การสร้าง Structured Output

การทำงานกับ Llama 3

Imtihan Ahmed

Machine Learning Engineer

Structured Output ในรูปแบบ JSON

ตัวอย่าง: ผลลัพธ์จาก Llama อาจถูกนำไปแสดงบน Dashboard
ข้อความธรรมดาใช้งานไม่ได้ ❌
ต้องการ Structured Output ✅

พนักงานบริษัทวิเคราะห์ข้อมูลอาหารและเครื่องดื่ม

แผนภาพการสร้างรายงานอัตโนมัติสำหรับร้านอาหาร

JSON Response ด้วย Chat Completion

response_format = {"type": "json_object"}


message_list = [
       {"role": "system", # System role defined as market analyst
        "content": "You are a food industry market analyst. You 
         analyze sales data and generate structured JSON reports 
         of top-selling beverages."},

       {"role": "user", # User role to pass the request
        "content": "Provide a structured report on the top-selling beverages 
         this year."}
        ]

JSON Response ด้วย Chat Completion

output = llm.create_chat_completion(
         messages = message_list,

         response_format = "json_object"

)

ระบุ รูปแบบ ผลลัพธ์เป็น JSON
Llama สร้างผลลัพธ์แบบมีโครงสร้าง ไม่ใช่ข้อความอิสระ

การดึง JSON Response

print(output['choices'][0]['message']['content'])

{
  "report_name": "Top-Selling Beverages 2024",
  "top_beverages": [
    {
      "rank": 1,
      "beverage_name": "Coca-Cola Classic",
      "sales_volume": 2.1,
      "growth_rate": 1.9
    },... ]
}

การกำหนด Schema

response_format = {
"type": "json_object",

"schema": {

    "type": "object",

    "properties": {
           "Product Name": {"type": "string"},
           "Category": {"type": "string"},
           "Sales Growth": {"type": "float"}}

           }

}

ระบุ Schema ได้: กฎที่กำหนดรูปแบบของข้อมูล

การกำหนด Schema

output = llm.create_chat_completion(
         messages = message_list,
         response_format = response_format)  

print(output['choices'][0]['message']['content'])

{
  "Product Name": "Coca-Cola",
  "Category": "Soft Drink",
  "Sales Growth": 12.5
}

มาฝึกกันเถอะ!

การทำงานกับ Llama 3