Ingérer des données depuis OpenAI

info

Bêta

Cette fonctionnalité est en bêta. Les administrateurs de Workspace peuvent contrôler l'accès à cette fonctionnalité à partir de la page Aperçus . Voir Gérer les prévisualisations Databricks.

Cette page explique comment créer un pipeline d'ingestion OpenAI géré à l'aide de Lakeflow Connect.

Exigences

• Pour créer un pipeline d’ingestion, remplissez d’abord les conditions suivantes :

  • Votre workspace doit être activé pour Unity Catalog.

  • Le compute serverless doit être activé pour votre workspace. Voir les exigences du compute serverless.

  • Pour créer une nouvelle connexion, vous devez disposer des privilèges CREATE CONNECTION sur le métastore. Voir Gérer les privilèges dans Unity Catalog.

    Si le connecteur prend en charge la création de pipeline via l'interface utilisateur, un administrateur peut créer la connexion et le pipeline en même temps en suivant les étapes indiquées sur cette page. Cependant, si les utilisateurs qui créent des pipelines utilisent la création de pipeline basée sur l'API ou ne sont pas des administrateurs, un administrateur doit d'abord créer la connexion dans Catalog Explorer. Voir Connecter à des sources d'ingestion gérées.

  • Pour utiliser une connexion existante, vous devez disposer des privilèges USE CONNECTION ou ALL PRIVILEGES sur l’objet de connexion.

  • Vous devez disposer des privilèges USE CATALOG sur le catalogue cible.

  • Vous devez disposer des privilèges USE SCHEMA et CREATE TABLE sur un schéma existant ou des privilèges CREATE SCHEMA sur le catalogue cible.

• Pour ingérer des données depuis OpenAI, configurez d’abord l’authentification depuis Databricks et créez une connexion. Voir Configurer l’authentification auprès d’OpenAI et Créer une connexion OpenAI.

Créer un pipeline d'ingestion

Pour obtenir la liste des tables sources prises en charge, consultez Supported source tables.

Databricks UI

1. Dans la barre latérale du Workspace Databricks, cliquez sur Data Ingestion .
2. Sur la page Add data , sous Connecteurs Databricks , cliquez sur OpenAI .
3. Sur la page Connexion de l’assistant d’ingestion, sélectionnez la connexion qui stocke vos identifiants OpenAI. Si vous disposez du privilège CREATE CONNECTION sur le métastore, cliquez sur Créer une connexion pour créer une connexion avec les identifiants provenant de Configurer l’authentification auprès d’OpenAI.
4. Cliquez sur **Suivant**.
5. Sur la page Ingestion setup , saisissez un nom pour le pipeline.
6. Sélectionnez un catalogue et un schéma dans lesquels écrire les logs d’événements. Si vous disposez des privilèges USE CATALOG et CREATE SCHEMA sur le catalogue, cliquez sur Créer un schéma dans le menu déroulant pour créer un schéma.
7. Cliquez sur Créer un pipeline et continuer .
8. Sur la page Source , sélectionnez les tables à ingérer.
9. Cliquez sur Enregistrer et continuer .
10. Sur la page Destination , sélectionnez un catalogue et un schéma dans lesquels charger les données. Si vous disposez des privilèges USE CATALOG et CREATE SCHEMA sur le catalogue, cliquez sur Créer un schéma dans le menu déroulant pour créer un schéma.
11. Cliquez sur Enregistrer et continuer .
12. (Facultatif) Sur la page Calendriers et notifications , cliquez sur Créer un calendrier . Définissez la fréquence pour refresh les tables de destination.
13. (Facultatif) Cliquez sur Ajouter une notification pour définir des notifications par e-mail en cas de succès ou d'échec de l'opération de pipeline, puis cliquez sur Enregistrer et exécuter le pipeline .

Declarative Automation Bundles

Utilisez les Declarative Automation Bundles pour gérer les pipelines OpenAI en tant que code. Les bundles peuvent contenir des définitions YAML de Jobs et de tâches, sont gérés à l’aide de la Databricks CLI et peuvent être partagés et exécutés dans différents Workspace cibles (tels que le développement, la pré-production et la production). Pour plus d’informations, consultez Qu’est-ce que les Declarative Automation Bundles ?.

1. Créer un bundle à l’aide de la CLI Databricks :

   Bash

   databricks bundle init

2. Ajoutez deux nouveaux fichiers de ressources au bundle :

   • Un fichier de définition de pipeline (par exemple, resources/openai_pipeline.yml). Voir pipeline.ingestion_definition et Exemples.
   • Un fichier de définition de Job qui contrôle la fréquence d’ingestion des données (par exemple, resources/openai_job.yml).

