying.", file_ids=[process_output["file_id"]])

# nítidamente reproduce la salida de esta búsqueda
print(json.dumps(semantic_output, indent=2))

{
  "status_code": 200,
  "request_id": "b354328b-2588-49bb-b034-d81c0eb5fd68",
  "message": "Successfully queried 1 user file.",
  "warnings": [],
  "items": [
    {
      "file_id": "7360a295-435b-4beb-8174-d27aec08aa04",
      "file_metadata": {
        "file_name": "krixik_generated_file_name_lhmyxspuwj.png",
        "symbolic_directory_path": "/etc",
        "file_tags": [],
        "num_vectors": 8,
        "created_at": "2024-06-05 14:50:50",
        "last_updated": "2024-06-05 14:50:50"
      },
      "search_results": [
        {
          "snippet": "His eyes are\nwide-open and bloodshot from lack of sleep.",
          "line_numbers": [
            5,
            6
          ],
          "distance": 0.284
        },
        {
          "snippet": "His\nopen mouth gapes towards the dawn, and unearthly sounds come from his throat.",
          "line_numbers": [
            9,
            10
          ],
          "distance": 0.289
        },
        {
          "snippet": "He has fallen asleep where he\ncollapsed, at the edge of the forest among the wind-gnarled fir trees.",
          "line_numbers": [
            8,
            9
          ],
          "distance": 0.302
        },
        {
          "snippet": "Nearby his squire JONS is snoring loudly.",
          "line_numbers": [
            7,
            8
          ],
          "distance": 0.331
        },
        {
          "snippet": "At the sudden gust of wind, the horses stir, stretching their parched muzzles\ntowards the sea.",
          "line_numbers": [
            11,
            12
          ],
          "distance": 0.429
        }
      ]
    }
  ]
}