3. Déployez le pipeline à l’aide de la CLI Databricks :

   Bash

   databricks bundle deploy

Databricks notebook

1. Importez le notebook suivant dans votre workspace Databricks :

Ouvrir le notebook dans un nouvel ongletOuvrir dans Databricks

2. Laissez les cellules un et deux telles quelles. Ne pas modifier.

3. Modifiez la troisième cellule avec les détails de configuration de votre pipeline. Voir pipeline.ingestion_definition et Exemples.

4. Configurez éventuellement des paramètres de pipeline avancés. Voir Modèles courants pour les pipelines d'ingestion gérés.

5. Cliquez sur Tout exécuter .

Exemples

Le connecteur OpenAI met à disposition 20 tables sources dans le schéma source default. Ingérez des tables individuelles ou le schéma entier.

Ingérer des tables spécifiques

Utilisez cette option pour ingérer un sous-ensemble spécifique de tables ou pour personnaliser le nom de destination par table.

Declarative Automation Bundles

Le fichier de définition de pipeline suivant ingère des tables OpenAI individuelles :

YAML

resources:
  pipelines:
    openai_pipeline:
      name: openai_pipeline
      catalog: 'main'
      target: 'openai_data'
      ingestion_definition:
        connection_name: openai_connection
        objects:
          - table:
              source_schema: 'default'
              source_table: 'users'
              destination_catalog: 'main'
              destination_schema: 'openai_data'
              destination_table: 'users'
          - table:
              source_schema: 'default'
              source_table: 'audit_logs'
              destination_catalog: 'main'
              destination_schema: 'openai_data'
              destination_table: 'audit_logs'
          - table:
              source_schema: 'default'
              source_table: 'usage_completions'
              destination_catalog: 'main'
              destination_schema: 'openai_data'
              destination_table: 'usage_completions'

Databricks notebook

La spécification de pipeline suivante ingère des tables OpenAI individuelles :

Python

pipeline_name = "openai_pipeline"
connection_name = "<openai-connection>"
pipeline_spec = {
  "name": pipeline_name,
  "ingestion_definition": {
    "connection_name": connection_name,
    "objects": [
      {
        "table": {
          "source_schema": "default",
          "source_table": "users",
          "destination_catalog": "main",
          "destination_schema": "openai_data",
          "destination_table": "users"
        }
      },
      {
        "table": {
          "source_schema": "default",
          "source_table": "audit_logs",
          "destination_catalog": "main",
          "destination_schema": "openai_data",
          "destination_table": "audit_logs"
        }
      },
      {
        "table": {
          "source_schema": "default",
          "source_table": "usage_completions",
          "destination_catalog": "main",
          "destination_schema": "openai_data",
          "destination_table": "usage_completions"
        }
      }
    ]
  }
}
json_payload = json.dumps(pipeline_spec, indent=2)
create_pipeline(json_payload)

Ingérer le schéma entier

Utilisez cette option pour ingérer toutes les tables sources OpenAI dans un schéma de destination unique avec une seule déclaration.

Declarative Automation Bundles

Le fichier de définition de pipeline suivant ingère toutes les tables OpenAI prises en charge dans un schéma de destination :

YAML

resources:
  pipelines:
    openai_pipeline:
      name: openai_pipeline
      catalog: 'main'
      target: 'openai_data'
      ingestion_definition:
        connection_name: openai_connection
        objects:
          - schema:
              source_schema: 'default'
              destination_catalog: 'main'
              destination_schema: 'openai_data'

Databricks notebook

La spécification de pipeline suivante ingère toutes les tables OpenAI prises en charge dans un schéma de destination :

Python

pipeline_name = "openai_pipeline"
connection_name = "<openai-connection>"
pipeline_spec = {
  "name": pipeline_name,
  "ingestion_definition": {
    "connection_name": connection_name,
    "objects": [
      {
        "schema": {
          "source_schema": "default",
          "destination_catalog": "main",
          "destination_schema": "openai_data"
        }
      }
    ]
  }
}
json_payload = json.dumps(pipeline_spec, indent=2)
create_pipeline(json_payload)

Fichier de définition de job Declarative Automation Bundles

Ce qui suit est un exemple de fichier de définition de job à utiliser avec les Declarative Automation Bundles. Le job s’exécute quotidiennement.

Declarative Automation Bundles

YAML

resources:
  jobs:
    openai_job:
      name: openai_job
      schedule:
        quartz_cron_expression: '0 0 0 * * ?'
        timezone_id: 'UTC'
      tasks:
        - task_key: openai_ingestion
          pipeline_task:
            pipeline_id: ${resources.pipelines.openai_pipeline.id}

Modèles courants

Pour les configurations de pipeline avancées, consultez Modèles courants pour les pipelines d'ingestion gérés.

Étapes suivantes

start, planifiez et définissez des alertes sur votre pipeline. Voir Tâches courantes de maintenance des pipelines.

Ressources supplémentaires

• FAQ du connecteur OpenAI
• Limitations du connecteur OpenAI
• Référence du connecteur OpenAI
• Dépanner le connecteur OpenAI